1. SEMESTRE/2012
ENGENHARIA DA QUALIDADE
ii
SUMRIO
1 INTRODUO QUALIDADE ............................................................................................. 4
1.1 CONCEITO DE QUALIDADE.................................................................................................. 4
1.2 MELHORIA DA QUALIDADE.................................................................................................. 6
1.3 CARACTERSTICAS DA QUALIDADE ...................................................................................... 6
1.3.1 Variveis ................................................................................................................... 7
1.3.2 Atributos .................................................................................................................... 7
1.4 LIMITES DE ESPECIFICAO ............................................................................................... 7
1.5 CUSTOS DA QUALIDADE ..................................................................................................... 8
2 CONTROLE ESTATSTICO DA QUALIDADE ..................................................................... 8
2.1 DESCRIO DA VARIAO ............................................................................................... 9
iii
3.5.3 Grfico u ................................................................................................................. 91
3.6 GRFICO DE CONTROLE DA SOMA CUMULATIVA ................................................................ 93
3.6.1 Grfico de Controle CUSUM para Monitoramento da Mdia do Processo ............... 93
3.7 GRFICO DE CONTROLE DA MDIA MVEL EXPONENCIALMENTE PONDERADA .................. 100
4 ANLISE DE EXPERIMENTOS ...................................................................................... 106
4.1 PLANEJAMENTO DE EXPERIMENTOS ............................................................................... 106
4.2 EXPERIMENTOS FATORIAIS ............................................................................................ 108
4.2.1 Experimentos Fatoriais com 2 Fatores - sem Repetio........................................ 108
4.2.2 Experimentos Fatoriais com 2 Fatores - com Repetio........................................ 116
4.3 DIAGNSTICO DO MODELO ............................................................................................ 123
4.4 COMPARAES MLTIPLAS ENTRE MDIAS..................................................................... 128
4.4.1 Teste HSD de Tukey ............................................................................................. 128
5 AMOSTRAGEM DE ACEITAO .................................................................................... 131
5.1 INTRODUO................................................................................................................. 131
5.2 PLANO DE AMOSTRAGEM NICA PARA ATRIBUTOS .......................................................... 132
5.3 PLANO DE AMOSTRAGEM DUPLA PARA ATRIBUTOS .......................................................... 137
5.4 PLANOS DE AMOSTRAGEM DA NORMA BRASILEIRA NBR 5426 ......................................... 139
6 NORMAS DA QUALIDADE .............................................................................................. 144
BIBLIOGRAFIA.................................................................................................................... 145
ANEXOS .............................................................................................................................. 146
TABELA A1.1 REAS SOB A CURVA NORMAL ......................................................................... 147
TABELA A1.2 REAS SOB A CURVA NORMAL ......................................................................... 148
TABELA A2 - DISTRIBUIO DE F DE SNEDECOR (NVEL DE SIGNIFICNCIA DE 1%) .................... 149
TABELA A3 - DISTRIBUIO DE F DE SNEDECOR (NVEL DE SIGNIFICNCIA DE 5%) .................... 150
TABELA A4 - DISTRIBUIO DE F DE SNEDECOR (NVEL DE SIGNIFICNCIA DE 10%) .................. 151
TABELA A5 - VALORES CRTICOS PARA
4
1 INTRODUO QUALIDADE
1.1 CONCEITO DE QUALIDADE
possvel conceituar qualidade de vrias maneiras. A maioria das pessoas tem
uma compreenso conceitual de qualidade como de algo relacionado a uma ou mais
caractersticas desejveis que um produto ou servio deve ter (MONTGOMERY,
2009).
A qualidade de um produto pode ser avaliada atravs das dimenses da
qualidade.
De
acordo
com MONTGOMERY
(2009),
Garvin1
relaciona
oito
5
Por exemplo, o ajuste de uma capota est exatamente rente com a altura do pralama?
Definio tradicional: Qualidade significa adequao para uso.
Dois aspectos gerais da adequao ao uso: qualidade do projeto e qualidade
de ajustamento. A qualidade do projeto est relacionada com as variaes nos
nveis de qualidade diferenciadas, que so intencionais. Por exemplo: o objetivo
bsico de todos os carros proporcionar transporte seguro. Entretanto, os automveis
diferem em tamanho, especificaes, aparncia e desempenho. Essas diferenas de
projeto incluem os tipos de materiais utilizados na fabricao, a confiabilidade dos
motores e propulso, as especificaes dos componentes, entre outros acessrios e
equipamentos. J, a qualidade do ajustamento como o produto corresponde s
especificaes exigidas pelo projeto. A qualidade de ajustamento altamente
influenciada por inmeros fatores, tais como: os processos de manufatura,
treinamento e superviso da mo-de-obra, sistema de garantia de qualidade utilizada
(controle de processos, testagens, atividades de inspeo, etc.), a forma como os
procedimentos de garantia de qualidade so seguidos e a motivao da equipe
envolvida, para alcanar a qualidade.
Definio moderna: Qualidade inversamente proporcional variabilidade.
De acordo com a definio acima, se a variabilidade nas caractersticas
importantes de um produto decresce, a qualidade do produto aumenta.
Um estudo comparativo, entre as transmisses fabricadas por uma empresa de
automveis dos Estados Unidos e a fornecida por um fabricante japons, mostra a
eficcia da definio acima (MONTGOMERY, 2009).
A figura 1 mostra a anlise feita dos termos de garantia e dos custos de reparo.
A figura 2 apresenta a distribuio das caractersticas crticas das transmisses
fabricadas nos Estados Unidos e Japo. Observa-se que as caractersticas crticas,
das transmisses fabricadas nos Estados Unidos, ocupa aproximadamente 75% da
amplitude das especificaes, enquanto, para as fabricadas no Japo, 25%.
6
$
Japo
EUA
EUA
LIE
Japo
FIGURA11-
CUSTOS
GARANTIA
DAS
FIGURA
CUSTOS
DEDE
GARANTIA
PARA
AS
TRANSMISSES
TRANSMISSES
Alvo
LSE
FIGURA
DAS
FIGURA2 2- DISTRIBUIES
DISTRIBUIES
DASDIMENSES
DIMENSES
CRTICAS
PARA
TRANSMISSES
CRTICAS
DASASTRANSMISSES
Como possvel fazer isto? Atravs do uso sistemtico e efetivo dos mtodos a
serem discutidos.
1.2 MELHORIA DA QUALIDADE
Definio: a reduo da variabilidade nos processos e produtos.
Outra definio: a reduo do desperdcio.
1.3 CARACTERSTICAS DA QUALIDADE
Todo o produto possui elementos, que no conjunto, descrevem a qualidade, do
ponto de vista do consumidor. Esses parmetros so normalmente, chamados
caractersticas da qualidade, que podem ser:
Fsicas: comprimento, largura, voltagem, viscosidade, etc.
Sensoriais: aparncia, cor, etc.
Orientao temporal: confiabilidade, durabilidade, praticidade.
As caractersticas da qualidade podem se relacionar direta ou indiretamente,
com as dimenses da qualidade, apresentadas na seo 1.1.
Engenharia
da
qualidade:
conjunto
de
7
As principais fontes da variabilidade incluem diferenas nos materiais,
diferenas no desempenho e operao dos equipamentos utilizados, diferenas na
forma de realizao das tarefas pelos operadores, etc.
Sendo que a variabilidade s pode ser descrita em termos estatsticos, os
mtodos estatsticos desempenham papel fundamental nos esforos para a melhoria
da qualidade. Na aplicao de mtodos estatsticos engenharia da qualidade
comum classificar os dados referentes s caractersticas de qualidade em variveis e
atributos, cujos conceitos so apresentados a seguir.
1.3.1 Variveis
Os dados de variveis so usualmente medidas contnuas, como por exemplo,
comprimento, voltagem e viscosidade.
1.3.2 Atributos
Por outro lado, os dados de atributos so normalmente discretos, em geral sob
a forma de contagem, como por exemplo, o nmero de produtos no conformes.
1.4 LIMITES DE ESPECIFICAO
As caractersticas de qualidade so normalmente, avaliadas em relao s
especificaes. Para um produto manufaturado, as especificaes so as medidas
desejadas para as caractersticas de qualidade dos componentes ou das partes que
constitui o produto, bem como os valores desejados para as caractersticas de
qualidade do produto final.
Valor nominal ou valor-alvo o valor de uma medida que corresponde ao
valor desejado para a caracterstica de qualidade.
8
1.5 CUSTOS DA QUALIDADE
De forma geral, os custos da qualidade so aquelas categorias de custos que
esto associadas a produzir, identificar, evitar ou reparar produtos que no esto de
acordo com as especificaes. Os custos da qualidade podem ser agrupados em
quatro categorias:
1. Custos de preveno: so os custos associados a esforos no projeto e
fabricao, dirigidos preveno de no-conformidade. So os custos assumidos
no esforo para fazer certo da primeira vez.
2. Custos de avaliao: So os custos associados a medio, avaliao ou auditoria
dos produtos, componentes e materiais adquiridos para garantir a conformidade
aos padres que tenham sido impostos.
3. Custos de Falha Interna: estes custos ocorrem quando produtos, componentes,
materiais e servios deixam de corresponder s exigncias da qualidade, e essa
falha descoberta antes da entrega do produto ao cliente.
4. Custos de Falha Externa: estes custos ocorrem quando o produto no funciona
satisfatoriamente depois de entregue ao cliente.
Os dois ltimos custos desapareceriam se no houvesse defeitos no produto ou
se toda unidade do produto correspondesse s especificaes.
2 CONTROLE ESTATSTICO DA QUALIDADE
A Estatstica Descritiva a parte que trata da organizao e descrio de
dados, atravs dos clculos de mdias, varincias, estudo de grficos, tabelas, etc.
A teoria das probabilidades permite-nos modelar os fenmenos aleatrios, ou
seja, aqueles em que est presente a incerteza. uma ferramenta fundamental para a
inferncia estatstica.
A Estatstica Indutiva ou Inferncia Estatstica compreende um conjunto de
tcnicas baseadas em probabilidades, que a partir de dados amostrais, permite tirar
concluses sobre a populao de interesse.
A Amostragem o ponto de partida para um estudo Estatstico. O estudo de
qualquer fenmeno, seja ele natural, social, econmico ou biolgico, exige a coleta e a
anlise de dados estatsticos. A coleta de dados , pois, a fase inicial de qualquer
pesquisa.
9
2.1 DESCRIO DA VARIAO
Duas ou mais unidades produzidas por um processo de fabricao nunca so
idnticas. Alguma variao inevitvel. Existem diferentes mtodos grficos para
resumir e apresentar dados. Sero apresentados dois deles: grfico de ramo e folhas
e grfico de linhas.
2.1.1 Grfico de Ramo e Folhas (Stem-and-Leaf Plot)
Seja a amostra constituda pelos valores x1, x2,..., xn e suponha que cada valor
x i consista de pelo menos dois dgitos. Os passos para a construo do grfico de
ramo-e-folhas so:
1. Ordenar os valores para encontrar o valor mnimo e mximo dos dados;
2. Dividir cada nmero x i em duas partes: um ramo, consistindo em um ou mais
dgitos iniciais, e uma folha, consistindo nos dgitos restantes ;
3. Listar os valores do ramo em uma coluna vertical;
4. A partir dai colocam-se os valores na folha. O valor zero, significa que h
informao e que um nmero inteiro. J, quando naquele valor inteiro no existe
observaes, no colocar nada, deixar em branco;
5. Escrever as unidades para os ramo e folhas no grfico.
Exemplo 1: A produo semanal de uma fbrica de semicondutores encontra-se
apresentada a seguir.
SEMANA
PRODUO
SEMANA
PRODUO
1
48
21
68
2
53
22
65
3
49
23
73
4
52
24
88
5
51
25
69
6
52
26
83
7
63
27
78
8
60
28
81
9
53
29
86
10
64
30
92
11
59
31
75
12
54
32
85
13
47
33
81
14
49
34
77
15
45
35
82
16
64
36
76
17
79
37
75
18
65
38
91
19
62
39
73
20
60
40
92
59
81
60
82
60
83
62
85
63
86
64
88
64
91
65
92
65
92
45
68
47
69
48
73
49
73
49
75
51
75
52
76
52
77
53
78
53
79
54
81
10
RAMO
FOLHA
FREQ.
57899
1223349
0023445589
10
33556789
1123568
122
1
105
11
221
21
183
2
97
12
154
22
153
3
245
13
228
23
174
4
163
14
131
24
154
101
157
199
105
160
200
131
163
201
5
207
15
180
25
190
6
134
16
178
26
76
7
218
17
157
27
101
8
199
18
151
28
142
9
160
19
175
29
149
10
196
20
201
30
200
ROL:
76
154
190
97
154
196
RAMO
7
134
174
207
142
175
218
FOLHA
149
178
221
151
180
228
153
183
245
FREQ.
10
15
13
14
14
29
15
13447
16
03
17
458
18
03
19
069
20
017
21
22
18
11
12
23
24
11
PROD<-dados$PROD
stem.leaf(PROD,1,style = "Tukey",rule.line = "Sturges", depths = F)
dados1<-read.xls("EXEMPLO2.1_1.xls",sheet=2,colNames=T)# define o arquivo
# a ser trabalhado
RESIST<-dados1$RESIST
stem.leaf(RESIST,1,style = "Tukey",rule.line = "Sturges", depths = F)
12
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=2,colNames=T)
# define o arquivo
# a ser trabalhado
RESIST<-dados$RESIST
plot(RESIST,type="l",main="RESISTNCIA COMPRESSO",xlab="Obs.",
ylab="Resistncia",cex.main=0.9,col="darkgreen")
dados1<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T) # define o arquivo
# a ser trabalhado
PROD<-dados1$PROD
plot(PROD,type="l",main="PRODUO SEMANAL DE SEMICODUTORES",xlab="Semanas",
ylab="produo",cex.main=0.9,col="darkblue")
foram organizados.
At
k
13
fi n
i1
Freqncia Relativa ( fr ):
fr
fi
n
e fr 1
i1
45
68
47
69
48
73
49
73
49
75
51
75
52
76
52
77
53
78
53
79
54
81
59
81
60
82
60
83
62
85
63
86
64
88
64
91
65
92
65
92
A t Xmx Xmin 92 45 47
0,15
52 |-- 59
0,13
11
59 |-- 66
0,23
20
66 |-- 73
0,05
22
73 |-- 80
0,20
30
80 |-- 87
0,15
36
87 |-- 94
0,10
40
TOTAL
40
1,00
97
154
196
101
157
199
105
160
200
131
163
201
134
174
207
142
175
218
149
178
221
151
180
228
153
183
245
14
TABELA DE DISTRIBUIO DE FREQUNCIAS DE RESISTNCIA COMPRESSO
fi
fr
fac
CLASSES
76 |-- 105
0,10
0,07
0,30
14
0,23
21
0,20
27
0,10
30
TOTAL
30
15
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
#========================= EXEMPLO 1 ===============================#
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T)
# define o arquivo
a ser trabalhado
x<-dados$PROD
n<-length(x)
# nmero de observaes
min<-min(x)
# mnimo
max<-max(x)
# mximo
at<- max-min
# amplitude total
k<-ceiling(sqrt(n))
# nmero de classes
h<-ceiling(at/k)
# intervalo de classe
#================== DISTRIBUIO DE FREQUNCIAS =====================#
intervalo<- cut(x,include.lowest = T, right = F,
breaks=c(min,min+h,min+2*h,min+3*h,min+4*h,min+5*h,min+6*h,min+7*h))
table(intervalo)
#=================== HISTOGRAMA DE FREQUNCIAS =====================#
hist(x,breaks=c(45,52,59,66,73,80,87,94),
main="HISTOGRAMA DE FREQUNCIAS",
xlab="Classes",ylab="Freq.",include.lowest = TRUE, right = F,
xlim = c(45,94),col="blue",freq=T)
#========================== EXEMPLO 2
===============================#
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=2,colNames=T)
a ser trabalhado
# define o arquivo
x<-dados$RESIST
n<-length(x)
# nmero de observaes
min<-min(x)
# mnimo
max<-max(x)
# mximo
at<- max-min
# amplitude total
k<-ceiling(sqrt(n))
# nmero de classes
h<-ceiling(at/k)
# intervalo de classe
#================== DISTRIBUIO DE FREQUNCIAS =====================#
intervalo<- cut(x,include.lowest = T, right = F,
breaks=c(min,min+h,min+2*h,min+3*h,min+4*h,min+5*h,min+6*h))
table(intervalo)
#===================
hist(x,breaks=c(76,105,134,163,192,221,250),
main="HISTOGRAMA DE FREQUNCIAS",
xlab="Classes",ylab="Freq.",include.lowest = TRUE, right = F,
xlim = c(76,250),col="darkred",freq=T)
A medida de
16
tendncia central mais importante a mdia aritmtica e a de disperso, a varincia e
o desvio padro, apresentados a seguir.
2.1.4.1 Mdia Aritmtica
A mdia aritmtica ou esperana matemtica de uma varivel aleatria X o
centro de gravidade do conjunto de dados, e definida como a soma de todos os
valores da varivel dividida pelo nmero de observaes. A esperana matemtica ou
mdia aritmtica populacional dada pela expresso:
E( X )
1 N
xi
N i1
1 n
xi
n i 1
1 n
xi
n i1
1
12,6 12,9 13,4 12,3 13,6 13,5 12,6 13,1 104 13,0 libras-fora
8
8
2.1.4.2 Varincia
A varincia da varivel aleatria, representada por V( X) ou 2 , definida por:
V( X) 2 EX E( X) E( X 2 ) E( X) 2
2
1 N
2
x i
N i1
17
A varincia amostral obtida atravs da seguinte expresso:
S2
2
1 n
xi X
n 1 i1
S2
xi X
xi X
xi
12,3
12,6
12,6
12,9
13,1
13,4
13,5
13,6
-0,7
-0,4
-0,4
-0,1
0,1
0,4
0,5
0,6
0,49
0,16
0,16
0,01
0,01
0,16
0,25
0,36
1,6
2
1 n
1,6
0,2286 ( libras fora) 2 .
xi X
n 1 i 1
8 1
S S2
18
conjuntos de dados so muito distintas, neste caso faz-se necessrio utilizar uma
medida de disperso relativa.
CV
CV
S
X
100
0,4781
100 3,68%
13,0
19
A linha central do retngulo (caixa) representa a mediana da distribuio. As
bordas superior e inferior do retngulo representam os quartis 3 e 1, respectivamente.
Logo, a altura deste retngulo chamada de amplitude interquartlica (IQ). Os traos
horizontais ao final das linhas verticais so traados sobre o ltimo ponto (de um lado
ou de outro) que no considerado um outlier. No h um consenso sobre a definio
de um outlier. Porm, no caso do boxplot, em geral, a maior parte das definies
considera que pontos acima do valor do 3 quartil somado a 1,5 vezes a IQ ou os
pontos abaixo do valor do 1 quartil diminudo de 1,5 vezes a IQ, so considerados
outliers.
Para o exemplo referente aos dados da resistncia compresso (em psi) de
30 corpos de prova da liga de alumnio-ltio, tem-se o Box-plot a seguir:
ROL:
76
154
190
97
154
196
101
157
199
105
160
200
131
163
201
134
174
207
142
175
218
149
178
221
151
180
228
153
183
245
LS=271,38
245
Quartil 3=198,25
Mediana=168,50
Quartil 1=149,50
76LI=76,38
trs
20
PosQ i i
(n 1)
1,
4
i 1, 2, 3
(30 1)
1 8,25 (elemento) , logo Q1 149 0,25 * (151 149) 149,50
4
PosQ 2 2
(30 1)
163 174
1 15,50 (elemento) , logo Q 2
168,50
4
2
PosQ 3 3
(30 1)
1 22,75 (elemento) , logo Q3 196 0,75 * (199 196) 198,25
4
# define o arquivo
#a ser trabalhado
x<-dados$RESIST
quartis<-quantile(x,probs=c(0.25,0.50,0.75))
quartis
boxplot(x,main="GRFICO BOX-PLOT",col="green",outline = T)
45
68
47
69
48
73
49
73
49
75
51
75
52
76
52
77
53
78
53
79
54
81
59
81
60
82
60
83
62
85
63
86
64
88
64
91
65
92
65
92
21
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T)
# define o arquivo
#a ser trabalhado
x<-dados$PROD
quartis<-quantile(x,probs=c(0.25,0.50,0.75))
quartis
boxplot(x,main="GRFICO BOX-PLOT",col="blue",outline = T)
124
123
120
119
128
133
137
124
142
123
121
136
140
137
125
124
128
129
130
122
118
131
125
133
141
125
140
131
129
126
149
116
119
108
103
120
133
136
135
140
125
146
139
110
145
126
130
123
145
22
a) construir o histograma de freqncia;
b) calcular a mdia, desvio padro, Q1 (quartil 1), Q2 (quartil 2) e Q3 (quartil 3);
c) construir o grfico Boxplot.
4. As taxas de octanagem de combustvel para motor, de vrias misturas de gasolina
foram obtidas:
88,5 - 94,7 - 84,3 - 90,1 - 89,0 - 89,8 - 91,6 - 90,3 - 90,0 - 91,5 - 89,9
98,8 - 88,3 - 90,4 - 91,2 - 90,6 - 92,2 - 87,7 - 91,1 - 86,7 - 93,4 - 96,1
23
2.2.1 Distribuies Discretas de Probabilidades
2.2.1.1 Distribuio binomial
Uma varivel aleatria discreta X que conta o nmero de sucessos em n provas
independentes, que apresentam os resultados sucesso ( p ) ou fracasso ( q 1 p ) ,
tem distribuio binomial. Sua funo de probabilidade dada por:
n
P ( X x ) p x qn x ,
x
x=0,1,2,...,n e 0 p 1
x n
F( x ) P( X x ) p k qnk , se 0 x n
k 0 k
1, se x n
p 0,15
q 0,85
x0
5
P( X 0) (0,15) 0 (0,85) 50 0,4437
0
24
#================ PROBABILIDADE DE X=x
x<-0
n<-5
p<-0.15
==============#
px<-dbinom(x,n,p)
px
b) P( X 5) P( X 0) 0,4437
c) Distribuio de Probabilidade
DISTRIBUIO DE PROBABILIDADE DE X
P( X x)
x
0
0,4437
0,3915
0,1382
0,0244
0,0022
0,0001
px<-dbinom(x,n,p)
px
# distribuio de probabilidade
Graficamente:
25
#=========== GRFICO DA DISTRIBUIO BINOMIAL =========#
n<-5
# total de tentativas
p<-0.15
# probabilidade de sucesso
x<-0:n
px<-dbinom(x,n,p)
plot(x,px,type="h",main="DISTRIBUIO BINOMIAL: n=5 e
p=0,15",col="red",lwd=3)
points(x, dbinom(x,n,p),pch=16,col="red")
abline(h=0,col="black")
26
A distribuio de Poisson, pode ser aplicada a muitos casos prticos, nos quais
interessa o nmero de vezes que um determinado evento pode ocorrer durante um
intervalo de tempo ou distncia, rea ou outra unidade de medida.
Uma v.a. discreta X tem distribuio de Poisson se sua funo de probabilidade
dada por:
P ( X x)
e x
x!
dos eventos)
A funo de distribuio dada por:
0 , se x 0
F( x ) P( X x )
k
x
e , se x 0
k 0 k !
e 2 20
0!
e 2 21 e 2 2 2
1!
2!
================#
px<-dpois(x,p)
px<-round(px,4)
px
# distribuio de probabilidade
DISTRIBUIO DE PROBABILIDADE DE X
27
X
0
1
2
3
4
5
6
7
8
9
10
P( X x)
0,1353
0,2707
0,2707
0,1804
0,0902
0,0361
0,0120
0,0034
0,0009
0,0002
0,0000
Graficamente:
e 3 3 0
0!
e 3 0,050 5%
28
Uma v.a. discreta X tem distribuio hipergeomtrica se sua f.p. dada por:
k N k
x n x
P( X x )
N
n
k N k
x j n j
, se 0 j x
F( x ) P( X x )
N
j0
1 , se j x
Nn
,
N 1
onde p
k
k
; q 1 .
N
N
k=2
n=3
(tamanho da amostra)
probabilidade
de
que
inspeo
seja
necessria
igual
P( X 1) P( X 2) P( X 3) ou P( X 1) 1 P( X 0)
2 30 2
0 3 0
P( X 1) 1 P( X 0) 1
1
30
3
2 28
0 3
1 0,8069 0,1931 19,31%
30
3
=================#
x<-0
px<-dhyper(x, 2, 28, 3, log = FALSE) # prob.de nenhuma pea ser defeituosa
px
29
[1] 0.8069
DISTRIBUIO DE PROBABILIDADE
DE X
p(x)
0
1
2
3
#=========
m<-2
n<-28
k<-3
x<-0:3
0,8069
0,1862
0,0069
0,0000
Grficamente:
Exemplo 2: Uma empresa adquiriu diversas caixas contendo cada uma 15 lmpadas.
Ela decidiu fazer uma inspeo por amostragem sem reposio, analisando 5
lmpadas de uma caixa. A caixa ser aceita caso encontre no mximo duas
defeituosas. Qual a probabilidade de aceitar uma caixa sabendo que a qualidade do
produto definida por 20% de defeituosos?
N=15
n=5
x2
30
k 0,20 * 15 3
P( X 2) P( X 0) P( X 1) P( X 2)
3 15 3 3 15 3 3 15 3
P( X 2)
0,9780 97,80%
3.003
3.003
15
15
15
5
5
5
x0
Portanto: P( X x) e x
Os parmetros da distribuio so:
Mdia: E( X)
Varincia V( X)
Exemplo 1: O tempo de vida X (em horas) das lmpadas eltricas fabricadas por uma
empresa uma varivel aleatria, tendo sua funo densidade de probabilidade dada
por:
0,002 x , se x 0
f ( x ) 0,002e
0 se x 0
a) qual a probabilidade do tempo de vida de uma lmpada ser superior a 600 horas?
b) qual o tempo de vida esperado?
Soluo:
31
a) 0,002
No R:
#============
x<-600
# tempo de vida
lambda<-0.002 # 1/mdia
Fx<-pexp(x,lambda,lower.tail=F)
Fx
b) E( X)
1
500 horas
0,002
4 , portanto,
Ento, P( X 4) e x
E( X)
1
4
1
4
4
e 1 0,3679 36,79%
32
2.2.2.2 Distribuio normal ou Gaussiana
uma das mais importantes distribuies de probabilidades, sendo aplicada
em inmeros fenmenos e frequentemente utilizada para o desenvolvimento terico
da inferncia estatstica.
Uma v.a. continua X, tem distribuio normal ou Gaussiana se sua f.d.p
dada por:
f (x)
1 x
2
e
x R, R , R ,
x
f ( x )d( x )
1
2
1 x 2
2
dx
Uma das caractersticas importantes que a partir desses dois parmetros ser
possvel calcular, por exemplo, a percentagem de valores que devero estar acima ou
33
abaixo de um determinado valor da varivel aleatria, ou entre esses dois valores
definidos.
A probabilidade P ( a X b ) de a varivel aleatria contnua X ser igual ou
maior que a e, ao mesmo tempo, menor ou igual a b , obtida da rea definida pela
funo f ( x ) entre os limites a e b , sendo b a . O clculo feito integrando-se a
funo f ( x ) no intervalo ( a, b ) , que bastante trabalhoso.
Portanto, P ( a X b )
b
a
1
2
1 x
dx
Representao Grfica:
um grfico em forma de sino. O seu posicionamento em relao ao eixo das
ordenadas e seu achatamento so determinados pelos parmetros e 2 ,
respectivamente.
A rea compreendida entre igual a 68,27% ; entre 2 igual a
95,45% e entre 3 igual a 99,73%.
3 2
2 3
34
Influncia dos parmetros:
Mdia: se o valor da mdia for mudado de 40 para 50, a forma da distribuio
permanece a mesma, porm com a mdia deslocada de 40 para 50 e definindo
a nova distribuio normal N (50,10 2 ) .
Desvio padro: se na distribuio normal , N ( 40,10 2 ) o desvio padro for
mudado para 15, a forma da curva N ( 40,15 2 ) ser mais aberta que a anterior
N ( 40,10 2 ) , diminuindo sua altura para manter a rea de 100%. Da mesma
maneira, pode-se verificar que para desvios padro menores que 10, a
distribuio diminui sua base e aumenta sua altura.
Os grficos a seguir, apresentam a influncia da mdia e do desvio padro, na
forma da distribuio.
35
#======================== DISTRIBUIO NORMAL ========================#
#============== MDIAS IGUAIS E VARINCIAS DIFERENTES ============#
x <-seq(10, 70, len=100)
plot(function(x) dnorm(x, 40, 8),0,80,type="l",col=2,lwd=2,ylab="f(x)")
title("DISTRIBUIO NORMAL")
plot(function(x) dnorm(x, 40, 10),0,80,add=T, col = 3,lwd=2)
plot(function(x) dnorm(x, 40, 15),0,80,add=T, col = 4,lwd=2)
legend(62,0.048, c("X ~ N(40,64)", "Y ~ N(40,100)", "Z ~ N(40,225)"),cex=0.8,fill =
2:4)
abline(h=0,col="black",lwd=1)
dada por:
f ( z)
1
2
1
2
z 2
z R ,
1
2
z
z
e 2
dz
36
Se X ~ N ( ; 2 ) e Z
P( X x ) P(Z z) , em funo
dos valores de Z.
Diversos
testes
de
significncia
baseiam-se
na
distribuio
normal.
e: 40 e 2 .
P ( X 35) ?
Calcula-se o valor de Z : Z
35 40
2,5
, que equivalente a:
37
Tem-se que: 2 e 0,04 .
P ( 2 X 2,05) ?
22
Z1
0
0,04
2,05 2
Z2
1,25
0,04
x
f (x)
e x , x 0 , 0 , 0
onde:
o parmetro de escala
o parmetro de forma
Se X tiver uma distribuio de Weibull, com parmetros e , ento a funo
de distribuio ser:
F( x ) 1 e
Os parmetros so:
1
E ( X) 1
2
1
V ( X) 1 2 1
38
#================
OBS:
(n 1) n ! (para n natural) ou (n) (n 1) !
1
1
5000 ( 3 ) 5000 2 10.000 horas
E ( X) 1 5000 1
1 2
6000
5000
1,095
P ( X 6.000) 1 1 e
0,3340
e
39
No R:
#===================== FUNO DISTRIBUIO ===================#
x<-6000
forma<-0.5
escala<-5000
Fx<-pweibull(x,forma,escala,lower.tail=F)
Fx
P(X>6000)
2 e 10.000 horas.
1
2
3
2
#======================
Esperana de X =====================#
Ex<-escala*(gamma(1+1/2))
Ex
LISTA DE EXERCCIOS N O. 2
1. Bateladas que consistem em 50 molas helicoidais, provenientes de um processo de
produo so verificadas com respeito conformidade, em relao aos
requerimentos dos consumidores. O nmero mdio de molas no-conformes em
uma batelada igual 5. Considere que o nmero de molas no-conformes em uma
batelada, denotado por X, seja uma varivel aleatria binomial. Pede-se:
a) qual a probabilidade do nmero de molas no-conformes em uma batelada seja
menor ou igual a 2? (R=11,17%)
b) qual a probabilidade do nmero de molas no-conformes em uma batelada seja
maior ou igual a 49? (R=4,51x10-48)
2. Um produto eletrnico contm 40 circuitos integrados. A probabilidade de que
qualquer circuito integrado seja defeituoso de 0,01. Os circuitos integrados so
40
independentes. O produto opera somente se no houver circuitos integrados
defeituosos. Qual a probabilidade de que o produto opere? (R=66,90%)
3. Uma fbrica recebe um lote de 100 peas, das quais cinco so defeituosas.
Suponhamos que a fbrica aceite todas as 100 peas se no houver nenhuma
defeituosa em uma amostra aleatria de 10 peas selecionadas para inspeo.
Determinar a probabilidade de o lote ser aceito. (R=59,87%)
4. O nmero de falhas na superfcie de painis de plstico usados no interior de
automveis tem uma distribuio de Poisson, com uma mdia de 0,50 falha por p
quadrado de painel plstico. Pede-se:
a) qual a probabilidade de no haver falha na superfcie do interior do automvel?
(R=60,65%)
b) se 10 carros forem vendidos para uma companhia de aluguel de carros, qual ser a
probabilidade de nenhum dos 10 carros ter qualquer falha na superfcie?
(R=0,67%)
5. Seja X o nmero de falhas na superfcie de uma caldeira de um determinado tipo
selecionado aleatoriamente, com distribuio de Poisson de parmetro p=5.
Calcular:
a) P( x 2)
b) P( x 8)
c) P(5 x 8)
(R=12,47%)
(R=6,53%)
(R=49,14%)
41
mm e desvio padro 2 mm. Se a especificao estabelece que o dimetro deve ser
maior que 35mm, qual probabilidade que a pea produzida satisfaa a
especificao? (R=99,38%)
10. Seja X a varivel aleatria que representa os dimetros dos parafusos produzidos
por certa mquina. Supondo que essa varivel tenha distribuio normal com
mdia igual 2 cm e desvio padro igual a 0,04 cm. Qual a probabilidade de um
parafuso ter o dimetro com valor entre 2 e 2,05 cm ? (R=39,44%)
3 CONTROLE ESTATSTICO DO PROCESSO
Se um produto deve atender as exigncias do cliente, em geral, deve ser
produzido por um processo que seja estvel ou replicvel. Ou melhor, o processo
deve ser capaz de operar com pequena variabilidade em torno das dimenses-alvo ou
nominais, das caractersticas da qualidade do produto. O controle estatstico do
processo (CEP) um conjunto de ferramentas poderoso, til para obter estabilidade
do processo e melhoria da capacidade atravs da reduo da variabilidade. O CEP
pode ser aplicado a qualquer processo.
3.1 AS SETE FERRAMENTAS DO CONTROLE ESTATSTICO DE PROCESSOS
As sete principais ferramentas do CEP so:
3.1.1 Histograma de Freqncias e Diagrama de Ramo e Folhas
A apresentao da caracterstica da qualidade em histogramas ou diagrama de
ramo e folhas. Esta ferramenta j foi apresentada na seo 2.1.
3.1.2 Folha de controle
A folha de controle, conhecida tambm como folha de verificao, um
procedimento usado para responder a pergunta: Com que freqncia certos eventos
ocorrem?. Para sua utilizao deve-se estabelecer o seguinte:
definir o evento que se est estudando
definir o perodo durante o qual os dados sero coletados
construir um formulrio claro e de fcil manuseio
coletar os dados de forma fidedigna
Exemplo de folha de controle:
42
FOLHA DE CONTROLE
DADOS DE DEFEITOS OCORRIDOS NO PERODO JAN-MAR 2010
Data:
Analista:
MESES
DEFEITO
Janeiro
Dimenso
TOTAL
Maro
I I
I I
I I I I
I I
I I I
17
Acabamento
Peso
Fevereiro
TOTAL
FREQ.
Frp
Frpac
Rotao imprpria
44
51,16
51,16
Rudo
14
16,28
67,44
Falhas
10
11,63
79,07
Presso
9,30
88,37
Sobra
5,81
94,19
Falha completa
2,33
96,51
Outras
3,49
100,00
TOTAL
86
GRFICO DE PARETO
Freq.
100
94,19
96,51
Sobra
Falha
completa
100,00
88,37
90
79,07
80
67,44
70
60
51,16
50
40
30
20
10
0
Rotao
imprpria
Rudo
Falhas
Presso
Outras
Origem do defeito
43
Exemplo 2: Uma empresa da rea automobilstica acompanha os defeitos
encontrados nos relgios comparadores utilizados na rea de usinagem. Na Tabela
seguinte apresentamos os dados referentes a um ms de acompanhamento dos
defeitos detectados pela rea de manuteno de equipamentos.
DISTRIBUIO DE FREQUNCIAS SEGUNDO TIPO DE DEFEITO NOS RELGIOS COMPARADORES
DEFEITOS
DETECTADOS
Canho
Ponteiro
QUANTIDADE
50
80
Infiltrao de leo
100
Danificado
68
No Funciona
12
DEFEITOS DETECTADOS
(%)
96,13
100,00
90,00
100,00
80,00
80,00
70,00
58,06
60,00
50,00
40,00
32,26
30,00
20,00
10,00
0,00
Infiltrao de
leo
Ponteiro
Danificado
Canho
No Funciona
defeitos
44
c) Mtodo: falta de padronizao no mtodo de trabalho. Embora programado de
acordo com o processo definido, o mtodo de trabalho tambm pode conduzir a
variaes no produto.
d) Mo-de-obra: os operadores podem no estar adequadamente preparados para as
tarefas.
Passos para a construo do diagrama de causa e efeito:
1) Definir o problema ou efeito a ser analisado;
2) formar a equipe para realizar a anlise. Em geral, a equipe descobrir causas
potenciais em sesses de brainstorming;
3) desenhar de caixa de efeito e a linha central;
4) especificar as principais categorias de causas potenciais e colocar em caixas,
ligadas linha central;
5) identificar as causas possveis e classificar nas categorias do passo 4. Criar novas
categorias, se necessrio;
6) ordenar as causas para identificar aquelas que parecem mais provveis de causar
impacto sobre o problema.
O exemplo abaixo foi retirado de Dellaretti Filho & Drumond (1994, p.65).
library(qcc)
#========= DIAGRAMA DE CAUSA E EFEITO ==========#
cause.and.effect(cause=list(procedimento.padro=c("no tem", "confuso"),
informao=c("inconsistente"),
instruo=c("errada", "inexistente"),
especificao=c("desatualizado")),
effect="Variao no mtodo",
title = "DIAGRAMA DE CAUSA E EFEITO")
45
3.1.5 Diagrama de Concentrao de Defeito
Um diagrama de concentrao de defeito uma figura da unidade (produto),
mostrando todas as vistas relevantes. Os vrios tipos de defeitos so desenhados na
figura, e o diagrama analisado para determinar se a localizao dos defeitos na
unidade fornece alguma informao til sobre as causas potenciais dos defeitos.
Nmero do tanque
........
Nmero de srie
..........
Ponta
superior
Lado
esquerdo
Fundo
Ponta
inferior
Lado
direito
Cdigos de
defeito
A=arranho
B=corte
C=desgaste
D=forma
46
library(xlsReadWrite)
# define o
foram apresentados por Conceio et. al. (2006), no XIII SIMPEP, em Bauru, So
Paulo. Referem-se a carga axial de uma lata de alumnio, que o peso mximo que
seus lados podem suportar.
47
presentes somente as causas aleatrias. So mostradas tambm, duas linhas
horizontais chamadas limite superior de controle (LSC) e limite inferior de controle
(LIC). Esses limites de controle so escolhidos de maneira que se o processo est
sob controle, praticamente, todos os pontos amostrais estaro entre eles.
Com base na distribuio normal, os grficos de controle so instrumentos que
mostram a evoluo do nvel de operao do processo e sua variao ao longo do
tempo.
Um modelo geral para um grfico de controle pode ser dado por:
LSC w L w
LC w
(linha central)
LIC w L w
onde:
L a distncia dos limites de controle linha central, expressa em unidades de
desvio padro. Normalmente, utiliza-se L 3 .
Essa teoria geral dos grficos de controle foi proposta, inicialmente, pelo Dr.
Walter S. Shewhart, e os grficos de controle desenvolvidos segundo esses princpios
so chamados grficos de controle de Shewhart.
As aplicaes dos grficos de controle so para:
quais sejam:
48
O tipo do grfico de controle a ser utilizado depende da caracterstica da
varivel aleatria investigada.
X1 X 2 ... X m
m
1 n
( Xi X ) 2
n 1 i 1
49
R Xmx Xmin
R
. Seja d 2 a mdia da distribuio de W e R a
W
R1 R 2 ... R m
m
R
d2
(limite inferior)
d2 n
LSC X
(limite superior)
d2 n
A quantidade A 2
3
d2 n
amostra n , portanto, pode tambm ser tabelado (ver adiante), resultando os limites na
forma:
LIC X A 2 R
LSC X A 2 R
50
Exemplo de aplicao:
Os dados a seguir foram apresentados por Conceio et. al. (2006), no XIII
SIMPEP, em Bauru, So Paulo e referem-se a carga axial de uma lata de alumnio,
que o peso mximo que seus lados podem suportar.
QUADRO 1 CARGAS AXIAIS (lb) DE LATAS DE ALUMNIO
DIA
CARGA AXIAL (lb)
1
270
273
258
204
254
228
282
278
201
264
265
223
274
230
250
275
281
271
263
277
275
278
260
262
273
274
286
236
290
286
278
283
262
277
295
274
272
265
275
263
251
289
242
284
241
276
200
278
283
269
282
267
282
272
277
261
257
278
295
270
268
286
262
10
272
268
283
256
206
277
252
11
265
263
281
268
280
289
283
12
263
273
209
259
287
269
277
13
234
282
276
272
257
267
204
14
270
285
273
269
284
276
286
15
273
289
263
270
279
206
270
16
270
268
218
251
252
284
278
17
277
208
271
208
280
269
270
18
294
292
289
290
215
284
283
19
279
275
223
220
281
268
272
20
268
279
217
259
291
291
281
21
230
276
225
282
276
289
288
22
268
242
283
277
285
293
248
23
278
285
292
282
287
277
266
24
268
273
270
256
297
280
256
25
262
268
262
293
290
274
292
Soluo:
DIA
X1
X2
X3
X4
X5
X6
X7
1
2
3
4
5
6
7
8
9
10
270
278
250
278
290
274
242
269
257
272
273
201
275
260
286
272
284
282
278
268
258
264
281
262
278
265
241
267
295
283
204
265
271
273
283
275
276
282
270
256
254
223
263
274
262
263
200
272
268
206
228
274
277
286
277
251
278
277
286
277
282
230
275
236
295
289
283
261
262
252
Mdia
252,71
247,86
270,29
267,00
281,57
269,86
257,71
272,86
273,71
259,14
R
78
77
31
50
33
38
84
21
38
77
Continua
51
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Mdia
265
263
234
270
273
270
277
294
279
268
230
268
278
268
262
263
273
282
285
289
268
208
292
275
279
276
242
285
273
268
281
209
276
273
263
218
271
289
223
217
225
283
292
270
262
268
259
272
269
270
251
208
290
220
259
282
277
282
256
293
280
287
257
284
279
252
280
215
281
291
276
285
287
297
290
289
269
267
276
206
284
269
284
268
291
289
293
277
280
274
283
277
204
286
270
278
270
283
272
281
288
248
266
256
292
267,11
m
25
R1 R 2 ... R m 78 77 ... 41 31
54,96
m
25
LC X 267,11
R 54,96
20,3254
d 2 2,704
Continuao
275,57
26
262,43
78
256,00
78
277,57
17
264,29
83
260,14
66
254,71
72
278,14
79
259,71
61
269,43
74
266,57
64
270,86
51
281,00
26
271,43
41
277,29
31
267,11
54,96
52
library(qcc)
library(xlsReadWrite)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo1.xls")
str(dados)
3.3.1.2 Grfico R
Como a amplitude R est relacionada com o desvio padro , a variabilidade
do processo pode ser controlada por meio do grfico dos valores da amplitude
amostral R .
Para construir os limites de controle h a necessidade de se conhecer o desvio
padro de R , ou seja, R . Supondo que a caracterstica que est sendo controlada
R d3
E, a estimativa de R dada por:
d3
R
d2
R R3
LSC R 3
R R3
LIC R 3
d3
d
R R 1 3 3
d2
d2
d3
d
R R 1 3 3
d2
d2
(limite superior)
(limite inferior)
53
d
1 3 3
d2
As quantidades
d
1 3 3
d2
d
D 3 1 3 3
d2
d
e D 4 1 3 3
d2
LIC R D3
LSC R D 4
10
A2
1,880
1,023
0,729
0,577
0,483
0,419
0,373
0,337
0,308
d2
1,128
1,693
2,059
2,326
2,534
2,704
2,847
2,970
3,078
d3
0,853
0,888
0,880
0,864
0,848
0,833
0,820
0,808
0,797
D3
0,076
0,136
0,184
0,223
D4
3,267
2,575
2,282
2,115
2,004
1,924
1,864
1,816
1,777
11
12
13
14
15
16
16
18
19
A2
0,285
0,266
0,249
0,235
0,223
0,212
0,203
0,194
0,187
d2
3,173
3,258
3,336
3,407
3,472
3,532
3,588
3,640
3,689
d3
0,787
0,778
0,770
0,763
0,756
0,750
0,744
0,739
0,734
D3
0,256
0,283
0,307
0,328
0,347
0,363
0,378
0,391
0,403
D4
1,744
1,717
1,693
1,672
1,653
1,637
1,622
1,608
1,597
Tamanho
da
amostra
Exemplo de aplicao:
Considerando o exemplo anterior, deseja-se construir os limites de controle para a
amplitude R.
Soluo:
Os limites de controle sero obtidos atravs de:
LIC R D3
LSC R D 4
54
Ento, substituindo os valores tem-se:
LIC R D3 54,96 0,076 4,18
LSC R D 4 54,96 1,924 105,74
LC R 54,96
library(qcc)
library(xlsReadWrite)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo1.xls")
str(dados)
55
mudanas menores no nvel de operao do processo, ento amostras maiores sero
necessrias, possivelmente, n da ordem de 15 a 25.
3.3.2 Curva Caracterstica de Operao
A habilidade dos grficos X e R em detectar mudanas na qualidade do
processo descrita pelas suas curvas caractersticas de operao (CCO). Apresentase a seguir, a curva caracterstica de operao para o grfico usado no controle online de um processo.
3.3.2.1 Curva CO para grfico X
Suponha a curva CO para um grfico X com desvio padro conhecido e
constante. Se a mdia se desloca do valor sob controle o para um outro valor
P LIC X LSC | 1 0 k
(1)
LSC 0 L
sendo:
LSC ( 0 k )
LIC ( 0 k )
n
n
L n ( 0 k )
0 L n ( 0 k )
0
n
n
L k n L k n
(2)
Exemplo: Suponha que se est utilizando o grfico de X com L 3 (limites trssigma), tamanho de amostra n 5 e se deseja determinar a probabilidade de detectar
um deslocamento para 1 0 2 na primeira amostra depois do deslocamento.
Ento tem-se:
L3
n5
k2
L k n L k n
(-1,47) (7,37)
(3 2 5 ) (3 2 5 )
56
Tem-se que: (-1,47) P(Z 1,47) 0,0708
(7,37) P(Z 7,37) 0,0000
Logo: 0,0708
Este o risco , ou a probabilidade de no se detectar tal deslocamento.
Portanto, a probabilidade de esse deslocamento ser detectado na primeira amostra
subseqente 1 1 0,0708 0,9292 .
Para construir a curva CO para o grfico X deve-se plotar o risco versus a
magnitude do deslocamento que se deseja detectar, dada em unidades de desvio
padro, para vrios tamanhos de amostra n .
1,0
0,9
n=1
0,8
n=2
0,7
n=3
0,6
n=4
0,5
n=5
0,4
n=10
0,3
n=15
0,2
n=20
0,1
0,0
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
possvel observar pela figura acima que, para tamanhos tpicos de amostra
de 4 ou 5, o grfico X no particularmente eficiente para detectar pequenos
deslocamentos - digamos, da ordem de 1,5 ou menos - na primeira amostra depois
do deslocamento.
Por exemplo, se o deslocamento 1,0 e n 5 , ento, analisando a figura
acima, obtemos que 0,75 . Tem-se ento que a probabilidade de se detectar o
deslocamento na primeira amostra de apenas 1 1 0,75 0,25 . Entretanto, a
probabilidade de que o deslocamento seja detectado na segunda amostra
( 1 ) 0,75 (0,25) 0,19 , enquanto a probabilidade de deteco na terceira amostra
57
Em geral, o nmero esperado de amostras necessrias para se detectar um
deslocamento simplesmente o comprimento mdio da seqncia (CMS) ou
CMS r r 1 ( 1 )
r 1
1
1
1
1
4
1 1 0,75
x1
x2
x3
x4
Amostra
x1
x2
x3
x4
1
2
3
4
5
6
7
8
9
10
350,6
351,0
350,7
350,8
350,9
351,2
351,6
350,7
350,9
351,5
350,9
350,4
350,8
350,9
351,0
351,1
351,0
350,5
350,7
351,6
351,0
350,6
351,0
350,6
350,7
351,0
350,8
351,0
350,8
351,0
351,5
351,1
350,5
351,3
351,3
351,0
350,9
350,4
351,2
351,3
11
12
13
14
15
16
17
18
19
20
350,8
350,6
351,6
350,7
351,1
351,5
350,9
351,5
350,8
351,4
351,2
351,3
350,9
351,3
350,7
351,0
350,8
350,7
350,6
351,5
351,4
350,9
351,3
351,0
351,0
351,1
351,2
351,0
350,9
351,2
351,6
351,1
351,5
351,2
351,6
351,4
351,0
351,1
351,2
351,6
x1
x2
x3
0,0629
0,0630
0,0628
0,0634
0,0619
0,0613
0,0630
0,0628
0,0623
0,0631
0,0635
0,0623
0,0635
0,0636
0,0631
0,0631
0,0630
0,0628
0,0629
0,0639
0,0627
0,0626
0,0631
0,0630
0,0630
0,0631
0,0640
0,0622
0,0633
0,0631
0,0630
0,0634
0,0625
0,0622
0,0633
0,0633
0,0638
0,0630
0,0630
Amostra
14
15
16
17
18
19
20
21
22
23
24
25
x1
x2
x3
0,0645
0,0619
0,0631
0,0616
0,0630
0,0636
0,0640
0,0628
0,0615
0,0630
0,0635
0,0623
0,0640
0,0644
0,0627
0,0623
0,0630
0,0631
0,0635
0,0625
0,0625
0,0632
0,0629
0,0629
0,0631
0,0632
0,0630
0,0631
0,0626
0,0629
0,0629
0,0616
0,0619
0,0630
0,0635
0,0630
58
a) construa o grfico de controle X e R para esse processo. O processo est sob
controle?
b) estime o desvio padro do processo;
3. A tabela abaixo apresenta 20 subgrupos de cinco medidas, de uma dimenso
crtica de uma pea produzida por um processo de usinagem.
Amostra
x1
x2
x3
x4
x5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
138,1
149,3
115,9
118,5
108,2
102,8
120,4
132,7
136,4
135,0
139,6
125,3
145,7
138,6
110,1
145,2
125,9
129,7
144,4
144,8
110,8
142,1
135,6
116,5
123,8
112,0
114,3
131,1
126,2
125,4
127,9
160,2
121,8
139,0
114,6
101,0
135,3
97,3
150,0
138,3
138,7
105,0
124,2
118,2
117,1
135,0
112,8
124,0
154,7
149,1
151,1
130,4
149,5
141,9
165,1
154,6
121,5
130,5
161,6
129,6
137,4
134,0
155,0
122,6
142,4
135,0
118,5
123,9
127,1
138,3
143,7
152,4
113,3
140,2
113,8
120,2
147,9
109,0
148,4
151,8
125,4
102,3
117,4
120,2
150,9
145,8
119,3
125,1
173,2
130,4
110,5
165,1
151,8
141,1
139,6
117,3
105,0
150,5
154,2
142,7
1 n
( x i X )2
n 1 i1
59
No entanto, o desvio padro S no um estimador no-viesado para . A
tendenciosidade de S tende a zero, medida que aumenta o tamanho da amostra.
Quando a varivel aleatria normalmente distribuda, tem-se que:
E(S) c 4
c4
n
2
2 ,
n 1 n 1
c4
0,9400
10
0,9727
15
0,9823
20
0,9869
25
0,9896
30
0,9914
60
Assim, tem-se que E(S) c 4 e a varincia de S dada por:
V(S) E(S E(S))2 E( S 2 2SE(S) E(S)2 ) E(S 2 2Sc 4 (c 4 )2 )
V(S) 2 2c 24 2 c 24 2 2 c 24 2 2 (1 c 24 )
Portanto:
Desvio padro ( S) 2 (1 c 24 1 c 24
Essa informao pode ser usada para definir os grficos de controle para X e
S.
1 m
Si
m i 1
A estatstica
S
um estimador no-viesado de . Ento, os parmetros para
c4
o grfico S so:
LSC S 3
S
1 c 24
c4
61
LC S
S
1 c 24
c4
LIC S 3
3
1 c 24
c4
B4 1
3
1 c 24
c4
LC S
LIC B 3 S
3S
c4 n
LC X
LIC X
3S
c4 n
Definindo a constante A 3
3
c4 n
LSC X A 3 S
LC X
LIC X A 3 S
10
c4
0,7979
0,8862
0,9213
0,9400
0,9515
0,9594
0,9650
0,9693
0,9727
B3
0,030
0,118
0,185
0,239
0,284
B4
3,267
2,568
2,266
2,089
1,970
1,882
1,815
1,761
1,716
B5
0,029
0,113
0,179
0,232
0,276
B6
2,606
2,276
2,088
1,964
1,874
1,806
1,751
1,707
1,669
A3
2,659
1,954
1,628
1,427
1,287
1,182
1,099
1,032
0,975
62
Tamanho
da
amostra
11
12
13
14
15
16
17
18
19
c4
0,9754
0,9776
0,9794
0,9810
0,9823
0,9835
0,9845
0,9854
0,9862
B3
0,321
0,354
0,382
0,406
0,428
0,448
0,466
0,482
0,497
B4
1,679
1,646
1,618
1,594
1,572
1,552
1,534
1,518
1,503
B5
0,313
0,346
0,374
0,399
0,421
0,440
0,458
0,475
0,490
B6
1,637
1,610
1,585
1,563
1,544
1,526
1,511
1,496
1,483
A3
0,927
0,886
0,850
0,817
0,789
0,763
0,739
0,718
0,698
X1
X2
X3
X4
X5
X6
X7
1
2
3
4
5
6
270
278
250
278
290
274
273
201
275
260
286
272
258
264
281
262
278
265
204
265
271
273
283
275
254
223
263
274
262
263
228
274
277
286
277
251
282
230
275
236
295
289
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
242
269
257
272
265
263
234
270
273
270
277
294
279
268
230
268
278
268
262
284
282
278
268
263
273
282
285
289
268
208
292
275
279
276
242
285
273
268
241
267
295
283
281
209
276
273
263
218
271
289
223
217
225
283
292
270
262
276
282
270
256
268
259
272
269
270
251
208
290
220
259
282
277
282
256
293
200
272
268
206
280
287
257
284
279
252
280
215
281
291
276
285
287
297
290
278
277
286
277
289
269
267
276
206
284
269
284
268
291
289
293
277
280
274
283
261
262
252
283
277
204
286
270
278
270
283
272
281
288
248
266
256
292
Mdia
1 m
1
Si 501,09 20,04
m i 1
25
Mdia
252,71
247,86
270,29
267,00
281,57
269,86
257,71
272,86
273,71
259,14
275,57
262,43
256,00
277,57
264,29
260,14
254,71
278,14
259,71
269,43
266,57
270,86
281,00
271,43
277,29
27,63
29,66
10,56
16,34
10,72
11,84
31,45
7,90
13,45
25,87
10,10
25,29
27,81
7,32
26,98
22,26
32,15
28,13
26,47
25,87
27,21
19,32
8,41
14,26
14,08
267,11
20,04
63
Os parmetros do grfico S sero:
LSC B 4 S 1,882 20,04 37,72
LC S 20,04
LIC B3 S 0,118 20,04 2,37
20,8919
c4
0,9594
library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("graficoS.xls")
str(dados)
LC X 267,11
LIC X A 3 S 267,11 1,182 20,04 243,42
64
GRFICO DE CONTROLE DE MDIAS
300
UCL = 290,80
CTR = 267,11
LCL = 243,42
290
Mdias
280
270
260
250
240
0
10
15
20
25
Amostras
ni X i
X i 1
ni
i 1
m
2
( n i 1) S i
S i1 m
ni m
i1
12
Grfico de controle X :
LSC X A 3 S
LC X
LIC X A 3 S
Grfico de controle S:
LSC B 4 S
LC S
LIC B 3 S
65
AMOSTRA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
X1
74,030
73,995
73,988
74,002
73,992
74,009
73,995
73,985
74,008
73,998
73,994
74,004
73,983
74,006
74,012
74,000
73,994
74,006
73,984
74,000
73,982
74,004
74,010
74,015
73,982
X2
74,002
73,992
74,024
73,996
74,007
73,994
74,006
74,003
73,995
74,000
73,998
74,000
74,002
73,967
74,014
73,984
74,012
74,010
74,002
74,010
74,001
73,999
73,989
74,008
73,984
X3
74,019
74,001
74,021
73,993
74,015
73,997
73,994
73,993
74,009
73,990
73,994
74,007
73,998
73,994
73,998
74,005
73,986
74,018
74,003
74,013
74,015
73,990
73,990
73,993
73,995
X4
73,992
X5
74,008
74,005
74,015
73,989
73,985
74,000
74,015
74,005
74,007
73,995
74,000
74,002
74,009
74,014
74,000
73,984
73,998
74,005
74,003
74,005
73,996
74,005
74,006
74,009
74,000
74,017
73,996
74,009
74,014
74,010
74,013
73,988
73,995
73,990
73,996
74,000
73,997
1) Grfico de Controle X
AMOSTRA
ni
Xi
n Xi
Si
S i2
( n i 1) Si2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
TOTAL
5
3
5
5
5
4
4
5
4
5
5
5
3
5
3
5
4
5
5
3
5
5
5
5
5
113
74,010
73,996
74,008
74,003
74,003
73,996
73,999
73,997
74,004
73,998
73,994
74,001
73,994
73,990
74,008
73,997
73,999
74,007
73,998
74,008
74,000
74,002
74,002
74,005
73,998
370,051
221,988
370,040
370,015
370,017
295,985
295,995
369,984
296,017
369,990
369,971
370,007
221,983
369,951
222,024
369,983
295,997
370,037
369,991
222,023
369,999
370,008
370,012
370,026
369,991
8.362,085
0,0148
0,0046
0,0147
0,0091
0,0122
0,0099
0,0055
0,0123
0,0064
0,0063
0,0029
0,0042
0,0100
0,0153
0,0087
0,0078
0,0115
0,0070
0,0085
0,0068
0,0122
0,0074
0,0119
0,0087
0,0162
0,0002
0,0000
0,0002
0,0001
0,0001
0,0001
0,0000
0,0002
0,0000
0,0000
0,0000
0,0000
0,0001
0,0002
0,0001
0,0001
0,0001
0,0000
0,0001
0,0000
0,0001
0,0001
0,0001
0,0001
0,0003
0,00080
0,00000
0,00080
0,00040
0,00040
0,00030
0,00000
0,00080
0,00000
0,00000
0,00000
0,00000
0,00020
0,00080
0,00020
0,00040
0,00030
0,00000
0,00040
0,00000
0,00040
0,00040
0,00040
0,00040
0,00120
0,00860
66
m
ni X i
X i 1
ni
8362,085
74,001
113
i 1
m
2
( ni 1) S i
S i1 m
ni m
i1
12
0,00860
88
12
0,0099
LC X
LIC X A 3 S
2) Grfico de controle S
Substituindo-se os valores de
limites de controle.
LSC B 4 S
LC S
LIC B 3 S
67
library(qcc)
library(xlsReadWrite)
setwd("C:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("graficoS_1.xls") # leitura do arquivo de dados
str(dados)
# lista a estrutura do objeto dados
obj <- qcc(dados[,2:6], type="xbar",ylab="Mdias",xlab="Amostras",
sizes=c(5,3,5,5,5,4,4,5,4,5,5,5,3,5,3,5,4,5,5,3,5,5,5,5,5),title="")
title(main="GRFICO DE CONTROLE DE MDIA",cex.main=1)
obj <- qcc(dados[,2:6], type="S",title="",
ylab="Desvios padro",xlab="Amostras",
sizes=c(5,3,5,5,5,4,4,5,4,5,5,5,3,5,3,5,4,5,5,3,5,5,5,5,5))
title(main="GRFICO DE CONTROLE DE S",cex.main=1)
LISTA DE EXERCCIOS N O. 4
1. Um provedor de energia de alta voltagem deve ter uma voltagem nominal de sada
de 350 V. Uma amostra de 4 unidades seleciona todo dia e testada como
propsito de controle do processo.
Amostra
x1
x2
x3
x4
Amostra
x1
x2
x3
x4
1
2
3
4
5
6
7
8
9
10
350,6
351,0
350,7
350,8
350,9
351,2
351,6
350,7
350,9
351,5
350,9
350,4
350,8
350,9
351,0
351,1
351,0
350,5
350,7
351,6
351,0
350,6
351,0
350,6
350,7
351,0
350,8
351,0
350,8
351,0
351,5
351,1
350,5
351,3
351,3
351,0
350,9
350,4
351,2
351,3
11
12
13
14
15
16
17
18
19
20
350,8
350,6
351,6
350,7
351,1
351,5
350,9
351,5
350,8
351,4
351,2
351,3
350,9
351,3
350,7
351,0
350,8
350,7
350,6
351,5
351,4
350,9
351,3
351,0
351,0
351,1
351,2
351,0
350,9
351,2
351,6
351,1
351,5
351,2
351,6
351,4
351,0
351,1
351,2
351,6
68
2. A espessura de uma placa de circuito impresso um parmetro importante da
qualidade. Foram obtidas as espessuras (em polegadas, in) de 25 amostras,
sendo trs placas cada amostra.
Amostra
1
2
3
4
5
6
7
8
9
10
11
12
13
x1
x2
x3
0,0629
0,0630
0,0628
0,0634
0,0619
0,0613
0,0630
0,0628
0,0623
0,0631
0,0635
0,0623
0,0635
0,0636
0,0631
0,0631
0,0630
0,0628
0,0629
0,0639
0,0627
0,0626
0,0631
0,0630
0,0630
0,0631
0,0640
0,0622
0,0633
0,0631
0,0630
0,0634
0,0625
0,0622
0,0633
0,0633
0,0638
0,0630
0,0630
Amostra
14
15
16
17
18
19
20
21
22
23
24
25
x1
x2
x3
0,0645
0,0619
0,0631
0,0616
0,0630
0,0636
0,0640
0,0628
0,0615
0,0630
0,0635
0,0623
0,0640
0,0644
0,0627
0,0623
0,0630
0,0631
0,0635
0,0625
0,0625
0,0632
0,0629
0,0629
0,0631
0,0632
0,0630
0,0631
0,0626
0,0629
0,0629
0,0616
0,0619
0,0630
0,0635
0,0630
x1
x2
x3
x4
x5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
138,1
149,3
115,9
118,5
108,2
102,8
120,4
132,7
136,4
135,0
139,6
125,3
145,7
138,6
110,1
145,2
125,9
129,7
144,4
144,8
110,8
142,1
135,6
116,5
123,8
112,0
114,3
131,1
126,2
125,4
127,9
160,2
121,8
139,0
114,6
101,0
135,3
97,3
150,0
138,3
138,7
105,0
124,2
118,2
117,1
135,0
112,8
124,0
154,7
149,1
151,1
130,4
149,5
141,9
165,1
154,6
121,5
130,5
161,6
129,6
137,4
134,0
155,0
122,6
142,4
135,0
118,5
123,9
127,1
138,3
143,7
152,4
113,3
140,2
113,8
120,2
147,9
109,0
148,4
151,8
125,4
102,3
117,4
120,2
150,9
145,8
119,3
125,1
173,2
130,4
110,5
165,1
151,8
141,1
139,6
117,3
105,0
150,5
154,2
142,7
69
4. A tabela abaixo apresenta 20 subgrupos de cinco medidas, de uma dimenso
crtica de uma pea produzida por um processo de usinagem. Construir os grficos
de controle X e S.
AMOSTRA
x1
x2
x3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
138,1
149,3
115,9
118,5
108,2
102,8
120,4
132,7
136,4
135,0
139,6
125,3
145,7
138,6
110,1
145,2
125,9
129,7
144,4
144,8
110,8
142,1
135,6
116,5
123,8
112,0
114,3
131,1
126,2
125,4
127,9
160,2
121,8
139,0
114,6
101,0
135,3
97,3
150,0
138,3
138,7
105,0
124,2
118,2
117,1
135,0
112,8
124,0
154,7
149,1
151,1
130,4
149,5
141,9
165,1
154,6
121,5
130,5
161,6
129,6
x4
x5
134,0
155,0
122,6
117,4
120,2
135,0
118,5
123,9
127,1
138,3
143,7
152,4
113,3
140,2
145,8
119,3
120,2
147,9
109,0
148,4
151,8
117,3
105,0
150,5
130,4
165,1
151,8
141,1
142,7
i 2,..., m
LC MR
LSC MR D 4
70
Grfico de controle para observaes individuais:
LIC X 3
MR
d2
LC X
LSC X 3
MR
d2
onde:
X a mdia amostral das observaes amostrais;
m
MR
MR i
i 2
m 1
AMOSTRA
X1
1
2
3
4
5
6
7
8
9
10
11
12
13
AMOSTRA
74,030
73,995
73,988
74,002
73,992
74,009
73,995
73,985
74,008
73,998
73,994
74,004
73,983
14
15
16
17
18
19
20
21
22
23
24
25
74,006
74,012
74,000
73,994
74,006
73,984
74,000
73,982
74,004
74,010
74,015
73,982
, i=2,...,25
AMOSTRA
xi
X1
MR i
1
2
74,030
73,995
0,035
73,988
0,007
74,002
0,014
5
6
73,992
74,009
0,010
0,017
Continua
71
Continuao
7
73,995
0,014
73,985
0,010
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
MDIA
74,008
73,998
73,994
74,004
73,983
74,006
74,012
74,000
73,994
74,006
73,984
74,000
73,982
74,004
74,010
74,015
73,982
73,999
0,023
0,010
0,004
0,010
0,021
0,023
0,006
0,012
0,006
0,012
0,022
0,016
0,018
0,022
0,006
0,005
0,033
0,015
MR
MR i
i 2
m 1
0,015
LC MR 0,015
LSC MR D 4 0,015 3,267 0,048
UCL=0,04846
Moving Range
0,04
0,03
0,02
__
MR=0,01483
0,01
0,00
LCL=0
1
11 13 15
Observation
17
19
21
MR
73,999 3
d2
LC X 73,999
0,015
73,959
1,128
23
25
72
LSC X 3
MR
0,015
73,999 3
74,039
d2
1,128
UCL=74,03857
74,03
Individual Value
74,02
74,01
_
X=73,99912
74,00
73,99
73,98
73,97
73,96
LCL=73,95967
73,95
1
11 13 15
Observation
17
19
21
23
25
LISTA DE EXERCCIOS N O. 5
1) A viscosidade da tinta de base para avies uma caracterstica importante da
qualidade. O produto fabricado em lotes e como cada lote leva horas para ser
produzido, a taxa de produo muito lenta para permitir amostras de tamanho
maior que um. A viscosidade de 15 lotes anteriores apresentada a seguir.
Construir os grficos de controle para observaes individuais e da amplitude
mvel.
NMERO
DO LOTE
1
2
3
4
5
6
7
8
VISCOSIDADE
33,75
33,05
34,00
33,81
33,46
34,02
33,68
33,27
NMERO DO
LOTE
9
10
11
12
13
14
15
VISCOSIDADE
33,49
33,20
33,62
33,00
33,54
33,12
33,84
X
16,8
14,9
18,3
16,5
17,1
17,4
15,9
14,4
15,0
15,7
17,1
15,9
16,4
15,8
15,4
PASTILHA
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
X
15,4
14,3
16,1
15,8
15,9
15,2
16,7
15,2
14,7
17,9
14,8
17,0
16,2
15,6
16,3
73
a) Calcular os limites tentativos de controle para os grficos das observaes
individuais e da amplitude mvel;
b) Construir os grficos e plotar os dados;
c) O processo est sob controle?
3.4 RAZES DA CAPACIDADE DE PROCESSO
conveniente, expressar a capacidade de um processo de forma simples,
quantitativa. Uma forma a razo da capacidade do processo C p , definido como:
Cp
LSE LIE
6
saber: P
74
Em geral,
Freqentemente, usa-se
R
d2
como estimativa de
, resultando em uma
6
R
6
d2
LSE LIE
1
min
,
1 Cpk 1,33
Cpk 1
o processo incapaz.
:
A estimativa de Cpk obtida substituindo-se e pelas estimativas e
LSE
LIE
1
C
,
pk min
Obs:
Limites naturais do processo: so definidos como os valores de X situados a 3
desvios padro da mdia do processo ou seja 0 3 0 .
LIN X 3
R
d2
LSN X 3
R
d2
75
LIC X 3
R
d2 n
LSC X 3
R
d2 n
X 3A 2 R
X 3A 2 R
Exemplos:
1) Os dados apresentados a seguir so a mdia e a amplitude de 24 amostras de
tamanho 5 tomadas de um processo de produo de eixos. Os limites de
especificaes so: LIE=34,745 e LSE=35,183
a) calcular os limites de controle para o grfico da mdia e para o grfico da
amplitude.
b) calcular e interpretar o Cp e o Cpk do processo.
No.
AMOSTRA
1
2
3
4
5
6
7
8
Xi
34,95
35,05
35,01
34,97
35,02
34,95
34,96
34,97
0,22
0,33
0,27
0,16
0,39
0,19
0,21
0,27
No.
AMOSTRA
9
10
11
12
13
14
15
16
Xi
35,08
35,02
34,98
34,98
35,03
35,05
35,00
34,92
0,37
0,09
0,33
0,23
0,15
0,29
0,31
0,18
No.
AMOSTRA
17
18
19
20
21
22
23
24
Xi
35,00
35,04
35,0
34,81
34,96
35,05
35,02
35,03
0,28
0,29
0,27
0,27
0,29
0,18
0,29
0,29
a) Calculando-se inicialmente:
m
Xi
X i 1
m
34,99
Ri
i1
0,2563
R
0,2563
0,1102
d2
2,326
b) E, assim:
LSE LIE 35,183 34,745 0,6625
C
p
6
6 0,1102
1
35,183 34,99 34,99 34,745
C
,
pk min
0,5838
3
0,1102
0,1102
Xi
Xi
Xi
Xi
134,5
134,2
131,6
131,5
135,0
3
4
4
4
5
134,1
132,6
133,8
134,8
134,0
6
4
3
7
12
133,6
131,9
141,0
135,4
134,0
8
3
9
8
6
135,0
134,9
133,5
131,7
34,0
5
7
4
3
8
135,1
133,7
132,8
133,5
134,2
4
2
1
3
2
76
amostra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
X1
X2
X3
X4
X5
74,030
73,995
73,988
74,002
73,992
74,009
73,995
73,985
74,008
73,998
73,994
74,004
73,983
74,006
74,012
74,000
73,994
74,006
73,984
74,000
73,982
74,004
74,010
74,015
73,982
74,002
73,992
74,024
73,996
74,007
73,994
74,006
74,003
73,995
74,000
73,998
74,000
74,002
73,967
74,014
73,984
74,012
74,010
74,002
74,010
74,001
73,999
73,989
74,008
73,984
74,019
74,001
74,021
73,993
74,015
73,997
73,994
73,993
74,009
73,990
73,994
74,007
73,998
73,994
73,998
74,005
73,986
74,018
74,003
74,013
74,015
73,990
73,990
73,993
73,995
73,992
74,011
74,005
74,015
73,989
73,985
74,000
74,015
74,005
74,007
73,995
74,000
73,997
74,000
73,999
73,998
74,005
74,003
74,005
74,020
74,005
74,006
74,009
74,000
74,017
74,008
74,004
74,002
74,009
74,014
73,993
74,005
73,988
74,004
73,995
73,990
73,996
74,012
73,984
74,007
73,996
74,007
74,000
73,997
74,003
73,996
74,009
74,014
74,010
74,013
LIE 73,95 mm
que:
R 0,023
6
6 0,0099
77
1
100 , indica a percentagem da faixa de especificao
C
p
A quantidade P
e . Calculando C pk , tem-se:
1
74,05 74,001 74,001 73,95
C
,
pk min
3
0,0099
0,0099
1
4,9495
C
1,65
pk min 4,9495 , 5,1515
3
3
library(qcc)
library(xlsReadWrite)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("dimetro_aneis.xls")
str(dados)
X<-dados[,2:6]
obj <- qcc(X, type="R",title="GRFICO DE CONTROLE R",
ylab="R das amostras",xlab="Amostras")
obj1 <- qcc(X, type="xbar",title="GRFICO DE CONTROLE DE MDIAS",
ylab="Mdias das amostras",xlab="Amostras")
process.capability(obj1,spec.limits=c(73.95,74.05))
78
LISTA DE EXERCCIOS N O. 6
1. Suponha que a caracterstica da qualidade seja normalmente distribuda, com
especificaes 100 20 . As estimativas da mdia e do desvio padro do processo,
so, respectivamente: 100,0 e 6,0 . Calcular os C p e C pk e interpretar os
valores obtidos.
2. Um molde para extruso usado para produzir bastes de alumnio. O dimetro
dos bastes uma caracterstica crtica a qualidade. Vinte amostras de 5 bastes
cada uma foram analisadas e obteve-se as seguintes estimativas para mdia e
desvio padro: 34,0947 e 2,4664 . Sabendo-se que as especificaes sobre
os bastes so 35,0 10,0 , estimar e interpretar C p e Cpk .
3.5 GRFICOS DE CONTROLE PARA ATRIBUTOS
Muitas vezes, a caracterstica de qualidade no pode ser representada numa
forma numrica ou seja os itens produzidos so inspecionados e classificados como
conformes (atendem s especificaes) ou no conformes (no atendem s
especificaes). Utiliza-se comumente a classificao de no defeituosos e
defeituosos quando as exigncias de projeto so atendidas ou no. Essas
caractersticas so chamadas de atributos.
3.5.1 Grfico p (Grfico de Controle para Frao de no Conformes)
Neste caso, considera-se como medida de qualidade a frao de defeituosos
produzidos pelo processo. Entende-se por frao de produtos defeituosos como a
razo entre o nmero de itens defeituosos e o total de itens.
Os princpios subjacentes ao grfico de controle para a frao de no
conformes baseiam-se na distribuio binomial.
Suponha que o processo de produo esteja operando de maneira estvel, de
forma que a probabilidade de que uma unidade no esteja de acordo com a
especificao seja p, e que as sucessivas unidades produzidas sejam independentes.
Ento, cada unidade produzida uma realizao de uma varivel aleatria de
Bernoulli com parmetro p. Se uma amostra aleatria de n unidades do produto
selecionada, e se D o nmero de unidades do produto no conformes, ento D tem
uma distribuio binomial com parmetros n e p, isto :
79
n
P(D x ) p x (1 p)n x , x 0,1,..., n
x
np
2 np(1 p)
A frao de no conformes definida como sendo:
p
n
tamanho da amostra
p(1 p)
n
LC p
LSC p 3
p(1 p)
n
Di
, i 1, 2,..., m
n
Di
p i
i 1
mn
m
i1
LC p
p (1 p )
n
80
LSC p 3
p (1 p )
n
Exemplo de aplicao:
As peas fabricadas por certa mquina foram classificadas em perfeitas e defeituosas.
Foram examinadas 30 amostras de 20 peas cada uma, fornecendo os resultados:
AMOSTRA
10
11
12
13
14
15
AMOSTRA
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
p i
0,00
0,05
0,05
0,10
0,10
0,00
0,15
0,10
0,25
0,05
0,05
0,00
0,00
0,05
0,10
No. DE PEAS
AMOSTRA DEFEITUOSAS
(X)
16
0
17
3
18
3
19
2
20
3
21
1
22
1
23
1
24
2
25
0
26
0
27
0
28
3
29
4
30
1
p i
0,00
0,15
0,15
0,10
0,15
0,05
0,05
0,05
0,10
0,00
0,00
0,00
0,15
0,20
0,05
Xi
.
20
m
p i
i 1
0,075 , logo,
LC 0,075
LIC 0,075 3
0,075 (1 0,075 )
0,075 0,177 0,102 (0)
20
81
LSC 0,075 3
0,075 (1 0,075 )
0,075 0,177 0,252
20
b)
library(qcc)
library(xlsReadWrite)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo3.xls")
str(dados)
attach(dados)
obj <- qcc(X,sizes=n,type="p",title="GRFICO DE CONTROLE DE DEFEITUOSOS",
ylab="Mdias das amostras",xlab="Amostras",ylim=c(0,0.4))
LIC<-obj$limits[,1]
LIC
LSC<-obj$limits[,2]
LSC
LC<-obj$center
LC
82
Algumas regras prticas para a seleo de amostras da produo:
a) Suponha que p 0,01 e deseja-se que a probabilidade de ter ao menos uma
unidade no conforme na amostra seja de no mnimo 0,95. O que equivale a
encontrar n tal que P(D 1) 0,95.
Tem-se que se p 0,10 e n grande ( n 50 ) , possvel fazer a aproximao da
distribuio binomial para a distribuio de Poisson.
As
probabilidades
acumuladas
da
distribuio
de
Poisson,
e x
, so apresentadas em tabelas. Neste caso, fazer np .
x 0 x!
d
PD d /
3
300
0,01
83
b) Duncan (1986), sugeriu que o tamanho da amostra, deveria ser grande o bastante
para que a chance de detectar uma mudana no processo de algum tamanho
especificado fosse aproximadamente 50%. Se o tamanho da mudana no
processo, ento n deve satisfazer:
p(1 p)
,
n
logo , n p(1 p)
Exemplo:
Suponha que p 0,01 e deseja-se que a probabilidade de detectar uma
mudana para p1 0,05 , seja igual a 0,50. Qual o tamanho da amostra n?
p 0,01
p1 0,05
p1 p 0,05 0,01 0,04
3
n
0,01 0,99 56
0,04
p(1 p)
0
n
ou
(1 p) 2
L
p
(1 0,05) 2
3 171
0,05
84
p (1 p )
ni
LIC i p 3
LC p
p (1 p )
ni
LSC i p 3
Onde:
m
Di
p i 1
m
ni
i 1
DIA
UNIDADES
INSPECIONADAS
UNIDADES
NO
CONFORMES
80
110
90
75
130
120
70
125
105
10
95
Soluo:
m
Di
p i 1
ni
60
0,06
1000
i 1
DIA
UNIDADES
INSPECIONADAS
( ni )
1
2
3
4
5
6
7
80
110
90
75
130
120
70
UNIDADES
NO
CONFORMES
( Di )
p i
LIC
LSC
4
7
5
8
6
6
4
0,05
0,06
0,06
0,11
0,05
0,05
0,06
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,14
0,13
0,14
0,14
0,12
0,13
0,15
Continua
85
8
9
10
125
105
95
1000
5
8
7
60
0,04
0,08
0,07
0,00
0,00
0,00
Continuao
0,12
0,13
0,13
Para i 1:
LIC 1 0,06 3
0,06 (1 0,06)
0,02
80
LC 0,06
LSC1 0,06 3
0,06 (1 0,06)
0,14
80
library(qcc)
library(xlsReadWrite)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("computadores.xls") # leitura do arquivo de dados
str(dados)
# lista a estrutura do objeto dados
attach(dados)
obj <- qcc(X,sizes=n,type="p",title="GRFICO DE CONTROLE
ylab="prop. das amostras",xlab="Amostras")
p",
LISTA DE EXERCCIOS N O. 7
1. Um grfico de controle para a frao de no conformes deve ser estabelecido, com
linha central de 0,01 e limites de controle dois-sigma.
a) qual deve ser o tamanho da amostra, se o limite inferior de controle deve ser no
nulo?
86
b) qual deve ser o tamanho da amostra, se desejamos que a probabilidade de
detectar uma mudana para 0,04 seja de 0,50?
2. Um processo que produz crter para mancais controlado por um grfico de
controle para a frao de no conformes, usando tamanho de amostra n=100 e
linha central igual a 0,02.
a) Achar os limites trs sigma para esse grfico;
b) Qual o menor tamanho de amostra que pode ser usado para esse processo para
fornecer um limite inferior de controle positivo para o grfico.
3. Um grfico de controle indica que a frao corrente de no conformes do processo
0,02, para limites trs sigma. Qual deve ser o tamanho da amostra, se desejamos
que a probabilidade de detectar uma mudana para 0,04 seja de 0,50?
4. Um processo que produz aros de roda de titnio para automveis com motores
turbinados, deve ser controlado pelo uso do grfico para a frao de no
conformes. Inicialmente, uma amostra de tamanho 150 retirada a cada dia,
durante 20 dias, e os resultados observados so apresentados.
UNIDADES
NO
CONFORMES
3
11
UNIDADES
NO
CONFORMES
2
12
13
14
15
16
17
18
19
10
20
DIA
DIA
UNIDADES NO
CONFORMES
230
435
221
346
230
Continua
87
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Continuao
327
285
311
342
308
456
394
285
331
198
414
131
269
221
407
e c
c!
, c 0,1,2,....
88
LIC c 3 c
(limite inferior)
LC c
(linha central)
LSC c 3 c
(limite superior)
(limite inferior)
LC c
(linha central)
LSC c 3
(limite superior)
c
m
Di
Onde: c
i 1
DEFEITOS
AMOSTRA
DEFEITOS
AMOSTRA
DEFEITOS
21
10
25
19
18
24
11
20
20
39
16
12
24
21
30
12
13
16
22
24
15
14
19
23
16
15
10
24
19
28
16
17
25
17
20
17
13
26
15
31
18
22
Soluo:
O total de defeitos igual a 516, portanto, c
516
19,85 .
26
89
A mdia e o desvio padro da varivel aleatria X que segue distribuio de
Poisson c e
library(qcc)
library(xlsReadWrite)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo4.xls")
str(dados)
attach(dados)
obj <- qcc(DEFEITOS,type="c",title="",ylab="Defeitos",
xlab="Amostras",ylim=c(0,40))
title(main="GRFICO DE CONTROLE PARA NO-CONFORMIDADES",cex.main=0.9)
LIC<-obj$limits[,1]
LSC<-obj$limits[,2]
LC<-obj$center
LIC;LSC;LC
LISTA DE EXERCCIOS N O. 8
1. Foram contados defeitos de superfcie de 25 placas de ao retangulares, e os
dados so apresentados a seguir. Estabelea um grfico de controle para no
conformidades. O processo de produo das placas parece estar sob controle?
90
No. DA PLACA
1
2
3
4
5
6
7
8
9
10
11
12
13
NMERO DE NO
CONFORMIDADES
1
0
4
3
1
2
5
0
2
1
1
0
8
No. DA
PLACA
14
15
16
17
18
19
20
21
22
23
24
25
NMERO DE NO
CONFORMIDADES
0
2
1
3
5
4
6
3
1
0
2
4
NMERO DE NO
CONFORMIDADES
1
2
0
3
1
1
5
1
0
3
AMOSTRA
11
12
13
14
15
16
17
18
19
20
NMERO DE NO
CONFORMIDADES
0
2
0
2
1
1
2
3
0
2
Que tipo de grfico voc usaria? O processo parece estar sob controle? Qual o
valor dos limites de controle que voc usar para controlar o processo?
3. Um fabricante de automveis deseja controlar o nmero de no conformidades em
uma rea de sub-montagem, que produz transmisses manuais. A unidade de
inspeo definida como quatro transmisses, e os dados para 16 amostras (cada
uma de tamanho 4) encontram-se abaixo.
No. DA
AMOSTRA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
NMERO DE NO
CONFORMIDADES
1
3
2
1
0
2
1
5
2
1
0
2
1
1
2
3
91
3.5.3 Grfico u
Esse um grfico de controle com base no nmero mdio de no
conformidades por unidade de inspeo. Se encontrar um total de x no
conformidades em um amostra de unidades de inspeo, o nmero mdio de no
conformes por unidade de inspeo dada por:
u
x
n
u
n
(limite inferior)
LC u
LSC u 3
(linha central)
u
n
(limite superior)
Tamanho da
amostra
5
5
5
5
5
5
5
5
5
5
Nmero de
defeitos
10
12
8
14
10
16
11
7
10
15
No. Amostra
No. Amostra
Tamanho da
amostra
Nmero de
defeitos
No. Amostra
1
2
3
4
5
6
7
8
9
10
5
5
5
5
5
5
5
5
5
5
10
12
8
14
10
16
11
7
10
15
11
12
13
14
15
16
17
18
19
20
TOTAL
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Tamanho da
amostra
5
5
5
5
5
5
5
5
5
5
Nmero de
defeitos
9
5
7
11
12
6
8
10
7
5
Tamanho da
amostra
Nmero de
defeitos
5
5
5
5
5
5
5
5
5
5
100
9
5
7
11
12
6
8
10
7
5
193
92
m
xi
u i 1
m
ni
193
1,93
100
i 1
LIC u 3
u
1,93
1,93 3
0,066
n
5
(limite inferior)
LC u 1,93
LSC u 3
(linha central)
u
1,93
1,93 3
3,794
n
5
library(qcc)
library(xlsReadWrite)
(limite superior)
setwd("C:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("graficoU.xls")
str(dados)
x<-dados$defeitos
n<-dados$n
obj <- qcc(x,type="u",size=n,ylab="Mdia de
defeitos",xlab="Amostras",title="")
title(main="GRFICO DE CONTROLE DE NO-CONFORMES POR
UNIDADE",cex.main=0.9)
LISTA DE EXERCCIOS N O. 9
1. Os dados abaixo referem-se ao nmero de defeitos por unidade, encontrados na
inspeo de 25 veculos. Construir o grfico correspondente.
93
AMOSTRA
1
2
3
4
5
6
7
8
9
10
11
12
13
NMERO DE
DEFEITOS
7
14
13
17
7
11
6
11
16
13
17
10
7
AMOSTRA
14
15
16
17
18
19
20
21
22
23
24
25
NMERO DE
DEFEITOS
8
21
12
8
9
5
27
9
15
3
7
5
Ci ( X j 0 )
j 1
94
O cusum tabular trabalha acumulando desvios de 0 que esto acima do alvo,
com uma estatstica C , e acumulando desvios de 0 que esto abaixo do alvo, com
outra estatstica C . As estatsticas C e C so chamadas cusums unilaterais
superior e inferior, respectivamente, e so calculadas a partir das expresses a seguir:
Ci mx [0, x i (0 k ) Ci1 ]
Ci mx [0, ( 0 k ) x i Ci1 ]
chamado o valor de
1 0 ou
k
1 0
, ento k a metade da magnitude da mudana ou
1 0 .
2
2
Se tanto C ou C excederem o intervalo de deciso H, o processo
considerado fora do controle. O valor razovel para H cinco vezes o desvio padro
do processo .
Exemplo 1: Considere os dados da tabela abaixo. As 20 primeiras observaes foram
extradas aleatoriamente de uma distribuio normal com mdia 10 e desvio
padro 1. As dez ltimas observaes foram extradas de uma distribuio normal
com mdia 11 e desvio padro 1.
AMOSTRA
(i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
xi
9,45
7,99
9,29
11,66
12,16
10,18
8,04
11,46
9,2
10,34
9,03
11,47
10,51
9,4
10,08
AMOSTRA
(i)
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
xi
9,37
10,62
10,31
8,52
10,84
10,9
9,33
12,29
11,5
10,6
11,08
10,38
11,62
11,31
10,52
95
Plotando o grfico de controle de Shewhart tem-se:
11 10
2
xi
9,45
7,99
9,29
11,66
12,16
10,18
8,04
11,46
9,2
10,34
9,03
11,47
10,51
9,4
10,08
9,37
10,62
10,31
8,52
10,84
10,9
9,33
x i 10,5
-1,05
-2,51
-1,21
1,16
1,66
-0,32
-2,46
0,96
-1,3
-0,16
-1,47
0,97
0,01
-1,1
-0,42
-1,13
0,12
-0,19
-1,98
0,34
0,4
-1,17
Ci
9,5 x i
N
0
0
0
1,16
2,82
2,5
0,04
1
0
0
0
0,97
0,98
0
0
0
0,12
0
0
0,34
0,74
0
0
0
0
1
2
3
4
5
0
0
0
1
2
0
0
0
1
0
0
1
2
0
0,05
1,51
0,21
-2,16
-2,66
-0,68
1,46
-1,96
0,3
-0,84
0,47
-1,97
-1,01
0,1
-0,58
0,13
-1,12
-0,81
0,98
-1,34
-1,4
0,17
Ci
N
0,05
1,56
1,77
0
0
0
1,46
0
0,3
0
0,47
0
0
0,1
0
0,13
0
0
0,98
0
0
0,17
1
2
3
0
0
0
1
0
1
0
1
0
0
1
0
1
0
0
1
0
0
1
Continua
96
23
24
25
26
27
28
29
30
12,29
11,5
10,6
11,08
10,38
11,62
11,31
10,52
1,79
1
0,1
0,58
-0,12
1,12
0,81
0,02
1,79
2,79
2,89
3,47
3,35
4,47
5,28
5,3
1
2
3
4
5
6
7
8
-2,79
-2
-1,1
-1,58
-0,88
-2,12
-1,81
-1,02
Continuao
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("cusum.xls") # leitura do arquivo de dados
str(dados)
attach(dados)
#========================== Grfico cusum ========================#
g.cusum<-qcc(xi, type="xbar.one",center=10,std.dev=1,plot=F)
cusum(g.cusum,se.shift=1,decision.int=5)
O grfico mostra dois pontos fora do limite superior de controle, indicando que
houve mudana na mdia do processo.
Os clculos para cusum mostram que o cusum do lado superior no perodo
que o processo est fora de controle nesse ponto. Tem-se que N 7 no perodo 29,
portanto, possvel concluir que o processo esteve em controle pela ltima vez no
97
perodo 29 7 22 , de modo que a mudana provavelmente ocorreu entre os
perodos 22 e 23. N o contador que registra o nmero de perodos consecutivos
desde que o cusum superior C i ficou acima do valor zero.
Nas situaes em que se torna necessrio algum ajuste em alguma varivel
manipulvel para trazer o processo de volta ao valor-alvo 0 , pode ser til ter-se uma
estimativa da nova mdia do processo em seguida mudana. Isso pode ser
calculado por:
0 k
0 k
Ci
, se Ci H
N
Ci
N
, se Ci H
no-nulos.
Considere o cusum no perodo 29 com C 5,28 , estimaramos a nova mdia
do processo como :
0 k
Ci
N
10 0,5
5,28
11,25
7
1
.
2
xi 0
Ci mx [0, k y i Ci1 ]
98
NMERO
TEMPERATURA
NMERO
TEMPERATURA
95,43
13
97,81
99,85
14
97,84
100,09
15
103,09
101,73
16
95,18
102,18
17
97,61
98,37
18
97,22
101,21
19
101,78
96,26
20
103,32
98,90
21
102,03
10
96,92
22
104,02
11
95,70
23
98,68
12
95,05
24
98,38
Soluo:
Calcula-se inicialmente o valor padronizado de x i , obtendo-se os valores y i .
Recomenda-se usar k 0,5 e h 4,77 , para a construo do grfico de controle
cusum. Assim, os valores de C i e C i so obtidos atravs das expresses:
Ci mx [0, y i k Ci1 ]
Ci mx [0, k y i Ci1 ]
Para i 1, tem-se:
C1 mx [0, y1 0,5 0] mx [0, 1,83] 0
E assim, at i 24 .
NMERO
TEMPERATURA
( xi )
y i 0,5
yi
C i
0,5 y i
C i
95,43
-1,33
-1,83
0,00
0,83
0,83
99,85
0,27
-0,23
0,00
-0,77
0,06
100,09
0,35
-0,15
0,00
-0,85
0,00
101,73
0,95
0,45
0,45
-1,45
0,00
102,18
1,11
0,61
1,06
-1,61
0,00
98,37
-0,27
-0,77
0,29
-0,23
0,00
101,21
0,76
0,26
0,55
-1,26
0,00
96,26
-1,03
-1,53
0,00
0,53
0,53
98,9
-0,08
-0,58
0,00
-0,42
0,11
10
96,92
-0,79
-1,29
0,00
0,29
0,40
11
95,7
-1,23
-1,73
0,00
0,73
1,13
12
95,05
-1,47
-1,97
0,00
0,97
2,10
13
97,81
-0,47
-0,97
0,00
-0,03
2,07
14
97,84
-0,46
-0,96
0,00
-0,04
2,03
15
103,09
1,44
0,94
0,94
-1,94
0,09
16
95,18
-1,42
-1,92
0,00
0,92
1,01
17
97,61
-0,54
-1,04
0,00
0,04
1,05
Continua
99
Continuao
18
97,22
-0,68
-1,18
0,00
0,18
1,24
19
101,78
0,97
0,47
0,47
-1,47
0,00
20
103,32
1,52
1,02
1,49
-2,02
0,00
21
102,03
1,06
0,56
2,04
-1,56
0,00
22
104,02
1,77
1,27
3,32
-2,27
0,00
23
98,68
-0,16
-0,66
2,66
-0,34
0,00
24
98,38
-0,26
-0,76
1,90
-0,24
0,00
Mdia
Desvio
Padro
99,11
2,77
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("temperatura.xls")
str(dados)
attach(dados)
#========================
G.cusum<-qcc(Temp, type="xbar.one",center=99.11,std.dev=2.77,plot=F)
cusum(G.cusum,se.shift=1,decision.int=4.77)
100
3.7
EXPONENCIALMENTE
PONDERADA
O grfico de controle MMEP (mdia mvel exponencialmente ponderada)
conhecido tambm como grfico EWMA (exponentially weighted moving average )
muito eficaz contra pequenas mudanas no processo. Os parmetros do
planejamento do grfico so o mltiplo de sigma usado nos limites de controle, (L), e o
valor de . O grfico MMEP definido como sendo:
Zi x i (1 ) Zi1
2 , ento a varincia de Z i :
2Zi 2
1 (1 ) 2 i
(2 )
LC 0
LIC 0 L
1 (1 ) 2 i
(2 )
1 (1 ) 2 i
(2 )
existe uma vantagem em reduzir a largura dos limites pelo uso de um L entre cerca
de 2,6 e 2,8.
Exemplo 3: Considere os dados do exemplo1 para construir o grfico de controle
MMEP.
101
AMOSTRA
xi
(i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
LIC
9,45
7,99
9,29
11,66
12,16
10,18
8,04
11,46
9,2
10,34
9,03
11,47
10,51
9,4
10,08
9,37
10,62
10,31
8,52
10,84
10,9
9,33
12,29
11,5
10,6
11,08
10,38
11,62
11,31
10,52
9,7300
9,6368
9,5760
9,5325
9,5001
9,4753
9,4560
9,4409
9,4290
9,4195
9,4119
9,4058
9,4009
9,3970
9,3938
9,3913
9,3893
9,3876
9,3863
9,3852
9,3843
9,3836
9,3830
9,3826
9,3822
9,3819
9,3816
9,3814
9,3813
9,3811
LC
LSC
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10
10,2700
10,3632
10,4240
10,4675
10,4999
10,5247
10,5440
10,5591
10,5710
10,5805
10,5881
10,5942
10,5991
10,6030
10,6062
10,6087
10,6107
10,6124
10,6137
10,6148
10,6157
10,6164
10,6170
10,6174
10,6178
10,6181
10,6184
10,6186
10,6187
10,6189
Zi
9,9450
9,7495
9,7036
9,8992
10,1253
10,1307
9,9217
10,0755
9,9880
10,0232
9,9238
10,0785
10,1216
10,0495
10,0525
9,9843
10,0478
10,0740
9,9186
10,0108
10,0997
10,0227
10,2495
10,3745
10,3971
10,4654
10,4568
10,5731
10,6468
10,6341
0,1
1 (1 ) 2 i 10 2,7 1
[1 (1 0,1) 2 i
(2 )
(2 0,1)
LC 0
LIC i 0 L
0,1
1 (1 ) 2 i 10 2,7 1
[1 (1 0,1) 2 i
(2 )
(2 0,1)
0,1
[1 (1 0,1) 2 ] 9,7300
(2 0,1)
0,1
[1 (1 0,1) 2 ] 10,2700
(2 0,1)
102
Os valores de Z i so obtidos a partir de:
Zi x i (1 ) Zi1
Para i 1, o valor de Z i1 0 , ou seja, igual ao valor-alvo. Assim, tem-se:
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("cusum.xls")
str(dados)
attach(dados)
#========================= Grfio MMEP ============================#
g.ewma<-qcc(xi, type="xbar.one",center=10,std.dev=1,plot=F)
ewma(g.ewma,lambda=0.1,nsigmas=2.7)
103
Exemplo 4: Considere os dados do exemplo 2 e construa o grfico de controle
MMEP, usando 0,25 e L 3 .
Soluo:
Os limites inferior, central e superior so obtidos a partir das seguintes
expresses:
LSC 0 L
1 (1 ) 2 i
(2 )
LC 0
1 (1 ) 2 i
(2 )
LIC 0 L
0,25
[1 (1 0,25) 2 101,19
(2 0,25)
E, assim sucessivamente, at i 24 .
Os valores de Z i so obtidos a partir de:
Zi x i (1 ) Zi1
Para i 1, o valor de Z i1 0 , ou seja, igual ao valor-alvo. Assim, tem-se:
TEMPERATURA
LIC
LC
LS
zi
99,11
95,43
97,04
99,11
101,19
98,19
99,85
96,52
99,11
101,70
98,61
100,09
96,27
99,11
101,95
98,98
101,73
96,14
99,11
102,09
99,66
102,18
96,06
99,11
102,16
100,29
98,37
96,02
99,11
102,20
99,81
101,21
96,00
99,11
102,22
100,16
96,26
95,99
99,11
102,23
99,19
98,9
95,98
99,11
102,24
99,11
Continua
104
Continuao
10
96,92
95,98
99,11
102,24
98,57
11
95,7
95,98
99,11
102,24
97,85
12
95,05
95,98
99,11
102,25
97,15
13
97,81
95,97
99,11
102,25
97,31
14
97,84
95,97
99,11
102,25
97,45
15
103,09
95,97
99,11
102,25
98,86
16
95,18
95,97
99,11
102,25
97,94
17
97,61
95,97
99,11
102,25
97,86
18
97,22
95,97
99,11
102,25
97,70
19
101,78
95,97
99,11
102,25
98,72
20
103,32
95,97
99,11
102,25
99,87
21
102,03
95,97
99,11
102,25
100,41
22
104,02
95,97
99,11
102,25
101,31
23
98,68
95,97
99,11
102,25
100,65
24
98,38
95,97
99,11
102,25
100,09
Valor-alvo
99,11
Sigma
2,77
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("temperatura.xls") # leitura do arquivo de dados
str(dados)
attach(dados)
105
#======================== Grfio MMEP ============================#
g.ewma<-qcc(Temp, type="xbar.one",center=99.11,std.dev=2.77,plot=F)
ewma(g.ewma,lambda=0.25,nsigmas=3)
LISTA DE EXERCCIOS N O. 10
1. Medidas de viscosidade sem um polmero so feitas a cada 10 minutos por um
viscmetro on-line. Trinta e seis observaes so apresentadas. O alvo da
viscosidade para esse processo 0 3200 .
AMOSTRA
1
VISCOSIDADE
3169
AMOSTRA
19
VISCOSIDADE
3185
3173
20
3187
3162
21
3192
3154
22
3199
3139
23
3197
3145
24
3193
3160
25
3190
3172
26
3183
3175
27
3197
10
3205
28
3188
11
3203
29
3183
12
3209
30
3175
13
3208
31
3174
14
3211
32
3171
15
3214
33
3180
16
3215
34
3179
17
3209
35
3175
18
3203
36
3174
2. Uma mquina usada para encher latas com leo aditivo de motor. Uma nica lata
amostrada a cada hora e o seu peso, medido. Como o processo de enchimento
automtico, ele tem uma variabilidade muito estvel, e uma experincia longa indica
que 0,05 oz2. As observaes individuais para 24 horas de operao so
mostradas abaixo. Supondo que o alvo do processo seja 8,02 oz, estabelea um
cusum tabular para esse processo.
106
a) Planeje o cusum usando os valores padronizados h 4,77 e k
1
;
2
AMOSTRA
xi
AMOSTRA
xi
8,00
13
8,05
8,01
14
8,04
8,02
15
8,03
8,01
16
8,05
8,00
17
8,06
8,01
18
8,04
8,06
19
8,05
8,07
20
8,06
8,01
21
8,04
10
8,04
22
8,02
11
8,02
23
8,03
12
8,01
24
8,05
4 ANLISE DE EXPERIMENTOS
A melhoria da qualidade e da produtividade mais eficaz quando parte
integrante do ciclo de desenvolvimento do produto e do processo. Em particular, a
introduo formal da metodologia do planejamento experimental nos estgios iniciais
do ciclo de desenvolvimento - onde so planejados os novos produtos, projetos de
produtos existentes so melhorados, e os processos de fabricao so otimizados - ,
em geral a chave para o sucesso geral do produto (MONTGOMERY, 2009, p. 363).
4.1 PLANEJAMENTO DE EXPERIMENTOS
O planejamento de experimentos, chamado tambm de delineamento de
experimentos, compreende um conjunto de ensaios estabelecido com critrios
cientficos e estatsticos, e tem como objetivo determinar a influncia de diversas
variveis nos resultados de um dado sistema ou processo.
O processo pode ser visto como uma combinao de mquinas, mtodos e
pessoas, que transforma um material de entrada em um produto de sada, conforme a
figura abaixo. Este produto de sada pode ter uma ou mais caractersticas de
qualidade observveis ou respostas. Algumas variveis do processo, x 1 , x2,..., xp , so
107
controlveis, enquanto outras, z 1 , z2,..., zp , so no-controlveis (embora, possam ser
controlveis para efeito de teste). Esses fatores no-controlveis so chamados
algumas vezes de rudo.
Fatores de entrada
controlveis
x1
... x p
x2
...
Entrada
Processo
Sada
y
...
z1
... z p
z2
Fatores de entrada
no-controlveis
108
engenheiros est projetando uma dobradia de porta para um automvel. A
caracterstica da qualidade de interesse o esforo de parada, ou a capacidade do
trinco segurar a porta, o que evita que a porta se feche quando o carro est
estacionado em uma subida. O mecanismo de parada consiste em uma mola e em
uma roldana. Quando a porta est aberta, a roldana desliza em um arco fazendo a
mola se comprimir. Para fechar a porta, a mola deve ser forada lateralmente, o que
cria o esforo de parada. O grupo de engenheiros acredita que o esforo de parada
uma funo dos seguintes fatores:
1. distncia percorrida pela roldana;
2. altura do eixo da mola at a base;
3. distncia horizontal do eixo mola;
4. altura livre da mola de reforo;
5. altura livre da mola principal.
Foi construdo um prottipo do mecanismo de dobradia, no qual, todos esses
fatores, podem variar em certos intervalos. Uma vez identificados os nveis
apropriados para esses cinco fatores, pode-se planejar um experimento que consiste
nas diversas combinaes dos nveis desses fatores e o prottipo de dobradia pode
ser testado nessas combinaes.
4.2 EXPERIMENTOS FATORIAIS
Existem situaes experimentais onde as unidades experimentais so
heterogneas devido a presena de uma (ou mais) fonte(s) de variao(es)
conhecida(s)
que
pode(m)
ser controlada(s)
quando
da
realizao do
experimento.
O experimento fatorial utilizado quando dois ou mais fatores esto sendo
estudados em dois ou mais nveis e a interao entre os fatores pode ser importante.
De acordo com o nmero de fontes de variabilidade conhecidas que tornam as
unidades homogneas, tem-se diferentes tipos de planejamento:
a) experimentos fatoriais com 2 fatores;
b) experimentos fatoriais com 3 fatores;
c) experimentos 2 p fatorial;
Nesse curso, sero abordados os experimentos fatoriais com 2 fatores, sem e
com repetio.
4.2.1 Experimentos Fatoriais com 2 Fatores - sem Repetio
109
Seja o experimento com fator A com a tratamentos e um fator B com b
tratamentos. Deve-se realizar ensaios com todas as combinaes dos tratamentos de
A e B, totalizando ( a b ) ensaios.
FATOR B (colunas)
FATOR A
(linhas)
C1
C2
L1
x 11
L2
x 21
Cb
x 12
...
...
x 1b
x 22
...
x 2b
...
...
x ab
...
...
...
La
x a1
x a2
...
Modelo Estatstico
y i j i j i j , i=1,2, ..., a; j=1,2, ..., b
onde:
As mdias entre linhas (fator A), entre colunas (fator B) e total, so dadas por:
b
Xi j
Xi
j1
X j
xi j
i1
a b
xi j
i1 j1
mdia total
(linhas)
110
H02 : .1 . 2 ... .b
(colunas)
b a
SQT x i j X
j1i1
b a
xi j
b a
j1i1
x i2j
N
j1i1
b a
SQL X i X
j1i1
2
2
b
b a
xi j xi j
j1i1
a j1
b
N
i1
a b
SQC X j X
i 1j 1
2
a
b a
x i j x i j
b
i1 j1i1
a
N
j1
SQR x i j X i
i1 j1
X j
111
b a
Xi X
S L2
j1i1
a 1
a b
X j X
2
SC
i1 j1
b 1
x
a b
S R2
i1 j1
ij
Xi
X j
(a 1) (b 1)
GRAUS DE
LIBERDADE
(G.L.)
Entre linhas
SQL
a-1
S L2
SQL
a 1
Entre colunas
SQC
b-1
2
SC
SQC
b 1
Residual
SQR
(a-1) (b-1)
Total
SQT
ab-1=N-1
FONTE DE VARIAO
(FV)
QUADRADO
MDIO (QM)
SR2
ESTATSTICA
F
FL
FC
S L2
S R2
S C2
S R2
SQR
(a 1) (b 1)
OBSERVADORES
TEODOLITOS
O1
O2
O3
O4
t1
70
60
62
58
t2
72
60
60
55
t3
74
63
58
58
Soluo:
1) H01 : 1. 2. ... a.
(linhas)
112
H02 : .1 . 2 ... .b
(colunas)
1
2
3
SOMA DE
x j
TEODOLITOS
x 2j
xi
70
72
74
60
60
63
62
60
58
58
55
58
250
247
253
216
183
180
171
750
1
4900
5184
5476
1
2
3
SOMA DE
SOMA DE
OBSERVADORES
TEODOLITOS
15.561
OBSERVADORES
2
3
3600
3844
3600
3600
3969
3364
11.171
10.811
4
3364
3025
3364
x i2
SOMA DE
9.757
15.708
15.409
16.173
47.290
b a
xi j
2
b a
j1i1
47.290 750 415,00
SQT x i2j
N
12
j1i1
2
2
b
b a
xi j xi j
j1i1
a j1
2502 2472 2532 7502
SQL
4,50
b
N
4
4
12
i1
4
2
a
b a
x i j x i j
b
2162 1832 1802 1712 7502
i1 j1i1
SQC
387,00
a
N
3
3
3
12
j1
3
GRAUS DE
LIBERDADE
(G.L.)
4,50
Entre colunas
387,00
Residual
23,50
Total
415,00
11
FONTE DE VARIAO
(FV)
Entre linhas
QUADRADO
MDIO (QM)
ESTATSTICA
F
4,50
2
387
2
SC
3
23,50
SR2
6
FL 0,5745
SL2
FC 32,9362
113
Concluses:
Como F L F0,05 ; 2;6 5,14 , aceita-se H0 , portanto, no existe diferena
significativa entre os teodolitos (linhas);
Como FC F0,05 ;3;6 4,76 , rejeita-se H0 , portanto, existe diferena significativa
entre os observadores (colunas).
library(xlsReadWrite)
library(nortest)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho
dados<-read.xls("exp_fatorial1.xls")
str(dados)
dados$teodolitos<-factor(dados$teodolitos)
dados$observadores<-factor(dados$observadores)
attach(dados)
mod<-aov(X ~ teodolitos+observadores)
summary(mod)
30
35
40
45
50
55
3,0
4,3
3,8
4,6
3,5
2,8
2,9
4,1
3,6
4,4
3,6
2,2
100 F
125 F
Soluo:
a) Hipteses Estatsticas
1) H01 : 1. 2.
H02 : .1 .2 ... . 6
(linhas)
(colunas)
114
c) Clculo das Somas de Quadrados e Quadrados Mdios
PRESSO ( x i j )
TEMPERATURA
SOMA
DE
xi
30
35
40
45
50
55
3,0
4,3
3,8
4,6
3,5
2,8
22,0
2,9
4,1
3,6
4,4
3,6
2,2
20,8
5,90
8,40
7,40
9,00
7,10
5,00
42,8
100 F
o
125 F
SOMA DE
x j
x i2j
TEMPERATURA
SOMA
x i2
30
35
40
45
50
55
9,0
18,5
14,4
21,2
12,3
7,8
83,2
8,4
16,8
13,0
19,4
13,0
4,8
75,3
17,4
35,3
27,4
40,5
25,2
12,7
158,5
DE
100 F
o
125 F
2
SOMA DE x j
Tem-se que:
o
Soma de quadrados:
2
b a
xi j
2
b a
j1i1
158,5 42,8 5,87
SQT x i2j
N
12
j1i1
2
2
b
b a
x i j x i j
2
2
2
a j1
j1 i1 22,0 20,8 42,8 0,12
SQL
b
N
6
12
i1
6
2
a
xi j
b
i1
SQC
a
j1
b a
xi j
j1i1
(Total)
(Entre linhas)
(Entre colunas)
115
5,90 2 8,40 2 7,40 2 9,00 2 7,10 2 12,7 2 5,00 2
SQC
5,62
2
2
2
2
2
12
2
(Residual)
Quadrados Mdios:
SL2
SQL 0,12
0,12
a 1 2 1
2
SC
SQC 5,6167
1,1233
b 1
6 1
SR2
SQR
0,1300
0,0260
(a 1) (b 1) (2 1) (6 1)
(Entre linhas)
(Entre colunas)
(Residual)
d) Estatstica F
S L2
FL
S R2
FC
2
SC
S R2
0,12
4,6154
0,0260
5,6167
43,2051
0,0260
(Entre linhas)
(Entre colunas)
GRAUS DE
LIBERDADE
(G.L.)
QUADRADO
MDIO (QM)
ESTATSTICA
F
Entre linhas
0,12
SL2 0,12
FL 4,6154
Entre colunas
5,62
2
SC
1,1233
Residual
0,13
SR2 0,0260
Total
5,87
11
FONTE DE VARIAO
(FV)
FC 43,2051
Concluses:
Como F L F0,01 ;1;5 16,26 , aceita-se H0 , portanto, no possvel afirmar que
existe influncia da temperatura (linhas);
Como
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exp_fatorial2.xls")
arquivo de dados
str(dados)
dados$temp<-factor(dados$temp)
dados$pressao<-factor(dados$pressao)
116
attach(dados)
anova<-aov(y~temp+pressao)
summary(anova)
# efetua a ANOVA
# apresenta os resultados
x i jk
2
a b xi j
j1i1 k 1
SQTr
n
N
i 1j 1
x i jk
2
a ( xi )
j1i1 k 1
SQL
bn
N
i1
b a n
x i jk
2
j1i1k 1
b ( x j )
SQC
an
N
j1
b a n
SQT x i2j k
j1i1 k 1
b a n
x i jk
j1i1k 1
117
S L2
SQL
a 1
2
SC
SQC
b 1
SQTr
ab 1
S 2Tr
SI2
SQI
(a 1) (b 1)
SR2
SQR
ab(n 1)
S 2T
SQT
abn 1
SOMA DE
QUADRADOS
(SQ)
GRAUS DE
LIBERDADE
(G.L.)
QUADRADO MDIO
(QM)
ESTATSTICA F
a-1
SL2
SQL
a 1
FL
SQC
b-1
2
SC
SQC
b 1
FC
SQI
(a 1) (b 1)
Entre tratamentos
SQTr
ab 1
Residual
SQR
ab(n-1)
Total
SQT
abn-1=N-1
Entre linhas
Entre colunas
Interao
SQL
SI2
SQI
(a 1) (b 1)
S 2Tr
SR2
FI
S L2
S R2
2
SC
S R2
S I2
S R2
SQTr
ab 1
SQR
ab (n 1)
Exemplos de aplicao:
1) Foram observados os tempos, em segundos, gastos por quatro operrios para
montar certa pea segundo trs mtodos diferentes. Cada operrio montou duas
peas segundo cada mtodo, sendo os resultados fornecidos no quadro abaixo.
considerada admissvel a existncia de interao entre operrios e mtodos. Verificar
utilizando a anlise da varincia, se existe diferena significativa entre os mtodos e/o
entre os operrios. Usar 0,05 .
118
MTODOS
OPERRIOS
2
3
54
52
59
57
59
62
2
3
46
47
61
55
63
58
4
55
54
59
61
63
61
51
60
56
57
59
60
Soluo:
xi j
MTODOS
1
1
2
3
2
106
116
121
x j
xi
3
93
116
121
343
4
109
120
124
330
353
111
113
119
419
465
485
343
1.369
b a n
xi jk
1
2.916
2.704
3.481
3.249
3.481
3.844
1
2
3
b a n
2
2.116
2.209
3.721
3.025
3.969
3.364
j1i1k 1
x i jk
MTODOS
b a n
x i jk
j1i1k 1
3
3.025
2.916
3.481
3.721
3.969
3.721
4
2.601
3.600
3.136
3.249
3.481
3.600
78.579
x i jk
2
j1i1k 1
b a n
x i jk
2
j1i1k 1
2
2
2
2
a ( xi )
419 465 485 1.369 286,33
SQL
bn
N
8
8
8
24
i1
b a n
x i jk
2
b ( x j )
j1i1 k 1
SQC
an
N
j1
44,46
6
6
6
6
24
b a n
x i jk
2
2
2
2
2
2
2
a b xi j
j1i1 k 1
106 93 109 ... 124 119 1.369 403,46
SQTr
N
2
2
2
2
2
24
i 1j 1 n
b a n
SQT x i2j k
j1i1 k 1
b a n
x i jk
j1i1k 1
2
78.579 1.369 488,96
N
24
119
O quadro da ANOVA a dois critrios de classificao com repetio
SOMA DE
QUADRADOS
(SQ)
GRAUS DE
LIBERDADE
(G.L.)
Entre linhas
286,33
Entre colunas
44,46
Interao
72,67
403,46
11
Residual
85,50
12
Total
488,96
23
FONTE DE VARIAO
(FV)
Entre tratamentos
QUADRADO MDIO
(QM)
286,33
2
44,46
2
SC
3
72
,67
SI2
6
403
,46
S 2Tr
11
85,50
SR2
12
S L2
ESTATSTICA F
FL 20,09
FC 2,08
FI 1,70
FTr 5,15
# define o
dados$M<-factor(dados$M)
dados$O<-factor(dados$O)
attach(dados)
anova<-aov(X~M+O+M*O+)
summary(anova)
2) Foram feitos ensaios com baterias para verificar a influncia dos fatores material e
temperatura ambiente na sua vida til. Foram testados 3 tipos de baterias em 3
temperaturas diferentes, com ensaios com 4 repeties. Os resultados so
apresentados a seguir, em horas. Verificar se existem diferenas entre a vida til para
os fatores considerados, com 0,05 . Verificar tambm, se existe interao entre os
fatores.
120
TEMPERATURA
MATERIAL
Beta (B)
58
60
65
59
61
60
67
62
62
65
63
69
Alfa (A)
69
60
64
58
67
58
66
70
75
60
68
70
+ 50 C (1)
+ 20 C (2)
- 10oC (3)
Gama (G)
39
38
47
42
53
59
63
58
60
63
61
61
Soluo:
a) Hipteses Estatsticas
1) H01 : 1. 2. 3.
H02 : .1 .2 . 3
(linhas)
(colunas)
3) H03 : ()i j 0
H13 : pelo menos um ()i j 0
MATERIAL ( x i j )
Alfa (A)
Beta (B)
TOTAL
Gama (G)
+ 50 C (1)
251
242
166
659
+ 20 C (2)
261
250
233
744
- 10oC (3)
273
259
245
777
TOTAL
785
751
644
2.180
121
2
MATERIAL ( x i j k )
TEMPERATURA
+ 50 C (1)
+ 20 C (2)
- 10oC (3)
Alfa (A)
4.761
3.600
4.096
3.364
4.489
3.364
4.356
4.900
5.625
3.600
4.624
Beta (B)
3.364
3.600
4.225
3.481
3.721
3.600
4.489
3.844
3.844
4.225
3.969
Gama (G)
1.521
1.444
2.209
1.764
2.809
3.481
3.969
3.364
3.600
3.969
3.721
4.900
4.761
3.721
b a n
x i j k 2.180
j1i1 k 1
b a n
2
x i j k 134.374
j1i1 k 1
Soma de quadrados:
2
SQT x i2j k
j 1 i 1 k 1
b a n
x i j k
2.180 2
j1 i1 k 1
134 .374
2.362,89
N
36
b a n
x i jk
2
a ( xi )
j1i1 k 1
SQL
bn
N
i1
SQL
(Total)
(Entre linhas)
617,72
34 34 34
36
b a n
x i jk
2
j1i1k 1
b ( x j )
SQC
an
N
j1
SQC
(Entre colunas)
902,39
34 34 34
36
b a n
x i jk
2
a b xi j
j1i1 k 1
SQTr
N
i 1j 1 n
SQTr
(Entre tratamentos)
1.905,39
4
4
4
4
36
(Entre interao)
(Residual)
122
Quadrados Mdios:
S L2
SQL 617,72
308,86
a 1
3 1
(Entre linhas)
S C2
SQC 902,39
451,19
b 1
3 1
(Entre colunas)
S 2Tr
SQTr 1.905,39
238,17
ab 1 3 3 1
(Entre tratamentos)
SI2
SQI
385,28
96,32
(a 1) (b 1) (3 1) (3 1)
(Interao)
SR2
SQR
457,50
16,94
ab(n 1) 3 3 ( 4 1)
(Residual)
S 2T
SQT
2.362,89
67,51
abn 1 3 3 4 1
(Total)
d) Estatstica F
SL2
FL
SR2
FC
FI
2
SC
S R2
SI2
SR2
308,86
18,23
16,94
(Entre linhas)
451,19
26,63
16,94
(Entre colunas)
96,32
5,68
16,94
library(xlsReadWrite)
(Interao)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exp_fatorial4.xls")
arquivo de dados
str(dados)
# define o
dados$temp<-factor(dados$temp)
anova<-aov(y~temp+tipo+temp*tipo)
summary(anova)
Df
temp
2
tipo
2
temp:tipo
4
Residuals
27
--Signif. codes:
# efetua a ANOVA
# apresenta os resultados
123
Concluso: Como os nveis de significncia so < 0,05, conclui-se que:
a) existe diferena entre os tratamentos de temperatura;
b) existe diferena entre os tratamentos de material ;
c) existe interao entre os fatores material e temperatura.
4.3 DIAGNSTICO DO MODELO
Deve-se verificar se as suposies estabelecidas para obteno do ajuste e
teste dos parmetros, so satisfeitas.
A suposio do modelo de que os erros ij sejam normal, independentes e
identicamente distribudos, ou seja, i j so iid N ( 0, 2 ) . Assim, cada tratamento pode
ser pensado como uma populao normal com mdia i e varincia 2 .
Para atender a suposio acima, faz-se necessrio verificar as seguintes
questes:
Independncia (aleatoriedade)
Normalidade
fornecer
124
b) Verificando a Independncia (erros no correlacionados)
A independncia dos resduos, usualmente avaliada atravs de um grfico
dos resduos versus valores preditos. Na hiptese de ser satisfeita a suposio de
independncia no dever existir nenhum padro neste grfico, ou seja, nenhum
comportamento no aleatrio dos valores observados.
FIGURA 1 INDEPENDNCIA
FIGURA 2 NO INDEPENDNCIA
125
W
b2
n2
n
2
( x i X)
i 1
, onde b a n i 1( x n i 1 x i )
i1
126
C
2
S max
k
S i2
i1
127
Cochran test for outlying variance
data: residuo ~ teodolitos
C = 0.4574, df = 4, k = 3, p-value = 0.8041
alternative hypothesis: Group 3 has outlying variance
sample estimates:
1
2
library(xlsReadWrite)
library(nortest)
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho
dados<-read.xls("exp_fatorial1.xls")
str(dados)
dados$teodolitos<-factor(dados$teodolitos)
dados$observadores<-factor(dados$observadores)
attach(dados)
anova<-aov(X ~ teodolitos+observadores)
summary(anova)
#==================== identificao de valores extremos ==================#
par(mfrow=c(1,2))
boxplot(X~teodolitos,col="green",main="MEDIDAS x TEODOLITOS",cex.main=1)
boxplot(X~observadores,col="blue",main="MEDIDAS x OBSERVADORES",cex.main=1)
#====================== verificando a independncia =====================#
plot(anova$fitted.values,anova$residuals,type="p",pch=19,
main="VALORES AJUSTADOS x RESDUOS",cex.main=1,xlab="Resduos",
ylab="Valores ajustados",col="blue")
#===================== verificando a normalidade =========================#
SW<-shapiro.test(anova$residuals)
SW
#=============== verificando a homogeneidade das varincias ==============#
residuo<-anova$residuals
128
d<-data.frame(cbind(residuo,teodolitos,observadores))
library(outliers)
cochran.test(residuo ~ teodolitos,d)
cochran.test(residuo ~ observadores,d)
H1 : i m , i m , i , m 1, 2,..., k;
Xi Xm
qa ; (a 1) (b 1) ;
. .m q b ; (a1)(b1) ;
X jX
2
SR
b
2
SR
a
Onde:
a nmero de linhas i= 1,2,...,a;
b nmero de colunas j= 1,2,..., b.
129
4.4.1.2 Modelo de classificao a dois critrios com repetio
S R2
qa ; ab (n1) ;
nb
Xi Xm
. .
X jX
q b ; ab(n1) ;
S R2
na
S R2
X j X m q ab ; ab(n1) ;
n
. .
. .m q b ; (a1)(b1) ;
X jX
2
SR
a
Tem-se que:
a3
b4
2
QMR SR
23,50
3,9167
6
OBSERVADORES
DIFERENA
DE MDIAS
1e2
1e3
1e4
2e3
2e4
3e4
11
12
15
1
4
3
DMS
5,59
5,59
5,59
5,59
5,59
5,59
DIFERENA
SIGNIFICATIVA
sim
sim
sim
no
no
no
130
X i X m qa ; ab (n1) ;
S R2
nb
n2
2
QMR SR
7,125
qa ; ab (n 1) ;
2
SR
7,125
3,77
3,56
nb
2 4
Tem-se que X1 X 2 5,75 3,56 , logo, existe diferena entre as duas mdias.
Fazendo os clculos para as demais diferenas obtm-se:
MTODOS
Xl Xm
DMS
CONCLUSO
1e2
5,75
3,56
diferem
1e3
8,25
3,56
diferem
2e3
2,5
3,56
No diferem
131
O tempo mdio do mtodo nmero 1 difere dos demais, ao nvel de 5% de
significncia.
5 AMOSTRAGEM DE ACEITAO
5.1 INTRODUO
A amostragem de aceitao diz respeito inspeo e tomada de deciso em
relao aos produtos, um dos mais antigos aspectos da garantia da qualidade
(MONTGOMERY, 2009).
Apesar da amostragem de aceitao ser comumente considerada como uma
atividade de inspeo de recebimento, existem outros usos dos mtodos de
amostragem. Um fabricante retirar amostras e inspecionar seu prprio produto em
vrios estgios da produo. Os lotes aceitos so enviados para processamento
posterior, e os lotes rejeitados so retrabalhados ou sucateados.
Trs aspectos da amostragem so importantes:
1. O objetivo da amostragem de aceitao decidir sobre o lote, e no estimar
sua qualidade;
2. Os planos de amostragem de aceitao no fornecem qualquer forma direta de
controle da qualidade. A amostragem de aceitao simplesmente aceita ou
rejeita lotes;
3. O uso mais eficaz da amostragem de aceitao no inspecionar a qualidade
do produto, mas, antes, servir de ferramenta de verificao para garantir que a
sada do processo esteja de acordo com as especificaes.
132
2. Plano de amostragem dupla: Toma-se uma deciso com base na informao
de uma amostra inicial, para aceitar o lote, rejeitar ou extrair uma segunda
amostra.
c.
X Varivel aleatria que representa o nmero de itens com defeito em um lote;
133
O grfico de P( A ) em funo de p chamado de curva caracterstica da
operao (CO) para o plano.
Exemplo:
1) Considere o plano de amostragem nica com c 2 e tamanho de amostra n 60 e
suponha que o tamanho do lote seja N 1500 . Calcule P( A ) , a probabilidade de
aceitao do lote para p 0,01 e p 0,02 , utilizando a distribuio aproximao
binomial.
60 0
60 1
60 2
p (1 p) 60
p (1 p)59
p (1 p)58
P ( x 2)
0
1
2
Para p 0,01;
60
60
60
0,010 (1 0,01) 60 0,011(1 0,01)59
0,012 (1 0,01)58 0,9776
P ( x 2)
0
1
2
Para p 0,02 ;
60
60
60
0,02 0 (1 0,02) 60
0,021(1 0,02)59
0,02 2 (1 0,02)58 0,8813
P ( x 2)
0
1
2
Se p 0,01, tem-se:
50
50
50
0,010 (1 0,01)50
0,011(1 0,01) 49
0,012 (1 0,01) 48
P ( x 2)
0
1
2
134
p
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
P(A)
1,000
0,986
0,922
0,811
0,677
0,541
0,416
0,311
0,08
0,09
0,10
0,11
0,12
0,13
0,14
0,15
P(A)
0,226
0,161
0,112
0,076
0,051
0,034
0,022
0,014
c2
n 50
O ideal obter uma curva CO que seja mais alta para p muito pequeno e mais
baixo para p grande. Isto pode ser alcanado aumentando-se n e ajustando-se c .
Considere agora, o plano de amostragem com valor crtico c 1 e tamanho de
amostra n 80 .
As probabilidades de aceitao do lote em funo das probabilidades do
nmero de itens defeituosos:
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
P(A)
1,000
0,809
0,523
0,304
0,165
0,086
0,043
0,021
0,08
0,09
0,10
0,11
0,12
0,13
0,14
0,15
P(A)
0,010
0,005
0,002
0,001
0,000
0,000
0,000
0,000
135
2. P( A )
np 1
0
0,051
1
0,355
2
0,818
3
1,366
4
1,970
5
2,613
6
3,285
7
3,981
8
4,695
9
5,425
10
6,169
11
6,924
12
7,690
13
8,464
14
9,246
15
10,040
FONTE: DEVORE, Jay L. (2006)
np 2
p 2 / p1
2,30
3,89
5,32
6,68
7,99
9,28
10,53
11,77
12,99
14,21
15,41
16,60
17,78
18,86
20,13
21,29
45,10
10,96
6,50
4,89
4,06
3,55
3,21
2,96
2,77
2,62
2,50
2,40
2,31
2,24
2,18
2,12
136
Exemplos:
1) Determinar um plano para o qual NQA p1 0,01 e NQI p 2 0,045 .
a) Calcular a razo
p
NQI
0,045
2
4,50
NQA
p1
0,01
1,366
136,6 137 .
0,01
137
137
137
(0,01)0 (0,99)137
(0,01)1(0,99)136
(0,01) 2 (0,99)135
(0,01)3 (0,99)134
1
1
2
3
0
6,68
148,44 149 .
0,045
1 P( A)
137
Utilizando a distribuio binomial tem-se:
149
149
149
149
(0,01) 0 (0,99)149
(0,01)1(0,99)148
(0,01) 2 (0,99)147
(0,01) 3 (0,99)146
1
1
2
3
0
p
NQI
0,045
2
2,25
NQA
p1
0,02
p 1 foi
7,690
384,5 385 .
0,02
17,78
395,11 396 .
0,045
138
1) x1 0,1 ou 2 (aceita-se o lote se x1 c 1 2 );
2) x1 3 e x 2 0,1, 2 ou 3 ;
3) x1 4 e x 2 0,1 ou 2 .
2 80
80
p 4 (1 p)80 4 p x (1 p)80 x
4
x 0 x
P( A ) 0,9980
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
P(A)
1,000
0,998
0,955
0,806
0,579
0,362
0,203
0,106
0,052
0,025
139
Assim, o lote ser aceito se:
1) x1 0 ou 1
(aceita-se o lote se x1 c1 1;
2) x1 2 e x2 0, 1, 2 ou 3 ;
3) x1 3 e x2 0,1 ou 2 .
P( A ) P( X1 1) P( X1 2, X 2 3) P( X1 3 , X2 2)
1 50
3 50
50
P( A ) p x (1 p)50 x p 2 (1 p)50 2 p x (1 p)50 x
2
x 0 x
x 0 x
2 50
50
p 3 (1 p)50 3 p x (1 p)50 x
3
x 0 x
Para p 0,01:
P( A) 0,9106 0,0755 0,0121 0,9981
Para p 0,02 :
P( A) 0,7358 0,1825 0,0559 0,9742
LISTA DE EXERCCIOS N O. 11
1. Seja um lote de 500 peas, com seis defeituosas. Qual a probabilidade de
aceitao do lote se for adotado o plano de amostragem com n 10 e c 1 ?
2. Considere o plano de amostragem dupla com n1 100 , n2 100 , c1 1 , r1 4 e
c 2 3 . Calcule a probabilidade de aceitao do lote quando p 0,02 .
140
destrutivos muito caros) e em que possam e devam ser tolerados grandes riscos de
amostragem.
141
142
Considerando o tamanho do lote igual a 5.000 e NQA definido pelo usurio
igual a 1%, tem-se o cdigo de amostra L, obtm-se na Tabela F4, o plano de
amostragem simples, inspeo atenuada.
Tem-se que o tamanho da amostra 80, e A c 2 .
143
Para utilizar o plano de amostragem dupla, inspeo severa, utilizar a tabela
F6. Obtm-se n1 n2 125 , c1 Ac 1 , r1 4 e c 2 Ac 4 .
144
6 NORMAS DA QUALIDADE
A ISO 9000 o nome genrico utilizado pela srie de normas da famlia 9000
que estabelece as diretrizes para implantao de Sistemas de Gesto da Qualidade
(SGQ).
As utilidades das normas ISO da Srie 9000:
Demonstrar que administra com qualidade e, portanto, garante a qualidade de seus
produtos e servios;
Relaes comerciais facilitadas;
Reduo de riscos;
Trabalho mais organizado e menos sujeito a erros;
Reduo de custos;
Perdas de produo, menos reprocessamento, reparo e retrabalho;
Benefcios para os colaboradores e empregados;
Menos conflito no trabalho e maior integrao entre setores;
Maiores oportunidades de treinamento.
Em sua essncia, a ISO 9000 uma norma que visa estabelecer critrios para
um adequado gerenciamento do negcio tendo como foco principal a satisfao do
cliente e consumidor, atravs de uma srie de aes, dentre as quais podemos
destacar:
A empresa precisa estar totalmente comprometida com a qualidade (considerando
qualidade = satisfao do cliente), desde os nveis mais elevados, at os
operadores;
Adequado gerenciamento dos recursos humanos e materiais necessrios para as
operaes do negcio;
145
foco no cliente
liderana
envolvimento de pessoas
abordagem de processo
abordagem sistmica para a gesto
melhoria contnua
BIBLIOGRAFIA
1. CALLEGARE, Alvaro Jos de A. Introduo ao Delineamento de Experimentos. So Paulo:
Blucher, 2009.
2. CARPINETTI, Luiz Csar R. et. al. Gesto da Qualidade ISO 9001:2008: Princpios e
Requisitos. So Paulo: Atlas, 2009.
3. CHAVES NETO, Anselmo. Tcnicas Estatstica Aplicadas Engenharia da Qualidade Notas de Aula. 2. Semestre 2002.
4. COSTA, Antonio F. B. et. al. Controle Estatstico de Qualidade. So Paulo: Atlas, 2008.
5. DELLARETTI FILHO, Osmrio; DRUMOND, Ftima Brant. Itens de Controle e Avaliao de
Processos. Belo Horizonte: Fundao Christiano Ottoni, 1994.
6. KUME, Hitoshi. Mtodos Estatsticos para Melhoria da Qualidade. So Paulo: Gente, 1993.
7. DEVORE, Jay L. Probabilidade e Estatstica para Engenharia e Cincias. So Paulo:
Pioneira Thomson Learning, 2006.
8. LOURENO FILHO, Ruy C. B. Controle Estatstica de Qualidade. Rio de Janeiro: Livros
Tcnicos e Cientficos, 1976.
9. MARQUES, Jair Mendes. Estatstica: Cursos de Engenharia Apostila. Maro 1988.
10. MONTGOMERY, Douglas C. Introduo ao Controle Estatstico da Qualidade. 4 ed. Rio
de Janeiro: LTC, 2009.
de para Engenheiros. 4 ed. Rio de Janeiro: LTC, 2009.
11. MONTGOMERY, Douglas C.; RUNGER, George C. Estatstica Aplicada e Probabilidade para Engenheiros. 4 ed. Rio de Janeiro: LTC, 2009.
12. RYAN, Thomas. Estatstica Moderna para Engenharia. Rio de Janeiro: Elsevier, 2009.
13. SAMOHYL, Robert W. Controle Estatstico de Qualidade. Rio de Janeiro: Elsevier, 2009.
146
ANEXOS
147
TABELA A1.1 REAS SOB A CURVA NORMAL
Z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
-0,0
0,5000
0,4960
0,4920
0,4880
0,4840
0,4801
0,4761
0,4721
0,4681
0,4641
-0,1
0,4602
0,4562
0,4522
0,4483
0,4443
0,4404
0,4364
0,4325
0,4286
0,4247
-0,2
0,4207
0,4168
0,4129
0,4090
0,4052
0,4013
0,3974
0,3936
0,3897
0,3859
-0,3
0,3821
0,3783
0,3745
0,3707
0,3669
0,3632
0,3594
0,3557
0,3520
0,3483
-0,4
0,3446
0,3409
0,3372
0,3336
0,3300
0,3264
0,3228
0,3192
0,3156
0,3121
-0,5
0,3085
0,3050
0,3015
0,2981
0,2946
0,2912
0,2877
0,2843
0,2810
0,2776
-0,6
0,2743
0,2709
0,2676
0,2643
0,2611
0,2578
0,2546
0,2514
0,2483
0,2451
-0,7
0,2420
0,2389
0,2358
0,2327
0,2296
0,2266
0,2236
0,2206
0,2177
0,2148
-0,8
0,2119
0,2090
0,2061
0,2033
0,2005
0,1977
0,1949
0,1922
0,1894
0,1867
-0,9
0,1841
0,1814
0,1788
0,1762
0,1736
0,1711
0,1685
0,1660
0,1635
0,1611
-1,0
0,1587
0,1562
0,1539
0,1515
0,1492
0,1469
0,1446
0,1423
0,1401
0,1379
-1,1
0,1357
0,1335
0,1314
0,1292
0,1271
0,1251
0,1230
0,1210
0,1190
0,1170
-1,2
0,1151
0,1131
0,1112
0,1093
0,1075
0,1056
0,1038
0,1020
0,1003
0,0985
-1,3
0,0968
0,0951
0,0934
0,0918
0,0901
0,0885
0,0869
0,0853
0,0838
0,0823
-1,4
0,0808
0,0793
0,0778
0,0764
0,0749
0,0735
0,0721
0,0708
0,0694
0,0681
-1,5
0,0668
0,0655
0,0643
0,0630
0,0618
0,0606
0,0594
0,0582
0,0571
0,0559
-1,6
0,0548
0,0537
0,0526
0,0516
0,0505
0,0495
0,0485
0,0475
0,0465
0,0455
-1,7
0,0446
0,0436
0,0427
0,0418
0,0409
0,0401
0,0392
0,0384
0,0375
0,0367
-1,8
0,0359
0,0351
0,0344
0,0336
0,0329
0,0322
0,0314
0,0307
0,0301
0,0294
-1,9
0,0287
0,0281
0,0274
0,0268
0,0262
0,0256
0,0250
0,0244
0,0239
0,0233
-2,0
0,0228
0,0222
0,0217
0,0212
0,0207
0,0202
0,0197
0,0192
0,0188
0,0183
-2,1
0,0179
0,0174
0,0170
0,0166
0,0162
0,0158
0,0154
0,0150
0,0146
0,0143
-2,2
0,0139
0,0136
0,0132
0,0129
0,0125
0,0122
0,0119
0,0116
0,0113
0,0110
-2,3
0,0107
0,0104
0,0102
0,0099
0,0096
0,0094
0,0091
0,0089
0,0087
0,0084
-2,4
0,0082
0,0080
0,0078
0,0075
0,0073
0,0071
0,0069
0,0068
0,0066
0,0064
-2,5
0,0062
0,0060
0,0059
0,0057
0,0055
0,0054
0,0052
0,0051
0,0049
0,0048
-2,6
0,0047
0,0045
0,0044
0,0043
0,0041
0,0040
0,0039
0,0038
0,0037
0,0036
-2,7
0,0035
0,0034
0,0033
0,0032
0,0031
0,0030
0,0029
0,0028
0,0027
0,0026
-2,8
0,0026
0,0025
0,0024
0,0023
0,0023
0,0022
0,0021
0,0021
0,0020
0,0019
-2,9
0,0019
0,0018
0,0018
0,0017
0,0016
0,0016
0,0015
0,0015
0,0014
0,0014
-3,0
0,0013
0,0013
0,0013
0,0012
0,0012
0,0011
0,0011
0,0011
0,0010
0,0010
-3,1
0,0010
0,0009
0,0009
0,0009
0,0008
0,0008
0,0008
0,0008
0,0007
0,0007
-3,2
0,0007
0,0007
0,0006
0,0006
0,0006
0,0006
0,0006
0,0005
0,0005
0,0005
-3,3
0,0005
0,0005
0,0005
0,0004
0,0004
0,0004
0,0004
0,0004
0,0004
0,0003
-3,4
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0003
0,0002
-3,5
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
0,0002
-3,6
0,0002
0,0002
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
-3,7
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
-3,8
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
0,0001
-3,9
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
148
TABELA A1.2 REAS SOB A CURVA NORMAL
Z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,5000
0,5040
0,5080
0,5120
0,5160
0,5199
0,5239
0,5279
0,5319
0,5359
0,1
0,5398
0,5438
0,5478
0,5517
0,5557
0,5596
0,5636
0,5675
0,5714
0,5753
0,2
0,5793
0,5832
0,5871
0,5910
0,5948
0,5987
0,6026
0,6064
0,6103
0,6141
0,3
0,6179
0,6217
0,6255
0,6293
0,6331
0,6368
0,6406
0,6443
0,6480
0,6517
0,4
0,6554
0,6591
0,6628
0,6664
0,6700
0,6736
0,6772
0,6808
0,6844
0,6879
0,5
0,6915
0,6950
0,6985
0,7019
0,7054
0,7088
0,7123
0,7157
0,7190
0,7224
0,6
0,7257
0,7291
0,7324
0,7357
0,7389
0,7422
0,7454
0,7486
0,7517
0,7549
0,7
0,7580
0,7611
0,7642
0,7673
0,7704
0,7734
0,7764
0,7794
0,7823
0,7852
0,8
0,7881
0,7910
0,7939
0,7967
0,7995
0,8023
0,8051
0,8078
0,8106
0,8133
0,9
0,8159
0,8186
0,8212
0,8238
0,8264
0,8289
0,8315
0,8340
0,8365
0,8389
1,0
0,8413
0,8438
0,8461
0,8485
0,8508
0,8531
0,8554
0,8577
0,8599
0,8621
1,1
0,8643
0,8665
0,8686
0,8708
0,8729
0,8749
0,8770
0,8790
0,8810
0,8830
1,2
0,8849
0,8869
0,8888
0,8907
0,8925
0,8944
0,8962
0,8980
0,8997
0,9015
1,3
0,9032
0,9049
0,9066
0,9082
0,9099
0,9115
0,9131
0,9147
0,9162
0,9177
1,4
0,9192
0,9207
0,9222
0,9236
0,9251
0,9265
0,9279
0,9292
0,9306
0,9319
1,5
0,9332
0,9345
0,9357
0,9370
0,9382
0,9394
0,9406
0,9418
0,9429
0,9441
1,6
0,9452
0,9463
0,9474
0,9484
0,9495
0,9505
0,9515
0,9525
0,9535
0,9545
1,7
0,9554
0,9564
0,9573
0,9582
0,9591
0,9599
0,9608
0,9616
0,9625
0,9633
1,8
0,9641
0,9649
0,9656
0,9664
0,9671
0,9678
0,9686
0,9693
0,9699
0,9706
1,9
0,9713
0,9719
0,9726
0,9732
0,9738
0,9744
0,9750
0,9756
0,9761
0,9767
2,0
0,9772
0,9778
0,9783
0,9788
0,9793
0,9798
0,9803
0,9808
0,9812
0,9817
2,1
0,9821
0,9826
0,9830
0,9834
0,9838
0,9842
0,9846
0,9850
0,9854
0,9857
2,2
0,9861
0,9864
0,9868
0,9871
0,9875
0,9878
0,9881
0,9884
0,9887
0,9890
2,3
0,9893
0,9896
0,9898
0,9901
0,9904
0,9906
0,9909
0,9911
0,9913
0,9916
2,4
0,9918
0,9920
0,9922
0,9925
0,9927
0,9929
0,9931
0,9932
0,9934
0,9936
2,5
0,9938
0,9940
0,9941
0,9943
0,9945
0,9946
0,9948
0,9949
0,9951
0,9952
2,6
0,9953
0,9955
0,9956
0,9957
0,9959
0,9960
0,9961
0,9962
0,9963
0,9964
2,7
0,9965
0,9966
0,9967
0,9968
0,9969
0,9970
0,9971
0,9972
0,9973
0,9974
2,8
0,9974
0,9975
0,9976
0,9977
0,9977
0,9978
0,9979
0,9979
0,9980
0,9981
2,9
0,9981
0,9982
0,9982
0,9983
0,9984
0,9984
0,9985
0,9985
0,9986
0,9986
3,0
0,9987
0,9987
0,9987
0,9988
0,9988
0,9989
0,9989
0,9989
0,9990
0,9990
3,1
0,9990
0,9991
0,9991
0,9991
0,9992
0,9992
0,9992
0,9992
0,9993
0,9993
3,2
0,9993
0,9993
0,9994
0,9994
0,9994
0,9994
0,9994
0,9995
0,9995
0,9995
3,3
0,9995
0,9995
0,9995
0,9996
0,9996
0,9996
0,9996
0,9996
0,9996
0,9997
3,4
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9997
0,9998
3,5
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
0,9998
3,6
0,9998
0,9998
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
3,7
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
0,9999
3,8
3,9
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
0,9999
1,0000
149
TABELA A2 - DISTRIBUIO DE F DE SNEDECOR
Nvel de significncia de 1%
1
2
12
24
5.928,36 5.981,07
6.106,32
6.234,63
6.365,83
99,42
99,46
99,50
27,49
27,05
26,60
26,13
14,98
14,80
14,37
13,93
13,46
10,67
10,46
10,29
9,89
9,47
9,02
8,47
8,26
8,10
7,72
7,31
6,88
7,46
7,19
6,99
6,84
6,47
6,07
5,65
7,01
6,63
6,37
6,18
6,03
5,67
5,28
4,86
4.052,18
4.999,50
5.403,35
5.624,58
5.763,65
5.858,99
98,50
99,00
99,17
99,25
99,30
99,33
99,36
99,37
34,12
30,82
29,46
28,71
28,24
27,91
27,67
21,20
18,00
16,69
15,98
15,52
15,21
16,26
13,27
12,06
11,39
10,97
13,75
10,92
9,78
9,15
8,75
12,25
9,55
8,45
7,85
11,26
8,65
7,59
10,56
8,02
6,99
6,42
6,06
5,80
5,61
5,47
5,11
4,73
4,31
10
10,04
7,56
6,55
5,99
5,64
5,39
5,20
5,06
4,71
4,33
3,91
11
9,65
7,21
6,22
5,67
5,32
5,07
4,89
4,74
4,40
4,02
3,60
12
9,33
6,93
5,95
5,41
5,06
4,82
4,64
4,50
4,16
3,78
3,36
13
9,07
6,70
5,74
5,21
4,86
4,62
4,44
4,30
3,96
3,59
3,17
14
8,86
6,51
5,56
5,04
4,70
4,46
4,28
4,14
3,80
3,43
3,00
15
8,68
6,36
5,42
4,89
4,56
4,32
4,14
4,00
3,67
3,29
2,87
16
8,53
6,23
5,29
4,77
4,44
4,20
4,03
3,89
3,55
3,18
2,75
17
8,40
6,11
5,19
4,67
4,34
4,10
3,93
3,79
3,46
3,08
2,65
18
8,29
6,01
5,09
4,58
4,25
4,01
3,84
3,71
3,37
3,00
2,57
19
8,18
5,93
5,01
4,50
4,17
3,94
3,77
3,63
3,30
2,92
2,49
20
8,10
5,85
4,94
4,43
4,10
3,87
3,70
3,56
3,23
2,86
2,42
21
8,02
5,78
4,87
4,37
4,04
3,81
3,64
3,51
3,17
2,80
2,36
22
7,95
5,72
4,82
4,31
3,99
3,76
3,59
3,45
3,12
2,75
2,31
23
7,88
5,66
4,76
4,26
3,94
3,71
3,54
3,41
3,07
2,70
2,26
24
7,82
5,61
4,72
4,22
3,90
3,67
3,50
3,36
3,03
2,66
2,21
25
7,77
5,57
4,68
4,18
3,86
3,63
3,46
3,32
2,99
2,62
2,17
26
7,72
5,53
4,64
4,14
3,82
3,59
3,42
3,29
2,96
2,58
2,13
27
7,68
5,49
4,60
4,11
3,78
3,56
3,39
3,26
2,93
2,55
2,10
28
7,64
5,45
4,57
4,07
3,75
3,53
3,36
3,23
2,90
2,52
2,06
29
7,60
5,42
4,54
4,04
3,73
3,50
3,33
3,20
2,87
2,49
2,03
30
7,56
5,39
4,51
4,02
3,70
3,47
3,30
3,17
2,84
2,47
2,01
40
7,31
5,18
4,31
3,83
3,51
3,29
3,12
2,99
2,66
2,29
1,80
60
7,08
4,98
4,13
3,65
3,34
3,12
2,95
2,82
2,50
2,12
1,60
120
6,85
4,79
3,95
3,48
3,17
2,96
2,79
2,66
2,34
1,95
1,38
6,63
4,61
3,78
3,32
3,02
2,80
2,64
2,51
2,18
1,79
1,01
150
TABELA A3 - DISTRIBUIO DE F DE SNEDECOR
Nvel de significncia de 5%
12
24
161,45
199,50
215,71
224,58
230,16
233,99
236,77
238,88
243,91
249,05
254,31
18,51
19,00
19,16
19,25
19,30
19,33
19,35
19,37
19,41
19,45
19,50
10,13
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,74
8,64
8,53
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
5,91
5,77
5,63
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,68
4,53
4,37
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,00
3,84
3,67
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,57
3,41
3,23
5,32
4,46
4,07
3,84
3,69
3,58
3,50
3,44
3,28
3,12
2,93
5,12
4,26
3,86
3,63
3,48
3,37
3,29
3,23
3,07
2,90
2,71
10
4,96
4,10
3,71
3,48
3,33
3,22
3,14
3,07
2,91
2,74
2,54
11
4,84
3,98
3,59
3,36
3,20
3,09
3,01
2,95
2,79
2,61
2,40
12
4,75
3,89
3,49
3,26
3,11
3,00
2,91
2,85
2,69
2,51
2,30
13
4,67
3,81
3,41
3,18
3,03
2,92
2,83
2,77
2,60
2,42
2,21
14
4,60
3,74
3,34
3,11
2,96
2,85
2,76
2,70
2,53
2,35
2,13
15
4,54
3,68
3,29
3,06
2,90
2,79
2,71
2,64
2,48
2,29
2,07
16
4,49
3,63
3,24
3,01
2,85
2,74
2,66
2,59
2,42
2,24
2,01
17
4,45
3,59
3,20
2,96
2,81
2,70
2,61
2,55
2,38
2,19
1,96
18
4,41
3,55
3,16
2,93
2,77
2,66
2,58
2,51
2,34
2,15
1,92
19
4,38
3,52
3,13
2,90
2,74
2,63
2,54
2,48
2,31
2,11
1,88
20
4,35
3,49
3,10
2,87
2,71
2,60
2,51
2,45
2,28
2,08
1,84
21
4,32
3,47
3,07
2,84
2,68
2,57
2,49
2,42
2,25
2,05
1,81
22
4,30
3,44
3,05
2,82
2,66
2,55
2,46
2,40
2,23
2,03
1,78
23
4,28
3,42
3,03
2,80
2,64
2,53
2,44
2,37
2,20
2,01
1,76
24
4,26
3,40
3,01
2,78
2,62
2,51
2,42
2,36
2,18
1,98
1,73
25
4,24
3,39
2,99
2,76
2,60
2,49
2,40
2,34
2,16
1,96
1,71
26
4,23
3,37
2,98
2,74
2,59
2,47
2,39
2,32
2,15
1,95
1,69
27
4,21
3,35
2,96
2,73
2,57
2,46
2,37
2,31
2,13
1,93
1,67
28
4,20
3,34
2,95
2,71
2,56
2,45
2,36
2,29
2,12
1,91
1,65
29
4,18
3,33
2,93
2,70
2,55
2,43
2,35
2,28
2,10
1,90
1,64
30
4,17
3,32
2,92
2,69
2,53
2,42
2,33
2,27
2,09
1,89
1,62
40
4,08
3,23
2,84
2,61
2,45
2,34
2,25
2,18
2,00
1,79
1,51
60
4,00
3,15
2,76
2,53
2,37
2,25
2,17
2,10
1,92
1,70
1,39
120
3,92
3,07
2,68
2,45
2,29
2,18
2,09
2,02
1,83
1,61
1,25
3,84
3,00
2,61
2,37
2,21
2,10
2,01
1,94
1,75
1,52
1,01
151
TABELA A4 - DISTRIBUIO DE F DE SNEDECOR
Nvel de significncia de 10%
12
24
39,86
49,50
53,59
55,83
57,24
58,20
58,91
59,44
60,71
62,00
63,33
8,53
9,00
9,16
9,24
9,29
9,33
9,35
9,37
9,41
9,45
9,49
5,54
5,46
5,39
5,34
5,31
5,28
5,27
5,25
5,22
5,18
5,13
4,54
4,32
4,19
4,11
4,05
4,01
3,98
3,95
3,90
3,83
3,76
4,06
3,78
3,62
3,52
3,45
3,40
3,37
3,34
3,27
3,19
3,11
3,78
3,46
3,29
3,18
3,11
3,05
3,01
2,98
2,90
2,82
2,72
3,59
3,26
3,07
2,96
2,88
2,83
2,78
2,75
2,67
2,58
2,47
3,46
3,11
2,92
2,81
2,73
2,67
2,62
2,59
2,50
2,40
2,29
3,36
3,01
2,81
2,69
2,61
2,55
2,51
2,47
2,38
2,28
2,16
10
3,29
2,92
2,73
2,61
2,52
2,46
2,41
2,38
2,28
2,18
2,06
11
3,23
2,86
2,66
2,54
2,45
2,39
2,34
2,30
2,21
2,10
1,97
12
3,18
2,81
2,61
2,48
2,39
2,33
2,28
2,24
2,15
2,04
1,90
13
3,14
2,76
2,56
2,43
2,35
2,28
2,23
2,20
2,10
1,98
1,85
14
3,10
2,73
2,52
2,39
2,31
2,24
2,19
2,15
2,05
1,94
1,80
15
3,07
2,70
2,49
2,36
2,27
2,21
2,16
2,12
2,02
1,90
1,76
16
3,05
2,67
2,46
2,33
2,24
2,18
2,13
2,09
1,99
1,87
1,72
17
3,03
2,64
2,44
2,31
2,22
2,15
2,10
2,06
1,96
1,84
1,69
18
3,01
2,62
2,42
2,29
2,20
2,13
2,08
2,04
1,93
1,81
1,66
19
2,99
2,61
2,40
2,27
2,18
2,11
2,06
2,02
1,91
1,79
1,63
20
2,97
2,59
2,38
2,25
2,16
2,09
2,04
2,00
1,89
1,77
1,61
21
2,96
2,57
2,36
2,23
2,14
2,08
2,02
1,98
1,88
1,75
1,59
22
2,95
2,56
2,35
2,22
2,13
2,06
2,01
1,97
1,86
1,73
1,57
23
2,94
2,55
2,34
2,21
2,11
2,05
1,99
1,95
1,85
1,72
1,55
24
2,93
2,54
2,33
2,19
2,10
2,04
1,98
1,94
1,83
1,70
1,53
25
2,92
2,53
2,32
2,18
2,09
2,02
1,97
1,93
1,82
1,69
1,52
26
2,91
2,52
2,31
2,17
2,08
2,01
1,96
1,92
1,81
1,68
1,50
27
2,90
2,51
2,30
2,17
2,07
2,00
1,95
1,91
1,80
1,67
1,49
28
2,89
2,50
2,29
2,16
2,06
2,00
1,94
1,90
1,79
1,66
1,48
29
2,89
2,50
2,28
2,15
2,06
1,99
1,93
1,89
1,78
1,65
1,47
30
2,88
2,49
2,28
2,14
2,05
1,98
1,93
1,88
1,77
1,64
1,46
40
2,84
2,44
2,23
2,09
2,00
1,93
1,87
1,83
1,71
1,57
1,38
60
2,79
2,39
2,18
2,04
1,95
1,87
1,82
1,77
1,66
1,51
1,29
120
2,75
2,35
2,13
1,99
1,90
1,82
1,77
1,72
1,60
1,45
1,19
2,71
2,30
2,08
1,94
1,85
1,77
1,72
1,67
1,55
1,38
1,01
152
TABELA A5 - VALORES CRTICOS PARA q (TESTE DE TUKEY)
G.L. do
k=Nmero de tratamentos
resduo
2
3
4
5
6
7
3
5
3,64
4,60
5,22
5,67
6,03
6,33
6,58
5,70
6,98
7,80
8,42
8,91
9,32
9,67
9
6,80
9,97
10
6,99
10,24
3,46
5,24
4,34
6,33
4,90
7,03
5,30
7,56
5,63
7,97
5,90
8,32
6,12
8,61
6,32
8,87
6,49
9,10
3,34
4,95
4,16
5,92
4,68
6,54
5,06
7,01
5,36
7,37
5,61
7,68
5,82
7,94
6,00
8,17
6,16
8,37
3,26
4,75
4,04
5,64
4,53
6,20
4,89
6,62
5,17
6,96
5,40
7,24
5,60
7,47
5,77
7,68
5,92
7,86
3,20
4,60
3,95
5,43
4,41
5,96
4,76
6,35
5,02
6,66
5,24
6,91
5,43
7,13
5,59
7,33
5,74
7,49
10
3,15
4,48
3,88
5,27
4,33
5,77
4,65
6,14
4,91
6,43
5,12
6,67
5,30
6,87
5,46
7,05
5,60
7,21
11
3,11
4,39
3,82
5,15
4,26
5,62
4,57
5,97
4,82
6,25
5,03
6,48
5,20
6,67
5,35
6,84
5,49
6,99
12
3,08
4,32
3,77
5,05
4,20
5,50
4,51
5,84
4,75
6,10
4,95
6,32
5,12
6,51
5,27
6,67
5,39
6,81
13
3,06
4,26
3,73
4,96
4,15
5,40
4,45
5,73
4,69
5,98
4,88
6,19
5,05
6,37
5,19
6,53
5,32
6,67
14
3,03
4,21
3,70
4,89
4,11
5,32
4,41
5,63
4,64
5,88
4,83
6,08
4,99
6,26
5,13
6,41
5,25
6,54
15
3,01
4,17
3,67
4,84
4,08
5,25
4,37
5,56
4,59
5,80
4,78
5,99
4,94
6,16
5,08
6,31
5,20
6,44
16
3,00
4,13
3,65
4,79
4,05
5,19
4,33
5,49
4,56
5,72
4,74
5,92
4,90
6,08
5,03
6,22
5,15
6,35
17
2,98
4,10
3,63
4,74
4,02
5,14
4,30
5,43
4,52
5,66
4,70
5,85
4,86
6,01
4,99
6,15
5,11
6,27
18
2,97
4,07
3,61
4,70
4,00
5,09
4,28
5,38
4,49
5,60
4,67
5,79
4,82
5,94
4,96
6,08
5,07
6,20
19
2,96
4,05
3,59
4,67
3,98
5,05
4,25
5,33
4,47
5,55
4,65
5,73
4,79
5,89
4,92
6,02
5,04
6,14
20
2,95
4,02
3,58
4,64
3,96
5,02
4,23
5,29
4,45
5,51
4,62
5,69
4,77
5,84
4,90
5,97
5,01
6,09
24
2,92
3,96
3,53
4,55
3,90
4,91
4,17
5,17
4,37
5,37
4,54
5,54
4,68
5,69
4,81
5,81
4,92
5,92
30
2,89
3,89
3,49
4,45
3,85
4,80
4,10
5,05
4,30
5,24
4,46
5,40
4,60
5,54
4,72
5,65
4,82
5,76
40
2,86
3,82
3,44
4,37
3,79
4,70
4,04
4,93
4,23
5,11
4,39
5,26
4,52
5,39
4,63
5,50
4,73
5,60
60
2,83
3,76
3,40
4,28
3,74
4,59
3,98
4,82
4,16
4,99
4,31
5,13
4,44
5,25
4,55
5,36
4,65
5,45
120
2,80
3,70
3,36
4,20
3,68
4,50
3,92
4,71
4,10
4,87
4,24
5,01
4,36
5,12
4,47
5,21
4,56
5,30
2,77
3,64
3,31
4,12
3,63
4,40
3,86
4,60
4,03
4,76
4,17
4,88
4,29
4,99
4,39
5,08
4,47
5,16
q0,05
e o segundo a
q0,01 .