CEQ - Pg.

1
PONTIFCIA UNIVERSIDADE CATLICA DO RIO GRANDE DO SUL
Faculdade de Matemtica Departamento de Estatstica
CONTROLE ESTATSTICO DA QUALIDADE
Prof. Hlio Radke Bittencourt Site: www.pucrs.br/famat/helio Email: heliorb@pucrs.br


Contedo

0. Reviso
0.1 Reviso de Estatstica Descritiva
0.2 Reviso de Estatstica Inferencial

1. Introduo a Estatstica na Qualidade
1.1 Viso da disciplina e aspectos histricos
1.2 Conceitos de Qualidade

2. As Sete Ferramentas Estatsticas

3. Introduo ao CEP
3.1 Filosofia e Tcnica
3.2 Controle Estatstico do Processo

4. Grficos de Controle
4.1 Grficos de Controle para Variveis
4.2 Grfico de Controle para Atributos

5. Capacidade do Processo
5.1 Conceitos bsicos
5.2 ndices de Capacidade de Processo

7. Aceitao por Amostragem
7.1 Planos de amostragem nica para atributos
7.2 Planos de amostragem dupla para atributos
7.3 Planos de amostragem mltipla
7.4 Planos de amostragem seqencial
7.5 Normas Militares de Inspeo (MIL STD 105)

8. Tcnicas avanadas de CEP
8.1 Grfico Cusum
8.2 Grfico Cusum tabular

CONTROLE ESTATSTICO DA QUALIDADE

Sobre a disciplina:
O livro-base ser Introduo ao Controle Estatstico da Qualidade de Douglas Montgomery. Os principais
softwares sero o MINITAB e o Excel. No livro citado encontramos as seguintes definies:

Qualidade significa adequao ao uso.
Qualidade inversamente proporcional variabilidade.
Um produto de qualidade deve atender as especificaes.
Melhoria da Qualidade a reduo da variabilidade nos processos e produtos.

CEQ - Pg. 2
0. Reviso

Nesta disciplina utilizaremos conhecimentos de Estatstica Descritiva, Probabilidade, Amostragem
e Estatstica Inferencial ou seja faremos uso de quase tudo que foi visto nas cadeiras
anteriores. Iniciaremos por uma reviso aplicada a situaes que envolvam Engenharia de
Produo.

0.1. Reviso de tpicos importantes de Estatstica Descritiva

Exerccio 1

Suponha um automvel. Vamos listar uma srie de variveis/atributos que esto relacionadas s
escolhas do consumidor no momento da compra e classific-las.


Exerccio 2

Considere o seguinte exemplo onde a especificao ou valor nominal=250g. Temos trs amostras
n=5, uma para cada mquina.

Pesos em gramas
Mquina A 248,0 249,0 250,0 251,0 252,0
Mquina B 250,0 250,5 249,5 250,0 250,0
Mquina C 245,0 255,0 252,0 250,0 248,0

Se o objetivo verificar se os produtos produzidos nas trs mquinas atendem as especificaes, o que
podemos fazer?

Como determinar qual a melhor mquina?


Exerccio 3

Suponha a seguinte seqncia temporal relativa viscosidade de um leo

Dia 0 Dia 15 Dia 30 Dia 45 Dia 60 Dia 75
100 99 98 97 80 40

O que podemos dizer da viscosidade em funo do tempo?

CEQ - Pg. 3
Exerccio 4

Separatrizes (Mediana, Quartis, Percentis). Utilidade e interpretao.















Trabalho 1

Realizar uma anlise descritiva e grfica do arquivo fornecido pelo professor.

Parte I Descrever o que aconteceu neste Lote. Qual a melhor mquina A ou B?

Parte II Seqncia temporal. O que est acontecendo com a produo desta empresa?
Faa tudo que voc conseguir para descrever e resumir da melhor forma possvel toda a
informao disponvel.


0.2 Reviso de tpicos de Probabilidade

Exerccio 5
Suponha que conhecido que 3% da produo de uma empresa defeituosa. Uma amostra
aleatria de n=4 itens produzidos por esta empresa revelou x unidades defeituosas.

a) Escreva o espao amostral considerando que cada item pode ser defeituoso (D) ou no-
defeituoso (ND).
b) Defina X= nmero de peas defeituosas e construa a funo de probabilidade de X.
c) Qual modelo descreve o comportamento de X considerando produo constante (infinita)?
d) Qual modelo probabilstico descreve o comportamento de X se considerarmos um lote de
apenas 35 itens.



CEQ - Pg. 4
Exerccio 6

Suponha que o peso das latas enchidas por uma mquina siga uma distribuio
Uniforme no Intervalo de 240g at 260g.
a) Como fica o modelo que descreve X=peso em gramas?
b) Qual o valor esperado e a varincia de X.

Exerccio 7
Suponha que o peso das latas enchidas por uma mquina siga uma distribuio
Normal com mdia de 255g e desvio-padro de 5g.

a) Grafique o modelo Normal respeitando a relao da mdia + desvio-
padro.
b) Qual a probabilidade de uma lata pesar entre 250g e 260g?
c) Qual a probabilidade de uma lata pesar menos de 260g?
d) Qual a probabilidade de uma lata pesar mais de 260g?
e) Qual a probabilidade de uma lata pesar menos de 262g?



Exerccio 8

Duas mquinas produzem o mesmo tipo de fio. A mquina A gera fios com
espessura mdia de 20mm com desvio-padro de 1mm. A mquina B gera fio
com espessura mdia de 19mm e desvio-padro de 1,5mm.

Se voc verifica que uma pea tem mais de 22mm, mais provvel que ela
tenha sido produzida pela mquina A ou pela mquina B?


0.3 Reviso de tpicos de Estatstica Inferencial

Parmetros e Estimadores

Principais parmetros e estimadores
Parmetros Estimadores
Mdia populacional

Mdia amostral
X
Desvio-padro populacional

Desvio-padro amostral
s
Proporo populacional
p ou
Proporo amostral
p


CEQ - Pg. 5
Teorema do limite central

Seja x
1
, ..., x
n
, n variveis aleatrias independentes e identicamente distribudas com mdia e
desvio-padro .

X
1
+ X
2
+ ... + X
n
=

) ; ( ~
2
n n Normal x
i


Este resultado pode ser utilizado para comprender o comportamento probabilstico da mdia
amostral
n
x
X
n
i
i
=
=
1
. Logo,
|
|

\
|
=

=
n
Normal
n
x
X
n
i
i

; ~
1


A distribuio t de Student

O matemtico ingls Gosset fez estudos que colaboraram muito para a rea de inferncia
estatstica. Ele estudou o comportamento probabilstico de X e props um nova distribuio,
denominada t.

J sabemos que se X ~ Normal (;), ento

=
X
Z ~ Normal (0;1). Podemos utilizar este
conhecimento para o caso da estatstica X :

Se
|
|

\
|
=

=
n
Normal
n
x
X
n
i
i

; ~
1
, ento Z
n
X
~
/

. O empecilho para utilizar esta
expresso em situaes prticas est no desconhecimento de . Gosset props uma modificao
que depende apenas do conhecimento de uma estimativa de , criando a distribuio t de
Student que depende do tamanho da amostra selecionada (n):


1
~
/

n
t
n s
X
(tabelada, com mdia 0)


Exerccio 9

Suponha um processo industrial que apresenta tempo mdio e desvio-padro . Uma amostra
de n=81 observaes levou a um tempo mdio de 124s com um desvio-padro de 12s.

a) Infira sobre por meio de um intervalo de confiana 95%.
b) Se aumentamos a confiana para 99% de confiana, o que acontece com o intervalo de
confiana?
c) O que acontece quando n>120?




CEQ - Pg. 6
Exerccio 10

Com base na amostra n=121 teste a hiptese de que a mdia do processo de, no mximo, 2
minutos. Use 95% de confiana (ou, equivalentemente, 5% de significncia)

a) Infira sobre por meio de um teste de hipteses bilateral
b) Comente sobre os erros que podemos estar cometendo.
c) Faa uma curva do Erro Tipo II () em funo da distncia entre e
o
.


Exerccio 11

Suponha que devido a escassez de um determinado produto no mercado voc tolere uma taxa
de 7,5% de defeitos. Numa amostra de 30 peas extradas de um populao muito grande,a
partir de qual quantidade de peas defeituosas voc toleraria que a proporo de defeituosas
possa ser de 7,5%.

x P(X=x) P(X<=7,5%) x P(X=x) P(X<=7,5%)
0 9,64% 9,64% 16 0,00% 100,00%
1 23,46% 33,10% 17 0,00% 100,00%
2 27,58% 60,68% 18 0,00% 100,00%
3 20,87% 81,55% 19 0,00% 100,00%
4 11,42% 92,97% 20 0,00% 100,00%
5 4,82% 97,79% 21 0,00% 100,00%
6 1,63% 99,42% 22 0,00% 100,00%
7 0,45% 99,87% 23 0,00% 100,00%
8 0,11% 99,97% 24 0,00% 100,00%
9 0,02% 100,00% 25 0,00% 100,00%
10 0,00% 100,00% 26 0,00% 100,00%
11 0,00% 100,00% 27 0,00% 100,00%
12 0,00% 100,00% 28 0,00% 100,00%
13 0,00% 100,00% 29 0,00% 100,00%
14 0,00% 100,00% 30 0,00% 100,00%
15 0,00% 100,00%

a) Realize um teste de hipteses unilateral utilizando a distribuio Binomial.
b) Comente sobre os erros tipo I e II na viso do comprador do lote e do vendedor.

CEQ - Pg. 7
1. Introduo a Estatstica na Qualidade

O livro-base ser Introduo ao Controle Estatstico da Qualidade de Douglas Montgomery. Este
autor atualmente professor de Engenharia Industrial da Arizona State University. Ele Mestre e
Doutor em Engenharia pelo Virginia Polytechnic Institut. Tem 12 livros publicados na rea de
Estatstica.

1.1 Viso da disciplina e Aspectos histricos

Mtodos estatsticos na resoluo de problemas para melhorar a qualidade de produtos ou
servios utilizados pela sociedade.

Esta disciplina engloba tpicos estudados nas demais disciplinas do curso: Estatstica Descritiva
e Estatstica Inferencial. H tambm interface com as disciplinas de Planejamento de
Experimentos e Anlise Multivariada.



Estatstica Descritiva

Estatstica Inferencial
CEP Melhoria da Qualidade
Amostragem

Probabilidade



Linha de tempo

Antes de 1875...

O trabalho era basicamente desempenhado por camponeses e artesos. Com a revoluo industrial houve
drstica mudana na maneira de viver das populaes dos pases que se industrializaram. As cidades
atraram os camponeses e artesos, e se tornaram cada vez maiores e mais importantes.

Principais avanos da maquinofatura durante a chamada Revoluo Industrial (Sculo XVIII):
Em 1733, John Kay inventa a lanadeira volante, inveno utilizada para tecer e que liberava uma das mos do
operador.
Em 1740, Benjamin Huntsman (fabricante de relgios ingls) desenvolve um processo mecnico de produzir
ao muito superior aos demais (processo crucible).
Em 1767 James Hargreaves inventa a spinning jenny, mquina que permitia a um s arteso fiar 80 fios de
uma nica vez.
Em 1768 James Watt inventa a mquina a vapor.
Em 1769 Richard Arkwright inventa a water frame, uma mquina movida gua utilizada na indstria txtil.
Em 1779 Samuel Crompton inventa a mula giratria, uma combinao da water frame com a spinning
jenny com fios finos e resistentes.
Em 1785 Edmond Cartwright inventa o tear mecnico.
CEQ - Pg. 8
Principais Eventos na Histria do Controle de Qualidade
Ano Fato
1875 Taylor introduz os princpios do gerenciamento cientficos para dividir o trabalho em
unidades menores, mais facilmente realizadas.
1900 - 1930 Henry Ford introduz a linha de montagem com maior refinamento dos mtodos de trabalho
para melhorar a produtividade e a qualidade. Ele desenvolveu conceitos de erro-prova de
montagem, auto-inspeo, inspeo durante o processo.
1907 - 1908 AT&T inicia inspeo e o teste sistemtico de produtos e materiais.
1908 Gosset (Student) introduz a distribuio t como resultado oriundo de seu trabalho em
controle de qualidade na centenria Cervejaria Guiness.
1920 - 1929 AT&T e Bell formam um Departamento de Qualidade. NA GE (Inglaterra), Dudding usa
mtodos estatsticos para controlar a qualidade de lmpadas.
1922 - 1923 R. A Fisher publica uma srie de artigos sobre Planejamento de Experimentos e suas
aplicaes Agricultura.
1924 Shewhart introduz o conceito de grficos de controle num documento da Bell.
1931 Shewhart publica obra sobre mtodos estatsticos para uso na produo de grficos de
controle.
1932 - 1933 A Indstria txtil e Qumica da Alemanha comea a usar experimentos planejados no
desenvolvimento de produtos/processos.
1938 Walter Deming convida Shewhart para apresentar seminaries sobre grficos de controle na
US Department of Agriculture Graduate School
1940 O US War Department publica um guia para o uso de grficos de controle.
1940-1943 A Bell desenvolve os precursores dos planos militares por amostragem-padro.
1942 - 1946 Formam-se na Amrica do Norte mais de 15 sociedades de qualidade e cursos de
treinamento passam a ser mais freqentes.
1946 - 1949 Deming convidado a ministrar seminrios sobre controle estatstico de qualidade na
indstria japonesa.
1950 Mtodos estatsticos de controle de qualidade comeam a ser ensinados em todo o Japo.
Ishikawa introduz o diagrama de causa-e-efeito.
Anos 50 Surgem textos clssicos: Grant e Duncan (CEQ); Feigenbaun (Qualidade Total); Box e Wilson
(Planejamento de Experimentos orientado indstria); Juran e Gryna (Manual de Controle
da Qualidade); Page (Grfico de controle da soma cumulativa); Roberts (mdia mvel
exponencialmente ponderada)
Lanamento da Revista Technometrics.
1960 Box e Hunter (Experimentos Fatoriais)

Anos 60 Cursos sobre CEQ tornam-se tornam-se presentes em currculos de Engenharia Industrial.
Anos 70 Surge a Associao Britnica da Qualidade
Surgem livros sobre Planejamento de Experimentos orientados indstria.

Anos 80

Mtodos de planejamento de experimentos so introduzidos e adotados num grande nmero
de organizaes. Nos EUA aparecem os trabalhos do Prof Tagushi.
A American Statistical Association estabelece um comit para Qualidade e Produtividade.
Surge a revista Quality Engineering
EM 1989 comea a iniciativa denominada seis-sigma da Motorola.
Anos 90 Crescem as certificaes (ISO9000)
Muitos programas de graduao e ps-graduao ministram disciplinas de Controle de
Qualidade e tcnicas estatsticas visando a melhoria dos processos.
A abordagem seis-sigma se espalha para outras indstrias.


CEQ - Pg. 9
1.2 Conceitos de Qualidade

O conceito de Qualidade um tanto subjetivo. A maior parte das pessoas tem uma compreenso
conceitual de qualidade como de algo relacionado a uma ou mais caractersticas desejveis que
um produto ou servio deve ter.

Garvin (1987) publicou na revista Harvard Business Review uma listagem de OITO componentes
ou dimenses da qualidade:
1. Desempenho (o produto realiza a tarefa pretendida?);
2. Confiabilidade (qual a freqncia de falhas do produto?);
3. Durabilidade (quanto tempo o produto durar?)
4. Assistncia Tcnica (facilidade para consertar o produto)
5. Esttica (qual a aparncia do produto);
6. Caractersticas (o que o produto faz?);
7. Qualidade percebida (qual a reputao da companhia ou de seu produto?)
8. Conformidade com Especificaes (o produto feito como o projetista pretendia?)

Exerccio:

Em sua opinio, quais dimenses permitem diferenciar estes produtos:

Televisor CCE X Televisor Sony

Perfume O Boticrio X Perfume Dior

Automvel GM Corsa X Automvel Renault Clio


Parmetros ou Caractersticas da Qualidade

Todos os produtos possuem um nmero de elementos que, em conjunto, descrevem o que o
consumidor entende como qualidade. Esses parmetros geralmente so chamados de
caractersticas da qualidade, podendo ser subdivididas em :

1. Fsicas: comprimento, largura, peso
2. Sensoriais: gosto, aparncia, cor
3. Orientao temporal: confiabilidade, durabilidade, praticidade.


Terminologia e algumas siglas

Existe um conjunto de termos tcnicos em Controle da Qualidade que precisa ser dominado:

Atributos: se refere a uma classificao em categorias (variveis qualitativas ou categricas).

Exemplos:

Variveis: caracterstica expressa de forma numrica respeitando uma mtrica (variveis
quantitativas ou mtricas).

Exemplos:

CEQ - Pg. 10
Especificao: corresponde a fase inicial de um ciclo de Controle de Qualidade. Significa aquilo
que desejado. Os limites (inferiores e superiores de especificao) correspondem aos valores
mximos (ou mnimos) permitidos para uma caracterstica da qualidade.

Valor-nominal ou Valor-alvo: uma medida que corresponde ao valor desejado para uma
caracterstica de qualidade.

Tolerncia: se refere a faixa de variao admissvel para uma dimenso.

Produto no-conforme (ou fora do padro): um produto que no corresponde a uma ou mais
especificaes.

Produto defeituoso: produto que apresenta um ou mais no conformidades srias o bastante
para afetar a utilizao do produto.


Mtodos Estatsticos para o Controle da Qualidade

Estudaremos, basicamente, trs reas principais com o objetivo de melhorar a qualidade de um
produto ou servio:
Controle Estatstico de Processos (CEP);
Aceitao por amostragem;
Planejamento de Experimentos (em menor grau).

Um grfico de controle uma ferramenta do CEP e serve para monitoramento de
caractersticas importantes envolvidas no processo produtivo. Um experimento planejado
pode ser muito til na descoberta de variveis que afetam caractersticas de qualidade de
interesse no processo. Neste tpico existe uma grande gama de delineamentos e tcnicas que
podem ser utilizados (blocos casualizados, experimentos fracionrios, ...). Aceitao por
amostragem definida como a inspeo e a classificao de uma amostra de unidades
selecionadas aleatoriamente de um conjunto maior. A deciso se d, geralmente, em dois
pontos: na entrada de matrias-primas ou componentes e na produo final.

Personalidades no CEQ

De acordo com Montgomery (2004, p.12) muitas pessoas contriburam n area da metodologia
estatstica para melhoria da qualidade, entretanto, em termos de implementao e filosofia de
gerenciamento, se destacam trs lderes:

Dr. W. Edwards Deming Durante a 2a Guerra Mundial (1939-1945) Deming
trabalhou para o Departamento de Guerra e para o Bureau do Censo norte-americano. Aps a
guerra, tornou-se consultor das indstrias japonesas e convenceu a alta direo das mesmas do
poder dos mtodos estatsticos e da importncia da qualidade.A filosofia de Deming pode ser
resumida em 14 pontos:

1. Crie uma constncia de propsitos para a melhoria dos produtos e servios. Uma viso
organizacional deve guiar a cultura corporativa e fornecer uma meta para a organizao.
Tal viso equipa a organizao com uma perspectiva de longo prazo. Mea o compromisso
do gerenciamento e os marcos de excelncia da situao da organizao em relao s
outras.
2. Adote a nova filosofia. O gerenciamento do ocidente deve despertar para o desafio e assumir
um novo papel de liderana. A Revoluo na Qualidade a mesma na economia de
CEQ - Pg. 11
importao como na Revoluo Industrial. Ela concomitante com a globalizao da
economia.
3. Cesse a dependncia da inspeo para alcanar a Qualidade. Introduza modernas
ferramentas da qualidade, tais como o controle estatstico de processo, operaes
evolucionrias, projetos de experimentos e o desdobramento da funo Qualidade. A
inspeo somente mede um problema, e no permite qualquer correo dele.
Freqentemente se diz que ningum pode "inspecionar em Qualidade".
4. Minimize o custo total trabalhando com um nico fornecedor - acabe com a prtica de
realizar negcios baseados somente nos preos. No premie cegamente negcios baseados
na baixa oferta. Ao invs disso, minimize o custo global. Mova-se diretamente para um
nico fornecedor em cada item estabelecendo um relacionamento de longo prazo, baseado
na confiana e na verdade. Os programas de certificao de fornecedores e a anlise de
custo do ciclo de vida possuem um papel preponderante aqui.
5. Melhore constante e continuamente cada processo. Fixar apenas os problemas no deix-
los mais se distanciar. Melhore constantemente a qualidade e a produtividade; em
conseqncia os custos diminuiro com a mesma freqncia. Previna-se dos defefitos e
aperfeioe os processos. No apague incndios - isto no uma melhora na qualidade,
um gerenciamento pela crise. Melhoria requer mecanismos de realimentao dos clientes e
fornecedores.
6. Institua o treinamento na tarefa. O treinamento se aplica a todos os nveis da organizaao,
do mais baixo ao mais alto. No deixe de observar a possibilidade de que os melhores
instrutores podem ser os prprios empregados.
7. Adote e institua a liderana. Liderana emana de conhecimento, percia e habilidade
interpessoais, e no do nvel de autoridade. Cada um pode e deve ser um lder. As
qualidades da liderana no so mais mistrios distantes e inatos - elas podem ser
aprendidas. Os lderes removem as barreiras que impedem as pessoas e as mquinas de
atingirem o timo.
8. Jogue fora o receio. Os receios avanam com a insegurana da liderana que depende das
regras de trabalho, autoridade, punio e de uma cultura corporativa baseada na
competio interna - graduando-se sobre uma curva que no tem lugar dentro de um
negcio. O receio pode tambm vir do abuso emocional e fsico dos colegas e supervisores
O receio apaga a criatividade, a qual a mquina para a melhoria da qualidade. Esse
receio pode ser eliminado por meio da identificao e superao das falhas na
comunicao, na cultura e no treinamento. Fatores sistmicos podem tambm promover o
gerenciamento por receios, tais como avaliao do desempenho, programas de premiao
e cotas de trabalho.
9. Quebre as barreiras ente as reas. Todos devem trabalhar em equipe, trabalhando
diretamente para o bem da equipe de trabalho que conceito imperativo no
gerenciamento moderno. Novas estruturas organizacionais podem ser necessrias. Virar a
estrutura organizacional de cabea para baixo uma experincia espantosa, mas que pode
muito bem ser requerida para alcanar a harmonia e a perspectiva apropriada.
10. Elimine slogans, exortaes e cartazes para a fora de trabalho. Os programas ou campanhas
que comandam uma tarefa deixando o trabalhador sem poder para alcanar o objetivo,
constituem um gerenciamento por receios.
11. Elimine cotas numricas para a fora de trabalho e objetivos numricos para o
gerenciamento. Elimine o gerenciamento por objetivos ou, mais precisamente, o
gerenciamento por nmeros. Substitua as lideranas. Cotas numricas desconsideram as
noes estatsticas, as quais causam impactos em todos os trabalhadores. Nem todos os
trabalhadores podem estar acima da mdia; nem todos podem estar abaixo. A tradicional
prtica da engenharia industrial o "gerenciamento por nmeros" e isto precisamente
aquilo a que Deming se refere. Opere com medidas bem trabalhadas num certo estgio do
desenvolvimento industrial, uma vez que a sociedade e o trabalho tm se desenvolvido a
partir disso. Hoje as cotas de trabalho impem um limite na qualidade e na produo, em
CEQ - Pg. 12
vez de um objetivo. As variaes naturais so ignoradas nesses sistemas, e as
preocupaes nicas com nmeros tomam precedncia sobre todos os outros interesses
nos negcios.
12. Remova as barreiras que roubam das pessoas a satisfao no trabalho. Elimine o sistema
anual de classificao. Remova as barreiras que roubam do trabalhador as suas horas de
satisfao no trabalho. A responsabilidade dos supervisores deve ser alterada em relao
ao volume e linha de produo para a qualidade. Remover as barreiras significa abolir a
classificao anual ou por mrito e o gerenciamento por objetivo.
13. Institua um vigoroso programa de educao e auto melhoria para todos. O treinamento
fornece uma mudana imediata no comportamento. Os resultados da educao podem no
se manifestar imediatamente, mas podem apresentar os seus efeitos a longo prazo. A auto
melhoria uma tarefa de educao e auto desenvolvimento. Isto pode significar o
oferecimento de cursos em gerenciamento do tempo, reduo do estresse, permisso aos
empregados para que exeram atividades fsicas na hora do expediente caso tenham um
trabalho sedentrio e, para os que executam trabalhos braais, participao em tarefas de
desafios mentais ou em processos educacionais.
14. Coloque todos na companhia para trabalhar acompanhando a transformao. O compromisso
da alta gerncia colocar todos na empresa para que trabalhem acompanhando a
transfomao. A transformao trabalho de todos.

Dr. Joseph Juran um dos criadores do controle estatstico da qualidade. Trabalhou
para Shewart na AT&T Bell Laboratories. co-autor do Quality Control Handbook, uma
referncia padro para mtodos de controle de qualidade.

Dr. Armand Feigenbaum o pioneiro em introduzir o conceito de controle da
qualidade para toda a empresa. Sua obra Controle da Qualidade Total data de 1951,
tendo influenciado ,muitos dos princpios da gerncia da qualidade no Japo no incio
dos anos 50. Muitas companhias usaram o nome Controle da Qualidade Total para
descrever seus esforos. De acordo com Montgomery (2004, p.14) o Dr. Feigenbaum se
preocupa mais com a estrtutura organizacional e com uma abordagem de sistemas para
a melhoria da qualidade, do que com mtodos estatsticos.

Padres e Registro da Qualidade

A International Standards Organization ISO - desenvolveu uma srie de padres
internacionalmente utilizados. A ISO uma organizao no governamental presente em cerca
de 120 pases. Esta organizao foi fundada em 1947 em Genebra, e sua funo promover a
normalizao de produtos e servios, utilizando determinadas normas, para que a qualidade dos
produtos seja sempre melhorada. No Brasil, o rgo que representa a ISO chama-se ABNT
(Associao Brasileira de Normas Tcnicas) A ISO 9000 um modelo de padronizao. O selo
que as empresas recebem se iniciam a partir da ISO 9001 em diante.

A srie ISO 9000 um conjunto de normas que formam um modelo de gesto da qualidade para
organizaes que podem, se desejarem, certificar seus sistemas de gesto atravs de organismos
de certificao. Foi elaborada atravs de um consenso internacional sobre as prticas que uma
empresa pode tomar a fim de atender plenamente os requisitos de qualidade do cliente. A ISO
9000 no fixa metas a serem atingidas pelas empresas a serem certificadas, a prpria empresa
quem estabelece as metas a serem atingidas.

Grande parte do foco do ISO9000 se concentra na documentao formal do sistema de
qualidade. exatamente esta documentao o ponto mais difcil para uma organizao receber a
certificao.

CEQ - Pg. 13

Seis Sigma (Montgomery, pg 16)

O 6-Sigma consiste na aplicao de mtodos estatsticos a processos empresariais, orientada pela
meta de eliminar defeitos. A maioria das empresas opera no nvel 3-Sigma, o que equivale a um
nmero esperado de 2700 partes por milho (ppm) de oportunidades de haver defeitos.
A Motorola foi a pioneira na dcada de 80. O conceito consiste em diminuir a variabilidade de
forma que os limites de especificao estejam a seis desvios-padro da mdia, assim torna-se
muito difcil ocorrer um valor fora destes limites, mesmo que a mdio do processo de desloque
para direita ou esquerda.

Tarefa:

Utilizando o Excel, encontrar qual a probabilidade de encontrar um valor dentro de + k.


Supondo que a mdia seja :
= + < < ) X ( P
= + < <
= + < <
= + < <
= + < <
= + < <
) X ( P
) X ( P
) X ( P
) X ( P
) X ( P





6 6
5 5
4 4
3 3
2 2



Supondo que a mdia seja deslocada em +1,5:
= + < < ) X ( P
= + < <
= + < <
= + < <
= + < <
= + < <
) X ( P
) X ( P
) X ( P
) X ( P
) X ( P





6 6
5 5
4 4
3 3
2 2






O 6-Sigma aproveita uma srie de mtodos comprovados e treina um pequeno grupo de lderes
internos, conhecidos como black-belts, at que atinjam alto ivel de proficincia na aplicao de
tais tcnicas. Com certeza, alguns dos mtodos utilizados pelos black-belts so altamente
avanados, o que inclui o uso de tecnologia moderna de informtica.
Contudo, as ferramentas so aplicadas dentro de um modelo simples de melhoria de
desempenho conhecido pela sigla DMAIC, ou Define - Measure - Analyze - Improve -Control
(Definir - Mensurar - Analisar - Incrementar - Controlar).


CEQ - Pg. 14

2. As Sete Ferramentas Estatsticas

De acordo com Montgomery (2004, p. 95), um produto que atende s exigncias
do cliente deve ser capaz de operar com pequena variabilidade em torno dos
valores nominais das caractersticas de qualidade do produto. O CEP engloba
uma grande quantidade de mtodos que auxiliam no cumprimento desta tarefa.
As principais ferramentas do CEP so:
1) Histograma ou Ramo-e-folha;
2) Folha de verificao ou Folha de controle;
3) Diagrama de causa-e-efeito;
4) Grfico de Pareto;
5) Fluxograma;
6) Diagrama de disperso;
7) Grfico de controle.

Falaremos brevemente sobre cada uma delas, entretanto o tpico 7 ser
abordado mais especificamente no captulo 4.

1) Histograma ou Ramo-e-folha

1.1 Histograma um grico que resume a informao presente em um
conjunto de dados. A natureza do Histograma possibilita-nos ver padres
que, dificilmente seriam vistos na simples tabela de dados.

1.2 Ramo-e-folha uma espcie de Histograma, mas com maior quantidade
de informao pois o valor numrico das observaes preservado.

TAREFA: Encontrar padres nos Histogramas do arquivo Sete Ferramentas.SAV


2) Folha de Verificao

um formulrio de coleta de dados, simplificado, onde o registro e anlise de
das pode ser realizado de forma simples e rpida. A folha de verificao pode ser
utilizada para vrios propsitos, mas sua principal caracterstica tornar fcil a
compilao dos dados.

CEQ - Pg. 15
Exemplo 1 Folha de Verificao de preenchimentos de formulrios
Tipo de problema Quantidade
Sem nome XXXX 4
Sem assinatura XX 2
Faltando informao XXXXXXXXXXXX 12
Atrasado XX 2
Outros X 1
Total 21



Exemplo 2 Folha de Verificao por localizao

Neste tipo de folha de verificao os defeitos so assinalados em um desenho.
Por exemplo, os defeitos em uma mquina copiadora ou uma impressora podem
ser assinalados em uma folha onde consta a fotografia da mquina. Ao final de
um certo perodo de tempo os resultados so organizados.


3) Diagrama de causa-e-efeito

O diagrama de causa-e-efeito batizado por Juran como Diagrama de Ishikawa
e tambm conhecido como espinha de peixe ou artes de poisson representa
graficamente o relacionamento entre algum efeito e todas as causas e subcausas
possveis. O diagrama tem a seguinte forma geral:


Dicas para construir um bom diagrama de causa-e-efeito:

1) Definir uma caracterstica de Qualidade do produto ou servio;
2) Faze um brainstorming de causas potenciais deste efeito;
3) Identificar as principais categorias relacionadas as causas;
4) Desenhar um diagrama de causa-e-efeito;
5) Associar as causas e subcausas as suas categorias.

TAREFA: Construir um diagrama de causa-e-efeito para um produto ou servio a
sua escolha.

CEQ - Pg. 16
4) Grfico de Pareto

O diagrama de Pareto um tipo especial de grfico de colunas onde a freqncia
de ocorrncia de categorias listada em ordem decrescente acompanhada de
uma barra contendo a freqncia acumulada. Vejamos um exemplo:

Causas do
problema
Freqncia
(fi)
%
(fri)
% Acumulado
(Fri)
A 100

B 70

C 60

D 20

E 10

Total 260

TAREFA: Construa um diagrama de Pareto no Excel utilizando estes dados.
Interprete.


O diagrama de Pareto uma tcnica que separa os poucos problemas vitais dos
muitos triviais, indicando quais so aqueles que devem ser prioritariamente
solucionados.

5) Fluxograma

O fluxograma uma forma de representao das sequncia de etapas que
compem um processo. Suas partes so:




Entradas / Sadas : as entradas so materiais, informaes ou aes que iniciam
o processo. As sadas so os resultados do processo (produtos, relatrios,
servios).


Flecha: indica a direo do fluxo



Retngulo: indica os passos que realizam operaes no processo


Losango: ponto de tomada de decises;

CEQ - Pg. 17



Crculo: Delay ou espera. Lugar no processo onde a ao temporariamente
suspensa.


Loops: caminhos que indicam se o processo segue ou deve voltar.

Exemplo: Monitoramento Cardaco


6) Diagrama de disperso

Possibilidade visualizar a relao entre duas variveis quantitativas. Por exemplo,
o nmero de erros de uma digitadora pode estar relacionado com a quantidade
de rudo; o nmero de vezes que uma mquina tranca por dia poed estar
relacionado com a temperatura, etc. Em um grfico de disperso padro, a
caracterstica de qualidade deve estar no eixo Y (var dependente) e a possvel
causa deve estar no eixo X (var independente).

Vejamos alguns tipos de relacionamentos:



CEQ - Pg. 18
Tipos de correlao entre variveis:
Correlao direta Correlao inversa Correlao nula












Correlao no-linear Correlao no-linear
(2)
Varincia no
constante











TAREFA: Construir grficos de disperso entre o indicador de qualidade e algumas das
caractersticas do produto.



7) Grficos de controle

Ser abordado mais frente.

CEQ - Pg. 19

3. Introduo ao CEP

3.1 Filosofia e Tcnica

No Captulo 2 vimos que as sete ferramentas estatsticas so uma parte
importante do CEP. Entretanto, Montgomery (2004, p. 95) salienta que elas
englobam apenas os aspectos tcnicos do CEP.

Para entender os conceitos que formam a base do CEP temos que,
primeiramente, entender a teoria da variabilidade de Shewhart.


3.1.1 Causas aleatrias e atribuveis da variao da qualidade

Montgomery (2004, p. 96) diz que em qualquer processo de produo uma certa
quantidade de variabilidade sempre existir (este um axioma no CEP). Essa
variabilidade natural ou rudo de fundo o efeito cumulativo de muitas causas
pequenas, essencialmente inevitveis. Diz-se que um processo que opera apenas com
as causas aleatrias de variao est sob controle estatstico.

Outros tipos de variabilidade podem, ocasionalmente, estar presentes na sada do
processo. Geralmente estes tipos de variabilidade se devem a uma das seguintes fontes:

1) __________________________

2) __________________________

3) __________________________

As variabilidades devidas a estas fontes so, geralmente, muito maiores do que o rudo
de fundo e so conhecidas como causas atribuveis. Um processo que opera na
presena de causas atribuveis est fora de controle.

Os processos de produo podem operar longo tempo sob controle, produzindo itens
aceitveis, entretanto, quase que certamente, causas atribuveis ocorrero de maneira
aparentemente aleatria, resultando em um deslocamento para um estado fora de
controle.

Exemplo Deslocamento para o campus da PUCRS

Causas no-atribuveis ou rudo de fundo

Causas atribuveis



CEQ - Pg. 20
3.2 Controle Estatstico do Processo

O principal objetivo do CEP detectar rapidamente a ocorrncia de causas atribuves, de
modo que a investigao do processo e a ao corretiva possam ser realizadas antes
que muitas unidades no-conformes sejam fabricadas. De uma forma geral, o que se
busca com o CEP a eliminao da variabilidade no processo, mesmo que isso
seja teoricamente impossvel.





No prximo captulo veremos a principal ferramenta do CEP: os grficos de controle.




CEQ - Pg. 21
4. Grficos de Controle

Neste captulo veremos duas classes de grficos de controle, organizados de acordo com
o tipo de caracterstica da qualidade que estamos mensurando: temos os grficos de
controle para variveis e os grficos de controle para atributos.

Grfico de controle clssico






A escolha dos limites de controle

Trata-se de uma deciso muito importante que deve ser tomada no
planejamento de um grfico de controle.

Ao afastarmos os limites de controle da linha central, diminumos o risco de erro
tipo I, mas aumentamos a probabilidade de erro tipo II.

Erro tipo I

Erro tipo II



Tabela dos erros
Realidade
Deciso Ho Verdadeira

Ho Falsa
Aceito Ho

Ok

1- : Confiana
Erro II
Dizer que est controlado,
quando no est

Rejeito Ho

Erro I
Dizer que est fora de
controle, quando est
controlado

Ok

1- : Poder


CEQ - Pg. 22
Exemplo Caracterstica de Qualidade com Mdia =74 e desvio =0,01

=
74
74

: Ha
: Ho


Encontrar a regra de deciso (Aceitao/Rejeio de Ho) em funo do X para n=5.
Depois, construir no Excel curvas caractersticas de operao (CCO) da probabilidade de
ACEITAR Ho quando Ho falsa em funo do n. verdade que, quando aumentamos os
limites diminumos a probabilidade de erro tipo I, mas aumentamos a probabilidade de
erro tipo II?




4.1 Grfico de Controle para Variveis (Montgomery, p. 129)

J vimos que na rea de qualidade, uma caracterstica medida numa escala
numrica chamada de varivel. Veremos trs tipos de grficos de controle: os
grficos R X , S X e o grfico individual.

Ao monitorarmos uma caracterstica de qualidade devemos monitorar tanto a sua
mdia como a sua variabilidade. O controle da mdia usualmente feito pelo
grfico de controle para mdias, ou grfico X e a variabilidade do processo
pode ser monitorada tanto pelo desvio-padro s como pela amplitude R.


4.1.1 Grfico de controle R X

Quando temos uma seqncia de m amostras aleatrias de tamanho n constante
cada, as seguintes estatsticas sero utilizadas para definir as linhas centrais dos
grficos de controle:


= X R



O grfico de R X se baseia na distribuio amostral de uma estatstica
conhecida como amplitude relativa. Portanto, primeiramente vamos entender o
comportamento probabilstico dela:

W
R
~

onde E(W)=d
2

CEQ - Pg. 23

Portanto, como a mdia de W d
2
podemos utilizar como estimador de a
seguinte expresso:

2

d
R
=

O valor de d
2
depende do tamanho da amostra. Ns faremos um exemplo no
Excel (Distribuio_W.XLS) para entender isso.



Os limites do grfico X para os usuais 3-sigma so:

R A X R
n d
X LSC
2
2
3
+ = + =
X LC =
R A X R
n d
X LIC
2
2
3
= =


A estatstica R tem um desvio-padro
R
conhecido, e que ser estimado por:

R
d
d
R
2
3
=

Conseqentemente, os limites de controle ficaro unicamente funo das
constantes tabeladas e de R :

R D R
d
d
R R LSC
R 4
2
3
3 3 = + = + =
R LC =
R D R
d
d
R R LIC
R 3
2
3
3 3 = = =


CEQ - Pg. 24
Exerccio Construir no Excel/Minitab um grfico R X no arquivo Montgomery_p133.XLS

Amostra xi1 xi2 xi3 xi4 xi5
1 74,030 74,002 74,019 73,992 74,008
2 73,995 73,992 74,001 74,011 74,004
3 73,988 74,024 74,021 74,005 74,002
4 74,002 73,996 73,993 74,015 74,009
5 73,992 74,007 74,015 73,989 74,014
6 74,009 73,994 73,997 73,985 73,993
7 73,995 74,006 73,994 74,000 74,005
8 73,985 74,003 73,993 74,015 73,988
9 74,008 73,995 74,009 74,005 74,004
10 73,998 74,000 73,990 74,007 73,995
11 73,994 73,998 73,994 73,995 73,990
12 74,004 74,000 74,007 74,000 73,996
13 73,983 74,002 73,998 73,997 74,012
14 74,006 73,967 73,994 74,000 73,984
15 74,012 74,014 73,998 73,999 74,007
16 74,000 73,984 74,005 73,998 73,996
17 73,994 74,012 73,986 74,005 74,007
18 74,006 74,010 74,018 74,003 74,000
19 73,984 74,002 74,003 74,005 73,997
20 74,000 74,010 74,013 74,020 74,003
21 73,988 74,001 74,009 74,005 73,996
22 74,004 73,999 73,990 74,006 74,009
23 74,010 73,989 73,990 74,009 74,014
24 74,015 74,008 73,993 74,000 74,010
25 73,982 73,984 73,995 74,017 74,013

Sample
S
a
m
p
l
e

M
e
a
n
25 23 21 19 17 15 13 11 9 7 5 3 1
74,01
74,00
73,99
_
_
X=74,00118
UCL=74,01444
LC L=73,98791
Sample
S
a
m
p
l
e

R
a
n
g
e
25 23 21 19 17 15 13 11 9 7 5 3 1
0,048
0,036
0,024
0,012
0,000
_
R=0,02300
UCL=0,04863
LC L=0
Xbar-R Chart of xi1; ...; xi5

CEQ - Pg. 25
Exerccio Construir no Excel / Minitab um grfico R X no arquivo Nivaldo1.XLS

Os dados se referem a 10 amostras com n=5 cada tomadas de hora em hora. O objetivo saber
se o processo est centrado no alvo =5,60.

Amostra xi1 xi2 xi3 xi4 xi5
1 5,60 5,50 5,58 5,48 5,70
2 5,90 5,58 5,61 5,59 5,44
3 5,52 5,66 5,68 5,59 5,38
4 5,60 5,76 5,55 5,58 5,57
5 5,55 5,68 5,65 5,45 5,68
6 5,39 5,65 5,63 5,57 5,61
7 5,79 5,61 5,59 5,70 5,51
8 5,67 5,59 5,59 5,75 5,48
9 5,51 5,51 5,65 5,55 5,63
10 5,66 5,64 5,61 5,66 5,56



Estimando a capacidade do processo

A capacidade de um processo pode ser estimada por meio da comparao entre
os limites de controle do intervalo e as especificaes. Processos capazes
apresentam ndices de capacidade superiores a 1:

6
LIC LSC
C
p

=

No caso de estimarmos o valor de (situao mais comum), vamos colocar um
chapu como indicao:

LIC LSC
C

p
6

=


Para o grfico R X o desvio-padro estimado por
2

d
R
= .


No exemplo anterior, qual a capacidade do processo supondo especificaes de
74,05 e 73,95?




CEQ - Pg. 26
Construindo grficos de controle

Utilizaremos o arquivo Aula_11Set.XLS para construo de grficos de controle.
Ser feita uma seleo em sala de aula para eleger os participantes.


Identificando padres em grficos de controle

Nestes grficos identificaremos alguns padres que podem ocorrer:

Padro cclico:

Padro de mistura:

Deslocamento da mdia:




4.1.2 Grfico de controle S X

Quando o tamanho da amostra moderadamente grande n 10, estimar a
variabilidade atravs da amplitude se torna ineficiente, por isso utilizamos o
desvio padro para cada amostra. Este grfico tambm monitora a variabilidade
entre os grupos e deve ser utilizado em conjunto com o grfico s.

Sabe-se que s um estimador viciado para , mas este vcio pode ser corrigido
utilizando-se os valores da constante c
4
tabelada. O estimador
4
c / S no
viciado para .

TAREFA: Mostrar que
4
c / S um bom estimador de .


Temos os seguintes limites para o grfico X com os usuais 3-sigma:

Limites Superior de Controle : LSC = = +
X
X 3

Linha Central: LC = x

Limites Inferior de Controle : LIC = =
X
X 3



CEQ - Pg. 27
As seguintes frmulas so mais simples para o clculo dos limites do grfico X .

Limites Superior de Controle : LSC = x + A
3
s
Linha Central: LC = x
Limites Inferior de Controle : LIC = x - A
3
s









Agora vejamos o grfico para o desvio-padro S.
Esse grfico monitora a variabilidade dentro dos subgrupos, devendo ser
utilizado em conjunto com o grfico X . Para construir o grfico s necessrio
calcular o desvio-padro para cada um dos k subgrupos, da seguinte forma:
1
1
2

=
i
i j
n
i
n
) X x (
j
s
i
e depois calcular a mdia dos desvios nos m subgrupos:

m
s
s
i
i
=
O desvio-padro da estatstica s tambm funo da constante c
4
. Sabe-se que
ele igual a
2
4
1 c .
TAREFA: Mostrar que
2
4
4
1 c
c
S
um bom estimador para o desvio-padro de S.

CEQ - Pg. 28
Ao estimarmos por
4
c / S os limites do grfico s com os usuaisu 3-sigma ficam:
Limites Superior de Controle : LSC = S B c
c
S
S
4
2
4
4
1 3 = +
Linha Central: LC = S
Limites Inferior de Controle : LIC = S B c
c
S
S
3
2
4
4
1 3 =

Exerccio Umidade do fumo (em %)
Os dados do quadro abaixo se referem a 15 subgrupos de tamanho 10,
coletados em diferentes espaos de tempo. A caracterstica monitorada foi o %
de umidade de fumo.
Subgrupo
(i)
1 2 3 4 5 6 7 8 9 10 Mdia Desvio
1 11,9 11,7 12,1 12,4 12,4 12,3 12,5 12,4 12,5 12,7
2 11,9 12,7 12,3 11,8 11,8 12,6 12,2 11,7 11,9 11,1
3 12,8 11,8 11,9 11,7 12,6 12,4 12,8 13,1 10,9 12,8
4 13,1 12,1 12,2 12,0 11,5 11,3 11,4 11,6 10,9 11,4
5 13,1 13,0 13,2 13,1 13,5 12,5 12,6 12,4 12,0 12,5
6 11,7 12,5 12,1 11,6 12,1 11,9 12,3 11,7 11,9 11,6
7 11,9 11,7 11,8 12,0 12,7 12,6 12,8 12,7 12,1 13,0
8 12,1 10,9 11,8 11,9 12,0 12,1 12,3 12,5 11,8 13,1
9 13,0 10,9 12,4 12,9 11,8 11,9 12,1 12,3 11,9 12,9
10 13,0 10,5 12,5 13,3 12,3 12,5 12,4 12,6 12,3 12,8
11 12,0 12,0 12,0 12,0 12,5 11,5 12,3 12,2 12,2 12,7
12 11,3 12,1 12,1 12,5 12,3 12,4 12,2 11,8 13,4 12,4
13 11,2 11,0 11,8 12,1 12,7 13,0 13,1 13,1 13,1 13,9
14 12,1 10,1 11,4 12,0 10,5 11,6 11,7 12,1 12,1 12,6
15 13,5 10,2 12,6 13,9 12,4 12,8 12,3 13,1 12,6 13,4


CEQ - Pg. 29
0 Subgroup 5 10 15
11,5
11,7
11,9
12,1
12,3
12,5
12,7
12,9
S
a
m
p
l
e

M
e
a
n
1
Mean=12,22
UCL=12,79
LCL=11,64
0,0
0,5
1,0
S
a
m
p
l
e

S
t
D
e
v
1
S=0,5907
UCL=1,014
LCL=0,1676
Xbar/S Chart for C1-C10

TEST 1. One point more than 3,00 sigmas from center line.
CEQ - Pg. 30
Exerccio Dimetro de peas (cm) - I
Os dados do quadro abaixo se referem a 25 subgrupos de tamanho 8, coletados
em diferentes espaos de tempo. A caracterstica monitorada foi o dimetro
(cm).
Amostra Medidas Mdia Desvio
1 20,728 20,608 20,969 20,853 20,126 20,830 20,070 20,330
2 20,332 20,380 20,386 20,128 20,465 20,812 20,652 20,247
3 20,359 20,856 20,872 20,973 20,156 20,361 20,842 20,531
4 20,383 20,429 20,302 20,326 20,804 20,321 20,817 20,131
5 20,040 20,244 20,147 20,621 20,789 20,465 20,146 20,154
6 20,516 20,361 20,239 20,453 20,216 20,468 20,910 20,456
7 20,536 20,205 20,579 20,349 20,205 20,716 20,429 20,601
8 20,138 20,127 20,347 20,272 20,164 20,141 20,383 20,407
9 20,956 20,295 20,116 20,950 20,617 20,861 20,146 20,337
10 20,415 20,108 20,151 20,610 20,210 20,530 20,668 20,929
11 20,513 20,492 20,280 20,830 20,595 20,272 20,597 20,594
12 20,774 20,587 20,212 20,392 20,015 20,879 20,967 20,681
13 20,691 20,876 20,205 20,935 20,276 20,346 20,458 20,099
14 20,729 20,100 20,178 20,619 20,511 20,210 20,940 20,712
15 20,339 20,852 20,704 20,342 20,023 20,855 20,104 20,413
16 20,399 20,488 20,359 20,746 20,199 20,418 20,166 20,104
17 20,930 20,215 20,630 20,882 20,705 20,791 20,206 20,653
18 20,656 20,931 20,767 20,479 20,625 20,309 20,842 20,850
19 20,797 20,911 20,447 20,131 20,482 20,645 20,535 20,680
20 20,723 20,608 20,247 20,756 20,263 20,982 20,221 20,382
21 20,532 20,795 20,577 20,158 20,987 20,040 20,433 20,478
22 20,586 20,450 20,516 20,668 20,371 20,760 20,463 20,978
23 20,318 20,917 20,075 20,156 20,093 20,312 20,796 20,542
24 20,294 20,918 20,669 20,636 20,801 20,305 20,515 20,707
25 20,914 20,896 20,775 20,880 20,083 20,725 20,789 20,756

CEQ - Pg. 31
Exerccio Dimetro de peas (cm) - II
Os dados do quadro abaixo se referem a 25 subgrupos de tamanho 8, coletados
em diferentes espaos de tempo. A caracterstica monitorada foi o dimetro
(cm).

Amostra Medidas Mdia Desvio
1 21,500 20,209 20,525 20,851 20,961 20,447 20,612 19,407
2 20,880 21,500 20,300 20,021 20,880 20,759 20,421 18,639
3 20,369 20,088 21,500 20,861 20,950 20,278 20,677 20,229
4 20,027 20,488 20,655 21,500 20,239 20,681 20,750 19,172
5 20,506 20,752 20,899 20,492 21,500 20,765 20,954 16,740
6 20,752 20,894 20,738 20,954 20,845 21,500 20,567 17,366
7 20,545 20,061 20,813 20,133 20,354 20,214 21,500 20,004
8 20,603 20,545 20,898 20,110 20,798 20,430 20,980 17,612
9 20,462 20,865 20,172 20,183 20,622 20,948 21,500 19,528
10 20,782 20,365 20,051 20,384 20,074 21,500 20,135 20,333
11 20,973 20,281 20,115 20,496 21,500 20,798 20,672 19,341
12 20,236 20,704 20,410 21,500 20,106 20,317 20,486 20,745
13 20,486 20,681 21,500 20,845 20,437 20,893 20,542 18,504
14 20,465 21,500 20,640 20,589 20,504 20,311 20,551 19,440
15 21,500 20,312 20,037 20,499 20,739 20,862 20,863 18,820
16 20,318 21,500 20,878 20,201 20,780 20,044 20,036 19,123
17 20,661 20,850 21,500 20,285 20,207 20,739 20,857 19,917
18 20,158 20,842 20,135 21,500 20,628 20,250 20,136 21,807
19 20,296 20,950 20,165 20,733 21,500 20,253 20,944 19,791
20 20,196 20,740 20,770 20,738 20,662 21,500 20,703 18,875
21 20,321 20,958 20,953 20,407 20,587 20,030 21,500 19,244
22 20,941 20,940 20,212 20,750 20,383 20,876 20,500 20,190
23 20,825 20,777 20,825 20,546 20,889 20,434 21,500 17,412
24 20,278 20,180 20,780 20,912 20,472 21,500 20,777 19,949
25 20,383 20,848 20,245 20,068 21,500 20,835 20,613 21,324


CEQ - Pg. 32
4.1.3 Grfico de Shewhart para medidas individuais

Em algumas situaes prticas torna-se invivel coletar mais do que uma
observao para compor uma amostra, ou seja, trabalha-se com uma amostra
composta por uma nica observao (n=1), tornando impossvel a construo
dos grficos S X ou R X .

Exemplos de algumas situaes onde isto ocorre:
Taxa de produo muito lenta, sendo inconveniente acumular mais de
uma observao para amostra.
Medidas repetidas do processo s diferem devido a erros nos
instrumentos de medio. Isso ocorre em muitos processos qumicos.
Em situaes onde a variabilidade do processo varia muito pouco em
longos intervalos de tempo.

Para construo do grficos individual recorreremos a mesma forma de estimar o
desvio-padro j utilizada no grfico R X .

2

d
R
=

A amplitude R estimada a partir do clculo da mdia da amplitude mvel (MR)
obtida em m-1 amostras. Vejamos:

1
=
i i i
x x MR para i=2,3,..., m

1
=

m
MR
R M
i


Limites de controle para a mdia:

2
3
d
R M
X LSC + =

X LC =

2
3
d
R M
X LIC =

Limites de controle para a Amplitude:

R M B LSC
4
= R M LC = R M B LIC
3
=
CEQ - Pg. 33
Exemplo Viscosidade da tinta base para avies (Montgomery, p. 155)

i xi MRi
1 33,75
2 33,05
3 34,00
4 33,81
5 33,46
6 34,02
7 33,68
8 33,27
9 33,49
10 33,20
11 33,62
12 33,00
13 33,54
14 33,12
15 33,84

X = R M =


CEQ - Pg. 34
4.2 Grfico de Controle para Atributos (Montgomery, p. 177)

Atributos so caractersticas de qualidade que no podem ser representadas
numericamente. Cada item inspecionado verificado e classificado em
categorias. Geralmente, a terminao conforme/no-conforme ou defeituoso/
no-defeituoso utilizada nestes casos:

Produto no-conforme (ou fora do padro): um produto que no corresponde a uma ou mais
especificaes.

Produto defeituoso: produto que apresenta um ou mais no conformidades srias o bastante
para afetar a utilizao do produto.

4.2.1 Grfico p para a proporo de no-conformes

A frao de no-conformes definida como a soma de todas as peas no-
conformes encontradas dividida pelo total de peas investigadas. Supondo que
todos m subgrupos tenham o mesmo tamanho n :

n
D
p
i
i
= onde n i ,..., 2 , 1 =

A mdia das propores encontradas dada por (para grupos com iguais n
i
):

mn
D
m
p
p
i
i
i
i
= =

Sabe-se que o nmero de peas defeituosas numa amostra de n elementos
segue uma distribuio Binomial (n ; p) onde p a verdadeira proporo de
peas defeituosas na produo. A Binomial pode ser aproximada
satisfatoriamente pela Normal.

Para n>30, a distribuio de p pode ser aproximada pela distribuio Normal
(p;
( )
n
p p 1
).

Exerccio Extraindo amostras aleatrias numa grande linha de produo

TAREFA: Criar uma populao com 10mil dados onde 500 so defeituosos e
estudar o comportamento do estimador
n
D
p
i
i
= em 100 amostras de tamanho
n=30, 60 e 120.

CEQ - Pg. 35
Os limites de controle do grfico para a proporo de no-conformes com os
tradicionais limites 3-sigma so dados por:

(
(

+ =
n
p p
p LSC
) 1 (
3

p LC =

(
(

=
n
p p
p LIC
) 1 (
3

Exerccio Embalagens no conformes
Suco de laranja concentrado e congelado embalado em latas de papelo de 170g. Essas
embalagens so feitas com papelo enrolando-se e colocando-se um fundo de metal. Na
inspeo possvel verificar se a embalagem vai ou no vazar na juno entre o metal e o
papelo. Subgrupos de n=50 peas foram investigados e o nmero de embalagens no-
conformes foi

i No de embalagens no-conformes Proporo de no-conformes
1 12 24%
2 15 30%
3 8 16%
4 10 20%
5 4 8%
6 7 14%
7 16 32%
8 9 18%
9 14 28%
10 10 20%
11 5 10%
12 6 12%
13 17 34%
14 12 24%
15 22 44%
16 8 16%
17 10 20%
18 5 10%
19 13 26%
20 11 22%
21 20 40%
22 18 36%
23 24 48%
24 15 30%
25 9 18%
26 12 24%
27 7 14%
28 13 26%
29 9 18%
30 6 12%


CEQ - Pg. 36

Exerccio Embalagens no conformes (aps regulagem)

Os dados a seguir foram obtidos aps a regulagem da mquina.

i No de embalagens no-conformes Proporo de no-conformes
31 9 18%
32 6 12%
33 12 24%
34 5 10%
35 6 12%
36 4 8%
37 6 12%
38 3 6%
39 7 14%
40 6 12%
41 2 4%
42 4 8%
43 3 6%
44 6 12%
45 5 10%
46 4 8%
47 8 16%
48 5 10%
49 6 12%
50 7 14%
51 5 10%
52 6 12%
53 3 6%
54 5 10%



Sobre o tamanho da amostra

Quando realizamos uma inspeo por amostragem temos que escolher o
tamanho da amostra n para inferirmos sobre a proporo de unidades no-
conformes p. Se p muito pequeno devemos escolher um n suficientemente
grande para termos uma alta probabilidade de encontrar ao menos uma unidade
no conforme na amostra. Em caso contrrio, podemos concluir que os limites
de controle so tais que uma nica unidade no-conforme na amostra j acusa
uma condio de processo fora de controle.


(
(

=
n
) p ( p
p % , ICp
1
3 73 99
(
(

=
n
) p ( p
z p )% ( ICp
1
1
2

CEQ - Pg. 37
Grfico p para a proporo de no-conformes com
TAMANHO AMOSTRAL VARIVEL

Quando o tamanho amostral varivel, os limites do grfico se alteram em cada
ponto. Para ilustrar considere que

=
i
i
i
i
n
D
p a proporo de defeituosas no
conjunto de amostras. Os limites sero alterados de acordo com o tamanho
amostral n
i
i de cada amostra.

IC +3-Sigma para p =
i
n
p p
p
) 1 (
3

v


Exemplo Limites para o grfico p com tamanho amostral varivel
i ni Di
p chapu
i
Desvio-
padro LIC LSC
1 100 12 0,1200 0,0295 0,0076 0,1844
2 80 8 0,1000 0,0329 0,0000 0,1948
3 80 6 0,0750 0,0329 0,0000 0,1948
4 100 9 0,0900 0,0295 0,0076 0,1844
5 110 10 0,0910 0,0281 0,0117 0,1803
6 110 12 0,1090 0,0281 0,0117 0,1803
7 100 11 0,1100 0,0295 0,0076 0,1844
8 100 16 0,1600 0,0295 0,0076 0,1844
9 90 10 0,1110 0,0311 0,0028 0,1892
10 90 6 0,0670 0,0311 0,0028 0,1892
11 110 20 0,1820 0,0281 0,0117 0,1803
12 120 15 0,1250 0,0269 0,0153 0,1767
13 120 9 0,0750 0,0269 0,0153 0,1767
14 120 8 0,0670 0,0269 0,0153 0,1767
15 110 6 0,0550 0,0281 0,0117 0,1803
16 80 8 0,1000 0,0329 0,0000 0,1948
17 80 10 0,1250 0,0329 0,0000 0,1948
18 80 7 0,0880 0,0329 0,0000 0,1948
19 90 5 0,0560 0,0311 0,0028 0,1892
20 100 8 0,0800 0,0295 0,0076 0,1844
21 100 5 0,0500 0,0295 0,0076 0,1844
22 100 8 0,0800 0,0295 0,0076 0,1844
23 100 10 0,1000 0,0295 0,0076 0,1844
24 90 6 0,0670 0,0311 0,0028 0,1892
25 90 9 0,1000 0,0311 0,0028 0,1892
2450 234 0,0960


No Minitab, apesar de aparecer os limites variveis os valores que so colocados
ao lado da linha so baseados no tamanho mdio amostral n
i
.
CEQ - Pg. 38

Sample
P
r
o
p
o
r
t
i
o
n
25 23 21 19 17 15 13 11 9 7 5 3 1
0,20
0,15
0,10
0,05
0,00
_
P=0,0955
UCL=0,1885
LCL=0,0026
1
P Chart of C2
Tests performed with unequal sample sizes



4.2.1 Grfico de Controle Padronizado

Uma forma de evitar limites de controle varivel padronizando cada uma das
estimativas da proporo
i
p da seguinte forma:

i
i
i
n
p p
p p
Z
) 1 (

= ~ Normal-padro (Mdia = 0; Desvio=1)

Considerando limites de 3-sigma, 99,73% dos escores Z
i
devem ficar dentro dos
limites +3 para indicar um processo sob controle. Desta forma, os limites de
controle ficam em -3 e +3 com a linha central sendo o zero.


CEQ - Pg. 39
4.2.2 Grfico de Controle np

O grfico de controle np pode ser construdo diretamente a partir do grfico p. A
nica diferena que os limites de confiana so multiplicados pelo tamanho n.
Faamos um exemplo:

Tabela Nmero de no-conformidades em 100 peas de placas de circuito
impresso
Amostra
No de no
conformes
p^
1 21 21,0%
2 24 24,0%
3 16 16,0%
4 12 12,0%
5 15 15,0%
6 5 5,0%
7 28 28,0%
8 20 20,0%
9 31 31,0%
10 25 25,0%
11 20 20,0%
12 24 24,0%
13 16 16,0%
14 19 19,0%
15 10 10,0%
16 17 17,0%
17 13 13,0%
18 22 22,0%
19 18 18,0%
20 39 39,0%
21 30 30,0%
22 24 24,0%
23 16 16,0%
24 19 19,0%
25 17 17,0%
26 15 15,0%
= p 19,85%


(
(

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

=
n
p p
p LIC
) 1 (
3 =

PARA ENCONTRAR OS LIMITES DO GRFICO np S MULTIPLICAR OS LIMITES
POR n.


CEQ - Pg. 40

Figura Grfico np
20 10 0
40
30
20
10
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
NP Chart for C1
1
1
NP=19,85
UCL=31,81
LCL=7,881


4.2.3 Grfico de Controle c (baseado na distribuio de Poisson)

Suponha que defeitos ou no conformidades ocorram em lotes de produtos (ou
amostras com n constante) segundo uma distribuio de Poisson. A
probabilidade de encontrarmos x defeituosas numa amostra de n unidades ser
dada por:
!
) (
x
e
x X P
x

= = x=0, 1, 2, 3 ....
Na rea de qualidade, o lambda substitudo por c (c>0):
!
) (
x
c e
x X P
x c
= = x=0, 1, 2, 3 .... E(X)=c Var(X)=c
O parmetro c ser estimado diretamente pela mdia de unidades defeituosas
(ou no-conformes), denotada por . c Ateno: este procedimento s tem
sentido para amostras de tamanho constante.
c c LSC 3 + = c LC = c c LIC 3 =
CEQ - Pg. 41
Construir um grfico c para os dados da pgina 39.
20 10 0
40
30
20
10
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
C Chart for C1
1
1
C=19,85
UCL=33,22
LCL=6,484

No livro do Montgomery (pg 194), o primeiro ponto fora dos limites justificado por
erro de inspeo (inspetor novo) e o segundo ponto justificado por defeito na mquina
de solda. Quando as causas especiais so detectadas parece razovel excluir tais pontos
e refazer os limites de controle.
Aps fazer isso, adicione os pontos abaixo e refaa um grfico de controle com as 46
amostras.
Tabela Pontos adicionais para o exemplo do circuito impresso
Amostra No de no conformes p^
27 16 16,0%
28 18 18,0%
29 12 12,0%
30 15 15,0%
31 24 24,0%
32 21 21,0%
33 28 28,0%
34 20 20,0%
35 25 25,0%
36 19 19,0%
37 18 18,0%
38 21 21,0%
39 16 16,0%
40 22 22,0%
41 19 19,0%
42 12 12,0%
43 14 14,0%
44 9 9,0%
45 16 16,0%
46 21 21,0%
CEQ - Pg. 42

4.2.4 Grfico de Controle u (baseado na distribuio de Poisson)

Este grfico utilizado para monitorar o nmero de no conformidades por
unidade de inspeo.

Se considerarmos x = nmero de no-conformidades por unidade de inspeo,
ento u=nmero mdio de no conformidades por unidade ser dado por:

n
x
u =

Exemplo No conformidades em computadores pessoais (Montgomery, pg 198)

i ni
xi nmero de NC por
unidade
ui = mdia de NC por
unidade
1 5 10 2,0
2 5 12 2,4
3 5 8 1,6
4 5 14 2,8
5 5 10 2,0
6 5 16 3,2
7 5 11 2,2
8 5 7 1,4
9 5 10 2,0
10 5 15 3,0
11 5 9 1,8
12 5 5 1,0
13 5 7 1,4
14 5 11 2,2
15 5 12 2,4
16 5 6 1,2
17 5 8 1,6
18 5 10 2,0
19 5 7 1,4
20 5 5 1,0


n
X
i
u ou
m
u
u = =

onde m o nmero de amostras

n
u
u LSC 3 + =
u LC =
n
u
u LIC 3 =
CEQ - Pg. 43
20 10 0
4
3
2
1
0
Sample Number
S
a
m
p
l
e

C
o
u
n
t
U Chart for C1
U=1,93
UCL=3,794
LCL=0,06613



Exemplo No conformidades em automveis
i ni
xi nmero de NC por
unidade
ui = mdia de NC por
unidade
1 8 12 1,5
2 8 16 2,0
3 8 5 0,6
4 8 6 0,8
5 8 5 0,6
6 8 8 1,0
7 8 6 0,8
8 8 7 0,9
9 8 21 2,6
10 8 9 1,1
11 8 10 1,3
12 8 12 1,5
13 8 8 1,0
14 8 9 1,1
15 8 11 1,4
16 8 12 1,5
17 8 9 1,1
18 8 8 1,0
19 8 5 0,6
20 8 6 0,8
CEQ - Pg. 44
5. Capacidade do Processo

5.1 Conceitos bsicos

Capacidade do processo se refere variabilidade inerente a um processo comparada s
especificaes ou exigncias para o produto. A capacidade do processo diz respeito a sua
uniformidade.

comum utilizar como medida da capacidade do processo a disperso 6-sigma (+3
)
) na
distribuio da caracterstica de qualidade do produto.

Alm dos ndices de capacidade, trs tcnicas so fundamentais na anlise de capacidade do
processo: histograma ou grfico de probabilidade, grficos de controle e experimentos
planejados.


Histograma Ferramenta para visualizao da capacidade de processos










CEQ - Pg. 45
O Grfico de probabilidade acumulada pode mostrar qual a distribuio mais apropriada
para modelagem do processo. Vejamos alguns grficos de probabilidade acumulada:

350 250 150
99
95
90
80
70
60
50
40
30
20
10
5
1
Data
P
e
r
c
e
n
t
0,923 AD*
Goodness of Fit
Normal Probability Plot for C1
ML Esti mates - 95% CI
Mean
StDev
263,06
33,3769
ML Estimates


0 1000 2000
10
30
50
60
70
80
90
95
97
98
99
Data
P
e
r
c
e
n
t
AD* 35,33
Goodness of Fit
Exponential Probability Plot for C1
ML Esti mates - 95% CI
Mean 263,060
ML Estimates




CEQ - Pg. 46
5.2 Alguns ndices de capacidade do processo


A forma mais simples de expressar a capacidade do processo utilizando o seguinte indicador,
que compara os limites das especificaes com o comprimento dos limites de controle.


6

LIE LSE
C
p

=

O ndice C
p
admite uma interpretao prtica til:

100

p
C
informa a porcentagem da faixa de especificao utilizada pelo processo.


Existem casos em que no teremos limites superiores e inferiores de especificao, mas apenas
um deles. Nesses casos:

=
LSE
C
ps
(para o caso de especificao superior)

LIE
C
pi

= (para o caso de especificao inferior)


O famoso ndice C
pk
simplesmente o mnimo entre estes dois indicadores.

)

(
pi ps pk
C C mn C =

A magnitude o C
pk
em relao ao C
p
uma medida direta do quo fora do centro o processo est
operando.


Exemplo Resistncia de garrafas

Arquivo GARRAFAS.MTB (Minitab)

STAT > Quality Tools > Capability Analysis > Normal
Obs.: Para estimar o desvio-padro overall diretamente pelo SIGMA desligar a opo Use unbiasing constants dentro do
boto Estimate.


Caso 1: Especificaes entre 160 e 360

Caso 2: Especificaes entre 220 e 420

Caso 3 Especificaes entre 50 e 500

CEQ - Pg. 47

Colocando o estimador s no lugar de obtemos os seguintes resultados:


Caso 1: Especificaes entre 160 e 360
ndice Valor
p
C

ps
C

pi
C

pk
C

Caso 2: Especificaes entre 220 e 420
ndice Valor
p
C

ps
C

pi
C

pk
C

Caso 3: Especificaes entre 50 e 500
ndice Valor
p
C

ps
C

pi
C

pk
C

Caso 1 Caso 2 Caso 3
0 50 100 150 200 250 300 350 400 450 500 550 0 50 100 150 200 250 300 350 400 450 500 550 0 50 100 150 200 250 300 350 400 450 500 550


De uma maneira geral, se pk C p C

= o processo est centrado;
Se pk C p C

> o processo est descentrado.


CEQ - Pg. 48

IMPORTANTE!!!

Os ndices P e C do MINITAB

360 330 300 270 240 210 180
LSL USL
Process Data
Sample N 100
StDev (Within) 31,9149
StDev (Ov erall) 33,545
LSL 160
Target *
USL 360
Sample Mean 263,06
Potential (Within) Capability
C Cpk 1,04
Ov erall C apability
Pp 0,99
PPL 1,02
PPU 0,96
Ppk
C p
0,96
C pm *
1,04
C PL 1,08
C PU 1,01
C pk 1,01
Observ ed Performance
PPM < LSL 0,00
PPM > USL 0,00
PPM Total 0,00
Exp. Within Performance
PPM < LSL 620,66
PPM > USL 1192,93
PPM Total 1813,59
Exp. Ov erall Performance
PPM < LSL 1062,12
PPM > USL 1927,15
PPM Total 2989,27
Within
Overall
Process Capability of C1

Obs.: Para estimar o desvio-padro overall diretamente pelo SIGMA desligar a opo Use unbiasing constants dentro do
boto Estimate.


No Minitab, os ndices Cp (Potential - Within) so calculados atravs da estimativa
2
/ d R M para
o desvio-padro. Os ndices Pp (Overall ) so obtidos diretamente com a estimativa do desvio-
padro amostral.


TAREFA: Na planilha GARRAFAS.MTW encontre a estimativa do desvio-padro via amplitude
mvel. Relembrando:

1
=
i i i
x x MR para i=2,3,..., m

1
=

m
MR
R M
i





CEQ - Pg. 49
Exerccio Resistncia das garrafas (mas com subgrupos)

i x1 x2 x3 x4 x5 Xi Ri
1 265 205 263 307 220
2 268 260 234 299 215
3 197 286 274 243 231
4 267 281 265 214 318
5 346 317 242 258 276
6 300 208 187 164 271
7 280 242 260 321 228
8 250 299 258 267 293
9 265 254 281 294 223
10 260 308 235 283 277
11 200 235 246 328 296
12 276 264 269 235 290
13 221 176 248 263 231
14 334 280 265 272 283
15 265 262 271 245 301
16 280 274 253 287 258
17 261 248 260 274 337
18 250 278 254 274 275
19 278 250 265 270 298
20 257 210 280 269 251


Para os subgrupos acima, estimar o desvio-padro por
2
/ d R e encontrar os ndices de
capacidade. Especificaes entre 160 e 360


Para os subgrupos acima, estimar o desvio-padro por
2
/ d R e encontrar os ndices de
capacidade. Especificaes entre 160 e 360
CEQ - Pg. 50
No exerccio anterior (GARRAFAS.XLS), refaa os clculos dos ndices mas agora com
especificaes entre 220 e 300.


6

LIE LSE
C
p

=

=
LSE
C
ps

LIE
C
pi

=


Intervalo de Confiana para o ndice de Capacidade C
p


O valor de C
p
encontrado no passa de uma estimativa pontual (
p
C

), portanto ela est sujeita a

flutuaes. possvel estabelecer intervalos de confiana para os ndices C
p
e C
pk
. O primeiro
baseado na distribuio Qui-quadrado e o segundo na distribuio Normal-padro (Z).



Intervalo de confiana para o ndice C
p
(
(

=

1

;
1

)% 1 ( C
2
1 ; 2 /
2
1 ; 2 / 1
p
n
p C
n
p C IC
n n




Intervalo de confiana para o ndice C
pk

(
(

|
|

\
|

+ +
|
|

\
|

+ =
) 1 ( 2
1

9
1
1

;
) 1 ( 2
1

9
1
1

)% 1 ( C
2
2
2
2
pk
n
C n
Z C
n
C n
Z C IC
pk
pk
pk
pk



Tarefa

No arquivo INTERVALO CONFIANCA.XLS verificar se, realmente, as frmulas funcionam por meio
de simulao. Especificaes entre 220 e 280.

CEQ - Pg. 51
5.2 (Plus) Capacidade do Processo em caso de no-normalidade

O Minitab tambm possibilita a realizao de clculos de capacidade de processo em situaes de
no-normalidade. H muitas opes de distribuies disponveis: Weibull, Logstica, Exponencial,
etc. H variveis como, por exemplo, o tempo de fabricao, que podem no se distribuir
normalmente.
Faremos um exemplo utilizando a distribuio Exponencial:

x
e ) x ( f

= , x > 0 E(X) = 1/

x
e ) x ( F

=1 , x > 0 Var(X) = 1/
2

-
0,20
0,40
0,60
0,80
1,00
1,20
0 2 4 6 8 10 12
Lambda = 1
Lambda=,5
Lambda=,3
f(
x



TAREFA Simular uma Exponencial com Lambda = 0,1 no EXCEL utilizando a funo
inversa da acumulada. Voc dever, com os seus dados, reproduzir alguns resultados
fornecidos pelo Minitab.

x
e ) x ( F

=1 , x > 0
0%
20%
40%
60%
80%
100%
0 2 4 6 8 10 12
F(x)
x


5.3 Estudos de R & R
Material ser fornecido em sala de aula.
CEQ - Pg. 52
6. Amostragem por Aceitao

Neste captulo trabalharemos em situaes onde necessria a tomada de deciso com
base em dados coletados por amostragem. Uma aplicao tpica da amostragem de
aceitao a seguinte: uma campanha recebe um carregamento de um produto de um
vendedor (componente ou matria-prima usado na produo). Toma-se uma amostra de
um lote e inspecionam-se algumas caractersticas de qualidade nas unidades
amostradas. A partir da amostra deve-se decidir se o lote ser aceito ou rejeitado.

H vrias maneiras de classificar os planos de amostragem de aceitao. A primeira
classificao importante entre atributos (var. qualitativas) e variveis (caractersticas
quantitativas). A segunda refere-se ao procedimento de amostragem propriamente dito:

1) Plano de amostragem nica estabelece-se a sentena para o lote a partir de
uma amostra de n unidades extradas dele.
2) Planos de amostragem dupla mais complicado, pois a deciso ser uma das
trs: aceitar o lote, rejeitar o lote ou coletar uma segunda amostra.
3) Plano de amostragem mltipla uma extenso da amostragem dupla onde so
necessrias mais do que duas amostras para se tomar a deciso.
4) Amostragem seqencial as unidades so selecionadas do lote uma de cada vez e
em seguida uma deciso tomada (aceita o lote, rejeita ou segue o processo de
amostragem).

Montgomery faz consideraes sobre a formao dos lotes (populao a ser
investigada). Ele afirma que: 1) lotes devem ser homogneos; 2) Lotes maiores so
preferveis a lotes menores.


6.1 Planos de amostragem nica para atributos

No plano de amostragem nica para atributos o pesquisador conta com uma regra de
aceitao. Suponha um lote N=10.000, do qual extrada uma amostra aleatria de
n=100 unidades. A regra de deciso a seguinte: se o nmero de peas no conformes
c exceder 2 unidades, o lote REJEITADO. Assim, a probabilidade de aceitao pode ser
calculada pela distribuio Binomial (ou pela Hipergeomtrica).

=
2
0
) 1 (
)! ( !
!
) 2 (
x
x n x
p p
x n x
n
X P


Podemos construir a CCO (curva caracterstica de operao) para este plano de
amostragem nica como funo de p (a verdadeira proporo de peas defeituosas no
lote).





CEQ - Pg. 53
Figura CCO para amostra de n=100 unidades do lote com c=2
P
(
A
c
e
i
t
a

o
)
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0 0,02 0,04 0,06 0,08 0,1 0,12 0,14
n=100
c=2
p



TAREFA Criar no EXCEL uma CCO que permita verificarmos o efeito do n e do c sobre
os resultados.


A CCO ideal quase sempre inatingvel na prtica, por esta razo necessria a
fixao de um nvel de qualidade aceitvel (NQA) e o estabelecimento de um
percentual aceitvel de defeituosos no lote.

Suponha que o NQA seja de 1%, portanto queremos aceitar lotes com 1% ou
menos de peas defeituosas.

Nesse caso, qual o efeito de c sobre a probabilidade de aceitao de um lote?

CEQ - Pg. 54
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1
c=3
P
(
A
c
e
i
t
a
r
)
c=2
c=1
c=0
n=100


No caso de c=0 corremos o risco de rejeitar A MAIORIA dos lotes mesmo que
eles atendam a minha restrio de, no mximo, 1% de defeituosas.

Fixando-se o NQA e a proporo aceitvel de defeituosos no lote podemos
construir um plano amostral.

Considere ) ( 1 a probabilidade de aceitar um lote com frao de defeituosos
p
1
e que a probabilidade de aceitao de lotes com frao p
2
de defeituosos seja
.

Exemplo Montgomery pg 439

Suponha que voc queira
a) ) ( 1 =95% de probabilidade de aceitar um lote com 1% de defeituosas;
b) =10% de probabilidade de aceitar um lote com 6% de defeituosas.

Vamos tentar construir um grfico simples que permite descobrirmos qual o n que
respeita as duas restries.




CEQ - Pg. 55
6.2 Planos de amostragem dupla para atributos

Um plano de amostragem dupla, sob certas circunstncias exige uma segunda amostra,
antes da sentena do lote ser definida.

Montgomery utiliza a seguinte notao:

n
1
= tamanho da primeira amostra
c
1
= nmero mximo de defeituosas para aceitao da primeira amostra
n
2
= tamanho da segunda amostra
c
2
= nmero mximo de defeituosas para aceitao de ambas amostras
d
1
= nmero de defeituosas na 1
a
amostra
d
2
= nmero de defeituosas na 2
a
amostra

Exemplo n
1
=30 ; c
1
= 1 ; n
2
=60 ; c
2
=3

Vamos construir em aula o esquema para aceitao / rejeio do lote.








Quando um lote aceito ou rejeitado na primeira amostra, o custo de inspeo
menor. possvel tambm rejeitar um lote sem a inspeo completa da segunda
amostra quando a quota c
2
for atingida. A curva caracterstica de operao CCO para
este caso mais complexa:

P(Aceitao) = P(Aceitao 1
a
amostra) + P(Aceitao 2
a
amostra)


P(Aceitao 1
a
amostra) d
1
~ Binomial (30 ; p)

P(Aceitao 2
a
amostra) d
2
~ Binomial (60 ; p)

P(d
1

1) =



Para extrairmos a segunda amostra e aceitarmos o lote necessrio que 1 < d
1
c
2
.
Quando d
1
1 a deciso tomada diretamente na primeira amostra. Para d
1
=2 ou
d
1
=3 deve-se coletar a segunda amostra.

P(d
1
=2 d
2
1) =

P(d
1
=3 d
2
= 0) =
CEQ - Pg. 56
O tamanho amostral mdio na Amostragem dupla pode ser calculado a partir da
probabilidade de que seja necessrio coletar uma segunda amostra.

Seja P
I
= probabilidade da deciso ser tomada na primeira amostra

amostra) 1a na P(Rejeitar amostra) 1a na Aceitar ( + = P P
I

) necessria ser amostra 2a ( 1 P P
I
=

Logo, o tamanho amostral mdio (TAM) na amostragem dupla dado por:

) 1 )( (
2 1 1
I I
P n n P n TAM + + =



6.3 Planos de amostragem mltipla

Este plano uma extenso do plano de amostragem dupla. Considere o seguinte
exemplo:

Estgio Tamanho amostral
acumulado
Nmero de
aceitao
Nmero
de rejeio
1 20 0 3
2 40 1 4
3 60 3 5
4 80 5 7
5 100 8 9
Montgomery (p. 446)


Esse plano consiste em seguir o seguinte diagrama de rvore:


Pergunta: possvel calcular o tamanho amostral mdio (TAM) para este caso?
CEQ - Pg. 57

6.4 Planos de amostragem seqencial

Na Amostragem seqencial uma seqncia extraes realizada de forma que o
nmero de amostras totalmente determinado pelos resultados do processo de
amostragem. O processo pode continuar at que todo o lote seja inspecionado (censo),
mas, na prtica, o processo terminado depois que o tamanho amostral seja igual a
trs vezes o tamanho amostral que seria realizado em um caso de amostragem nica.

Caso o tamanho amostral em cada estgio seja igual a UM, o procedimento chamado
de amostragem seqencial item-a-item. Tal esquema foi proposto por Wald (1947) e
consiste em representar graficamente as regies de aceitao e rejeio no plano por
meio de retas.


Reta de aceitao: sn h +
1

Reta de rejeio: sn h +
2


) 1 (
) 1 (
log
2 1
1 2
p p
p p
k

=
k
p
p
s
|
|

\
|

=
2
1
1
1
log


k
h
|
|

\
|
=

1
log
1

k
h
|

\
|
=

1
log
2






Exemplo Montgomery (p. 447)

Suponha que voc queira
c) ) ( 1 =95% de probabilidade de aceitar um lote com 1% de defeituosas (p
1
);
d) =10% de probabilidade de aceitar um lote com 6% de defeituosas (p
2
).


CEQ - Pg. 58
-2
-1
0
1
2
3
4
5
0 20 40 60 80 100
Reta Rejeio
Reta Aceitao
N

m
e
r
o

d
e

d
e
f
e
i
t
u
o
s
a
s
n






possvel calcular o tamanho amostral mdio (TAM) para a Amostragem Seqencial,
mas o procedimento bastante trabalhoso.

C
B
) P (
C
A
P TAM
a a
+ |

\
|
= 1 onde

2 1
2
h h
h
P
a
+
=

=
1
log A

=
1
log B
|
|

\
|

+
|
|

\
|
=
1
2
1
2
1
1
1
p
p
log ) s (
p
p
log s C





CEQ - Pg. 59
6.5 Padro Militar 105E (MIL STD 105E)

Trata-se de um conjunto de procedimentos de amostragem padro desenvolvidos
durante a 2 guerra. MIL STD 105E um sistema de amostragem de aceitao que
continua sendo utilizado atualmente. A 1 verso (105A) foi liberada em 1950 e a atual
data de 1989 (105E).

Procedimento

1. Escolha o NQA (nvel de qualidade aceitvel).
2. Escolha o nvel de inspeo.
3. Determine o tamanho do lote.
4. Achei o cdigo alfabtico do tamanho amostral apropriado na Tabela 14-4.
5. Determine o tipo apropriado do plano de amostragem a ser usado (nica, dupla
ou mtipla).
6. Entre na tabela apropriada para achar o tipo de plano a ser usado.
7. Determine os planos de inspeo normal e reduzida correspondentes a serem
usados quando necessrios.


O NQA , geralmente, especificado em contrato.

Com relao aos nveis de inspeo: a trs nveis gerais (I, II e III) e quatro nveis
especiais (S1, S2, S3 e S4) que usam tamanhos amostrais muito pequenos e devem ser
empregados em casos onde grandes riscos de amostragem podem ser tolerados. O nvel
geral II o normalmente empregado.
Os procedimentos de inspeo podem variar de acordo com resultados anteriores.
Vejamos o esquema:


Exemplo Lote N=2000; NQA=0,65% Amostragem nica, inspeo normal (geral II).
CEQ - Pg. 60

7. Tcnicas Avanadas de CEP

Neste tpico, alguns procedimentos especiais de CEP so explorados.

7.1 Grfico da Soma Cumulativa (Cusum Bsico)

um tipo especial de grfico de controle que permite ao pesquisador detectar mais rapidamente
a deteco de mudanas na mdia do processo. Pode ser utilizado com amostras ou subgrupos
de qualquer tamanho. A idia deste grfico incorporar a informao presente nas observaes
anteriores em cada ponto do grfico de controle.

Vejamos um exemplo extrado de Montgomery (p. 256):

LSC = 13 LC = 10 LIC = 7

Tabela Dados para o grfico Cusum
i xi xi - 10 Ci=(xi-10) + Ci-1
1 9,45 -0,55 -0,55
2 7,99 -2,01 -2,56
3 9,29 -0,71 -3,27
4 11,66 1,66 -1,61
5 12,16 2,16 0,55
6 10,18 0,18 0,73
7 8,04 -1,96 -1,23
8 11,46 1,46 0,23
9 9,2 -0,8 -0,57
10 10,34 0,34 -0,23
11 9,03 -0,97 -1,2
12 11,47 1,47 0,27
13 10,51 0,51 0,78
14 9,4 -0,6 0,18
15 10,08 0,08 0,26
16 9,37 -0,63 -0,37
17 10,62 0,62 0,25
18 10,31 0,31 0,56
19 8,52 -1,48 -0,92
20 10,84 0,84 -0,08
21 10,9 0,9 0,82
22 9,33 -0,67 0,15
23 12,29 2,29 2,44
24 11,5 1,5 3,94
25 10,6 0,6 4,54
26 11,08 1,08 5,62
27 10,38 0,38 6
28 11,62 1,62 7,62
29 11,31 1,31 8,93
30 10,52 0,52 9,45

CEQ - Pg. 61
7.2 Grfico Cusum tabular

O grfico Cusum bsico no apresenta limites de controle, o que dificulta sua utilizao do ponto
de vista prtico. O grfico Cusum tabular pode ser construdo para monitorar a mdia de um
processo, tanto para observaes individuais como para subgrupos com n>1.

Vejamos um exemplo com observaes individuais:

( ) ] C K x ; [ mx C
i i i
+

+
+ + =
1 0
0
( ) ] C x K ; [ mx C
i i i

+ =
1 0
0

onde K um valor de tolerncia ou folga a ser adicionado (ou subtrado) em
0
.

a b
i
xi xi 10,5
+
i
C + N 9,5-xi

i
C N
1 9,45
2 7,99
3 9,29
4 11,66
5 12,16
6 10,18
7 8,04
8 11,46
9 9,2
10 10,34
11 9,03
12 11,47
13 10,51
14 9,4
15 10,08
16 9,37
17 10,62
18 10,31
19 8,52
20 10,84
21 10,9
22 9,33
23 12,29
24 11,5
25 10,6
26 11,08
27 10,38
28 11,62
29 11,31
30 10,52

CEQ - Pg. 62
Cusum feito no Excel e no Minitab (simplesmente implementa-se as frmulas abaixo no EXCEL).

( ) ] C K x ; [ mx C
i i i
+

+
+ + =
1 0
0
( ) ] C x K ; [ mx C
i i i

+ =
1 0
0


i xi Ci+ Ci- Ci- * (-1)
1 9,45 0 0,05 -0,05
2 7,99 0 1,56 -1,56
3 9,29 0 1,77 -1,77
4 11,66 1,16 0 0
5 12,16 2,82 0 0
6 10,18 2,5 0 0
7 8,04 0,04 1,46 -1,46
8 11,46 1 0 0
9 9,2 0 0,3 -0,3
10 10,34 0 0 0
11 9,03 0 0,47 -0,47
12 11,47 0,97 0 0
13 10,51 0,98 0 0
14 9,4 0 0,1 -0,1
15 10,08 0 0 0
16 9,37 0 0,13 -0,13
17 10,62 0,12 0 0
18 10,31 0 0 0
19 8,52 0 0,98 -0,98
20 10,84 0,34 0 0
21 10,9 0,74 0 0
22 9,33 0 0,17 -0,17
23 12,29 1,79 0 0
24 11,5 2,79 0 0
25 10,6 2,89 0 0
26 11,08 3,47 0 0
27 10,38 3,35 0 0
28 11,62 4,47 0 0
29 11,31 5,28 0 0
30 10,52 5,3 0 0


-6
-4
-2
0
2
4
6
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Ci+
Ci- * (-1)
Sample
C
u
m
u
l
a
t
i
v
e

S
u
m
28 25 22 19 16 13 10 7 4 1
5,0
2,5
0,0
-2,5
-5,0
0
UCL=4,54
LCL=-4,54
CUSUM Chart of C1



O padro utilizar K=0,5 e H=4 ou 5.



CEQ - Pg. 63

TABELA Z


Tabela: Probabilidades acumuladas associadas aos valores crticos (z) da distribuio
normal reduzida
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879

0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389

1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319

1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767

2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936

2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986

3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998

CEQ - Pg. 64

TABELA t


Tabela - Distribuio t de Student com gl graus de liberdade e rea direita p.
p
gl 0,100 0,050 0,025 0,010 0,005
1 3,078 6,314 12,706 31,821 63,657
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032
6 1,440 1,943 2,447 3,143 3,707
7 1,415 1,895 2,365 2,998 3,499
8 1,397 1,860 2,306 2,896 3,355
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
11 1,363 1,796 2,201 2,718 3,106
12 1,356 1,782 2,179 2,681 3,055
13 1,350 1,771 2,160 2,650 3,012
14 1,345 1,761 2,145 2,624 2,977
15 1,341 1,753 2,131 2,602 2,947
16 1,337 1,746 2,120 2,583 2,921
17 1,333 1,740 2,110 2,567 2,898
18 1,330 1,734 2,101 2,552 2,878
19 1,328 1,729 2,093 2,539 2,861
20 1,325 1,725 2,086 2,528 2,845
21 1,323 1,721 2,080 2,518 2,831
22 1,321 1,717 2,074 2,508 2,819
23 1,319 1,714 2,069 2,500 2,807
24 1,318 1,711 2,064 2,492 2,797
25 1,316 1,708 2,060 2,485 2,787
26 1,315 1,706 2,056 2,479 2,779
27 1,314 1,703 2,052 2,473 2,771
28 1,313 1,701 2,048 2,467 2,763
29 1,311 1,699 2,045 2,462 2,756
30 1,310 1,697 2,042 2,457 2,750
40 1,303 1,684 2,021 2,423 2,704
50 1,299 1,676 2,009 2,403 2,678
60 1,296 1,671 2,000 2,390 2,660
120 1,289 1,658 1,980 2,358 2,617
Infinito 1,282 1,645 1,960 2,326 2,576


CEQ - Pg. 65
TABELA QUI-QUADRADO

p
gl 0,995 0,990 0,975 0,950 0,500 0,050 0,025 0,010 0,005
1 0,000 0,000 0,001 0,004 0,455 3,841 5,024 6,635 7,879
2 0,010 0,020 0,051 0,103 1,386 5,991 7,378 9,210 10,597
3 0,072 0,115 0,216 0,352 2,366 7,815 9,348 11,345 12,838
4 0,207 0,297 0,484 0,711 3,357 9,488 11,143 13,277 14,860
5 0,412 0,554 0,831 1,145 4,351 11,070 12,833 15,086 16,750
6 0,676 0,872 1,237 1,635 5,348 12,592 14,449 16,812 18,548
7 0,989 1,239 1,690 2,167 6,346 14,067 16,013 18,475 20,278
8 1,344 1,646 2,180 2,733 7,344 15,507 17,535 20,090 21,955
9 1,735 2,088 2,700 3,325 8,343 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 9,342 18,307 20,483 23,209 25,188
11 2,603 3,053 3,816 4,575 10,341 19,675 21,920 24,725 26,757
12 3,074 3,571 4,404 5,226 11,340 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 12,340 22,362 24,736 27,688 29,819
14 4,075 4,660 5,629 6,571 13,339 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 14,339 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 15,338 26,296 28,845 32,000 34,267
17 5,697 6,408 7,564 8,672 16,338 27,587 30,191 33,409 35,718
18 6,265 7,015 8,231 9,390 17,338 28,869 31,526 34,805 37,156
19 6,844 7,633 8,907 10,117 18,338 30,144 32,852 36,191 38,582
20 7,434 8,260 9,591 10,851 19,337 31,410 34,170 37,566 39,997
30 13,787 14,953 16,791 18,493 29,336 43,773 46,979 50,892 53,672
40 20,707 22,164 24,433 26,509 39,335 55,758 59,342 63,691 66,766
50 27,991 29,707 32,357 34,764 49,335 67,505 71,420 76,154 79,490
60 35,534 37,485 40,482 43,188 59,335 79,082 83,298 88,379 91,952
70 43,275 45,442 48,758 51,739 69,334 90,531 95,023 100,425 104,215
80 51,172 53,540 57,153 60,391 79,334 101,879 106,629 112,329 116,321
90 59,196 61,754 65,647 69,126 89,334 113,145 118,136 124,116 128,299
100 67,328 70,065 74,222 77,929 99,334 124,342 129,561 135,807 140,169
Valores de
2
, p gl
.

CEQ - Pg. 66
Fatores para Construo de Grficos de Controle para Variveis