You are on page 1of 68

UNIVERSIDADE FEDERAL DO PARÁ

DEPARTAMENTO DE ESTATÍSTICA

CURSO DE BACHARELADO EM ESTATÍSTICA

Marcus Vinı́cius Oliveira Palheta

A INFLUÊNCIA DO ESTIMADOR PARA O DESVIO


PADRÃO BASEADO NOS QUARTIS AMOSTRAIS

NA AVALIAÇÃO DA CAPACIDADE DE PROCESSOS

Orientador: Prof. Edson M. L. S. Ramos, Dr.

Belém
2005
Marcus Vinı́cius Oliveira Palheta

A INFLUÊNCIA DO ESTIMADOR PARA O DESVIO


PADRÃO BASEADO NOS QUARTIS AMOSTRAIS

NA AVALIAÇÃO DA CAPACIDADE DE PROCESSOS

Trabalho de Conclusão de Curso - TCC


apresentado ao Colegiado do Curso de
Bacharelado em Estatı́stica da Universi-
dade Federal do Pará como requisito par-
cial para a obtenção do grau de Bacharel
em Estatı́stica.

Área de Concentração: Controle Estatı́stico da Qualidade


Orientador: Prof. Edson M. L. S. Ramos, Dr.

Belém
2005
Marcus Vinı́cius Oliveira Palheta

A INFLUÊNCIA DO ESTIMADOR PARA O DESVIO


PADRÃO BASEADO NOS QUARTIS AMOSTRAIS

NA AVALIAÇÃO DA CAPACIDADE DE PROCESSOS

Este Trabalho de Conclusão de Curso - TCC, foi julgado e aprovado, para a


obtenção do grau de Bacharel em Estatı́stica no Curso de Graduação em Estatı́stica
da Universidade Federal do Pará.

Belém, 02 de setembro de 2005

Profa. Marina Yassuko Toma, M.Sc.


Coordenadora do Curso de Estatı́stica - UFPA

Banca Examinadora

Prof. Edson Marcos Leal Soares Ramos, Dr. Profa. Silvia dos Santos de Almeida, Dra.
Universidade Federal do Pará Universidade Federal do Pará
Orientador Examinadora

Prof. Joaquim Carlos B. Queiroz, Dr. Profa. Adrilayne dos Reis Araújo, M.Sc.
Universidade Federal do Pará Universidade Federal do Pará
Examinador Examinadora
À minha mãe, com todo amor e admiração.
AGRADECIMENTOS

? A Deus pelos pequenos milagres de todos os dias;

? À minha mãe pelo amor com que sempre cuidou de mim, por estar ao meu lado em todos os
momentos da minha vida e pela honra de ser seu filho;

? À minha tia Marina por ter cuidado de mim como se fosse seu filho;

? Às minhas avós Rita e Beatriz in memorian;

? À minha namorada, Camila, por todo seu apoio e carinho e pelas valiosas sugestões a este
trabalho;

? À toda minha famı́lia;

? Aos amigos: Alexandre, Edvaldo, Rose, Júnior, Valena, Valessa, Daura, Paulinha, Flávia,
Alessandro, Álvaro, Cleisson in memorian e todos os amigos do Cearense pelos vários momentos
de risadas e companheirismo;

? Ao Prof. Edson Ramos por me conceder a oportunidade de realizar este trabalho e por sua
importante orientação;

? À todas as pessoas da famı́lia Serra, especialmente a minha sogra Eliana, meu sogro Matheus
e minhas cunhadas Liliane e Vanessa, por me receberem com tanto carinho;

? À Dona Conceição, meu “irmão” Hugo e famı́lia pela grande ajuda para que eu chegasse até
aqui;

? À minhas lindas sobrinhas Beatriz, Mayara, Fernanda e Eduarda por trazerem mais luz e
alegria para dentro de casa;

? Aos meus amigos do Curso de Estatı́stica pela grande ajuda durante todos esses anos;

? Ao Diego pela ajuda com o LaTex ;

? À Ana e Leontina, do Departamento de Estatı́stica, pelos “galhos quebrados”;

? A todos que de uma maneira ou de outra contribuı́ram para a realização deste trabalho.
“Às vezes podes estar reduzido a não saber para
aonde ir nem para que lado recorrer. Neste caso,
não te precipites. Espera tudo do tempo e das
circunstâncias. Sê inquebrantável onde estiveres”

Sun Tzu, A Arte da Guerra.


RESUMO

PALHETA, Marcus V. O. A influência do estimador para o desvio padrão baseado nos


quartis amostrais na avaliação da capacidade de processos. 2005. TCC (Bacharelado em
Estatı́stica - UFPA, Belém - PA, Brasil).

Este trabalho tem como objetivo estudar a influência do estimador para o desvio padrão
baseado nos quartis amostrais na avaliação da capacidade de processos. O trabalho en-
volve três etapas principais: visão geral de ı́ndices de capacidade do processo, estimação
de σ no Controle Estatı́stico do Processo (CEQ) e aplicação. No estudo sobre Índices de
Capacidade do Processo mostra-se a metodologia de construção e formas de interpretação
dos ı́ndices estudados. Na estimação de σ no CEQ, apresenta-se as principais proprieda-
des dos estimadores, além dos principais estimadores para a dispersão do processo, bem
como o estimador para σ baseado nos quartis amostrais. Durante a aplicação, observou-se
que a avaliação da capacidade de processos torna-se mais eficiente quando nela utiliza-se
o estimador para o desvio padrão baseado nos quartis amostrais, em substituição ao tra-
dicional estimador de σ baseado na amplitude, assim, uma possı́vel falta de capacidade
do processo em atender às exigências, tende a ser detectada mais rapidamente quando se
emprega o estimador para σ baseado nos quartis amostrais no lugar de R̄/d2 .

Palavras Chaves: Controle Estatı́stico da Qualidade, Índices de Capacidade do Processo,


Quartis.
ABSTRACT

PALHETA, Marcus V. O. The influence of the estimator for the standard deviation ba-
sed on the amostral quartiles in the evaluation of the processes capability. 2005. TCC
(Bacharelado in Statistics - UFPA, Belém - Pará, Brazil).

This work has as objective to study the influence of the estimator for the standard devi-
ation based on the amostral quartiles in the evaluation of the processes capability. The
work involves three main stages: general vision of process capability indices, estimation
of σ in the CEQ and application. In the study on Process Capability Indices one reveals
methodology of construction and forms of interpretation of the studied indices. In estima-
tion of σ in the CEQ one presents the main properties of the estimators, beyond the main
estimators for the process dispersion as well as the estimator of σ based on the quartiles.
During the application it was observed that the evaluation of the processes capability
becomes more efficient when in it is used the estimator for the standard deviation based
on the amostral quartiles, in substitution to the traditional estimator of σ based in the
amplitude, thus, a possible lack of process capability to meet the requirements, tends to
be detected more quickly when the estimator for σ based in the amostral quartiles is used
in the place of R̄/d2 .

Key Words: Statistical Quality Control, Process Capability Indices, Quartiles.


SUMÁRIO

RESUMO vii

ABSTRACT viii

Lista de Tabelas xi

Lista de Figuras xii

1 Introdução 1
1.1 Aspectos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Justificativa e Importância do Trabalho . . . . . . . . . . . . . . . . . . . . 2
1.3 A Hipótese Básica do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.2 Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Limitações do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.6 Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Visão Geral de Índices de Capacidade do Processo 5


2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Análise Gráfica da Capacidade do Processo . . . . . . . . . . . . . . . . . . 6
2.3 Índices Cp e Cp∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.4 Índices Cpu , Cpl , Cpu e Cpl∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.5 Índices Cpk e Cpk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.6 Índices Cpm , Cpm e Cpmk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
00
2.7 Índices Cpp e Cpp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3 Estimação de σ no CEQ 19
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Propriedades dos Estimadores . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1 Não-tendenciosidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.2 Consistência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.3 Eficiência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Estimação da Dispersão do Processo . . . . . . . . . . . . . . . . . . . . . . 21
3.3.1 Desvio Padrão Amostral Corrigido . . . . . . . . . . . . . . . . . . . . 22
x

3.3.2 Média dos Desvios Padrões Amostrais Corrigidos . . . . . . . . . . . . 23


3.3.3 Média das Amplitudes Amostrais Corrigidas . . . . . . . . . . . . . . . 23
3.3.4 Mediana das Amplitudes Amostrais Corrigidas . . . . . . . . . . . . . 24
3.3.5 Média dos Intervalos Interquartis (Estimador de σ Baseado nos Quar-
tis) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4 Aplicações 26
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Simétricas 26
4.3 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Assimétricas 33

5 Considerações Finais 36
5.1 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.2 Recomendações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

A Tabelas dos Fatores para o cálculo dos Índices de Capacidade do Pro-


cesso 38

B Tabelas com Exemplos para Aplicação 39

C Cálculos para obtenção das estimativas para os Índices de Capacidade 42


C.1 Cálculos para obtenção das estimativas apresentadas na Tabela 4.1. . . . . . 42
C.2 Cálculos para obtenção das estimativas apresentadas na Tabela 4.2. . . . . . 44
C.3 Cálculos para obtenção das estimativas apresentadas na Tabela 4.3. . . . . . 46
C.4 Cálculos para obtenção das estimativas apresentadas na Tabela 4.4. . . . . . 49
C.5 Cálculos para obtenção das estimativas apresentadas na Tabela 4.5. . . . . . 51

Bibliografia 55
Lista de Tabelas

4.1 Estimativas para os Índices de Capacidade Cp , Cpl , Cpu , Cpk , Cpm , Cpmk
e Cpp , para processos com tolerâncias simétricas - Dados de medidas de
temperaturas do eletrodo (◦ C ), mostrados na Tabela B.1 do Apêndice B. . 28
4.2 Estimativas para os Índices de Capacidade Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e
Cpp , para processos com tolerâncias simétricas - Dados de medidas de tem-
peratura do óleo do misturador (◦ C ), mostrados na Tabela B.2 do Apêndice
B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Estimativas para os Índices de Capacidade Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e
Cpp , para o caso onde um processo com tolerâncias simétricas é incapaz de
atender às especificações - Dados de medidas de temperaturas do eletrodo
(◦ C ), mostrados na Tabela B.1 do Apêndice B. . . . . . . . . . . . . . . . 32
00
4.4 Estimativas para os Índices de Capacidade Cp∗ , Cpl∗ , Cpu∗ ∗
, Cpk ∗
, Cpm e Cpp ,
para processos com tolerâncias assimétricas - Dados de medidas de tempe-
raturas do eletrodo (◦ C ), mostrados na Tabela B.1 do Apêndice B. . . . . 33
00
4.5 Estimativas para os Índices de Capacidade Cp∗ , Cpl∗ , Cpu∗ ∗
, Cpk ∗
, Cpm e Cpp ,
para processos com tolerâncias assimétricas - Dados de medidas de tempe-
ratura do óleo do misturador (◦ C ), mostrados na Tabela B.2 do Apêndice
B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
A.1 Fatores para o cálculo dos ı́ndices de capacidade do processo - Estimação
da dispersão do processo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

B.1 Medidas de temperatura do eletrodo (◦ C ) durante a produção de alumı́nio


- Fevereiro/2003. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
B.2 Medidas de temperatura do óleo do misturador (◦ C ) durante a produção
de alumı́nio - Fevereiro/2003. . . . . . . . . . . . . . . . . . . . . . . . . . 41
Lista de Figuras

2.1 Avaliação da capacidade do processo a partir da comparação de histogramas


com limites de especificação. . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Relacionamento entre Cp , intervalo de especificação e itens não-conformes
produzidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Relacionamento entre Cp e Cpk . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 Dois processos com Cpk = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1 Gráfico R para os dados de medidas de temperaturas do eletrodo (◦ C ) - σ
estimado por R̄/d2 e IQ/ξn . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Gráfico X̄ para os dados de medidas de temperaturas do eletrodo (◦ C ) - σ
estimado por R̄/d2 e IQ/ξn . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3 Gráfico R para medidas de temperatura do óleo do misturador (◦ C ) - σ
estimado por R̄/d2 e IQ/ξn . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4 Gráfico X̄ para medidas de temperatura do óleo do misturador (◦ C ) - σ
estimado por R̄/d2 e IQ/ξn . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.5 Gráfico R para medidas de temperatura do óleo do misturador (◦ C ) com a
amostra 23 modificada - σ estimado por R̄/d2 e IQ/ξn . . . . . . . . . . . . 31
4.6 Gráfico X̄ para medidas de temperatura do óleo do misturador (◦ C ) com
a amostra 23 modificada - σ estimado por R̄/d2 e IQ/ξn . . . . . . . . . . . 31
4.7 Histograma para medidas de temperatura do eletrodo(◦ C ). . . . . . . . . . 32
Capı́tulo 1

Introdução

1.1 Aspectos Gerais

Os métodos estatı́sticos atuam como ferramentas fundamentais nos processos de solução


de problemas, pois facilitam, através da coleta de dados informativos e da interpretação
destes, o estabelecimento de conclusões confiáveis sobre algum fenômeno que esteja sendo
estudado. Eles vêm sendo cada vez mais reconhecidos como um importante instrumento
para diagnosticar e otimizar a gestão e operação de diversos sistemas fı́sicos. O uso de
técnicas estatı́sticas garante exatidão. É a renúncia do palpite em favor do conhecimento
comprovado daquilo que se está pesquisando, desta forma, substitui-se a intuição por
evidência.

De forma mais especı́fica, é também importante destacar que parte dessas técnicas,
conhecidas como Controle Estatı́stico da Qualidade, são muito úteis para controlar a
qualidade de bens e serviços e, por este motivo o conhecimento destas está se tornando
cada vez mais importante para engenheiros e demais profissionais engajados em programas
de promoção da qualidade e produtividade. Durante muito tempo o Controle Estatı́stico da
Qualidade foi aplicado sob a forma tradicional denominada “inspeção”. Em 1924, Walter
Andrew Shewhart introduz, nos laboratórios da Bell Telephone, o conceito de gráficos de
controle através de um memorando técnico (Shewhart, 1931). Nele Shewhart apresenta
um gráfico de controle, o qual mais tarde veio a ser chamado de o primeiro gráfico de
controle de Shewhart. Surge, então, o Controle Estatı́stico de Qualidade (CEQ), cuja
aplicação vem se tornando generalizada nos paı́ses industrializados.

Além dos gráficos de controle existem, também, outras técnicas estatı́sticas que são
bastante utilizadas no CEQ, são elas: folha de verificação, estratificação, diagrama de
causa e efeito ou diagrama de Ishikawa, gráfico de Pareto, histograma e diagrama de
1.2 Justificativa e Importância do Trabalho 2

dispersão, que juntamente com o gráfico inserido por Shewhart são denominadas de as
Sete Ferramentas da Qualidade. Outro exemplo de ferramentas bastante comuns do CEQ
são os Índices de Capacidade do Processo, utilizados primordialmente para avaliar se
um processo é capaz de gerar produtos que atendam às especificações exigidas. Para o
cálculo desses ı́ndices são comumente utilizados estimadores do desvio padrão populacional
σ baseados no desvio padrão amostral S e na amplitude amostral R. Entretanto, um
estimador de σ baseado nos quartis foi desenvolvido por Ramos (2003) e aplicado aos
ı́ndices Cp , Cpl , Cpu e Cpk , onde foi observado que, quando um processo não for capaz
de atender às especificações, as estimativas dos ı́ndices utilizando σ̂ baseado nos quartis
são capazes de detectar mais rapidamente esta falta de capacidade do que as estimativas
utilizando σ̂ baseado na amplitude.

Neste contexto, este trabalho procura estender a aplicação do estimador de σ baseado


nos quartis a outros ı́ndices de capacidade do processo.

1.2 Justificativa e Importância do Trabalho

A pesquisa é justificada em virtude dos constantes avanços dos meios de produção que
exigem um acompanhamento, no mesmo ritmo, tanto da mão-de-obra quanto dos métodos
de controle estatı́stico da qualidade capazes de monitorar, detectar e avaliar mudanças
nas caracterı́sticas da qualidade tão logo quanto possı́vel. A utilização do estimador de σ
baseado nos quartis pode possibilitar melhorias nas estimativas de outros ı́ndices (Cpm ,
00
Cpmk , Cpp , Cp∗ , Cpu

, Cpl∗ , Cpk
∗ ∗
, Cpm e Cpp ) utilizados para avaliar a capacidade dos processos.

1.3 A Hipótese Básica do Trabalho

Parte-se da hipótese de que quando o estimador de σ baseado nos quartis for aplicado a
00

outros ı́ndices de capacidade (Cpm , Cpmk , Cpp , Cp∗ , Cpu , Cpl∗ , Cpk
∗ ∗
, Cpm e Cpp ), isto ocasionará
uma melhoria nas suas sensibilidades em detectar um não atendimento dos processos às
especificações exigidas.

Palheta, Marcus V. O. Estatı́stica/UFPA


1.4 Objetivos 3

1.4 Objetivos
1.4.1 Objetivo Geral

Este trabalho tem por objetivo estudar a influência do estimador para o desvio padrão
baseado nos quartis na avaliação da capacidade de processos.

1.4.2 Objetivos Especı́ficos

• Dar uma visão geral a respeito de ı́ndices de capacidade do processo;

• Demonstrar o processo de cálculo e de avaliação dos ı́ndices de capacidade do pro-


cesso;

• Dar uma visão geral a respeito da estimação de σ no CEQ.

1.5 Limitações do Trabalho

Como principais limitações deste trabalho têm-se

• A falta de acompanhamento in loco da aplicação dos ı́ndices de capacidade desen-


volvidos;

• A aplicação em poucos processos reduz a capacidade de análise e interpretação dos


ı́ndices de capacidade desenvolvidos.

1.6 Estrutura do Trabalho

Este trabalho de conclusão encontra-se dividido em 5 capı́tulos, são eles:

• Capı́tulo 1: Refere-se a introdução do trabalho, onde são englobados a justificativa


e importância do trabalho, a hipótese básica, objetivos geral e especı́ficos e suas
limitações;

• Capı́tulo 2: Traz uma visão geral a respeito de ı́ndices de capacidade do processo;

• Capı́tulo 3: Faz uma breve apresentação a respeito dos métodos de estimação de σ


no CEQ;

Palheta, Marcus V. O. Estatı́stica/UFPA


1.6 Estrutura do Trabalho 4

• Capı́tulo 4: Mostra a aplicação do estimador de σ baseado nos quartis aos ı́ndices de


capacidade e a avaliação do desempenho dos mesmos;

• Capı́tulo 5: Traz as considerações finais e recomendações para trabalhos futuros.

Palheta, Marcus V. O. Estatı́stica/UFPA


Capı́tulo 2

Visão Geral de Índices de Capacidade do


Processo

2.1 Introdução

Um processo estável (sob controle estatı́stico) apresenta previsibilidade. No entanto, é


possı́vel que mesmo um processo com variabilidade controlada e previsı́vel produza itens
defeituosos, por isso não é suficiente colocar e manter um processo sob controle estatı́stico
é, também, fundamental avaliar se o processo é capaz de atender às especificações estabe-
lecidas. De acordo com Siqueira (1997) a melhor forma de se verificar a adequação de um
processo às necessidades da engenharia de produto é através do estudo de capacidade do
processo.

Existem vários métodos para verificar a capacidade do processo, porém, segundo Ramos
(2003, p. 42) “devido à sua simplicidade de obtenção e avaliação, os Índices de Capacidade
do Processo são um bom exemplo de ferramenta do CEQ com ampla utilização industrial”.
Esses ı́ndices são números admensionais que permitem uma quantificação do desempenho
dos processos e utilizam as informações de modo que seja possı́vel avaliar se um processo
é capaz de gerar produtos que atendam às especificações. Basicamente, os Índices de
Capacidade do Processo relacionam a dispersão natural do processo (6σ) com os limites
de especificação estabelecidos. É importante destacar que apenas processos sob controle
estatı́stico devem ter sua capacidade avaliada. A determinação desses ı́ndices depende de
estimativas para a dispersão e, em alguns casos, para o nı́vel do processo. Quatro ı́ndices
são mais freqüentemente utilizados para medir a capacidade do processo e são comumente
conhecidos como Cp , Cpl , Cpu e Cpk .

Estes ı́ndices, juntamente com o ı́ndice k, são chamados de ı́ndices da primeira geração
pois foram os primeiros Índices de Capacidade desenvolvidos. A segunda geração incor-
2.2 Análise Gráfica da Capacidade do Processo 6

porou a Função Perda de Taguchi e o primeiro ı́ndice proposto nesta geração foi Cpm , a
∗ +
partir dele foram desenvolvidos os ı́ndices Cpm e Cpm . Segundo Kotz e Lovelace (1998) a
terceira geração começou por volta de 1990, com a introdução de um ou dois ı́ndices o
que desencadeou uma “avalanche” de novos ı́ndices. O ı́ndice Cpmk é chamado de ı́ndice
de terceira geração, pois é uma combinação de Cpk , um ı́ndice da primeira geração, com
Cpm , um ı́ndice da segunda geração. Esta onda de novos ı́ndices ainda continua, seja
com o desenvolvimento de novos Índices de Capacidade ou através de pesquisas sobre as
propriedades estatı́sticas dos ı́ndices existentes.

Assim, este capı́tulo irá mostrar uma forma de análise gráfica, através de histogramas,
da capacidade dos processos. Apresentará, além dos quatro principais ı́ndices, outros que,
também, são utilizados para avaliar a capacidade dos processos. Suas formas de obtenção
e análise serão detalhadas e a necessidade de estimativas para σ, quando os ı́ndices são
usados, será vista. A Seção 2.2 apresentará a análise gráfica da capacidade dos processos.
A Seção 2.3 abordará os ı́ndices Cp e Cp∗ . A Seção 2.4 mostrará os ı́ndices Cpu , Cpl , Cpu

e
Cpl∗ . A Seção 2.5 exibirá os ı́ndices Cpk e Cpk
∗ ∗
. A Seção 2.6 apresentará os ı́ndices Cpm , Cpm
00
e Cpmk . A Seção 2.7 irá mostrar os ı́ndices Cpp e Cpp .

2.2 Análise Gráfica da Capacidade do Processo

Segundo Werkema (1995) a análise gráfica da capacidade de um processo consiste na


comparação de histogramas e/ou gráficos seqüenciais (como o gráfico de controle), cons-
truı́dos para a caracterı́stica da qualidade de interesse, com os limites de especificação.
Aqui se aborda apenas a análise gráfica, através de histogramas, dada a simplicidade de
sua obtenção, entretanto, as outras análises gráficas seguem o mesmo padrão.

O histograma dispõe as informações de modo que seja possı́vel perceber a localização do


valor central e da dispersão dos dados em torno deste valor. Para que um processo seja con-
siderado adequado às especificações exigidas, o seu histograma deve ter forma simétrica,
variabilidade pequena e centralização no valor nominal de especificação. A Figura 2.1,
onde LIE é o limite inferior de especificação e LSE é o limite superior de especificação,
mostra as principais situações que podem ocorrer na prática. No caso (a), da Figura 2.1,
percebe-se o caso ideal em que o processo atende com folga à especificação por apresentar

Palheta, Marcus V. O. Estatı́stica/UFPA


2.2 Análise Gráfica da Capacidade do Processo 7

pequena variabilidade e ter sua média localizada no centro da faixa de especificação (valor
nominal). No caso (b), o processo também atende aos limites de especificação porém sem
nenhuma folga, neste caso deve-se tomar precauções para diminuir sua variabilidade. No
caso (c), o processo não atende às especificações porque sua média está deslocada em
relação ao centro da faixa de especificação, nesta situação deve-se tomar alguma medida
no sentido de centralizar a média do mesmo. Na situação (d), o processo não atende às
especificações devido à sua grande variabilidade, deve-se tomar medidas para diminuir a
sua variabilidade. Na situação (e), as especificações não são atendidas devido o processo
apresentar média deslocada em relação ao centro da faixa de especificação e apresentar
elevada variabilidade, assim, deve-se adotar medidas para centralizar sua média e diminuir
sua variabilidade.

LIE LSE LIE LSE


(a) (b)

LIE LSE LIE LSE


(c) (d)

LIE LSE
(e)
Fonte: Werkema (1995)

Figura 2.1 Avaliação da capacidade do processo a partir da comparação de histogramas com


limites de especificação.

Palheta, Marcus V. O. Estatı́stica/UFPA


2.3 Índices Cp e Cp∗ 8

A análise gráfica da capacidade do processo permite responder se o processo é capaz


de atender às especificações, se ele está centrado no valor nominal de especificação e se é
necessário adotar alguma medida para reduzir sua variabilidade.

2.3 Índices Cp e Cp∗

Com freqüência é mais conveniente utilizar uma forma quantitativa simples para expres-
sar a capacidade do processo e um modo de fazer isso é através dos Índices de Capacidade
do Processo. Como dito anteriormente, apenas processos estáveis (sob controle estatı́stico)
devem ter sua capacidade avaliada, pois processos fora de controle estatı́stico geram esti-
mativas enganosas dos ı́ndices de capacidade e, também, não faz nenhum sentido avaliar
a capacidade de um processo que está fora de controle estatı́stico. O ı́ndice Cp foi proje-
tado para dar uma medida indireta da habilidade do potencial do processo em satisfazer
as exigências e relaciona a variabilidade permitida pelo processo, isto é, a amplitude do
intervalo de especificação (LSE-LIE ) com sua variabilidade natural (6σ) através da de-
finição
LSE − LIE
Cp = , (2.1)

onde LSE é o limite superior de especificação, LIE é o limite inferior de especificação e σ é
o desvio padrão do processo. Como o desvio padrão do processo é geralmente desconhecido,
deve-se substituı́-lo por uma estimativa σ̂ o que resulta em uma estimativa Ĉp de Cp , no
próximo capı́tulo, alguns estimadores de σ serão apresentados. Assim,
LSE − LIE
Ĉp = . (2.2)
6σ̂
Vieira (1999), assim como Montgomery (2001), referem-se ao ı́ndice Cp como PCR
(Process Capability Ratio ou Razão de Capacidade do Processo), para não o confundir
com a estatı́stica Cp de Mallow, utilizada na Análise de Regressão.

A definição de Cp mede apenas a dispersão permitida pelo processo em relação à sua


dispersão natural não levando em conta onde o mesmo está centrado, assim, este ı́ndice
assume implicitamente que o processo está centrado no valor nominal de especificação e
que o valor alvo, ou valor objetivo, T (do inglês target) para a média do processo coincide
com o ponto médio M = (LSE + LIE)/2 dos limites de especificação, porém, se isso não
acontece sua capacidade real será menor que a indicada por Cp .

Palheta, Marcus V. O. Estatı́stica/UFPA


2.3 Índices Cp e Cp∗ 9

Para um processo capaz, Cp deve ser igual ou superior a 1,00, isto quer dizer que
99,73% das unidades produzidas serão conformes, desde que o processo esteja sob controle
estatı́stico e seja satisfeita a suposição de normalidade. Quando Cp = 1, 00, a variabili-
dade natural do processo ocupa toda a faixa de especificação (variabilidade permitida).
A Figura 2.2 mostra como Cp , intervalo de especificação utilizado e itens não-conformes
produzidos estão relacionados. Contudo, uma estimativa de Cp = 1, 33 tornou-se critério
mais comumente aceito como limite inferior para determinação da capacidade do processo,
assim, tem-se alguma garantia de que, quando fontes adicionais de variação forem expe-
rimentadas no processo, um Cp = 1, 00 será possı́vel. Isto assegura, também, que apenas
0,007% das unidades produzidas sejam rejeitadas, o que é uma estratégia efetiva para a
prevenção de itens defeituosos.

Fonte: Ramos (2003)


Figura 2.2 Relacionamento entre Cp , intervalo de especificação e itens não-conformes produzidos

Montgomery (2001) indica valores mı́nimos de 1,33 para processos existentes e 1,50 para
novos processos. Entretanto, a regra descrita abaixo é a usual para analisar os ı́ndices de
capacidade:

• Cp < 1, 00 (Processo vermelho) - A capacidade do processo é inadequada à especi-


ficação exigida. Deve-se tentar diminuir a variabilidade do processo ou realizar o trabalho
em outro que atenda às especificações;

• 1, 00 ≤ Cp ≤ 1, 33 (Processo amarelo) - A capacidade do processo está dentro das


especificações. Nesta situação, também, deve-se tentar diminuir a variabilidade. Utilizar

Palheta, Marcus V. O. Estatı́stica/UFPA


2.3 Índices Cp e Cp∗ 10

gráficos de controle para manter o processo sob controle estatı́stico e evitar a produção
de itens não-conformes;

• Cp > 1, 33 (Processo verde) - A capacidade do processo é adequada às especificações


exigidas. Não é preciso tomar maiores cuidados com o processo, a menos que se queira
reduzir a variabilidade para aumentar a qualidade dos produtos.

Esses valores utilizados como limite superior e inferior na avaliação de Cp não possuem
nenhum embasamento estatı́stico, são apenas uma margem de segurança que visa assegu-
rar que os valores deste ı́ndice tenham alta probabilidade de serem, no mı́nimo, superiores
a um.

Para a obtenção da porcentagem da faixa de especificação utilizada, emprega-se uma


aplicação prática muito útil de Cp que é
µ ¶
1
P = × 100. (2.3)
Cp

O ı́ndice Cp assume que o processo está centrado no ponto médio M dos limites de
especificação e que o valor alvo T para a média do processo é igual a este ponto médio
(T = M ). Entretanto, há casos em que o valor objetivo não coincide com o ponto médio
dos limites de especificação (T 6= M ), processos com esta caracterı́stica são denominados
de Processos com Tolerâncias Assimétricas. A utilização de Cp , neste caso, conduz a
resultados enganosos, assim, para resolver esta situação foi proposto o ı́ndice Cp∗ . Este
ı́ndice nada mais é que uma generalização de Cp , sendo definido como

min(LSE − T, T − LIE)
Cp∗ = , (2.4)

onde LSE e LIE são, respectivamente, os limites superior e inferior de especificação e σ


é o desvio padrão do processo. A partir da definição de Cp∗ , pode-se perceber que quando
T = M , então Cp∗ = Cp . Como σ geralmente é desconhecido, deve-se substituı́-lo por um
estimador σ̂, o que resulta em uma estimativa Ĉp∗ de Cp∗ , logo

min(LSE − T, T − LIE)
Ĉp∗ = . (2.5)
3σ̂

Palheta, Marcus V. O. Estatı́stica/UFPA


∗ e C∗
2.4 Índices Cpu , Cpl , Cpu 11
pl


2.4 Índices Cpu , Cpl , Cpu e Cpl∗

A equação de Cp assume que o processo possui tanto limite de especificação superior


quanto inferior, porém, há casos em que a especificação é unilateral, ou seja, o processo
só possui um dos limites de especificação. Assim, dois novos ı́ndices de capacidade, Cpu e
Cpl , são obtidos.

Quando só existe limite superior de especificação,


Dispersão Superior Permitida no Processo
Cpu =
Dispersão Superior Natural no Processo
(2.6)
LSE − µ
= ,

e quando só existe limite inferior de especificação
Dispersão Inferior Permitida do Processo
Cpl =
Dispersão Inferior Natural do Processo
(2.7)
µ − LIE
= ,

onde LSE é o limite superior de especificação, LIE é o limite inferior de especificação,
σ é o desvio padrão e µ é a média do processo. O ı́ndice Cpu é denominado de ı́ndice de
capacidade superior e Cpl é o ı́ndice de capacidade inferior. Os ı́ndices Cpu e Cpl estão
relacionados com Cp por Cp = (Cpu + Cpl )/2, que é usada para medir a capacidade do
processo no caso de um único limite de especificação. Como o desvio padrão e a média do
processo geralmente são desconhecidos, será usual utilizar seus estimadores para obter as
estimativas Ĉpu e Ĉpl .

As definições de Cpu e Cpl , assim como a de Cp , assumem que o processo possui to-
lerâncias simétricas, isto é, T = M . Assim, para o caso de processos com tolerâncias

assimétricas (T 6= M ) foram propostos os ı́ndices Cpu e Cpl∗ que são generalizações de Cpu
e Cpl e são definidos da seguinte maneira
 µ ¶

 LSE − T |T − µ|
 1− , se |T − µ| < LSE − T,

Cpu = 3σ LSE − T (2.8)



0, caso contrário

Palheta, Marcus V. O. Estatı́stica/UFPA



2.5 Índices Cpk e Cpk 12

e
 µ ¶

 T − LIE |T − µ|
 1− , se |T − µ| < T − LIE,

Cpl = 3σ T − LIE (2.9)



0, caso contrário.

A partir das definições acima, pode-se notar que quando T = µ então, Cpu = Cpu e
Cpl∗ = Cpl .


2.5 Índices Cpk e Cpk

A utilização do ı́ndice Cp pode conduzir a conclusões erradas, pois não leva em conta
onde a média do processo está localizada em relação às especificações e mede a capacidade
somente em termos de dispersão, ou seja, assume que o processo está centrado no valor
nominal de especificação, contudo, na prática isto nem sempre ocorre. A Figura 2.3 mostra
que um processo pode não estar atendendo às especificações e, mesmo assim, isto não é
detectado por Cp (note que Cp = 2, 00 em todos os casos) pelo fato dele não levar em
conta a centralização do processo, isto é, o desvio da sua média em relação ao ponto médio
dos limites de especificação, observando que σ = 2 nas 5 situações.

Para resolver este problema, Kane (1986) propôs a utilização do ı́ndice Cpk , que leva
em consideração o nı́vel (centragem) do processo, observando a Figura 2.3 percebe-se a
vantagem de Cpk em relação a Cp quando o processo não está centrado em M . Este ı́ndice
é definido da seguinte forma
Cpk = min{Cpu , Cpl } (2.10)

ou
d − |µ − M |
Cpk = , (2.11)

onde d = (LSE − LIE)/2 e M = (LSE + LIE)/2.

Como se pode notar em (2.10), o ı́ndice Cpk é calculado em relação ao limite de espe-
cificação mais próximo da média do processo e, além de medir a variabilidade permitida
em relação a variabilidade natural, verifica, também, a posição do mesmo em relação aos
limites de especificação. Como o desvio padrão e a média do processo geralmente são des-
conhecidos, será usual utilizar seus estimadores para obter a estimativa Ĉpk , obtendo-se,

Palheta, Marcus V. O. Estatı́stica/UFPA



2.5 Índices Cpk e Cpk 13

então
Ĉpk = min{Ĉpu , Ĉpl }. (2.12)

LIE LSE

Cp = 2,00
(a) Cpk = 2,00

38 44 50 56 62

Cp = 2,00
(b) Cpk = 1,50

38 44 50 53 56 62

Cp = 2,00
(c) Cpk = 1,00

38 44 50 56 62

Cp = 2,00
(d) Cpk = 0

38 44 50 56 62

Cp = 2,00
(e) Cpk = - 0,5

38 44 50 56 62 65
Fonte: Montgomery (2001)

Figura 2.3 Relacionamento entre Cp e Cpk

Se o processo está centrado no valor nominal, isto é, a média do processo coincide com o
valor nominal de especificação, têm-se Cpk = Cp , porém se isso não ocorre, então Cpk < Cp .
Os valores utilizados como critério para ser o limite inferior durante a avaliação de Cpk
podem ser os mesmos adotados para avaliar Cp , isso implica que para um processo ser
considerado capaz deve ter Cpk igual ou superior a um.


O ı́ndice Cpk , que é uma generalização de Cpk , foi proposto para o caso de processos com

tolerâncias assimétricas, isto é, quando T 6= M . A definição de Cpk é dada da seguinte
forma

Cpk ∗
= min(Cpl∗ , Cpu ). (2.13)


Aqui, assim como em Cpk , quando µ = T então Cpk = Cp∗ . Percebe-se, também, que

quando T = M , então Cpk = Cpk .

Palheta, Marcus V. O. Estatı́stica/UFPA


∗ eC
2.6 Índices Cpm , Cpm 14
pmk


2.6 Índices Cpm , Cpm e Cpmk

O ı́ndice Cpk tem como caracterı́stica o fato de depender inversamente de σ, com isto o
seu valor aumenta toda vez que σ diminui e vice-versa. Esta caracterı́stica pode torná-lo
uma medida inadequada para a centralização do processo. Para ilustrar este fato considere
um exemplo de Montgomery (2001) onde tem-se: processo A com µA = 50 e σA = 5,
processo B com µB = 57, 5 e σB = 2, 5 e LSE = 65, LIE = 35 e T = 50. Para ambos
os casos Cpk = 1 indicando que os processos são capazes tanto em relação à variabilidade
quanto em relação à centralização, porém observando a Figura 2.4 nota-se que o processo
B está nitidamente deslocado em relação ao valor alvo, o que demonstra que este processo
não é capaz.

Fonte: Montgomery (2001)

Figura 2.4 Dois processos com Cpk = 1.

Para superar esta deficiência de Cpk foi proposto o ı́ndice Cpm que é um melhor indicador
da centralização de um processo. Sua definição é da seguinte forma
LSE − LIE
Cpm = p
6 σ 2 + (µ − T )2
(2.14)
d
= p ,
3 σ 2 + (µ − T )2
onde LSE e LIE são, respectivamente, os limites superior e inferior de especificação, µ e
σ são a média e o desvio padrão do processo, respectivamente, T é o valor objetivo e d
e M são definidos do mesmo modo que para Cpk . De acordo com Kotz e Johnson (2002)
este ı́ndice é conhecido, também, como ı́ndice de Taguchi, pois sua introdução é atribuı́da,
em sua maior parte, a Hsiang e Taguchi (1985). Cpm examina o processo considerando a

Palheta, Marcus V. O. Estatı́stica/UFPA


∗ eC
2.6 Índices Cpm , Cpm 15
pmk

proximidade de sua média em relação ao valor alvo T , o que pode ser notado através do
termo (µ − T )2 , sendo assim toda vez que o processo não estiver centrado no valor alvo
este ı́ndice penaliza-o, independente da variação de σ. O fato de permitir diferenças entre
a média µ e o valor objetivo T é o que distingue Cpm dos ı́ndices Cp e Cpk . Observe que
Cpm assume que o valor objetivo coincide com o ponto médio dos limites de especificação
(T = M ) porém, quando isto não ocorre há sérias desvantagens na sua utilização. Segundo
Kotz e Johnson (2002), Parlar e Wesolowsky (1999) mostraram que, se T = M então,
Cp , Cpk e Cpm estão relacionados por
sµ ¶2
1 Cp
Cpk = Cp − − 1. (2.15)
3 Cpm

Como o desvio padrão e a média do processo geralmente são desconhecidos, é usual


utilizar seus estimadores para obter a estimativa Ĉpm .

O ı́ndice Cpm assume que o valor alvo T coincide com o ponto médio M dos limites
de especificação, entretanto há casos em que isso não ocorre. Segundo Kotz e Lovelace
(1998), para situações de processos com tolerâncias assimétricas (T 6= M ) Chan et al.

(1988) propuseram o ı́ndice Cpm , o qual é uma generalização de Cpm , definido da seguinte
maneira
∗ min(LSE − T, T − LIE)
Cpm = p (2.16)
3 σ 2 + (µ − T )2

ou
∗ d − |T − M |
Cpm = p , (2.17)
3 σ 2 + (µ − T )2

onde LSE e LIE são, respectivamente, os limites superior e inferior de especificação, T é


o valor alvo para a média do processo e d e M são definidos como anteriormente para Cpk .

A partir das definições acima, pode-se perceber que, quando T = M , então Cpm = Cpm .
Como µ e σ geralmente são desconhecidos, é usual utilizar seus estimadores obtendo-se
∗ ∗
uma estimativa Ĉpm de Cpm .

“O ı́ndice Cpmk , foi introduzido por Pearn et al.(1992) sendo mais sensı́vel em detectar
desvios da média do processo em relação ao valor alvo” (Kotz e Lovelace, 1998). Este

Palheta, Marcus V. O. Estatı́stica/UFPA


00
2.7 Índices Cpp e Cpp 16

ı́ndice é uma combinação de Cpk e Cpm , sua definição é da seguinte maneira

Cpmk = min{Cpmu ; Cpml }


(2.18)
" #
LSE − µ µ − LIE
= min p ; p
3 σ + (µ − T ) 3 σ 2 + (µ − T )2
2 2

ou
d − |µ − M |
Cpmk = p , (2.19)
3 σ 2 + (µ − T )2
onde d e M são definidos como anteriormente para Cpk , T é o valor objetivo e µ e σ são
a média e o desvio padrão do processo, respectivamente. A vantagem de Cpmk em relação
a Cpk e Cpm é que aquele possui maior sensibilidade a desvios da média do processo em
relação ao valor alvo desejado. “Choi e Owen (1990) introduziram o ı́ndice Cpmk para o
caso assimétrico, o qual chamaram de Cpn ” (Kotz e Lovelace, 1998, p. 96).

Segundo Kotz e Lovelace (1998) apud Pearn e Kotz (1994) ordenando os ı́ndices Cp ,
Cpk , Cpm e Cpmk em termos de sensibilidade para diferenças entre a média do processo
e o valor objetivo, tem-se: Cpmk > Cpm > Cpk > Cp . Os valores utilizados como critério
para ser o limite inferior durante a avaliação de Cp podem ser os mesmos adotados para
avaliar Cpm e Cpmk , desta forma, valores iguais ou superiores a um (≥ 1) implicam em um
processo capaz.

00
2.7 Índices Cpp e Cpp

O ı́ndice Cpp foi proposto por Greenwich e Jahr-Schaffrath (1995) e fornece uma se-
paração entre a acurácia e a precisão do processo, o que não se encontra disponı́vel no

ı́ndice Cpm . Este ı́ndice é definido da seguinte forma
µ ¶2
1
Cpp = ∗
Cpm
(2.20)
µ ¶2 µ ¶2
µ−T σ
= + ,
d∗ /3 d∗ /3
onde d∗ = min(Dl, Du), Dl = T −LIE e Du = LSE−T . Das relações acima pode-se notar
que o valor de Cpp aumenta para um processo menos capaz de atender às especificações e

Palheta, Marcus V. O. Estatı́stica/UFPA


00
2.7 Índices Cpp e Cpp 17

diminui conforme a capacidade do processo aumenta, ou seja, quanto menor for o valor de
Cpp maior é a capacidade do processo, assim, um processo é mais capaz quando Cpp = 0,
por este motivo Cpp é mais considerado como um ı́ndice de incapacidade do processo. Para
que Cpp = 0 a média do processo deve ser igual ao valor alvo (µ = T ) e a variância do
processo deve ser zero (σ 2 = 0).

O termo (µ − T )2 /(d∗ /3)2 reflete a inacurácia do processo (desvio da sua média em


relação ao valor alvo T ) e o termo σ 2 /(d∗ /3)2 reflete a imprecisão do processo (sua dis-

persão). Esta separação da informação, que não acontece com Cpm , é altamente benéfica
porque indica a que grau a inacurácia e a imprecisão do processo contribuem para que
este seja incapaz de atender as especificações. Fazendo Cia = (µ − T )2 /(d∗ /3)2 e Cip =
σ 2 /(d∗ /3)2 e chamando-os, respectivamente, de ı́ndices de inacurácia e imprecisão, tem-se

Cpp = Cia + Cip . (2.21)

Assim, para a obtenção da proporção de contribuição de Cia e Cip para a incapacidade


do processo utiliza-se as seguintes relações
Cia
PCia = × 100 (2.22)
Cpp
e
Cip
PCip = × 100. (2.23)
Cpp
Como Cpp é inadequado para o caso de tolerâncias assimétricas, Chen (1998) propôs
uma generalização deste ı́ndice a fim de explicar a assimetria em especificações e se referiu
00
a ela como Cpp . Sua definição é da seguinte forma
µ ¶2 µ ¶
00 A σ
Cpp = ∗
+ ∗
, (2.24)
d /3 d /3
onde µ − T de Cpp é substituı́do por A = max{[(µ − T )d]/Du; [(T − µ)d]/Dl} e
(µ − T )d (µ − T )(LSE − LIE)/2
= (2.25)
Du LSE − T
e
(T − µ)d (T − µ)(LSE − LIE)/2
= . (2.26)
Dl T − LIE
00
Note que se as tolerâncias forem simétricas (T = M ), então A = |µ − T |, e Cpp = Cpp . O

Palheta, Marcus V. O. Estatı́stica/UFPA


00
2.7 Índices Cpp e Cpp 18

00
ı́ndice Cpp leva em conta a localização do alvo em relação às tolerâncias assimétricas. Os
termos corretivos [(LSE − LIE)/2]/(LSE − T ) e [(LSE − LIE)/2]/(T − LIE) tentam
00
captar o efeito relativo desta assimetria. Desta forma, Cpp e Cpp devem ser usados como
ı́ndices auxiliares.

Neste capı́tulo foi dada uma visão geral acerca de alguns ı́ndices de capacidade do
processo, suas metodologias de construção e formas de interpretação. O capı́tulo posterior
abordará as principais propriedades dos estimadores, os principais estimadores para a
dispersão do processo, bem como, o estimador de σ baseado nos quartis proposto por
Ramos (2003).

Palheta, Marcus V. O. Estatı́stica/UFPA


Capı́tulo 3

Estimação de σ no CEQ

3.1 Introdução

A Estatı́stica Inferencial é uma das partes da Estatı́stica que tem como duas principais
aplicações a utilização de dados amostrais para estimar o valor de um parâmetro populaci-
onal e para formular conclusões a respeito de uma determinada população. De acordo com
Ramos (2003) parâmetro é qualquer caracterı́stica dos elementos da população (como a
média ou a variância), ou seja, uma quantidade numérica que se deseja estimar e é função
de valores populacionais.

Segundo Ramos (2003) o conjunto Θ em que θ toma valores é denominado de espaço


paramétrico e qualquer estatı́stica que assuma valores em Θ é um estimador para θ. Para
Bussab e Morettin (2003) estimador é uma estatı́stica amostral cujo valor é tomado como
indicador de um parâmetro populacional. Ainda segundo Bussab e Morettin (2003) quando
o estimador assume um valor particular, ou um intervalo de valores, em uma particular
amostra, ele passa a ser conhecido como estimativa.

Assim, as propriedades dos estimadores e os principais estimadores para a dispersão do


processo serão abordados nas seções posteriores, assim como o estimador para a dispersão
baseado nos quartis proposto por Ramos (2003). A Seção 3.2 mostrará as propriedades
dos estimadores e a Seção 3.3 abordará os principais estimadores para a dispersão do
processo, bem como o estimador de σ baseado nos quartis.

3.2 Propriedades dos Estimadores


3.2.1 Não-tendenciosidade

Considere um estimador T (X) = (X1 , . . . , Xn ). De acordo com Bussab e Morettin (2003)


diz-se que T (X) é um estimador não-tendencioso (não-viesado, não-viciado ou justo) do
3.2 Propriedades dos Estimadores 20

parâmetro θ, se
E[T (X)] = θ. (3.1)

Por exemplo, para uma amosta (x1 , x2 , . . . , xn ) independente e identicamente distribuı́da


a média amostral X̄ é um estimador não-viesado da média populacional µ, pois,
µPn ¶ Ã n ! n
¡ ¢ x i 1 X 1X 1
i=1
E X̄ = E = E xi = E(xi ) = nµ = µ, (3.2)
n n i=1
n i=1 n

isto significa que a distribuição das médias amostrais tende a centrar-se em torno da média
populacional µ. Um estimador viesado tende a superestimar (no caso de ser positivo) ou
subestimar (no caso de ser negativo) o verdadeiro valor do parâmetro.

3.2.2 Consistência

Outra importante propriedade que os estimadores devem ter é a da consistência. Para


Bussab e Morettin (2003) um estimador T (X) é dito consistente para θ, se

n→∞
P [|T (X) − θ| > ²] −→ 0, (3.3)

onde ² > 0.

De forma alternativa, um estimador T (X) é consistente para θ, se

lim E[T (X)] = θ (3.4)


n→∞

e
lim V ar[T (X)] = 0. (3.5)
n→∞

Se T (X) for não-tendencioso, a primeira condição, obviamente, estará satisfeita. Assim,


dizer que T (X) é consistente equivale a dizer que sua variância tende a zero quando
n → ∞, em conseqüência T (X) tende ao valor esperado que é θ no caso de T (X) ser
não-viesado.

A média amostral X̄, por exemplo, é um estimador consistente da média populacional


µ, pois E(X̄) = µ e V ar(X̄) = σ 2 /n, de onde se pode perceber que V ar(X̄) → 0, quando
n → ∞.

Palheta, Marcus V. O. Estatı́stica/UFPA


3.3 Estimação da Dispersão do Processo 21

3.2.3 Eficiência

A eficiência é outra importante propriedade dos estimadores. Então, segundo Bussab


e Morettin (2003), dado dois estimadores T1 (X) e T2 (X) não-viesados para um mesmo
parâmetro θ, T1 (X) é dito mais eficiente que T2 (X) se

V ar[T1 (X)] < V ar[T2 (X)]. (3.6)

A eficiência é um critério que nos permite escolher entre dois estimadores de um mesmo
parâmetro. Por exemplo, X̄ ∼ N (µ, σ 2 /n) e X̃ ∼ N (µ, πσ 2 /2n). Observa-se claramente
que os dois estimadores são não-tendenciosos para µ, além de serem consistentes. Porém,
V ar(X̄) < V ar(X̃), pois V ar(X̃)/V ar(X̄) = π/2 > 1. Logo, X̄ é mais eficiente para
estimar µ.

Quando o estimador é um valor único que corresponde a um ponto na escala numérica,


como X̄ por exemplo, ele é comumente chamado de estimativa pontual, ou seja, um valor
(um ponto) único usado para aproximar um parâmetro populacional. Quando se determina
um intervalo de valores que tem probabilidade de conter o verdadeiro valor da população,
este é comumente denominado de intervalo de confiança (ou estimativa intervalar).

3.3 Estimação da Dispersão do Processo

No CEQ um dos maiores interesses é obter estimativas para o desvio padrão populaci-
onal σ. S 2 é um estimador não-tendencioso de σ 2 , pois E(S 2 ) = σ 2 . Quando é verificada
a suposição de normalidade dos dados amostrais, então S 2 torna-se a melhor estimativa
pontual de σ 2 . Todavia, apesar da variância amostral ser o melhor estimador pontual de
σ 2 , o mesmo não ocorre com S em relação a σ, pois S é um estimador tendencioso de σ,
isto é, E(S) 6= σ. Porém, se o tamanho amostral for grande, a tendenciosidade torna-se
tão pequena que se pode usar S como uma estimativa razoavelmente boa de σ. Outro
estimador muito utilizado é o que se baseia na amplitude amostral R.

Werkema (1995) recomenda o uso da amplitude como estimador de σ apenas para


tamanhos de subgrupos n ≤ 10 ou n ≤ 12, pois, para amostras maiores, R perde eficiência
em estimar σ, se comparada com S, já que só utiliza os dois pontos extremos, ignorando,

Palheta, Marcus V. O. Estatı́stica/UFPA


3.3 Estimação da Dispersão do Processo 22

assim, as informações centrais, ao passo que S utiliza todos os pontos de dados de cada
subgrupo.

Entretanto, a amplitude e o desvio padrão são claramente não resistentes, isto é, são
indevidamente influenciados por observações extremas. Por exemplo, considere o conjunto
de dados: 6, 7, 10, 12, 18 e 20 de onde S = 5, 74 e R = 16. Agora suponha que no lugar
de 20 tem-se 250, então o desvio padrão passa a ser S = 97, 83 e a amplitude passa para
R = 244, enquanto que uma medida resistente como, por exemplo, a mediana mantém-se
inalterada nos dois casos (X̃ = 11).

Para reduzir a influência de valores extremos na estimação de σ, Ramos (2003) propôs,


em substituição aos tradicionais estimadores de σ, a utilização de um estimador mais
resistente baseado no intervalo interquartil (IQ), definido por

IQ = Q3 − Q1 , (3.7)

onde Q3 é o terceiro quartil e Q1 é o primeiro quartil.

A seguir, cinco estimadores de σ, todos não-viesados, mas com diferenças em relação às
suas variâncias, serão apresentados.

3.3.1 Desvio Padrão Amostral Corrigido

Seja X1 , . . . , Xn uma amostra aleatória da caracterı́stica da qualidade normalmente


pPn
distribuı́da com média µ e variância σ 2 . Se Sj = 2
i=1 (xi − x̄) /(n − 1) é o desvio

padrão amostral do j-ésimo subgrupo e (n − 1)Si2 /σ 2 tem distribuição qui-quadrado com


(n-1 ) graus de liberdade, então

µSj = E[Sj ] = cn σ (3.8)

e
σS2 j = V ar[Sj ] = σ 2 − c2n σ 2 = σ 2 (1 − c2n ), (3.9)

onde n é o tamanho do subgrupo amostral e


µ ¶1/2
2 Γ(n/2)
cn = . (3.10)
n−1 Γ[(n − 1)/2]

Palheta, Marcus V. O. Estatı́stica/UFPA


3.3 Estimação da Dispersão do Processo 23

Dessa forma um estimador não-viesado para σ é


Si
σ̂1 = (3.11)
cn
onde · ¸
Si
V ar[σ̂1 ] = V ar = σ 2 (1 − c2n ). (3.12)
cn
Valores de cn , também denominado de c4 , obtidos a partir de Ramos (2003) estão
tabulados para alguns tamanhos amostrais na Tabela A.1 do Apêndice A .

3.3.2 Média dos Desvios Padrões Amostrais Corrigidos

Considere que m amostras de tamanho n de uma caracterı́stica da qualidade normal-


mente distribuı́da com média µ e variância σ 2 são analisadas e que Si seja o desvio padrão
P
amostral do i-ésimo subgrupo. Então, S̄ = (1/m) m i=1 Si é a média destes m desvios

padrão amostrais.

Assim, um estimador não-viesado de σ é dado por



σ̂2 = , (3.13)
cn
onde · ¸
S̄ (1 − c2n )σ 2
V ar[σ̂2 ] = V ar = . (3.14)
cn c2n

3.3.3 Média das Amplitudes Amostrais Corrigidas

Se m amostras de tamanho n da caracterı́stica da qualidade normalmente distribuı́da


com média µ e variância σ 2 são analisadas e Ri , onde R = Xmax − Xmin (Xmax é o maior
valor da amostra e Xmin é o menor valor da amostra), é a amplitude da i-ésima amostra.
P
Então, R̄ = (1/m) mi=1 Ri é a média das m amplitudes amostrais.

Logo, um estimador não-viesado de σ é



σ̂3 = , (3.15)
d2
o qual é obtido a partir da estatı́stica W = R/σR que é conhecida como amplitude relativa,
cuja média e desvio padrão são, respectivamente, as constantes d2 e d3 que são função do
tamanho amostral. Onde
· ¸
R̄ 1 d2
V ar[σ̂3 ] = V ar = 2 V ar[R̄] = 32 σ 2 . (3.16)
d2 d2 d2

Palheta, Marcus V. O. Estatı́stica/UFPA


3.3 Estimação da Dispersão do Processo 24

Valores de d2 e d3 , tabulados para alguns tamanhos amostrais, encontram-se na Tabela


A.1 do Apêndice A .

3.3.4 Mediana das Amplitudes Amostrais Corrigidas

Considere que m amostras de tamanho n da caracterı́stica da qualidade normalmente


distribuı́da com média µ e variância σ 2 são analisadas e suas amplitudes calculadas, logo
a amplitude mediana é dada por

1
R̃ = R(i) , i = (m + 1), (3.17)
2

se m for ı́mpar. Para o caso de m ser par, a amplitude mediana é obtida por meio da
média aritmética das duas amplitudes centrais, quando estas estão ordenadas de maneira
crescente ou descrescente.

Assim, um estimador não-viesado para σ é dado por


σ̂4 = (3.18)
d˜2
e " #
R̃ σ2
V ar[σ̂4 ] = V ar = . (3.19)
d˜2 4d˜23

Valores de d˜2 e d˜3 , para alguns tamanhos amostrais, encontram-se na Tabela A.1 do
Apêndice A.

3.3.5 Média dos Intervalos Interquartis (Estimador de σ Baseado nos Quartis)

Suponha que m amostras da caracterı́stica da qualidade normalmente distribuı́da com


média µ e variância σ 2 , todas de tamanho n, são analisadas e seus intervalos interquartis
IQ1 , . . . , IQm sejam calculados. Então o intervalo interquartil médio é obtido através de
m
1 X
IQ = IQi . (3.20)
m i=1

Portanto, segundo Ramos (2003), um estimador não-tendencioso para σ é dado por

IQ
σ̂5 = (3.21)
ξn

Palheta, Marcus V. O. Estatı́stica/UFPA


3.3 Estimação da Dispersão do Processo 25

e
· ¸ ·Pm ¸ m · ¸
IQi i=1 IQi 1 X IQi
V ar[σ̂5 ] = V ar = V ar = 2 V ar
ξn mξn m i=1 ξn
· ¸
1 IQ 1 ³ π ´2 σ 2
= mV ar = , (3.22)
m2 ξn m 2 nξn
onde ξn é uma constante que depende do tamanho amostral n.

Valores de ξn para diversos tamanhos amostrais encontram-se na Tabela A.1 do Apêndice


A.

Neste capı́tulo foram abordadas as principais propriedades dos estimadores para o desvio
padrão populacional σ.

Palheta, Marcus V. O. Estatı́stica/UFPA


Capı́tulo 4

Aplicações

4.1 Introdução

Na aplicação do estimador para desvio padrão baseado nos quartis (Q̄) apresentado
na seção anterior, dois exemplos, dispostos nas Tabelas B.1 e B.2 do Apêndice B, serão
utilizados. Estes exemplos mostram dados de temperatura do eletrodo (◦ C ) e de tempe-
ratura do óleo do misturador (◦ C ), ambas caracterı́sticas de qualidade monitoradas no
processo de produção de alumı́nio numa indústria brasileira. Os dados foram retirados
de Ramos (2003) e provêm de aplicação real durante o mês de Fevereiro de 2003. Cada
exemplo consiste de 200 observações agrupadas em 25 amostras de 8 observações cada.
As médias, medianas, amplitudes, desvios padrão, variâncias e IQ’s para cada amostra,
também encontram-se nas Tabelas B.1 e B.2 do Apêndice B. Nas aplicações a seguir,
os ı́ndices Cp , Cpu , Cpl e Cpk são calculados somente por motivo de ilustração, pois a
influência de IQ/ξn sobre eles já foi estudada por Ramos (2003).

Assim, a Seção 4.2 aborda a aplicação de Q̄ durante a avaliação da capacidade dos


processos com tolerâncias simétricas e a Seção 4.3 mostra Q̄ aplicado à avaliação da
capacidade dos processos com tolerâncias assimétricas.

4.2 Q̄ Aplicado a Índices de Capacidade - Processos com To-


lerâncias Simétricas

Para verificar a influência de σ̂ baseado nos quartis na avaliação da capacidade de


processos com tolerância simétricas emprega-se três situações. A primeira consiste na
utilização dos dados de medidas de temperaturas do eletrodo (o C ), mostrados na Tabela
B.1 do Apêndice B, com LIE = 142, LSE = 162 e T = M = 152, no segundo caso
usa-se os dados do óleo do misturador (o C ), exibidos na Tabela B.2 do Apêndice B, onde
LIE = 240, LSE = 260 e T = M = 250. E, por fim, serão utilizados novamente os
4.2 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Simétricas 27

dados de medidas de temperaturas do óleo do misturador (o C ), expostos na Tabela B.1


do Apêndice B, desta vez com LIE = 245, 70, LSE = 253, 55 e T = M = 249, 63 de
modo a forçar um processo incapaz de atender às especificações. Sendo assim observe as
figuras abaixo:

12,0

10,0
Amplitudes amostrais

8,0

6,0

4,0

2,0

0,0
1 3 5 7 9 11 13 15 17 19 21 23 25
Amostras

LIC, LC e LSC obtidos através do método proposto por Ramos (2003).


LIC, LC e LSC obtidos através do método padrão.

Figura 4.1 Gráfico R para os dados de medidas de temperaturas do eletrodo (◦ C) - σ estimado


por R̄/d2 e IQ/ξn .

156,0

155,0
Médias amostrais

154,0

153,0

152,0

151,0

150,0
1 3 5 7 9 11 13 15 17 19 21 23 25
Am ostras
LIC, LC e LSC obtidos através do método proposto por Ramos (2003).

LIC, LC e LSC obtidos através do método padrão.

Figura 4.2 Gráfico X̄ para os dados de medidas de temperaturas do eletrodo (◦ C) - σ estimado


por R̄/d2 e IQ/ξn .

Palheta, Marcus V. O. Estatı́stica/UFPA


4.2 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Simétricas 28

Conforme mostram as Figuras 4.1 e 4.2 para os dados de medidas de temperaturas do


eletrodo (◦ C ), mostrados na Tabela B.1 do Apêndice B, este processo encontra-se sob
controle estatı́stico, tanto para os limites obtidos quando σ é estimado através de R̄/d2 ,
quanto σ estimado por IQ/ξn . Então, considerando que para este processo, LIE = 142,
LSE = 162 e T = M = 152, e utilizando R̄/d2 ou IQ/ξn para estimar σ nas Equações
(2.1), (2.6), (2.7), (2.10), (2.14), (2.19) e (2.20), tem-se as estimativas para os Índices
de Capacidade em estudo mostradas na Tabela 4.1. Os cálculos para a obtenção destes
ı́ndices são apresentados no Apêndice C.

Tabela 4.1 Estimativas para os Índices de Capacidade Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e Cpp ,
para processos com tolerâncias simétricas - Dados de medidas de temperaturas do eletrodo (◦ C),
mostrados na Tabela B.1 do Apêndice B.

σ estimado por
Índice R̄/d2 IQ/ξn
Cp 1,63 1,55
Cpu 1,48 1,41
Cpl 1,77 1,69
Cpk 1,48 1,41
Cpm 1,48 1,42
Cpmu 1,35 1,29
Cpml 1,62 1,55
Cpmk 1,35 1,29
Cpp 0,45 0,49

Como pode ser notado na Tabela 4.1, as estimativas para Cp , Cpl , Cpu , Cpk , Cpm e Cpmk
quando σ é estimado por IQ/ξn são menores que as estimativas quando σ é estimado
por R̄/d2 . Observa-se, também, que o ı́ndice Cpp obtido quando σ é estimado por IQ/ξn
apresenta uma estimativa pouco maior que a obtida utilizando σ estimado por R̄/d2 ,
o que já era esperado visto que, quanto menor for o valor deste ı́ndice maior será a
capacidade do processo em atender às especificações. Deste modo, espera-se que, quando
um processo com tolerâncias simétricas não for capaz de atender às especificações, as
estimativas para Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e Cpp utilizando σ̂ baseado nos quartis
detectem mais rapidamente esta falta de capacidade que as estimativas para os referidos
ı́ndices utilizando σ̂ baseado na amplitude.

Para uma segunda aplicação de σ̂ baseado nos quartis leve em conta os dados de medidas

Palheta, Marcus V. O. Estatı́stica/UFPA


4.2 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Simétricas 29

de temperatura do óleo do misturador (◦ C) mostrados na Tabela B.2 do Apêndice B, como


pode ser notado nas Figuras 4.3 e 4.4 este processo encontra-se sob controle estatı́stico,
tanto para os limites obtidos quando σ é estimado através de R̄/d2 , quanto σ estimado
por IQ/ξn . Então, para este processo considere LIE = 240, LSE = 260 e T = M = 250
e utilizando R̄/d2 ou IQ/ξn para estimar σ nas Equações (2.1), (2.6), (2.7), (2.10), (2.14),
(2.19) e (2.20), a Tabela 4.2 mostra as estimativas para estes Índices de Capacidade. Os
cálculos para obtenção destes ı́ndices estão expostos no Apêndice C.
7,00

6,00
Amplitudes amostrais

5,00

4,00

3,00

2,00

1,00

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25
Am ostras

LIC, LC e LSC obtidos através do método proposto por Ramos (2003).


LIC, LC e LSC obtidos através do método padrão.

Figura 4.3 Gráfico R para medidas de temperatura do óleo do misturador (◦ C) - σ estimado por
R̄/d2 e IQ/ξn .

251,25

250,55
Médias amostrais

249,85

249,15

248,45

247,75
1 3 5 7 9 11 13 15 17 19 21 23 25
Am ostras
LIC, LC e LSC obtidos através do método proposto por Ramos (2003).
LIC, LC e LSC obtidos através do método padrão.

Figura 4.4 Gráfico X̄ para medidas de temperatura do óleo do misturador (◦ C) - σ estimado por
R̄/d2 e IQ/ξn .

Palheta, Marcus V. O. Estatı́stica/UFPA


4.2 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Simétricas 30

Tabela 4.2 Estimativas para os Índices de Capacidade Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e Cpp , para
processos com tolerâncias simétricas - Dados de medidas de temperatura do óleo do misturador
(◦ C), mostrados na Tabela B.2 do Apêndice B.

σ estimado por
Índice R̄/d2 IQ/ξn
Cp 2,58 2,50
Cpu 2,67 2,59
Cpl 2,50 2,42
Cpk 2,50 2,42
Cpm 2,50 2,42
Cpmu 2,58 2,51
Cpml 2,41 2,34
Cpmk 2,41 2,34
Cpp 0,16 0,17

Observa-se, a partir da Tabela 4.2, que as estimativas para Cp , Cpl , Cpu , Cpk , Cpm e
Cpmk quando σ é estimado por IQ/ξn são menores que as estimativas para estes ı́ndices
quando σ é estimado por R̄/d2 . Já a estimativa para o ı́ndice Cpp quando o estimador para
o desvio padrão é baseado nos quartis é pouco maior que a obtida quando o estimador
para o desvio padrão é baseado na amplitude fato que já era esperado pois a interpretação
deste ı́ndice é o inverso dos outros, ou seja, quanto menor for o seu valor maior será a
capacidade do processo em atender às especificações. Assim, é esperado que, quando um
processo com tolerâncias simétricas for incapaz de atender às especificações, as estimativas
para Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e Cpp utilizando σ estimado por IQ/ξn detectem mais
rápido esta incapacidade do que quando σ é estimado por R̄/d2 .

Para ilustrar um caso onde um processo é incapaz de atender às especificações considere
LIE = 245, 70, LSE = 253, 55 e T = M = 249, 63 para os dados de medidas de tempe-
ratura do óleo do misturador (◦ C) mostrados na Tabela B.2 do Apêndice B e observando
que a amostra 23 foi modificada, passando a ser composta pelos valores: 248,0, 248,5,
249,3, 253,6, 248,0, 249,3, 253,6 e 253,7 os quais foram produzidos artificialmente. Como
pode-se observar nas Figuras 4.5 e 4.6, este processo encontra-se sob controle estatı́stico,
então a Tabela 4.3 apresenta as estimativas de Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e Cpp , para o
processo em estudo, quando R̄/d2 ou IQ/ξn são utilizados para estimar σ.

Palheta, Marcus V. O. Estatı́stica/UFPA


4.2 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Simétricas 31

8,00

7,00
Amplitudes Amostrais

6,00

5,00

4,00
3,00

2,00

1,00

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25
Am ostras

LIC, LC e LSC obtidos através do método proposto por Ramos (2003).


LIC, LC e LSC obtidos através do método padrão.

Figura 4.5 Gráfico R para medidas de temperatura do óleo do misturador (◦ C) com a amostra
23 modificada - σ estimado por R̄/d2 e IQ/ξn .

251,25

250,55
Médias Amostrais

249,85

249,15

248,45

247,75
1 3 5 7 9 11 13 15 17 19 21 23 25
Am ostras
LIC, LC e LSC obtidos através do método proposto por Ramos (2003).
LIC, LC e LSC obtidos através do método padrão.

Figura 4.6 Gráfico X̄ para medidas de temperatura do óleo do misturador (◦ C) com a amostra
23 modificada - σ estimado por R̄/d2 e IQ/ξn .

Observando a Figura 4.7, verifica-se que este processo apresenta certa variabilidade em
relação aos limites de especificação e não atende ao LSE, o processo apresenta, também,
um ligeiro deslocamento de sua média em relação ao ponto médio do intervalo entre os
limites de especificação (M = 249, 6 e X̄ = 249, 7). Observando a Tabela 4.3, percebe-

Palheta, Marcus V. O. Estatı́stica/UFPA


4.2 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Simétricas 32

se que as estimativas para Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e Cpp utilizando σ̂ baseado nos
quartis captaram primeiro a variabilidade e, também, a pequena descentralização da média
do processo, sinalizando assim, a necessidade de tomar medidas corretivas apropriadas.
Verifica-se que, segundo as estimativas construı́das pelo método padrão de estimação de
σ, o processo é considerado capaz, o que não corresponde à realidade e é detectado quando
se utiliza o estimador para o desvio padrão proposto por Ramos (2003).

Tabela 4.3 Estimativas para os Índices de Capacidade Cp , Cpl , Cpu , Cpk , Cpm , Cpmk e Cpp ,
para o caso onde um processo com tolerâncias simétricas é incapaz de atender às especificações
- Dados de medidas de temperaturas do eletrodo (◦ C), mostrados na Tabela B.1 do Apêndice B.

σ estimado por
Índice R̄/d2 IQ/ξn
Cp 1,01 0,89
Cpu 1,00 0,88
Cpl 1,02 0,90
Cpk 1,00 0,88
Cpm 1,01 0,89
Cpmu 1,00 0,88
Cpml 1,02 0,90
Cpmk 1,00 0,88
Cpp 0,98 1,27

Figura 4.7 Histograma para medidas de temperatura do eletrodo(◦ C).

Palheta, Marcus V. O. Estatı́stica/UFPA


4.3 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Assimétricas
33

4.3 Q̄ Aplicado a Índices de Capacidade - Processos com To-


lerâncias Assimétricas

Para verificar a influência de σ̂ baseado nos quartis na avaliação da capacidade de


processos com tolerância assimétricas emprega-se duas situações. A primeira consiste na
utilização dos dados de medidas de temperaturas do eletrodo (o C ), mostrados na Tabela
B.1 do Apêndice B, com LIE = 142, LSE = 162, M = 152 e T = 154, no segundo caso
usa-se os dados do óleo do misturador (o C ), exibidos na Tabela B.2 do Apêndice B, onde
LIE = 240, LSE = 260, M = 250 e T = 251.

Para a primeira aplicação considere os dados de medidas de temperaturas do eletrodo


(◦ C) mostrados na Tabela B.1 do Apêndice B, como já foi visto nas Figuras 4.1 e 4.2
este processo encontra-se sob controle estatı́stico. Então, considerando para este processo
LIE = 142, LSE = 162, M = 152 e T = 154 e utilizando R̄/d2 ou IQ/ξn para estimar σ
nas equações, a capacidade estimada do processo em estudo é apresentada na Tabela 4.4
e os cálculos para a obtenção dessas estimativas são mostrados no Apêndice C.
00
Tabela 4.4 Estimativas para os Índices de Capacidade Cp∗ , Cpl
∗ , C∗ , C∗ , C∗
pu pk pm e Cpp , para
processos com tolerâncias assimétricas - Dados de medidas de temperaturas do eletrodo (◦ C),
mostrados na Tabela B.1 do Apêndice B.

σ estimado por
Índice R̄/d2 IQ/ξn
Cp∗ 1,30 1,24

Cpu 1,12 1,07

Cpl 1,77 1,69

Cpk 1,12 1,07

Cpm 1,15 1,11
00
Cpp 0,71 0,77


Nota-se que as estimativas para Cp∗ , Cpu , Cpl∗ , Cpk
∗ ∗
e Cpm obtidas quando σ é estimado
por IQ/ξn são menores que as estimativas quando σ é estimado por R̄/d2 . Como já era
00
esperado a estimativa obtida para Cpp quando σ é estimado por IQ/ξn é pouco maior
que a obtida utilizando R̄/d2 para estimar σ, isto se deve ao fato de a interpretação deste
ı́ndice ser o inverso dos outros ı́ndices citados anteriormente, ou seja, quanto menor for o
00
valor de Cpp maior será a capacidade do processo em atender às especificações. Assim, é

Palheta, Marcus V. O. Estatı́stica/UFPA


4.3 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Assimétricas
34

esperado que, quando um processo com tolerâncias assimétricas não for capaz de atender
00
às especificações, as estimativas obtidas para Cp∗ , Cpu

, Cpl∗ , Cpk
∗ ∗
, Cpm e Cpp quando IQ/ξn
é utilizado para estimar σ captem com maior rapidez esta falta de capacidade que as
estimativas obtidas para os mesmos ı́ndices porém, utilizando R̄/d2 para estimar σ.

Agora levando em conta os dados de medidas de temperatura do óleo do misturador



( C) mostrados na Tabela B.2 do Apêndice B, este processo encontra-se sob controle
estatı́stico como pode ser notado nas Figuras 4.3 e 4.4. Então, para este processo considere
LIE = 240, LSE = 260, M = 250 e T = 251 e utilizando R̄/d2 ou IQ/ξn para estimar σ
nas Equações (2.4), (2.8), (2.9), (2.13), (2.16), e (2.24), a Tabela 4.5 mostra as estimativas
para estes Índices de Capacidade. Os cálculos para obtenção destes ı́ndices estão expostos
no Apêndice C.
00
Tabela 4.5 Estimativas para os Índices de Capacidade Cp∗ , Cpl ∗ , C∗ , C∗ , C∗
pu pk pm e Cpp , para
processos com tolerâncias assimétricas - Dados de medidas de temperatura do óleo do misturador
(◦ C), mostrados na Tabela B.2 do Apêndice B.

σ estimado por
Índice R̄/d2 IQ/ξn
Cp∗ 2,33 2,25

Cpu 1,98 1,92

Cpl 2,50 2,42

Cpk 1,98 1,92

Cpm 1,61 1,58
00
Cpp 0,35 0,36

Verifica-se que as estimativas para Cp∗ , Cpu



, Cpl∗ , Cpk
∗ ∗
e Cpm quando σ é estimado por
IQ/ξn apresentam a mesma caracterı́stica do exemplo anterior, ou seja, mostram estima-
00
tivas menores que as obtidas utilizando σ̂ baseado na amplitude, já a estimativa para Cpp
quando σ̂ é baseado nos quartis amostrais é pouco maior que a estimativa obtida quando
σ̂ é baseado na amplitude entretanto isto já era esperado visto que na realidade este ı́ndice
mede o grau de incapacidade dos processos, isto é, quanto menor for o seu valor maior será
a capacidade do processo em atender às espeficações. Desta forma, espera-se que, quando
um processo com tolerâncias assimétricas não for capaz de atender às especificações, as
00

estimativas para Cp∗ , Cpu , Cpl∗ , Cpk
∗ ∗
, Cpm e Cpp utilizando σ estimado por IQ/ξn detectem
com maior rapidez esta incapacidade do que as estimativas quando σ é estimado por R̄/d2 .

Palheta, Marcus V. O. Estatı́stica/UFPA


4.3 Q̄ Aplicado a Índices de Capacidade - Processos com Tolerâncias Assimétricas
35

Este capı́tulo mostrou que as estimativas para Cpm , Cpmk , Cp∗ , Cpu

, Cpl∗ , Cpk
∗ ∗
e Cpm ,
quando obtidas a partir do estimador para o desvio padrão proposto por Ramos (2003),
na avaliação da capacidade do processo, apresentaram valores um pouco menores que as
00
estimativas obtidas quando R̄/d2 foi utilizado, já as estimativas para Cpp e Cpp apresenta-
ram valores pouco maiores quando σ̂ baseado nos quartis amostrais foi utilizado. Em um
processo, com tolerâncias simétricas, que não atende às especificações, o estimador para
o desvio padrão baseado nos quartis amostrais foi mais hábil em detectar esta condição
que o estimador baseado na amplitude. A partir disso, espera-se que uma possı́vel falta
de capacidade seja percebida com maior rapidez quando IQ/ξn for utilizado na avaliação
da capacidade dos processos.

Palheta, Marcus V. O. Estatı́stica/UFPA


Capı́tulo 5

Considerações Finais

5.1 Considerações Finais

Este trabalho teve como objetivo estudar a influência do estimador para o desvio padrão
baseado nos quartis amostrais na avaliação da capacidade de processos. Para isso foi
dada uma visão geral acerca de alguns ı́ndices utilizados para avaliar a capacidade de
um processo, onde foram demonstradas suas metodologias de construção e formas de
avaliação. Além disso, as principais propriedades dos estimadores foram abordadas. Os
estimadores para a dispersão do processo, assim como o estimador baseado nos quartis
amostrais, foram apresentados.

Foi mostrada a aplicação do estimador para o desvio padrão baseado nos quartis amos-
trais na obtenção dos Índices de Capacidade, tanto para processos com tolerâncias simétricas
quanto assimétricas, onde se observou que as estimativas para Cp∗ , Cpu

, Cpl∗ , Cpk
∗ ∗
, Cpm , Cpm ,
Cpmk quando IQ/ξn foi utilizado para estimar σ apresentaram valores pouco menores que
as estimativas obtidas através de R̄/d2 . Como já era esperado verificou-se, também, que as
00
estimativas para os ı́ndices de incapacidade Cpp e Cpp utilizando-se σ̂ baseado nos quartis
amostrais foram pouco maiores que as estimativas obtidas quando R̄/d2 foi utilizado para
estimar σ, isto se deve ao fato de a interpretação deste ı́ndice ser o inverso dos outros
00
ı́ndices citados anteriormente, ou seja, quanto menor for o valor de Cpp e Cpp maior será
a capacidade do processo em atender às especificações.

Foi visto ainda que as estimativas para Cp , Cpu , Cpl , Cpk , Cpm , Cpmk e Cpp obtidas quando
σ̂ foi baseado nos quartis amostrais detectaram mais rapidamente a falta de capacidade
de um processo com tolerâncias simétricas que as estimativas conseguidas quando σ̂ foi
baseado na amplitude.

Assim, nove Índices de Capacidade do Processo foram aperfeiçoados através do estima-


5.2 Recomendações 37

dor proposto por Ramos (2003). Deste modo, percebeu-se que a avaliação da capacidade
de processos torna-se mais eficiente quando nela emprega-se o estimador proposto por
Ramos (2003) em substituição ao tradicional estimador de σ baseado na amplitude.

5.2 Recomendações

Recomenda-se para trabalhos futuros:

• Continuar a extensão da aplicação de IQ/ξn a outros Índices de Capacidade para


processos com distribuição normal e não-normal.

Palheta, Marcus V. O. Estatı́stica/UFPA


Apêndice A

Tabelas dos Fatores para o cálculo dos


Índices de Capacidade do Processo

Tabela A.1 Fatores para o cálculo dos ı́ndices de capacidade do processo - Estimação da dispersão
do processo.

Fatores para Estimação do Desvio Padrão


n cn 1/cn d2 d3 d˜2 d˜3 ξn
2 0,798 1,253 1,128 0,853 0,954 0,450 0,564
3 0,886 1,128 1,693 0,888 1,588 0,435 0,852
4 0,921 1,085 2,059 0,880 1,978 0,445 0,953
5 0,940 1,064 2,326 0,864 2,257 0,457 0,991
6 0,915 1,051 2,534 0,848 2,472 0,468 1,064
7 0,959 1,042 2,704 0,833 2,645 0,477 1,121
8 0,965 1,036 2,847 0,820 2,791 0,487 1,132
9 0,969 1,032 2,970 0,808 2,915 0,495 1,174
10 0,973 1,028 3,078 0,797 3,024 0,503 1,178
11 0,975 1,025 3,173 0,787 3,121 0,509 1,193
12 0,978 1,023 3,258 0,778 3,207 0,515 1,194
13 0,979 1,021 3,336 0,770 3,285 0,521 1,210
14 0,981 1,019 3,407 0,763 3,356 0,527 1,212
15 0,982 1,018 3,472 0,756 3,422 0,532 1,234
16 0,984 1,017 3,532 0,750 3,382 - 1,229
17 0,985 1,016 3,588 0,744 3,538 - 1,235
18 0,985 1,015 3,640 0,739 3,591 - 1,250
19 0,986 1,014 3,689 0,733 3,640 - 1,252
20 0,987 1,013 3,735 0,729 3,686 - 1,260
21 0,988 1,013 3,778 0,724 - - 1,250
22 0,988 1,012 3,819 0,720 - - 1,273
23 0,989 1,011 3,858 0,716 - - 1,272
24 0,989 1,011 3,895 0,712 - - 1,271
25 0,990 1,011 3,931 0,708 - - 1,275

Fonte: Ramos (2003)


Apêndice B

Tabelas com Exemplos para Aplicação


Tabela B.1 Medidas de temperatura do eletrodo (◦ C) durante a produção de alumı́nio - Fevereiro/2003.

Número
da Observações x̄ x̃

Palheta, Marcus V. O.
Ri Si Si2 IQi
amostra
1 147,9 151,6 151,2 154,7 155,4 152,5 154,0 155,9 152,9 153,3 8,0 2,7 7,1 3,4
2 154,3 153,4 154,7 154,7 150,6 146,8 149,3 151,8 152,0 152,6 7,9 2,9 8,3 4,1
3 154,2 153,5 153,4 154,3 154,5 155,5 155,7 152,9 154,3 154,3 2,8 1,0 1,0 1,3
4 151,6 153,1 154,7 154,6 158,0 149,7 151,0 150,5 152,9 152,4 8,3 2,8 7,6 3,8
5 154,1 154,7 153,9 153,1 152,9 154,0 153,7 152,3 153,6 153,8 2,4 0,8 0,6 1,0
6 149,6 148,0 148,6 150,5 149,9 154,5 155,0 156,4 151,6 150,2 8,4 3,2 10,4 5,3
7 151,1 152,1 149,1 151,4 152,9 153,7 154,3 150,5 151,9 151,8 5,2 1,7 3,0 2,2
8 152,3 152,7 152,9 153,3 156,3 149,7 150,6 155,5 152,9 152,8 6,6 2,2 4,9 2,0
9 154,4 155,9 154,1 153,4 155,2 155,5 152,8 151,0 154,0 154,3 4,9 1,6 2,6 2,0
10 152,9 152,3 152,7 151,4 152,9 154,3 149,7 155,5 152,7 152,8 5,8 1,7 3,0 1,2
11 153,1 158,0 150,5 151,0 151,6 154,6 153,1 149,7 152,7 152,4 8,3 2,7 7,1 2,6
12 152,3 151,4 150,6 150,1 152,6 152,4 154,5 151,9 152,0 152,1 4,4 1,4 1,8 1,3
13 151,6 151,3 152,5 153,9 152,5 154,9 151,8 149,7 152,3 152,2 5,2 1,6 2,6 1,3
14 154,6 153,1 154,7 158,0 150,5 149,7 151,0 151,6 152,9 152,4 8,3 2,8 7,6 3,8
15 154,1 154,4 155,9 155,5 153,4 151,0 155,9 152,8 154,1 154,3 4,9 1,7 2,9 2,3
16 156,3 150,6 149,7 155,5 153,3 152,9 152,7 153,4 153,1 153,1 6,6 2,2 4,9 1,8
17 154,9 150,7 150,6 151,3 152,7 152,0 151,5 152,3 152,0 151,8 4,3 1,4 1,9 1,3
18 153,1 154,7 151,6 158,0 154,6 150,5 149,7 151,0 152,9 152,4 8,3 2,8 7,6 3,8
19 155,4 154,7 153,4 155,5 151,3 154,4 155,3 152,7 154,1 154,6 4,2 1,5 2,3 2,1
20 152,7 152,3 152,9 149,7 153,3 150,6 155,5 156,3 152,9 152,8 6,6 2,2 4,9 2,0
21 153,7 153,0 151,2 152,6 154,2 154,3 154,3 153,0 153,3 153,4 3,1 1,1 1,1 1,3
22 153,5 155,7 154,7 153,8 152,7 152,0 151,9 155,7 153,8 153,7 3,8 1,5 2,3 2,4
23 151,9 154,1 151,6 153,4 149,3 149,5 149,6 155,4 151,9 151,8 6,1 2,3 5,3 4,0
24 154,3 153,7 153,2 152,3 155,6 153,5 152,6 152,5 153,5 153,4 3,3 1,1 1,2 1,3
25 154,7 149,7 151,6 151,0 158,0 153,1 154,6 150,5 152,9 152,4 8,3 2,8 7,6 3,8


¯ = 152, 9 x̃
¯ = 152, 8 R̄ = 5, 8 S̄ = 2, 0 S̄ 2 = 4, 4 IQ = 2, 4

Fonte: Ramos (2003)


40

Estatı́stica/UFPA
Tabela B.2 Medidas de temperatura do óleo do misturador (◦ C) durante a produção de alumı́nio - Fevereiro/2003.

Número
da Observações x̄ x̃

Palheta, Marcus V. O.
Ri Si Si2 IQi
amostra
1 250,0 249,6 249,0 251,3 248,3 249,0 249,8 248,3 249,4 249,3 3,0 1,0 1,0 1,0
2 249,2 248,4 248,1 247,9 248,9 249,0 249,6 249,9 248,9 249,0 2,0 0,7 0,5 1,0
3 249,2 253,0 249,0 248,3 249,6 248,0 248,7 249,6 249,4 249,1 5,0 1,6 2,4 1,0
4 250,0 249,6 249,0 250,0 249,8 251,8 249,0 248,4 249,7 249,7 3,4 1,0 1,0 1,0
5 250,5 248,0 248,0 249,8 249,7 250,6 250,0 248,1 249,3 249,8 2,6 1,1 1,3 2,1
6 248,2 250,0 249,0 249,0 248,0 248,3 248,3 248,3 248,6 248,3 2,0 0,7 0,4 0,7
7 247,9 252,4 248,4 247,3 247,7 251,2 251,6 251,1 249,7 249,8 5,1 2,1 4,3 3,4
8 248,5 253,0 249,2 249,4 250,2 249,4 250,6 246,8 249,6 249,4 6,2 1,8 3,2 1,3
9 251,0 251,0 252,7 248,5 250,8 251,9 252,0 249,0 250,9 251,0 4,2 1,5 2,1 1,6
10 250,5 249,0 249,8 249,4 248,2 249,0 249,0 250,0 249,4 249,2 2,3 0,7 0,5 0,9
11 251,0 248,8 249,3 249,1 249,0 248,8 248,7 249,4 249,3 249,1 2,3 0,7 0,6 0,5
12 248,6 248,0 252,0 247,3 247,0 247,4 250,1 248,9 248,7 248,3 5,0 1,7 2,8 1,8
13 251,9 247,7 251,8 247,7 251,1 250,4 248,7 247,6 249,6 249,6 4,3 1,9 3,6 3,6
14 250,2 251,8 248,0 251,9 251,7 250,0 252,9 250,0 250,8 251,0 4,9 1,6 2,4 1,8
15 250,0 250,6 251,3 251,3 251,0 250,8 249,3 251,3 250,7 250,9 2,0 0,7 0,5 0,9
16 247,0 249,9 250,0 247,7 249,7 248,6 249,7 249,7 249,0 249,7 3,0 1,1 1,3 1,4
17 252,0 248,8 250,0 249,0 250,0 251,8 250,0 251,0 250,3 250,0 3,2 1,2 1,4 1,4
18 251,6 249,0 251,0 251,0 248,0 248,0 250,0 249,9 249,8 250,0 3,6 1,4 1,9 2,3
19 249,5 248,3 248,8 249,0 250,3 249,0 249,8 250,3 249,4 249,3 2,0 0,7 0,5 1,0
20 248,4 247,2 250,0 248,3 251,1 248,5 251,1 251,0 249,5 249,3 3,9 1,5 2,4 2,7
21 249,2 246,0 251,0 250,0 248,0 249,1 247,0 248,9 248,7 249,0 5,0 1,6 2,6 1,6
22 248,0 251,0 249,2 247,1 249,1 249,7 249,1 249,7 249,1 249,2 3,9 1,2 1,4 0,9
23 248,3 248,1 250,2 250,6 251,0 250,3 253,4 251,0 250,4 250,5 5,3 1,7 2,8 1,3
24 251,0 251,7 252,0 250,8 251,2 248,3 250,1 248,6 250,5 250,9 3,7 1,4 1,9 1,6
25 251,1 250,4 251,0 248,7 252,6 249,8 251,3 251,4 250,8 251,1 3,9 1,2 1,4 1,1


¯ = 249, 66 x̃
¯ = 249, 68 R̄ = 3, 67 S̄ = 1, 26 S̄ 2 = 1, 76 IQ = 1, 51

Fonte: Ramos (2003)


41

Estatı́stica/UFPA
Apêndice C

Cálculos para obtenção das estimativas para


os Índices de Capacidade

C.1 Cálculos para obtenção das estimativas apresentadas na Ta-


bela 4.1.

LSE − LIE LSE − LIE 162 − 142


Ĉp (R̄/d2 ) = = = = 1, 63 (C.1)
6σ̂ R̄
6 × d2 6 × 2, 05
ou

LSE − LIE LSE − LIE 162 − 142


Ĉp (IQ/ξn ) = = = = 1, 55. (C.2)
6σ̂ IQ
6 × ξn 6 × 2, 15

¯
LSE − X̄ LSE − X̄¯ 162 − 152, 9
Ĉpu (R̄/d2 ) = = = = 1, 48 (C.3)
3σ̂ R̄
3 × d2 3 × 2, 05
ou

¯
LSE − X̄ LSE − X̄¯ 162 − 152, 9
Ĉpu (IQ/ξn ) = = = = 1, 41. (C.4)
3σ̂ IQ
3 × ξn 3 × 2, 15

¯ − LIE
X̄ ¯ − LIE
X̄ 152, 9 − 142
Ĉpl (R̄/d2 ) = = = = 1, 77 (C.5)
3σ̂ R̄
3 × d2 3 × 2, 05
ou

¯ − LIE
X̄ ¯ − LIE
X̄ 152, 9 − 142
Ĉpl (IQ/ξn ) = = = = 1, 69. (C.6)
3σ̂ IQ
3 × ξn 3 × 2, 15
C.1 Cálculos para obtenção das estimativas apresentadas na Tabela 4.1. 43

Ĉpk (R̄/d2 ) = min{Ĉpu (R̄/d2 ); Ĉpl (R̄/d2 )} = 1, 48 (C.7)

ou

Ĉpk (IQ/ξn ) = min{Ĉpu (IQ/ξn ); Ĉpl (IQ/ξn )} = 1, 41. (C.8)

LSE − LIE LSE − LIE


Ĉpm (R̄/d2 ) = q = r³ ´
¯ − T )2
6 σ̂ 2 + (X̄ R̄
2
¯ − T )2
6 d2
+ (X̄
(C.9)
162 − 142
= p = 1, 48
6 (2, 05)2 + (152, 9 − 152)2
ou

LSE − LIE LSE − LIE


Ĉpm (IQ/ξn ) = q = r³ ´
¯ − T )2
6 σ̂ 2 + (X̄ IQ
2
¯ − T )2
6 ξn
+ (X̄
(C.10)
162 − 142
= p = 1, 42.
6 (2, 15)2 + (152, 9 − 152)2

Ĉpmk (R̄/d2 ) = min{Cpmu (R̄/d2 ); Cpml (R̄/d2 )} = min{0, 66; 1, 21} = 1, 35 (C.11)

ou

Ĉpmk (IQ/ξn ) = min{Cpmu (IQ/ξn ); Cpml (IQ/ξn )} = min{0, 65; 1, 19} = 1, 29. (C.12)

Palheta, Marcus V. O. Estatı́stica/UFPA


C.2 Cálculos para obtenção das estimativas apresentadas na Tabela 4.2. 44

à !2 µ ¶2 à !2 µ ¶2
¯ −T
X̄ σ̂ ¯ −T
X̄ R̄/d2
Ĉpp (R̄/d2 ) = + = +
d∗ /3 ∗
d /3 d∗ /3 d∗ /3
(C.13)
µ ¶2 µ ¶2
152, 9 − 152 2, 05
= + = 0, 45
3, 33 3, 33

ou

à !2 µ ¶2 à !2 µ ¶2
¯ −T
X̄ σ̂ ¯ −T
X̄ IQ/ξn
Ĉpp (IQ/ξn ) = + = +
d∗ /3 ∗
d /3 d∗ /3 d∗ /3
(C.14)
µ ¶2 µ ¶2
152, 9 − 152 2, 15
= + = 0, 49.
3, 33 3, 33

C.2 Cálculos para obtenção das estimativas apresentadas na Ta-


bela 4.2.

LSE − LIE LSE − LIE 260 − 240


Ĉp (R̄/d2 ) = = = = 2, 58 (C.15)
6σ̂ 6 × dR̄2 6 × 1, 29
ou

LSE − LIE LSE − LIE 260 − 240


Ĉp (IQ/ξn ) = = = = 2, 50. (C.16)
6σ̂ 6 × IQ 6 × 1, 33
ξn

¯
LSE − X̄ LSE − X̄¯ 260 − 249, 66
Ĉpu (R̄/d2 ) = = = = 2, 67 (C.17)
3σ̂ R̄
3 × d2 3 × 1, 29
ou

¯
LSE − X̄ LSE − X̄¯ 260 − 249, 66
Ĉpu (IQ/ξn ) = = = = 2, 59. (C.18)
3σ̂ IQ
3 × ξn 3 × 1, 33

Palheta, Marcus V. O. Estatı́stica/UFPA


C.2 Cálculos para obtenção das estimativas apresentadas na Tabela 4.2. 45

¯ − LIE
X̄ ¯ − LIE
X̄ 249, 66 − 240
Ĉpl (R̄/d2 ) = = = = 2, 50 (C.19)
3σ̂ 3 × dR̄2 3 × 1, 29

ou

¯ − LIE
X̄ ¯ − LIE
X̄ 249, 66 − 240
Ĉpl (IQ/ξn ) = = = = 2, 42. (C.20)
3σ̂ IQ
3 × ξn 3 × 1, 33

Ĉpk (R̄/d2 ) = min{Ĉpu (R̄/d2 ); Ĉpl (R̄/d2 )} = 2, 50 (C.21)

ou

Ĉpk (IQ/ξn ) = min{Ĉpu (IQ/ξn ); Ĉpl (IQ/ξn )} = 2, 42. (C.22)

LSE − LIE LSE − LIE


Ĉpm (R̄/d2 ) = q = r³ ´
¯ − T )2
6 σ̂ 2 + (X̄ R̄
2
¯ − T )2
6 d2
+ (X̄
(C.23)
260 − 140
= p = 2, 50
6 (1, 29)2 + (249, 66 − 250)2

ou

LSE − LIE LSE − LIE


Ĉpm (IQ/ξn ) = q = r³ ´
¯ − T )2
6 σ̂ 2 + (X̄ IQ
2
¯ − T )2
6 ξn
+ (X̄
(C.24)
260 − 240
= p = 2, 42.
6 (1, 33) + (249, 66 − 250)2
2

Palheta, Marcus V. O. Estatı́stica/UFPA


C.3 Cálculos para obtenção das estimativas apresentadas na Tabela 4.3. 46

Ĉpmk (R̄/d2 ) = min{Cpmu (R̄/d2 ); Cpml (R̄/d2 )} = min{2, 58; 2, 41} = 2, 41 (C.25)

ou

Ĉpmk (IQ/ξn ) = min{Cpmu (IQ/ξn ); Cpml (IQ/ξn )} = min{2, 51; 2, 34} = 2, 34. (C.26)

à !2 µ ¶2 à !2 µ ¶2
¯ −T
X̄ σ̂ ¯ −T
X̄ R̄/d2
Ĉpp (R̄/d2 ) = + = +
d∗ /3 ∗
d /3 d∗ /3 d∗ /3
(C.27)
µ ¶2 µ ¶2
249, 66 − 150 1, 29
= + = 0, 16
3, 33 3, 33
ou

à !2 µ ¶2 à !2 µ ¶2
¯ −T
X̄ σ̂ ¯ −T
X̄ IQ/ξn
Ĉpp (IQ/ξn ) = + = +
d∗ /3 ∗
d /3 d∗ /3 d∗ /3
(C.28)
µ ¶2 µ ¶2
249, 66 − 150 1, 33
= + = 0, 17.
3, 33 3, 33

C.3 Cálculos para obtenção das estimativas apresentadas na Ta-


bela 4.3.

LSE − LIE LSE − LIE 253, 55 − 245, 70


Ĉp (R̄/d2 ) = = = = 1, 01 (C.29)
6σ̂ R̄
6 × d2 6 × 1, 30
ou

LSE − LIE LSE − LIE 253, 55 − 245, 70


Ĉp (IQ/ξn ) = = = = 0, 89. (C.30)
6σ̂ IQ
6 × ξn 6 × 1, 47

Palheta, Marcus V. O. Estatı́stica/UFPA


C.3 Cálculos para obtenção das estimativas apresentadas na Tabela 4.3. 47

¯
LSE − X̄ LSE − X̄¯ 253, 55 − 249, 66
Ĉpu (R̄/d2 ) = = = = 1, 00 (C.31)
3σ̂ R̄
3 × d2 3 × 1, 30
ou

¯
LSE − X̄ LSE − X̄¯ 253, 55 − 249, 66
Ĉpu (IQ/ξn ) = = = = 0, 88. (C.32)
3σ̂ 3 × IQ 3 × 1, 47
ξn

¯ − LIE
X̄ ¯ − LIE
X̄ 249, 66 − 245, 70
Ĉpl (R̄/d2 ) = = = = 1, 02 (C.33)
3σ̂ 3 × dR̄2 3 × 1, 30
ou

¯ − LIE
X̄ ¯ − LIE
X̄ 249, 66 − 245, 70
Ĉpl (IQ/ξn ) = = = = 0, 90. (C.34)
3σ̂ IQ
3 × ξn 3 × 1, 47

Ĉpk (R̄/d2 ) = min{Ĉpu (R̄/d2 ); Ĉpl (R̄/d2 )} = 1, 00 (C.35)

ou

Ĉpk (IQ/ξn ) = min{Ĉpu (IQ/ξn ); Ĉpl (IQ/ξn )} = 0, 88. (C.36)

LSE − LIE LSE − LIE


Ĉpm (R̄/d2 ) = q = r³ ´
¯ − T )2
6 σ̂ 2 + (X̄ R̄
2
¯ − T )2
6 d2
+ (X̄
(C.37)
253, 55 − 245, 70
= p = 1, 01
6 (1, 30)2 + (249, 66 − 249, 63)2
ou

Palheta, Marcus V. O. Estatı́stica/UFPA


C.3 Cálculos para obtenção das estimativas apresentadas na Tabela 4.3. 48

LSE − LIE LSE − LIE


Ĉpm (IQ/ξn ) = q = r³ ´
¯ − T )2
6 σ̂ 2 + (X̄ IQ
2
¯ − T )2
6 ξn
+ (X̄
(C.38)
253, 55 − 245, 70
= p = 0, 89.
6 (1, 47)2 + (249, 66 − 249, 63)2

Ĉpmk (R̄/d2 ) = min{Cpmu (R̄/d2 ); Cpml (R̄/d2 )} = min{1, 06; 1, 00} = 1, 00 (C.39)

ou

Ĉpmk (IQ/ξn ) = min{Cpmu (IQ/ξn ); Cpml (IQ/ξn )} = min{1, 01; 0, 95} = 0, 88. (C.40)

à !2 µ ¶2 à !2 µ ¶2
¯ −T
X̄ σ̂ ¯ −T
X̄ R̄/d2
Ĉpp (R̄/d2 ) = + = +
d∗ /3 ∗
d /3 d∗ /3 d∗ /3
(C.41)
µ ¶2 µ ¶2
249, 66 − 249, 63 1, 30
= + = 0, 98
1, 31 1, 31
ou

à !2 µ ¶2 à !2 µ ¶2
¯ −T
X̄ σ̂ ¯ −T
X̄ IQ/ξn
Ĉpp (IQ/ξn ) = + = +
d∗ /3 d∗ /3 d∗ /3 d∗ /3
(C.42)
µ ¶2 µ ¶2
249, 66 − 249, 63 1, 47
= + = 1, 27.
1, 31 1, 31

Palheta, Marcus V. O. Estatı́stica/UFPA


C.4 Cálculos para obtenção das estimativas apresentadas na Tabela 4.4. 49

C.4 Cálculos para obtenção das estimativas apresentadas na Ta-


bela 4.4.

min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉp∗ (R̄/d2 ) = =
3σ̂ 3 × dR̄2
(C.43)
min(8, 00; 12, 00)
= = 1, 30
3 × 2, 05

ou

min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉp∗ (IQ/ξn ) = =
3σ̂ 3 × IQ
ξn
(C.44)
min(8, 00; 12, 00)
= = 1, 24.
3 × 2, 15

à ! à !
LSE − T ¯|
|T − X̄ LSE − T ¯|
|T − X̄

Ĉpu (R̄/d2 ) = 1− = 1−
3σ̂ LSE − T 3× R̄
d2
LSE − T
(C.45)
µ ¶
162 − 154 |154 − 152, 92|
= 1− = 1, 12
3 × 2, 05 162 − 154

ou

à ! à !
LSE − T ¯|
|T − X̄ LSE − T ¯|
|T − X̄

Ĉpu (IQ/ξn ) = 1− = 1−
3σ̂ LSE − T 3× IQ LSE − T
ξn
(C.46)
µ ¶
162 − 154 |154 − 152, 92|
= 1− = 1, 07.
3 × 2, 15 162 − 154

Palheta, Marcus V. O. Estatı́stica/UFPA


C.4 Cálculos para obtenção das estimativas apresentadas na Tabela 4.4. 50

à ! à !
T − LIE ¯|
|T − X̄ T − LIE ¯|
|T − X̄
Ĉpl∗ (R̄/d2 ) = 1− = 1−
3σ̂ T − LIE 3× R̄
d2
T − LIE
(C.47)
µ ¶
154 − 142 |154 − 152, 92|
= 1− = 1, 77
3 × 2, 05 154 − 142

ou

à ! à !
T − LIE ¯|
|T − X̄ T − LIE ¯|
|T − X̄
Ĉpl∗ (IQ/ξn ) = 1− = 1−
3σ̂ T − LIE 3× IQ T − LIE
ξn
(C.48)
µ ¶
154 − 142 |154 − 152, 92|
= 1− = 1, 69.
3 × 2, 15 154 − 142

∗ ∗
Ĉpk (R̄/d2 ) = min{Ĉpu (R̄/d2 ); Ĉpl∗ (R̄/d2 )} = 1, 12 (C.49)

ou

∗ ∗
Ĉpk (IQ/ξn ) = min{Ĉpu (IQ/ξn ); Ĉpl∗ (IQ/ξn )} = 1, 07. (C.50)

∗ min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉpm (R̄/d2 ) = q = r³ ´
2 ¯
3 σ̂ + (X̄ − T )2 R̄
2
¯ − T )2
3 d2
+ (X̄
(C.51)
min(8, 00; 12, 00)
= p = 1, 15
3 (2, 05)2 + (152, 92 − 154)2

ou

Palheta, Marcus V. O. Estatı́stica/UFPA


C.5 Cálculos para obtenção das estimativas apresentadas na Tabela 4.5. 51

∗ min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉpm (IQ/ξn ) = q = r³ ´
2 ¯
3 σ̂ + (X̄ − T )2 IQ
2
¯ − T )2
3 ξn
+ (X̄
(C.52)
min(8, 00; 12, 00)
= p = 1, 11.
3 (2, 15)2 + (152, 92 − 154)2

µ ¶2 µ ¶2 µ ¶2 µ ¶2
00 A σ̂ A R̄/d2
Ĉpp (R̄/d2 ) = + = +
d∗ /3 d∗ /3 d∗ /3 d∗ /3
(C.53)
µ ¶2 µ ¶2
0, 90 2, 05
= + = 0, 71
2, 67 2, 67

ou

µ ¶2 µ ¶2 µ ¶2 µ ¶2
A σ̂ A IQ/ξn
Ĉpp (IQ/ξn ) = ∗
+ ∗
= ∗
+
d /3 d /3 d /3 d∗ /3
(C.54)
µ ¶2 µ ¶2
0, 90 2, 15
= + = 077.
2, 67 2, 67

C.5 Cálculos para obtenção das estimativas apresentadas na Ta-


bela 4.5.

min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉp∗ (R̄/d2 ) = =
3σ̂ 3 × dR̄2
(C.55)
min(9, 00; 11, 00)
= = 2, 33
3 × 1, 29

ou

Palheta, Marcus V. O. Estatı́stica/UFPA


C.5 Cálculos para obtenção das estimativas apresentadas na Tabela 4.5. 52

min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉp∗ (IQ/ξn ) = =
3σ̂ 3 × IQ
ξn
(C.56)
min(9, 00; 11, 00)
= = 2, 25.
3 × 1, 33

à ! à !
LSE − T ¯|
|T − X̄ LSE − T ¯|
|T − X̄

Ĉpu (R̄/d2 ) = 1− = 1−
3σ̂ LSE − T 3× R̄
d2
LSE − T
(C.57)
µ ¶
260 − 251 |151 − 249, 66|
= 1− = 1, 98
3 × 1, 29 260 − 251

ou

à ! à !
LSE − T ¯|
|T − X̄ LSE − T ¯|
|T − X̄

Ĉpu (IQ/ξn ) = 1− = 1−
3σ̂ LSE − T 3× IQ LSE − T
ξn
(C.58)
µ ¶
260 − 251 |251 − 249, 66|
= 1− = 1, 92.
3 × 1, 33 260 − 251

à ! à !
T − LIE ¯|
|T − X̄ T − LIE ¯|
|T − X̄
Ĉpl∗ (R̄/d2 ) = 1− = 1−
3σ̂ T − LIE 3× R̄
d2
T − LIE
(C.59)
µ ¶
251 − 240 |251 − 249, 66|
= 1− = 2, 50
3 × 1, 29 251 − 240

ou

Palheta, Marcus V. O. Estatı́stica/UFPA


C.5 Cálculos para obtenção das estimativas apresentadas na Tabela 4.5. 53

à ! à !
T − LIE ¯|
|T − X̄ T − LIE ¯|
|T − X̄
Ĉpl∗ (IQ/ξn ) = 1− = 1−
3σ̂ T − LIE 3× IQ T − LIE
ξn
(C.60)
µ ¶
251 − 240 |251 − 249, 66|
= 1− = 2, 42.
3 × 1, 33 251 − 240

∗ ∗
Ĉpk (R̄/d2 ) = min{Ĉpu (R̄/d2 ); Ĉpl∗ (R̄/d2 )} = 1, 98 (C.61)

ou

∗ ∗
Ĉpk (IQ/ξn ) = min{Ĉpu (IQ/ξn ); Ĉpl∗ (IQ/ξn )} = 1, 92. (C.62)

∗ min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉpm (R̄/d2 ) = q = r³ ´
2 ¯
3 σ̂ + (X̄ − T )2 R̄
2
¯ − T )2
3 d2
+ (X̄
(C.63)
min(9, 00; 11, 00)
= p = 1, 61
3 (1, 29)2 + (249, 66 − 251)2

ou

∗ min(LSE − T ; T − LIE) min(LSE − T ; T − LIE)


Ĉpm (IQ/ξn ) = q = r³ ´
2 ¯
3 σ̂ + (X̄ − T )2 IQ
2
¯ − T )2
3 ξn
+ (X̄
(C.64)
min(9, 00; 11, 00)
= p = 1, 58.
3 (1, 33)2 + (249, 66 − 251)2

Palheta, Marcus V. O. Estatı́stica/UFPA


C.5 Cálculos para obtenção das estimativas apresentadas na Tabela 4.5. 54

µ ¶2 µ ¶2 µ ¶2 µ ¶2
00 A σ̂ A R̄/d2
Ĉpp (R̄/d2 ) = ∗
+ ∗
= ∗
+
d /3 d /3 d /3 d∗ /3
(C.65)
µ ¶2 µ ¶2
1, 22 1, 29
= + = 0, 35
3 3
ou

µ ¶2 µ ¶2 µ ¶2 µ ¶2
A σ̂ A IQ/ξn
Ĉpp (IQ/ξn ) = ∗
+ ∗
= ∗
+
d /3 d /3 d /3 d∗ /3
(C.66)
µ ¶2 µ ¶2
1, 22 1, 33
= + = 0, 36.
3 3

Palheta, Marcus V. O. Estatı́stica/UFPA


Bibliografia

BUSSAB, Wilton de O. e MORETTIN, Pedro A. Estatı́stica Básica. São Paulo: Saraiva,


2003.

CHAN, L. K., CHENG, S. W. e SPIRING, F. A. A New Measure of Process Capability: Cpm ,


Journal of Quality Technology, v. 20, n. 3 p. 162-173, 1988.

CHEN, K. S. Incapability Index With Asymetric Tolerances, Statistica Sinica, v. 8, p. 253-


262, 1998.

CHOI, B. C. e OWEN, D. B. A Study of a New Process Capability Index, Commun. Statist.


- Theory Method, v. 19, n. 4 p. 1231-1245, 1990.

GREENWICH, Michael e JAHR-SCHAFFRATH, Betty. A Process Incapability Index, Inter-


national Journal of Quality and Reliability Management, v. 12, p. 58-71, 1995.

HSIANG, T. C. e TAGUCHI, G. Tutorial on Quality Control ans Assurance - The Taguchi


Methods, Joint Meetings of the American Statistical Association, Las Vegas, Nevada,
p. 188, 1985.

KANE, Victor E. Process Capability Indices, Journal of Quality Technology, v. 18, n. 1,


p. 41-52, 1986.

KOTZ, Samuel e JOHNSON, Norman L. Process Capability Indices - A Review, 1992-2000,


Journal of Quality Technology, v. 34, n. 1, p. 2-19, 2002.

KOTZ, Samuel e LOVELACE, Cynthia R. Process Capability Indices in Theory and


Practice. New York: Arnold, 1998.

MONTGOMERY, D. C. Introdução ao Controle Estatı́stico da Qualidade. New York:


John Wiley e Sons, 4a ed., 2001.

PARLAR, M. e WESOLOWSKY, G. O. Specification Limits, Capability Indices and Centering


in Assembly Manufactured, Journal of Quality Technology, v. 31, n. 3, p. 317-325, 1999.

PEARN, W. L.; JOHNSON, N. L. e KOTZ, S. Distributional and Inferential Properties of


Process Capability Indices , Journal of Quality Technology, v. 24, n. 4, p. 216-231, 1992.

PEARN, W. L. e KOTZ, S. Application of Clemant´s Method for Calculating Second and


Third Generation Process Capability Indices for Non-normal Pearsonian Populations, Quality
Engineering, v. 7, n. 1, 1994.
56

RAMOS, E. M. L. S. Aperfeiçoamento e Desenvolvimento de Ferramentas do Controle


Estatı́stico da Qualidade - Ultilizando Quartis para Estimar o Desvio Padrão. Tese
de Doutorado em Engenharia de Produção: UFSC Florianópolis, 2003.

SHEWHART, Walter A. Economic Control of Quality of Manufactured Product: Van


Nostrand Reinhold, 1931.

SIQUEIRA, L. G. P. Controle Estatı́stico do Processo. São Paulo: Biblioteca Pioneira de


Administração e Negócios. Série Qualidade Brasil, 1997.

VIEIRA, Sonia. Estatı́stica para a Qualidade: como avaliar com precisão a qualidade
em produtos e serviços. Rio de Janeiro: Elsevier, 1999

WERKEMA, Maria C.C. Ferramentas Estatı́sticas Básicas para o Gerenciamento de


Processos. Belo Horizonte: Fundação Christiano Ottoni, 1995

Palheta, Marcus V. O. Estatı́stica/UFPA