Eng Qualidade

ENGENHARIA DA QUALIDADE
1. SEMESTRE/2012
ENGENHARIA DA QUALIDADE
O presente material foi elaborado com o objetivo de fornecer aos alunos,

informaes fundamentais sobre as tcnicas estatsticas aplicadas na Engenharia da
Qualidade. Foram utilizadas as bibliografias citadas no final do texto, principalmente, o
livro de Douglas C. Montgomery.
Profa. Sachiko Araki Lira
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
2.1.1 Grfico de Ramo e Folhas (Stem-and-Leaf Plot) ....................................................... 9

2.1.2 Grfico de Linhas .................................................................................................... 11
2.1.3 Distribuio de Freqncias e Histograma .............................................................. 12
2.1.4 Medidas de Tendncia Central e Disperso ............................................................ 15
2.2 DISTRIBUIES DE PROBABILIDADES ................................................................................ 22
2.2.1 Distribuies Discretas de Probabilidades ............................................................... 23
2.2.2 Distribuies Contnuas de Probabilidades ............................................................. 30
3 CONTROLE ESTATSTICO DO PROCESSO ..................................................................... 41
3.1 AS SETE FERRAMENTAS DO CONTROLE ESTATSTICO DE PROCESSOS ............................. 41
3.1.1 Histograma de Freqncias e Diagrama de Ramo e Folhas ................................... 41
3.1.2 Folha de controle..................................................................................................... 41
3.1.3 Grfico de Pareto .................................................................................................... 42
3.1.4 Diagrama de Causa e Efeito ou Ishikawa ................................................................ 43
3.1.5 Diagrama de Concentrao de Defeito .................................................................... 45
3.1.6 Diagrama de Disperso ........................................................................................... 45
3.1.7 Grfico de Controle ................................................................................................. 46
3.2 GRFICOS DE CONTROLE : ASPECTOS GERAIS .................................................................. 46
3.3 GRFICOS DE CONTROLE PARA VARIVEIS ....................................................................... 48
3.3.1 Grficos de Controle para X e R ........................................................................... 48
3.3.2 Curva Caracterstica de Operao .......................................................................... 55
3.3.3 Grficos de Controle para X e S ........................................................................... 58
3.3.4 Grfico de Shewhart para Medidas Individuais (Grfico X)...................................... 69
3.4 RAZES DA CAPACIDADE DE PROCESSO........................................................................... 73
3.5 GRFICOS DE CONTROLE PARA ATRIBUTOS ...................................................................... 78
3.5.1 Grfico p (Grfico de Controle para Frao de no Conformes) .............................. 78
3.5.2 Grfico c (Grfico de Controle para no Conformidade) .......................................... 87
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
q (TESTE DE TUKEY) .............................................. 152
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
componentes ou dimenses da qualidade, quais sejam:

1. Desempenho: Os consumidores normalmente avaliam um produto para determinar
se este desempenhar certas funes especficas e quo bem ele as desempenhar.
A questo : o produto realizar a tarefa pretendida?
2. Confiabilidade: Est relacionada com a freqncia de falhas do produto. de
esperar, por exemplo, que um automvel necessite de reparos ocasionais, mas se o
mesmo requer reparos constantes, ento ele no confivel.
3. Durabilidade: a vida til real do produto. Os consumidores desejam um produto
que tenha um desempenho satisfatrio por um longo perodo de tempo.
4. Assistncia tcnica: A preocupao com a facilidade para se consertar
produto. A viso de qualidade do consumidor est relacionada diretamente com a

rapidez e economia com que um reparo ou manuteno de rotina possa ser feita.
5. Esttica: a dimenso do apelo visual do produto, que leva em conta fatores como
a cor, forma, embalagem, caractersticas tteis.
6. Caractersticas: Em geral, os consumidores associam alta qualidade a produtos
que apresentam caractersticas a mais, ou seja, aqueles que apresentam
caractersticas alm do desempenho bsico. Por exemplo, ao adquirir uma planilha
eletrnica, esta pode conter funes estatsticas, sendo que uma outra pode no
oferecer esta opo.
7. Qualidade percebida: Em muitos casos, os consumidores confiam na reputao
passada da empresa em relao qualidade de seu produto.
8. Conformidade com especificao: De forma geral, considera-se como de alta
qualidade, o produto que apresenta, exatamente as especificaes a ele destinado.
GARVIN, D. A. (1987). Competing in the Eight Dimensions of Quality. Harvard Business

Review, Sept.-Oct.
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
das atividades operacionais,
de
gerenciamento e de engenharia utilizado pela empresa para garantir que as

caractersticas da qualidade de um produto estejam nos nveis nominais ou exigidos.
Muitas empresas acham difcil e caro, fornecer ao consumidor, produtos que
tenham as caractersticas de qualidade sempre idnticas, de uma para outra unidade,
ou que estejam em nveis que atendam as expectativas do consumidor. A causa
principal disso a variabilidade.
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.
Esses valores-alvo so,
geralmente, limitados por um intervalo de valores que, acredita-se estarem to

prximos do alvo que, se a caracterstica da qualidade estiver nesse intervalo, no
causar impacto na funo ou desempenho do produto. O maior valor aceitvel para
uma caracterstica de qualidade chamado de limite superior de especificao (LSE)
e o menor valor aceitvel, de limite inferior de especificao (LIE).
As especificaes do produto so, geralmente, resultados do processo de
planejamento de engenharia.
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
Ordenando a varivel produo, tem-se:

PRODUO
45
68
47
69
48
73
49
73
49
75
51
75
52
76
52
77
O grfico de ramo e folhas ser:
53
78
53
79
54
81
10
RAMO
FOLHA
FREQ.
57899
1223349
0023445589
10
33556789
1123568
122
Exemplo 2: Os dados a seguir tratam-se da resistncia compresso (em psi) de 30

corpos de prova da liga de alumnio-ltio.
No. Obs.
X
No. Obs.
X
No. Obs.
X
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
Construindo o diagrama de ramos e folhas no R:

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
library(RODBC)
library(aplpack)
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T) # define o arquivo
# a ser trabalhado
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)
2.1.2 Grfico de Linhas

Embora o grfico de ramo e folhas seja uma forma excelente para visualizar a
variabilidade dos dados, ele no leva em considerao a ordem temporal das
observaes. O tempo , muitas vezes, um fator importante que contribui para a
variabilidade nos problemas de melhoria da qualidade. O grfico de linhas que
relaciona os valores dos dados em funo tempo (versus tempo) chamado de
grfico de sries temporais ou sequencial.
Considerando os exemplos 1 e 2 da seo anterior, tem-se:
12
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")
2.1.3 Distribuio de Freqncias e Histograma

2.1.3.1 Tabela de Distribuio de Freqncias
Sero apresentados alguns conceitos importantes para a construo de tabelas
de freqncias.
Dados brutos: o conjunto de dados numricos obtidos e que ainda no
foram organizados.
Rol: o arranjo dos dados brutos em ordem crescente (ou decrescente).
Nmero de Classes (k)

Existem duas solues para a definio do nmero de classes bastante
utillizadas, que so:

1) Se o nmero de elementos (n) for menor que 25 ento o nmero de classes (k)
igual a 5; se n for maior que 25, ento o nmero de classes aproximadamente a
raiz quadrada positiva de n. Ou seja:
Para n 25, k = 5
Para n > 25, k =
2) Frmula de Sturges para nmero de classes: k 1 3,3 log ( n ) .
Amplitude total ou range (At): a diferena entre o maior e o menor valor
observados no conjunto de dados.

A t Xmx Xmin
Amplitude dos intervalos ou das classes (h): diviso da amplitude total
(At) pelo nmero de intervalos (k).

Ou seja: h
At
k
13
Freqncia absoluta ( f i ): o nmero de vezes que um elemento aparece na

amostra:
k
fi n
onde n o nmero total de dados da amostra e k o nmero de
i1
valores diferentes na amostra.
Freqncia Relativa ( fr ):
fr
fi
n
e fr 1
i1
Freqncia Absoluta Acumulada ( fac ): a soma da freqncia absoluta do

valor
assumido pela varivel com todas as freqncias absolutas anteriores.
Exemplo 1: A produo semanal de uma fbrica de semicondutores encontra-se

apresentada a seguir.
PRODUO
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
k 1 3,3 log( 40) 6,29 7

A
47
h t
6,71 7
k
7
TABELA DE DISTRIBUIO DE FREQUENCIAS DA PRODUO SEMANAL DE SEMICONDUTORES
fi
fr
fac
CLASSES
45 |-- 52
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
FONTE: MONTGOMERY, Douglas C. (2009)
Exemplo 2: Os dados a seguir tratam-se da resistncia compresso (em psi) de 30

corpos de prova da liga de alumnio-ltio.
ROL:
76
154
190
97
154
196
101
157
199
105
160
200
A t Xmx Xmin 245 76 169
k 1 3,3 log( 30) 5,87 6

A
169
h t
28,17 29
k
6
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
105 |-- 134
0,07
134 |-- 163
0,30
14
163 |-- 192
0,23
21
192 |-- 221
0,20
27
221 |-- 250
0,10
30
TOTAL
30
FONTE: MONTGOMERY, Douglas C. (2009).
2.1.3.2 Histograma de Freqncias

Este um grfico usado para apresentar dados organizados em intervalos de
classes, utilizado principalmente para representar a distribuio de variveis
contnuas.
Exemplo 1: Histograma de freqncias da produo semanal de uma fbrica de
semicondutores.
Exemplo 2: Histograma de freqncias da resistncia compresso (em psi).
15
#========================= EXEMPLO 1 ===============================#
# define o arquivo
a ser trabalhado
x<-dados$PROD
n<-length(x)
# nmero de observaes
min<-min(x)
# mnimo
max<-max(x)
# mximo
at<- max-min
# amplitude total
k<-ceiling(sqrt(n))
# nmero de classes
h<-ceiling(at/k)
# intervalo de classe
#================== DISTRIBUIO DE FREQUNCIAS =====================#
intervalo<- cut(x,include.lowest = T, right = F,
breaks=c(min,min+h,min+2*h,min+3*h,min+4*h,min+5*h,min+6*h,min+7*h))
table(intervalo)
#=================== HISTOGRAMA DE FREQUNCIAS =====================#
hist(x,breaks=c(45,52,59,66,73,80,87,94),
main="HISTOGRAMA DE FREQUNCIAS",
xlab="Classes",ylab="Freq.",include.lowest = TRUE, right = F,
xlim = c(45,94),col="blue",freq=T)
#========================== EXEMPLO 2
===============================#
a ser trabalhado
# define o arquivo
x<-dados$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)
#===================
HISTOGRAMA DE FREQUNCIAS =====================#
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)
2.1.4 Medidas de Tendncia Central e Disperso

Embora o grfico de ramo e folhas e o histograma forneam uma viso da
forma da distribuio dos dados, tendncia central e o espalhamento ou disperso,
til usar medidas numricas, que caracterizam estas propriedades.
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
A mdia aritmtica amostral obtida atravs da seguinte expresso:

X
1 n
xi
n i 1
Exemplo de aplicao: Suponha que um engenheiro esteja projetando um conector

de nilon para ser usado em uma aplicao automotiva. O engenheiro estabelece
como especificao do projeto uma espessura de 3/32 polegadas, mas est inseguro
acerca do efeito dessa deciso na fora da remoo do conector. Oito unidades do
prottipo so produzidas e suas foras de remoo so medidas (em libras-p):
12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1.
A mdia da fora de remoo ser:

X
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
Na prtica, a varincia obtida elevando-se os desvios em relao media ao

quadrado. A varincia populacional obtida pela expresso:
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
Exemplo de aplicao: Considerando o exemplo tem-se:
QUADRO 1 - VALORES DA VARIVEL X E DESVIOS SIMPLES E QUADRTICOS

EM RELAO MDIA
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
2.1.4.3 Desvio Padro

Ao calcular a varincia, elevou-se ao quadrado cada desvio. Para retirar esse
efeito, deve-se extrair a raiz quadrada da varincia, dando origem ao desvio padro.
desvio padro populacional
S S2
desvio padro amostral
Para o exemplo: S S 2 0,2286 0,4781 libras-fora.

2.1.4.4 Coeficiente de Variao
uma medida de disperso relativa. definido como o quociente entre o
desvio padro e a mdia, multiplicado por 100, para expressar porcentagem.
Em algumas situaes desejvel comparar o grau de disperso de dois
conjuntos de dados com unidades de medidas diferentes. Neste caso, deve-se usar o
coeficiente de variao (CV), que uma medida de disperso relativa, e ela no
afetada pelas unidades de medida da varivel. Ou ainda, quando as mdias dos dois
18
conjuntos de dados so muito distintas, neste caso faz-se necessrio utilizar uma
medida de disperso relativa.
CV
100 coeficiente de variao populacional
CV
S
X
100
coeficiente de variao amostral
Exemplo de aplicao: Para o exemplo tem-se:

Dados: X 13,0 ; S 0,4781
Logo, CV
0,4781
100 3,68%
13,0

x<-c(12.6,12.9,13.4,12.3,13.6,13.5,12.6,13.1) # criando o objeto x
n<-length(x)
mdia<-mean(x)
varincia<-var(x)
desvio.padro<-sd(x)
cv<-(desvio.padro/mdia)*100
mdia;varincia;desvio.padro;cv
2.1.4.5 Grfico de Boxplot ou da Caixa
Comprimento da caixa = amplitude interquartlica = Q3 - Q1
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
IQ Q3 Q1 198,25 149,50 48,75
Menor valor que no outlier= LI 149,50 1,5 48,75 76,38

Maior valor que no outlier = LS 198,25 1,5 48,75 271,38
LS=271,38
245
Quartil 3=198,25
Mediana=168,50
Quartil 1=149,50
76LI=76,38
2.1.4.5.1 Clculo dos Quartis

Os quartis dividem o conjunto de dados em quatro partes iguais. So
trs
medi-das, Q1 , Q2 e Q3 , que dividem o conjunto de dados em 4 partes iguais, sendo

que a cada quartil correspondem 25% dos dados. As posies dos quartis, quando
se tratar de dados simples, so obtidas atravs de:
20
PosQ i i
(n 1)
1,
4
i 1, 2, 3
Para o exemplo dado, tem-se:

PosQ 1 1
(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
#======================= QUARTIS E GRFICO BOX-PLOT =======================#

dados<-read.xls(" EXEMPLO2.1_1.xls",sheet=2,colNames=T)
# 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)
Para o exemplo da produo semanal de uma fbrica de semicondutores,

apresentada a seguir, tem-se:
PRODUO
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
Tem-se que: Q1 53,75 ; Q2 66,50 e Q3 79,50

IQ Q3 Q1 79,50 53,75 25,75
LI 53,75 1,5 * 25,75 15,125
LS 79,50 1,5 * 25,75 118,125

65
92
65
92
21
# 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)
LISTA DE EXERCCIOS NO. 1

1. Os tempos de falha (em horas) de um componente eletrnico sujeito a um teste
acelerado de tempo de vida so apresentados a seguir. Para acelerar o teste de
falha, as unidades foram testadas a uma temperatura elevada (ler de cima para
baixo, da esquerda para a direita).
127
125
131
124
129
121
142
151
160
125
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
a) calcular a mdia, desvio padro e coeficiente de variao;

b) construir o histograma;
c) construir o grfico Boxplot;
d) interpretar os resultados obtidos.
2. A tabela apresenta medidas de uma dimenso de uma pea produzida por um
processo de usinagem.
138
149
116
119
108
103
120
133
136
135
140
125
146
139
110
145
126
130
123
145
a)calcular a mdia e o desvio padro;

b) construir o histograma de frequncias;
c) construir o grfico de ramo e folhas;
d) construir o grfico Boxplot;
e) o que se pode concluir a respeito das dimenses da pea?
3. O tempo necessrio para se realizar certa operao industrial foi cronometrado (em
segundos), sendo feita 40 determinaes:
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 34 - 45 - 35
41 - 57 - 38 - 46 - 46 - 58 - 57 - 36 - 58 - 35 - 31 - 59 - 44 - 57 - 45 - 44
38 - 43 - 33 - 56 - 47 - 48 - 44 - 49.
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
a) Calcular a mdia, desvio padro e coeficiente de variao;

b) Construir o histograma de freqncia;
c) calcular Q1 (quartil 1), Q2 (quartil 2) e Q3 (quartil 3);
d) construir o grfico Boxplot.
2.2 DISTRIBUIES DE PROBABILIDADES

As distribuies de probabilidades so distribuies tericas com as
propriedades bem definidas e so classificadas em discretas e contnuas, conforme o
nvel de mensurao (escala de medida) da varivel aleatria da distribuio.
A distribuio de probabilidade uma funo que associa probabilidades para
cada valor x que a varivel aleatria X pode assumir. Pode-se, frequentemente,
caracterizar as distribuies de probabilidades atravs da mdia e varincia. Muitas
variveis aleatrias associadas com os experimentos estatsticos tm propriedades
semelhantes e podem ser descritas pelas distribuies de probabilidades tericas.
As distribuies de probabilidades podem ser discretas ou contnuas, de acordo
com o tipo de varivel em estudo. Quando a varivel que se est analisando
discreta, ou seja, assume somente valores inteiros (provenientes de contagens), temse uma distribuio discreta. Por outro lado, em se tratando de varivel que pode
assumir qualquer valor entre dois valores inteiros (provenientes de medies), tem-se
uma distribuio contnua. Sero apresentadas nas sees seguintes as principais
distribuies de probabilidades discreta e contnua.
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
A funo de distribuio dada por:

0 , se x 0
x n
F( x ) P( X x ) p k qnk , se 0 x n
k 0 k
1, se x n
Os parmetros da distribuio so:

Mdia E( X) n p
Varincia V( X) n p q
Exemplo 1: Seja X uma v.a. que indica o nmero de peas no conforme (no segue
a especificao definida no projeto de qualidade) produzidas pela mquina Z. Se a
probabilidade desta maquina produzir uma pea no conforme de 15%, ao
selecionar aleatoriamente 5 peas, pede-se:
a) a probabilidade de nenhuma pea ser no conforme;
b) a probabilidade de todas as peas serem de acordo com especificao do projeto
de qualidade;
c) obter a distribuio de probabilidade e o grfico.
Soluo:
a) n 5
p 0,15
q 0,85
x0
5
P( X 0) (0,15) 0 (0,85) 50 0,4437
0
possvel calcular as probabilidades no R:
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
Para obter a distribuio de probabilidade no R:

#=========
n<-5
p<-0.15
x<-0:n
DISTRIBUIO DE PROBABILIDADE DE X =======#

# total de tentativas
# probabilidade de sucesso
px<-dbinom(x,n,p)
px
# distribuio de probabilidade
Graficamente:
25
#=========== GRFICO DA DISTRIBUIO BINOMIAL =========#
n<-5
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")
Exemplo 2: Seja X uma v.a. que indica o nmero de parafusos defeituosos

produzidos pela mquina A. Se a probabilidade desta maquina produzir um parafuso
defeituoso de 5%, ao selecionar aleatoriamente dois parafusos:
a) qual a probabilidade de ambos serem defeituosos?
Soluo:
p =probabilidade de ser defeituoso=0,05
1 p = probabilidade de ser perfeito=1-0,05=0,95

2
P ( X 2) (0,05) 2 (0,95) 22 0,0025 0,25%
2
#=================== PROBABILIDADE DE x=2 =================#
p<-0.05
n<-2
x<-2
px<-dbinom(x,n,p)
px
b) ao selecionar 50 parafusos produzidos por esta mquina, qual o nmero mdio e

a varincia de parafusos defeituosos?
Soluo:
mdia E( X) np 50 0,05 2,5
var incia V( X) npq 50 0,05 0,95 2,4
Espera-se uma mdia de 2,5 parafusos defeituosos, e uma varincia igual a

2,4.
2.2.1.2 Distribuio de Poisson

Em muitos casos, possvel conhecer o nmero de sucessos, no entanto, o
nmero de fracassos e o nmero total de provas seriam difceis de serem
determinados, ou muitas vezes, no faz sentido prtico conhec-los. Por exemplo,
pode-se determinar o nmero de trincas por unidade de rea numa pea de concreto,
porm no se sabe o nmero de trincas que no ocorreram.
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!
x=0,1,2,... e 0 ( o nmero mdio de ocorrncia
dos eventos)
0 , se x 0
F( x ) P( X x )
k
x
e , se x 0
k 0 k !

Mdia: E( X)
Varincia: V( X)
Exemplo 1: So contados os nmeros de partculas radioativas emitidas em cada
intervalo de 5 segundos. Suponha que, o nmero de partculas, emitidas durante cada
intervalo de 5 segundos, tenha uma distribuio de Poisson com parmetro 2,0. Pedese:
a) qual a probabilidade de que menos de 3 partculas sejam emitidas?
b) supondo que 10 contagens so realizadas, construir a distribuio de probabilidade.
Soluo:
a) P( X 3) P( X 0) P( X 1) P( X 2)
e 2 20
0!
e 2 21 e 2 2 2
1!
2!
P( X 3) 0,1353 0,2707 0,2707 0,6767
possvel calcular a probabilidade P( X x) no R:

#=================== probabilidade X=x
x<-0:2
media<-2
# parmetro
px<-dpois(x,media)
px
#=========
n<-10
p<-2
x<-0:n
================#

# mdia
px<-dpois(x,p)
px<-round(px,4)
px
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:
#=========== GRFICO DA DISTRIUIO DE POISSON ==========#

x<-0:10
fx<-dpois(x,2) # mdia=2
plot(x,fx,type="h",main="DISTRIBUIO DE POISSON: p=2 ",col="red",lwd=3)
points(x,dpois(x,2),pch=16,col="red")
abline(h=0, col="black")
Exemplo 2: Seja X o nmero de acidentes mensais ocorridos numa determinada

indstria. Se o nmero mdio de acidentes por ms 3, qual a probabilidade de no
ocorrer nenhum acidente no prximo ms?
P ( X 0)
e 3 3 0
0!
e 3 0,050 5%
2.2.1.3 Distribuio Hipergeomtrica

Suponha que em um lote de N peas, k so defeituosas e (N-k) so perfeitas e
escolhem-se ao acaso, n peas desse lote ( n N ) . Pode-se estar interessado na
probabilidade de selecionar x peas dos k rotulados como defeituosos e (n-x) perfeitas
dos (N-k) rotulados como perfeitas. Esse experimento chamado hipergeomtrico.
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

0 , se x 0
k N k
x j n j
, se 0 j x
F( x ) P( X x )
N
j0

1 , se j x

Mdia: E( X) n p
Varincia: V( X) npq
Nn
,
N 1
onde p
k
k
; q 1 .
N
N
Exemplo 1: Pequenos motores eltricos so expedidos em lotes de 30 unidades.

Antes que uma remessa seja aprovada, um inspetor seleciona ao acaso 3 destes
motores para inspeo. Se nenhum dos motores inspecionados for defeituoso, o lote
aprovado. Se um ou mais dos motores verificados forem defeituosos, o lote todo
inspecionado. Suponha que existam, de fato, 2 motores defeituosos no lote. Qual a
probabilidade de que a inspeo de todo o lote seja necessria?
N=30
(nmero de casos total na populao)
k=2
(nmero de casos favorveis na populao)
n=3
(tamanho da amostra)
x=1,2,3 (nmero de casos desfavorveis na amostra)

A
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
#================ PROBABILIDADE DE X=X
=================#
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
# nmero de casos favorveis

# total da populao - m
# nmero de elementos na amostra
px<-dhyper(x, 2, 28, 3, log = FALSE)

px<-round(px,4)
px
Grficamente:
#=========== GRFICO DA DISTRIUIO HIPERGEOMTRICA ==========#

x<-0:3
m<-2
# nmero de casos favorveis
n<-28
# total da populao - m
k<-3
# nmero de elementos na amostra
fx<-dhyper(x, 2, 28, 3, log = FALSE)
plot(x,fx,type="h",main="DISTRIBUIO HIPERGEOMTRICA ",col="red",lwd=3)
points(x,dhyper(x, 2, 28, 3, log = FALSE),pch=16,col="red")
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

0 5 0 1 5 1 2 5 2 792 1.485 660 2.937
P( X 2)
0,9780 97,80%
3.003
3.003
15
15
15

5
5
5
2.2.2 Distribuies Contnuas de Probabilidades

2.2.2.1 Distribuio Exponencial
Uma v.a. continua X, tem distribuio exponencial se sua funo densidade
de probabilidade dada por:
f ( x ) e x ,
x0

F( x) P( X x) 0 e x dx 1 e x , x 0
x
Portanto: P( X x) e x
Mdia: E( X)
Varincia V( X)
Essa distribuio tem papel importante na descrio de uma grande classe de

fenmenos, particularmente nos assuntos relacionados a teoria da confiabilidade ou
seja, o intervalo de tempo decorrido entre o instante em que uma pea sujeita a
um esforo e o instante em que ocorre uma falha (a quebra de pea, por exemplo).
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
P( X 600 ) 600 0,002e 0,002 x e 0,002 x 600 0 e 0,002 600 0,3012
No R:
#============
FUNO DISTRIBUIO ==========#
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
Exemplo 2: A vida mdia de um satlite 4 anos, seguindo o modelo exponencial.

Seja X a varivel definindo o tempo de vida do satlite. Calcule a P( X 4) .
Soluo:
1
4 , portanto,
Ento, P( X 4) e x
E( X)
1
4
1
4
4
e 1 0,3679 36,79%
O aspecto tpico do grfico de uma distribuio exponencial mostrado a

seguir.
#=========== GRFICO DA DISTRIBUIO EXPONENCIAL ===========#

x <- seq(0, 10, length=100)
plot(function(x) dexp(x, rate=5), xlab="x", ylab="f(x)",
main="DISTRIBUIO EXPONENCIAL: lmbda=5", type="l",lwd=3,col=2)
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 ,

F( x ) P( X x )
x
f ( x )d( x )
1
2
1 x 2
2
dx

Mdia: E ( X )
Varincia: V ( X ) 2
Quando se deseja especificar que a varivel aleatria X, segue distribuio
normal com mdia e varincia 2 , usa-se a notao: X ~ N ( ; 2 ) .
A distribuio normal definida a partir de dois parmetros, a mdia e o
desvio padro da distribuio, por exemplo, a curva da distribuio normal f ( x ) para
40 , 10 e valores da varivel aleatria no intervalo (10, 70) mostrada no

grfico abaixo.
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
Propriedades da distribuio normal:

1. f ( x ) possui um ponto de mximo para X ;
2. f ( x ) tem dois pontos de inflexo cujas abcissas valem e ;
3. f ( x ) simtrica em relao a X . E, ainda Mo Md ;
4. f ( x ) tende a zero quando x tende para (assinttica em relao ao eixo
x);
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.
#========================DISTRIBUIO NORMAL =========================#

#=============== MDIAS DIFERENTES E VARINCIAS IGUAIS ===============#
x <-seq(10,70, len=100)
y <-seq(10,70, len=100)
plot(function(x) dnorm(x, 40, 10),xlim=c(0,100),type="l",col=2,lwd=2,ylab="f(x)")
title("DISTRIBUIO NORMAL")
plot(function(y) dnorm(y, 50, 10),0,100,add=T, col = 3,lwd=2)
legend(70,0.038, c("X ~ N(40,100)", "Y ~ N(50,100)"),cex=0.8,fill = 2:3)
abline(h=0,col="black",lwd=1)
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)
2.2.2.2.1 Distribuio Normal Padro ou Reduzida

A varivel normal padronizada Z obtida atravs de uma transformao linear
da varivel normal X, obtendo-se assim uma escala relativa de valores na qual, a
mdia o ponto de referncia e o desvio padro, uma medida de afastamento da
mdia.
Uma v.a. continua Z
, tem distribuio normal padro se sua f.d.p
dada por:
f ( z)
1
2
1
2
z 2
z R ,

F( z)
1
2
z
z
e 2
dz

Mdia: E (Z ) 0
Varincia: V ( Z ) 1
Grfico da distribuio normal padro:
36
Se X ~ N ( ; 2 ) e Z
, ento Z ~ N(0 ; 1) , para qualquer valor de e
2 . Portanto, ser possvel tabelar as probabilidades,
P( X x ) P(Z z) , em funo
dos valores de Z.
Diversos
testes
de
significncia
baseiam-se
na
distribuio
normal.
Conhecendo-se os seus dois parmetros, a mdia e desvio padro , possvel

conhecer a probabilidade de ocorrncia de um valor x , cuja diferena em relao
mdia d x , utilizando a varivel normal padronizada Z.
De modo geral, probabilidades baixas associadas a grandes diferenas (nas
caudas da distribuio) representam o valor crtico entre os eventos que podem e no
podem ser atribudos apenas ao acaso, ou seja, apenas flutuao de amostragem.
Nos problemas de controle de fabricao, em especial de grficos de controle,
usual adotar o valor crtico correspondente a probabilidade 0,0027 (correspondente
rea da curva normal fora do intervalo 3 ) para estabelecer a faixa de
normalidade. As diferenas que estiverem fora dessa faixa so estatisticamente
significativas, ou seja, no se deve flutuao de amostragem.
Exemplo 1: O dimetro de uma determinada pea uma caracterstica da qualidade
importante. Sabe-se que esse dimetro segue um modelo normal com mdia 40 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?
Tem-se da distribuio normal reduzida que: Z
e: 40 e 2 .
P ( X 35) ?
Calcula-se o valor de Z : Z
35 40
2,5
, que equivalente a:
P ( X 35) P( Z 2,5) 1 P (Z 2,5) 1 0,0062 0,9938 99,38%
Para obter as probabilidades a partir dos valores de Z, consultar as tabelas

A1.1 e A1.2 do anexo.
Exemplo 2: 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 ?
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
P ( 2 X 2,05) P ( 0 z 1,25) 0,89435 0,50000 0,3944 39,44%
2.2.2.3 Distribuio de Weibull

A varivel aleatria X segue distribuio de Weibull se a sua funo de
densidade de probabilidade dada por:
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
Os parmetros, na distribuio de Weibull, fornecem uma grande flexibilidade

para modelar sistemas em que o nmero de falhas aumenta com o tempo (desgaste
do rolamento), diminui com o tempo (alguns semicondutores) ou permanecem
constantes com o tempo (falhas causadas pelos choques externos ao sistema).
O grfico a seguir apresenta as distribuies de Weibull para diferentes valores
dos parmetros e .
38
#================
DISTRIBUIO DE WEIBULL ===================#
x <- seq(0, 15, length=100)

plot(function(x) dweibull(x, shape=1, scale=1), 0, 15,xlab="x",
ylab="Density",
main="DISTRIBUIO DE WEIBULL", type="l",col=2,lwd=2)
plot(function(x) dweibull(x, shape=2, scale=3.4), 0, 15,col=3,add=T,lwd=2)
plot(function(x) dweibull(x, shape=4.5, scale=6.2), 0, 15,col=4,add=T,lwd=2)
legend(9,1,c("escala=1;forma=1","escala=3,4;forma=2","escala=6,2;forma=4,5")
, cex=0.9,fill=2:4)
OBS:
(n 1) n ! (para n natural) ou (n) (n 1) !
De modo geral: (n 1) n (n)

1
( )
2
Exemplo 1: O tempo de falha (em horas) de um mancal em um eixo mecnico as

tisfatoriamente modelado como uma varivel aleatria de Weibull, com 1 2 e
5000 horas.
a) determine o tempo mdio at falhar;

b) determine a probabilidade de um mancal durar no mnimo 6000 horas.
Soluo:
a) Tem-se que:
1
1
5000 ( 3 ) 5000 2 10.000 horas
E ( X) 1 5000 1

1 2
b) P ( X 6.000) 1 P( X 6.000) 1 F(6.000)

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)
Exemplo 2: Suponha que a vida de um mancal de rolamento siga uma distribuio de

Weibull com parmetros
2 e 10.000 horas.
a) determine a probabilidade de um mancal durar no mnimo 8.000 horas;

b) determine o tempo mdio at haver uma falha de um mancal;
Soluo:
a) P ( X 8.000) 1 P( X 8.000) 1 F(8.000)
P ( X 8.000) 0,5273
x<-8000
forma<-2
escala<-10000
Fx<-pweibull(x,forma,escala,lower.tail=F)
Fx
1
2
3
2
b) E ( X) 1 10.000 1 10.000 ( ) 10.000 0,8862 8.862 horas
#======================
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%)
6. Um departamento de conserto de mquinas recebe uma mdia de 5 chamadas por

hora. Qual a probabilidade de que em uma hora selecionada aleatoriamente sejam
recebidas:
a) Exatamente trs chamadas? (R=14,04%)
b) Menos que trs chamadas? (R=12,47%)
7. O tempo (em horas) necessrio para reparar uma mquina uma varivel aleatria
exponencialmente distribuda com parmetro 1 2 . Determine a probabilidade de
que o tempo de reparo exceda duas horas. (R=36,79%)
8. O tempo de operao de uma mquina de embalagem de frascos sem interrupo
para manuteno, tem distribuio exponencial com mdia igual a duas horas. Qual
a probabilidade dessa mquina conseguir operar mais de uma hora sem
interrupo? (R=60,65%)
9. O dimetro de uma determinada pea uma caracterstica da qualidade
importante. Sabe-se que esse dimetro segue um modelo normal com mdia 40
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
3.1.3 Grfico de Pareto

O diagrama de Pareto uma distribuio de freqncias (ou histograma) de
dados que so atributos, organizados por categoria.
Exemplo 1: Seja o nmero de defeitos segundo origem, que ocorrem em determinado
processo.
DISTRIBUIO DE FREQUNCIA DE DEFEITOS SEGUNDO
ORIGEM
ORIGEM DO DEFEITO
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
3.1.4 Diagrama de Causa e Efeito ou Ishikawa

A configurao do grfico de causa e efeito permite separar organizadamente as
quatro principais causas de variao: mquina, mtodo de trabalho, materiais e
mo-de-obra (o meio ambiente tambm pode ser a 5 causa de variabilidade)
a) Materiais: matria-prima no homognea. A matria-prima pode diferir levemente
na composio conforme seja a fonte de suprimento e diferenas no tamanho
podem ocorrer dentro de limites aceitveis.
b) Mquinas: desgaste, uso inadequado ou falta de ajuste em ferramenta, mquinas
ou equipamentos. O equipamento pode parecer estar funcionando uniformemente,
mas suas partes podem estar de alguma forma com pequenos desajustes, gastas
ou no ser apropriadas para aquele uso.
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
FONTE: MONTGOMERY, Douglas C. (2009), p.113.
3.1.6 Diagrama de Disperso

O diagrama de disperso uma representao grfica da relao entre duas
ou mais variveis. No diagrama de disperso entre duas variveis, X e Y, cada ponto
no grfico um par ( x i , y i ).
46
# Ativa a biblioteca "xlsReadWrite"
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho

dados<-read.xls("grafico-disperso.xls")
arquivo de dados
str(dados)
# define o
plot(dados,main="DIAGRAMA DE DISPERSO", xlim=c(2,14), ylim=c(0,80),

type="p",pch=20,font.axis=1,cex.axis=0.9,cex.main=1,
xlab="Quantidade de metal",ylab="Percentagem de recobrimento (%)")
3.1.7 Grfico de Controle

O objetivo principal dos grficos de controle fornecer informaes teis no
aperfeioamento do processo. Quando se atinge o controle estatstico do processo
tem-se vrias vantagens, tais como:
frao de defeituosos permanece constante (na mdia);
custos e ndices de qualidade sero previsveis;
produtividade ser mxima com o sistema corrente etc.

O conjunto de dados utilizados para a construo do grfico de controle abaixo,
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.
3.2 GRFICOS DE CONTROLE : ASPECTOS GERAIS

O grfico de controle uma apresentao grfica de uma qualidade medida ou
avaliada a partir de uma amostra, versus o nmero da amostra ou tempo.
O grfico contm uma linha central, representando o valor mdio ou a mdia da
caracterstica da qualidade que corresponde ao estado sob controle, ou seja, esto
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:
Verificar se em determinado perodo um processo estava sob controle. Isto feito

examinando-se o grfico correspondente ao perodo de interesse.
Orientar na manuteno do processo sob controle. Se o processo est sob

controle possvel ignorar a flutuao catica das observaes, exceto no caso de
ser notado alguma observao fora dos limites de controle. claro que se deve
olhar com ateno a ocorrncia de uma tendncia (um padro) em alguma
direo, o que indica que algo alm do acaso est influenciando o valor da
observao.
Quando se atinge o controle estatstico do processo tem-se, vrias vantagens,
quais sejam:
Frao de defeituosos permanece constante (na mdia);
Custos e ndices de qualidade so previsveis;
Produtividade ser mxima com sistema corrente.
48
O tipo do grfico de controle a ser utilizado depende da caracterstica da
varivel aleatria investigada.
So dois os tipos de grficos de controle: para
variveis e para atributos.

3.3 GRFICOS DE CONTROLE PARA VARIVEIS
Muitas caractersticas de qualidade podem ser expressas em termos de uma
medida quantitativa, numrica, como por exemplo: o dimetro dos cilindros de um
automvel e o volume de um recipiente, que so chamados de variveis.
No acompanhamento de um aspecto quantitativo da qualidade, controla-se
normalmente, tanto o valor mdio como a sua variabilidade, atravs de grficos
separados. importante manter sob controle tanto o desempenho mdio como a
variabilidade do processo.
3.3.1 Grficos de Controle para X e R
3.3.1.1 Grfico X
Este tipo de grfico utilizado para o controle do valor mdio do desempenho
do processo. Suponha que a caracterstica de qualidade que se pretende controlar
tenha uma distribuio Normal (Gaussiana) com mdia e desvio padro , ambos
desconhecidos, o que normalmente ocorre na prtica. Assim, estes parmetros devem
ser estimados a partir de amostras. As estimativas devem ser com base em pelo
menos 20 a 25 amostras. Suponha que m amostras estejam disponveis, cada uma
com n medidas (observaes) da varivel de interesse. Geralmente, n ser um valor
pequeno, 4 ou 5.
Sejam X1 , X2 ,..., Xn a mdia de cada uma das amostras. Ento, o estimador
para (mdia do desempenho do processo), que deve ser usado para especificar a
linha central do grfico, dado por:
X
X1 X 2 ... X m
m
Para a construo dos limites, necessita-se de um estimador de .

tradicional, em controle de qualidade, o uso do estimador baseado na amplitude da
amostra ao invs do estimador normalmente utilizado que :
S2
1 n
( Xi X ) 2
n 1 i 1
Para uma amostra X1 , X 2 ,..., Xn , a amplitude R definida como sendo:
49
R Xmx Xmin
Seja W a relao entre a amplitude R e o desvio padro da populao ,

chamada de amplitude relativa, como apresentada abaixo:
W
Assim, tem-se que:
R
. Seja d 2 a mdia da distribuio de W e R a
W
amplitude amostral mdia das m amostras de tamanho n , obtida atravs de:

R
R1 R 2 ... R m
m
Uma boa estimativa de :
R
d2
A razo da utilizao do estimador acima, ao invs de S devido ao fato da

simplicidade de clculo e tambm porque a eficincia praticamente a mesma,
quando o tamanho da amostra pequeno ( n 6 ) .
Finalmente tem-se os limites de controle a 3 desvios padro ( 3 ), dados por:
LIC X
(limite inferior)
d2 n
LSC X
(limite superior)
d2 n
A quantidade A 2
3
d2 n
uma constante que depende apenas do tamanho da
amostra n , portanto, pode tambm ser tabelado (ver adiante), resultando os limites na
forma:
LIC X A 2 R
LSC X A 2 R
A linha central determinada pela estimativa da mdia , ou seja, a mdia

amostral X .
O grfico fica dividido em duas zonas: a zona I, interior aos limites de controle
de 3 e correspondente faixa de normalidade ou de controle; a zona II, exterior aos
limites de controle e corresponde faixa de anormalidade ou falta de controle. Este
mtodo chamado de Sistema Americano.
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
FONTE: TRIOLA, 1999.
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
X1 X 2 ... X m 252,71 247,86 ... 271,43 277,29
267,11
m
25
R1 R 2 ... R m 78 77 ... 41 31
54,96
m
25
Os limites de controle sero dados por:

LIC X A 2 R
LSC X A 2 R
Substituindo o valores de X , R e A 2 (tabela adiante), tem-se:

LIC X A 2 R 267,11 0,419 54,96 244,09
LSC X A 2 R 267,11 0,419 54,96 290,14
LC X 267,11
A estimativa do desvio padro populacional dada por:
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)
# ativa a biblioteca xlsReadWrite
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo1.xls")
str(dados)
# leitura do arquivo de dados

# lista a estrutura do objeto dados
obj <- qcc(dados[,2:8], type="xbar",title="GRFICO DE CONTROLE DE MDIAS",

ylab="Mdias das amostras",xlab="Amostras")
LIC<-obj$limits[,1]
LIC
LSC<-obj$limits[,2]
LSC
LC<-obj$center
LC
# limite inferior de controle

# limite superior de controle
# limite central de controle
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 pode ser obtido a partir

tem originalmente uma distribuio normal, um estimador
da distribuio da amplitude relativa W
O desvio padro de W , que
geralmente denominado de d 3 , uma funo conhecida de n . Assim, o desvio padro

de R dado por:
R d3
E, a estimativa de R dada por:
d3
R
d2
Os limites do grfico R considerando-se 3 , so dados por:
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)
A linha central determinada pela amplitude amostral mdia R .
53
d
1 3 3
d2
As quantidades
d
1 3 3
d2
podem ser tambm facilmente
tabeladas, de forma a ter:
d
D 3 1 3 3
d2
d
e D 4 1 3 3
d2
, assim, os limites sero:
LIC R D3
LSC R D 4
Os valores da constante A 2 , d 2 , d 3 , D 3 e D 4 so apresentados a seguir, para

os tamanhos de amostras mais usuais.
Tamanho
da
amostra
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)
str(dados)

obj <- qcc(dados[,2:8], type="R",title="GRFICO DE CONTROLE DE R",

ylab="Amplitude",xlab="Amostras")
LIC<-obj$limits[,1]
LIC
LSC<-obj$limits[,2]
LSC
LC<-obj$center
LC

3.3.1.3 Tamanho da Amostra

Quando se planeja um grfico de controle, deve-se especificar o tamanho da
amostra e a freqncia de amostragem.
Em geral amostras grandes facilitam a
deteco e mudanas pequenas no nvel do processo.

Se estiver sendo usado o grfico X para detectar mudanas no desempenho
do processo de magnitudes iguais ou maiores do que 2 , amostras de tamanho
n 4 , 5 ou 6 so perfeitamente razoveis. No entanto, quando se deseja detectar
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
1 0 k , a probabilidade de no se detectar esse deslocamento na primeira

amostra subseqente ou o risco dada por:
P LIC X LSC | 1 0 k
(1)
Tem-se que X ~ N( ; 2 n ) e os limites superior e inferior de controle so

n e LIC 0 L
LSC 0 L
n , ento a equao (1) pode ser escrita como
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
2 ( 1 ) 0,75 2 (0,25) 0,14 . Assim, a probabilidade de que o deslocamento seja

detectado na r-sima amostra ( 1 ) vezes a probabilidade de no detect-lo em
cada uma das r 1 amostras iniciais, ou seja:
r 1 ( 1 )
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
Assim, para o exemplo tem-se:

CMS
1
1
4
1 1 0,75
Portanto, para detectar um deslocamento de 1,0 e n 5 , o nmero esperado

de amostras necessrias 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
Construir grficos de controle X e R para esse processo. O processo est sob

controle?
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
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
a) Construir grficos de controle X e R para esse processo. O processo est sob

controle?
b) estime o desvio padro do processo.
3.3.3 Grficos de Controle para X e S
Apesar dos grficos X e R serem bastante utilizados, em algumas situaes
desejvel estimar diretamente o desvio padro do processo, em vez do uso da
amplitude R . Em geral, os grficos X e S so indicados quando:
a) o tamanho da amostra n moderadamente grande (n> 10 ou 12);
b) o tamanho da amostra n varivel.
O estimador no-viesado da varincia populacional 2 a varincia amostral
S 2 , dada por:
S2
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
onde c 4 uma constante, que depende do tamanho da amostra n , como segue:
c4
n

2
2 ,
n 1 n 1
sendo que a funo gama. Ento, um estimador no tendencioso ou no-viesado

de obtido dividindo S por c 4 .
A tabela 1 e o grfico 1, a seguir, mostram o fator de correo em funo de
alguns tamanhos de amostra ( n ).
TABELA 1 - VALORES DO COEFICIENTE
c 4 SEGUNDO TAMANHO
DA AMOSTRA n
c4
0,9400
10
0,9727
15
0,9823
20
0,9869
25
0,9896
30
0,9914
GRFICO 1 FATOR DE CORREO C 4 , SEGUNDO TAMANHO DA AMOSTRA
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) E(S 2 ) 2c 4 E(S) c 24 2 2 2c 4 c 4 c 24 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.
Como E(S) c 4 , a linha central para o grfico c 4 . Os limites de controle

trs-sigma so:
LSC c 4 3 1 c 24
LIC c 4 3 1 c 24
comum definir as duas constantes:

B 5 c 4 3 1 c 24
B 6 c 4 3 1 c 24
Assim, os parmetros do grfico S com um valor de referncia dado para

so:
LSC B 6
LC c 4
LIC B 5
Se nenhum valor de referncia dado para , tem-se que estimar atravs de

dados disponveis. Suponha que m amostras, cada uma de tamanho n , estejam
disponveis, e seja S i o desvio padro da i-sima amostra. A mdia dos m desvios
padro :
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
comum definir as constantes:

B3 1
3
1 c 24
c4
B4 1
3
1 c 24
c4
Logo, os parmetros do grfico S dados por:

LSC B 4 S
LC S
LIC B 3 S
Os limites de controle para o grfico X so definidos como:

LSC X
3S
c4 n
LC X
LIC X
3S
c4 n
Definindo a constante A 3
3
c4 n
, os parmetros do grfico X se tornam:
LSC X A 3 S
LC X
LIC X A 3 S
A seguir, alguns valores tabelados de c 4 , B 3 , B 4 , B 5 , B 6 e A 3 , para

diferentes tamanhos de amostras, so apresentados.
Tamanho
da
amostra
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
Exemplo: Considere o exemplo referente carga axial de uma lata de

alumnio, que o peso mximo que seus lados podem suportar.
A tabela a seguir apresenta as mdias e os desvios padro para cada amostra.
DIA
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
Portanto, tem-se que: S
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
O estimador no-viesado de dada pela estatstica S c 4 . Portanto, tem-se:

S
20,0437
20,8919
c4
0,9594
library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite
dados<-read.xls("graficoS.xls")
str(dados)

obj <- qcc(dados[,2:8], type="S",title="GRFICO DE CONTROLE DE S",

ylab="Desvios padro",xlab="Amostras")
Os limites de controle para o grfico X so:

LSC X A 3 S 267,11 1,182 20,04 290,80
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
3.3.3.1 Grficos de Controle para X e S para Tamanhos de Amostras Variveis

Quando os tamanhos de amostras so variveis, deve-se utilizar a mdia
ponderada no clculo de X .
Se n i o nmero de observaes na i-sima amostra, ento, usa-se:
m
ni X i
X i 1
ni
i 1
m
2
( n i 1) S i
S i1 m
ni m
i1
12
, como linhas centrais nos grficos X e S .
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
Os limites de controle so calculados a partir das equaes j apresentadas, no

entanto, as constantes A 3 , B 3 e B 4 iro depender do tamanho da amostra usado em
cada subgrupo individual.
Exemplo:
A tabela abaixo apresenta as medidas dos dimetros internos (mm) de anis de
pisto de motores de automveis. Os tamanhos de amostras variam entre 3 e 5.
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
Substituindo os valores de X , S e A 3 , nas expresses abaixo, obtm-se os

limites de controle.
LSC X A 3 S
LC X
LIC X A 3 S
Os valores de A 3 variam de acordo com os tamanhos das amostras.
2) Grfico de controle S
Substituindo-se os valores de
S , B 3 e B 4 , nas expresses abaixo, obtm-se os
limites de controle.
LSC B 4 S
LC S
LIC B 3 S
Os valores de B 3 e B 4 variam de acordo com os tamanhos das amostras.
67
library(qcc)
setwd("C:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("graficoS_1.xls") # leitura do arquivo de dados
str(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)
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
Construir grficos de controle X e S

controle?
para esse processo. O processo est sob
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
a) Construa o grfico de controle X e S para esse processo. O processo est sob

controle?
b) estime o desvio padro do processo;
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
a) Construir grficos de controle X e R para esse processo. O processo est sob

controle?
b) estime o desvio padro do processo.
69
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
3.3.4 Grfico de Shewhart para Medidas Individuais (Grfico X)

Existem diversas situaes em que o tamanho da amostra para monitoramento
do processo igual a unidade, a amostra consiste de uma nica unidade individual.
Em muitas aplicaes dos grficos de controle para unidades individuais,
utiliza-se a amplitude mvel de duas observaes consecutivas como base para
estimar a variabilidade do processo. A amplitude mvel definida como sendo:
MR i x i x i 1 ,
i 2,..., m
Para a construo do grfico de observaes individuais e amplitude mvel,

utilizam-se as expresses apresentadas a seguir:
Grfico para a amplitude mvel:
LIC MR D3
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
a mdia das amplitudes mveis de duas observaes;
d2 , D3 e D 4 so constantes tabelados para n=2.
Considere o exemplo referente s medidas dos dimetros internos (mm) de

anis de pisto de motores de automveis. Suponha que foram selecionadas 25
amostras (m) composta somente por uma amostra ( X1 ) .
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
a) Construo do Grfico da Amplitude Mvel

MR i x i x i 1
, 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
LIC MR D3 0 , pois tem-se que D3 0 para n=2
LC MR 0,015
LSC MR D 4 0,015 3,267 0,048
O grfico da amplitude mvel ser:

Moving Range Chart of X1
0,05
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
b) Grfico de Controle para Observaes Individuais

LIC X 3
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
O grfico de controle das observaes individuais de X , ser:

I Chart of X1
74,04
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
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
2) Em um processo de fabricao de semicondutores, a espessura do metal foi

medida em 30 pastilhas obtidas ao longo de aproximadamente duas semanas.
Os dados so mostrados na tabela abaixo.
PASTILHA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
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
onde se tem que LSE e LIE so os limites superior e inferior de especificaes,

respectivamente.
A razo da capacidade do processo C p , admite uma interpretao prtica til, a
1
100
Cp
saber: P
que representa a percentagem da faixa de especificao utilizada pelo processo.

Tem-se trs situaes de interesse relativos razo da capacidade do
processo C p :
Cp 1 : o processo usa menos de 100% da faixa de tolerncia;
Cp 1: o processo usa toda a faixa de tolerncia;
Cp 1: o processo usa mais de 100% da faixa de tolerncia
FONTE: MONTGOMERY, Douglas C. (2009), p. 135.
74
Em geral,
desconhecido, tendo ento que substitu-lo por uma estimativa.
Freqentemente, usa-se
R
d2
como estimativa de
, resultando em uma
estimativa C p de C p . Assim, a estimativa C p obtida atravs de:

LSE LIE LSE LIE
C
p
6
R
6
d2
A razo da capacidade do processo C p no leva em conta onde a mdia do

processo est localizada, em relao s especificaes. C p mede simplesmente a
disperso das especificaes e relao disperso seis-sigma no processo.
A razo da capacidade do processo que leva em considerao a centralizao
do processo o Cpk , definido como sendo:
Cpk
LSE LIE
1
min
,
Classificao do processo com respeito a sua capacidade:

Cpk 1,33 o processo capaz;
o processo razoavelmente capaz;
1 Cpk 1,33
Cpk 1
o processo incapaz.
De modo geral, se Cp Cpk , o processo est centrado no ponto mdio das

especificaes, e quando Cpk Cp , o processo est descentrado.
:
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
Limites de controle para o grfico X : so estabelecidos a 3 desvios padres da

mdia do processo.
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
2) Os dados apresentados a seguir so a mdia e a amplitude de 25 amostras de

tamanho 5 tomadas de um processo de produo.
a) calcular os limites de controle para o grfico da mdia e para o grfico da
amplitude.
b) calcular e analisar o Cp e Cpk do processo. (Limites de especificao =135 4)
Xi
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
A tabela abaixo apresenta as medidas dos dimetros internos (mm) de anis de

pisto de motores de automveis.
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
Construindo o grfico R , tem-se a linha central R 0,023 . Do grfico X , tem-se

a linha central X 74,001 . Os limites de especificaes do dimetro do anel de pisto
so apresentados a seguir:
LSE 74,05 mm
LIE 73,95 mm
Para obter o C p faz-se necessrio estimar atravs de

, tem-se ento
d2
que:
R 0,023
0,0099 , onde d 2 o valor tabelado (tabela da seo 3.3.1.2) e R a

d2 2,326
linha central do grfico R.

Assim, tem-se que:
LSE LIE 74,05 73,95 1,68
C
p
6
6 0,0099
Como Cp 1, o processo usa menos de 100% da faixa de tolerncia.
77
1
100 , indica a percentagem da faixa de especificao
C

p
A quantidade P
usada pelo sistema. Assim,

1
100 1 100 59,5 %
P
C

1,68
p
A estimativa C pk de Cpk obtida substituindo-se e pelas estimativas
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
Como C pk C p , o processo est levemente descentrado, conforme grfico a

seguir.
library(qcc)
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
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
D nmero de unidades no conformes
n
tamanho da amostra
Suponha que a verdadeira frao de no conformes, p, no processo de

produo seja conhecida, ou um valor padro especificado pela gerncia.
Os limites de controle e a linha central do grfico de controle sero definidos
atravs de:
LIC p 3
p(1 p)
n
LC p
LSC p 3
p(1 p)
n
Quando a frao de no conformes do processo, p, no conhecida, deve,

ento, ser estimada a partir de dados observados. O procedimento usual a seleo
de m amostras preliminares, cada uma de tamanho n. Como regra geral, m deve ser
20 ou 25.
Ento, se h D i unidades no conformes na amostra i , calcula-se a frao de
no conformes na i-sima amostra atravs de:
p i
Di
, i 1, 2,..., m
n
A mdia p dessas fraes de no conformes das amostras individuais :

m
Di
p i
i 1
mn
m
i1
Os limites de controle e a linha central do grfico de controle sero definidos

atravs de:
LIC p 3
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
No. de peas defeituosas
AMOSTRA
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
No. de peas defeituosas
a) estimar a frao de defeituosos do processo;

b) construir o grfico de controle de frao de defeituosos.
Soluo:
No. DE PEAS
AMOSTRA DEFEITUOSAS
(X)
1
0
2
1
3
1
4
2
5
2
6
0
7
3
8
2
9
5
10
1
11
1
12
0
13
0
14
1
15
2
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
a) A proporo estimada de peas defeituosas na amostra i ser obtida fazendo-se:

p i
Xi
.
20
m
p i
A proporo estimada mdia p
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)
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

3.5.1.1 Planejamento do Grfico de Controle para Frao de no Conformes

O grfico de controle da frao de defeituosos depende de trs parmetros:
tamanho da amostra n , freqncia de amostragem e a distncia entre os limites de
controle.
comum o grfico de controle para a frao de defeituosos basear-se numa
inspeo de todo o processo (100%) em determinado perodo, como um turno ou um
dia de trabalho. Se existem 3 turnos e se existe suspeita que os turnos diferem na
qualidade do produto fabricado, tomam-se sub-amostras dos trs turnos.
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 /
Para P(D 1) 0,95 , np 3,00 (ver tabela abaixo), logo n
FONTE: COSTA, Antonio F. B. et. al. (2008), pg. 272.
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
L 3 ( considerando os limites de controle a 3 desvios padro)

2
3
n
0,01 0,99 56
0,04
c) Se o valor sob controle da frao de no conformes pequeno, outro critrio til

escolher n grande o bastante para que o grfico de controle tenha um limite inferior de
controle positivo. Ento:
LIC p L
p(1 p)
0
n
ou
(1 p) 2
L
p
Exemplo: Se p 0,05 e so usados os limites trs-sigma:

n
(1 0,05) 2
3 171
0,05
3.5.1.2 Grfico p para Tamanhos de Amostras Variveis

Em algumas situaes, o tamanho das amostras no pode ser mantido
constante. Isso pode ocorrer quando se adota o procedimento de formar as amostras
com todas as unidades produzidas a intervalos de tempo fixo (por exemplo, de hora
em hora). O grfico ter vrios limites superiores de controle, um para cada tamanho
de amostra, e, da mesma forma, vrios limites inferiores de controle.
Os limites inferior e superior de controle sero calculados para cada n i .
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
Exemplo: Os dados que seguem apresentam os resultados da inspeo de todas as

unidades de computadores produzidos durante os ltimos 10 dias. O processo parece
estar sob controle?
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
Os limites inferior e superior para as demais amostras so obtidos

considerando-se seus tamanhos de amostras.
library(qcc)
dados<-read.xls("computadores.xls") # leitura do arquivo de dados
str(dados)
attach(dados)
obj <- qcc(X,sizes=n,type="p",title="GRFICO DE CONTROLE
ylab="prop. das amostras",xlab="Amostras")
p",
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
a) Estabelea um grfico de controle para monitorar a produo futura;

b) Qual o menor tamanho de amostra que pode ser usado para esse processo e ainda
fornecer um limite inferior de controle positivo para o grfico.
5. Um processo produz correias de transmisso de borracha em lotes de tamanho
2500. Os registros de inspeo dos ltimos 20 lotes mostram os seguintes dados.
No. LOTE
1
2
3
4
5
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
a) Calcular os limites de controle para frao de no conformes;

b) Se voc desejasse estabelecer um grfico de controle para controlar a produo
futura, como usaria esses dados para obter a linha central e os limites de controle
para o grfico?
3.5.2 Grfico c (Grfico de Controle para no Conformidade)

Em muitas situaes no faz sentido classificar o item como defeituoso ou no
defeituoso. normal que, em produtos como automveis, que so constitudos de
uma srie de componentes, alguns venham com um ou outro componente danificado
ou faltando. Outro tipo de processo cujo monitoramento feito pelo nmero de no
conformidades so os processos contnuos, como produo de chapas de metal. Se o
produto for contnuo (chapa de metal), s possvel expressar a freqncia mdia de
ocorrncia de defeitos em relao a certa quantidade-base do produto, ou seja, em
relao a uma extenso (uma rea, um comprimento, etc) predefinida do produto.
Faz-se necessrio definir a unidade de inspeo. Por exemplo: na produo de
chapas em rolo, a unidade de inspeo pode ser definida como 10, 100 ou mesmo
1000 m de chapa. Na produo de automveis, a unidade de inspeo pode ser 1,2,4
ou qualquer nmero de unidades do produto.
Supe-se em geral que a varivel aleatria c, nmero de no conformidades em
qualquer quantidade definida do produto, tem distribuio de Poisson, ou seja:
PC c
e c
c!
, c 0,1,2,....
onde c o nmero de no conformidades.

Assim, supondo que um valor-padro para c esteja disponvel, um grfico de
controle para no conformidades com limites trs sigma definido como segue:
88
LIC c 3 c
(limite inferior)
LC c
(linha central)
LSC c 3 c
(limite superior)
Quando no se dado qualquer padro, ento c pode ser estimado como o

nmero mdio de no conformidades observado em uma amostra preliminar de
unidades de inspeo, representado por c . Nesse caso, o grfico de controle tem
parmetros definidos como segue:
LIC c 3
(limite inferior)
LC c
(linha central)
LSC c 3
(limite superior)
c
m
Di
Onde: c
i 1
Os limites de controle obtidos devem ser encarados como limites de controle

tentativos.
Exemplo de aplicao:
Os dados abaixo referem-se ao nmero de defeitos observados em 26
amostras sucessivas de 100 placas de circuito impresso. A unidade do produto (por
convenincia), 100 placas de circuito impresso. Construir um grfico de controle
para o nmero de defeitos por unidade do produto (100 placas de circuito impresso).
AMOSTRA
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
c , respectivamente. Assim, c 19,85 e
c 19,85 4,45 . Logo, os
limites sero (neste caso, diz-se que o padro dado):

LIC c 3 c 19,85 3 4,45 6,48
LSC c 3 c 19,85 3 4,45 33,21
A linha central LC c 19,85 .
library(qcc)
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

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
2. O gerente de uma linha de montagem de placas de circuitos quer controlar

estatisticamente seu processo, usando como caracterstica de qualidade o nmero
de componentes montados erradamente. Definiu-se a unidade de inspeo como
consistindo em cinco placas. A tabela a seguir fornece os nmeros de no
conformidades encontrados nas primeiras 20 amostras examinadas (cada amostra
consiste de cinco placas).
AMOSTRA
1
2
3
4
5
6
7
8
9
10
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
Estabelea um grfico de controle para no conformidades.
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
Tem-se que x uma varivel aleatria com distribuio de Poisson, logo, os

parmetros do grfico de controle para o nmero mdio de no conformidades por
unidade so os seguintes:
LIC u 3
u
n
(limite inferior)
LC u
LSC u 3
(linha central)
u
n
(limite superior)
Sendo que u representa o nmero mdio observado de no conformidades por

unidade em um conjunto preliminar de dados.
Exemplo:
Um fabricante de computadores deseja estabelecer um grfico de controle para
o nmero de defeitos por unidade no final de uma linha de montagem. O tamanho da
amostra estabelecido em n=5 computadores. Dados do nmero de defeitos so
obtidos para m=20 amostras de 5 computadores.
No. Amostra
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)
(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)
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
3.6 GRFICO DE CONTROLE DA SOMA CUMULATIVA

3.6.1 Grfico de Controle CUSUM para Monitoramento da Mdia do Processo
O grfico de Shewhart para mdias muito eficaz se a magnitude da mudana
de 1,5 a 2 ou mais. Para mudanas menores, ele no eficaz. O grfico de
controle da soma cumulativa (cusum) uma boa alternativa quando pequenas
mudanas so importantes.
O grfico cusum incorpora diretamente toda a informao na seqncia dos
valores da amostra, plotando as somas cumulativas dos desvios dos valores da
amostra de um valor-alvo.
Suponha que amostras de tamanho n 1 sejam coletadas, e que X j seja a
mdia da j-sima amostra. Ento, se 0 o alvo para a mdia do processo, o grfico
de controle da soma cumulativa formado, plotando-se a quantidade C i , obtida pela
expresso abaixo, versus a amostra i.
i
Ci ( X j 0 )
j 1
C i a soma cumulativa at, e incluindo, a i-sima amostra. Pelo fato de
combinar informao de vrias amostras, os grficos de somas cumulativas so mais

eficazes que os grficos de Shewhart para detectar pequenas mudanas no processo.
Alm disso, so particularmente eficazes com amostras de tamanho igual a 1.
possvel planejar procedimentos de somas cumulativas para variveis
binomiais e de Poisson.
Ser apresentado a seguir, como construir o cusum tabular, para monitorar a
mdia do processo. Os cusums podem ser construdos tanto para observaes
individuais, como para as mdias de subgrupos racionais.
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 ]
onde os valores iniciais so C0 C0 0 .

O valor de k das expresses acima normalmente
chamado o valor de
referncia (ou valor de tolerncia ou de folga), e sempre escolhido como o meio

entre o valor-alvo 0 e o valor da mdia fora do controle 1 que estamos interessados
em detectar rapidamente.
Assim, se a mudana expressa em unidades de desvio padro como
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:
Observa-se que no existem pontos fora dos limites de controle. Para a

construo do grfico de controle cusum, se o objetivo detectar a mudana da
mdia 0 10 para 1 11, o valor de k ser: k
11 10
2
0,5 . Assim, os valores de
C e C so obtidos atravs de:

Ci mx [0, x i (0 k ) Ci1 ] mx [0, x i 10,5 Ci1 ]
Ci mx [0, (0 k ) x i Ci1 ] mx [0, 9,5 x i Ci1 ]
com os valores iniciais C0 C0 0 . Os resultados encontram-se na tabela abaixo.

AMOSTRA
(i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
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
O intervalo de deciso H adotado foi 5. Assim, o grfico de controle cusum

ser:
Construindo o grfico cusum no R:

library(qcc)
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
5,28 . Esse o primeiro perodo no qual Ci H 5 , conclui-se

(amostra) 29 C 29
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
N e N indicam o nmero de perodos consecutivos em que cusums C e C foram
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
A estimativa da nova mdia do processo 11,25.

Recomendaes para a seleo de H e k:
defina H h e K k , onde o desvio padro da varivel.
faa h 4 ou h 5 e k
1
.
2
3.6.1.1 Cusum Padronizado

Muitos preferem padronizar a varivel x i antes de realizar os clculos. Seja
yi
xi 0
o valor padronizado de x i . Assim, os cusums padronizados so definidos como

segue:
Ci mx [0, y i k Ci1 ]
Ci mx [0, k y i Ci1 ]
Exemplo 2: A tabela abaixo mostra uma seqncia de temperaturas de uma

composio qumica.
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
Os valores de C i devem assumir valores negativos. Os limites sero definidos

em h 4,77 . Assim, o grfico cusum apresentado abaixo.
Construindo o grfico cusum no R:

library(qcc)
dados<-read.xls("temperatura.xls")
str(dados)
attach(dados)
#========================
Grfico cusum ==========================#
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)
O grfico indica que no houve mudana na mdia do processo, pois todos os

pontos encontram-se dentro dos limites.
100
3.7
GRFICO DE CONTROLE DA MDIA MVEL
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
onde 0 1 uma constante e o valor inicial (exigido com a primeira amostra em

i 1) o alvo do processo, de modo que Z 0 0 .
Algumas vezes, a mdia de dados preliminares usada como valor inicial do

MMEP, de modo que Z 0 X .
Z i uma mdia ponderada de todas as mdias de amostras anteriores.
Se as observaes x i so variveis aleatrias independentes com varincia
2 , ento a varincia de Z i :
2Zi 2
1 (1 ) 2 i
(2 )
O grfico de controle MMEP pode ser construdo pela plotagem de Z i versus o

nmero da amostra i (ou tempo). A linha central e os limites de controle para o grfico
so os seguintes:
LSC 0 L
LC 0
LIC 0 L
1 (1 ) 2 i
(2 )
1 (1 ) 2 i
(2 )
Em geral, os valores de no intervalo 0,05 0,25 , funcionam bem na

prtica, com 0,05 , 0,10 , 0,20 sendo escolhas populares. Uma boa regra
emprica usar valores menores de para detectar mudanas menores.
Observa-se, tambm, que L 3 (os limites trs-sigma) funciona razoavelmente
bem, particularmente com valores maiores de
. Quando pequeno ( 0,1),
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
Fazendo L 2,7 e 0,1, obtm-se os limites para cada amostra i.

LSC i 0 L
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)
Por exemplo, para i 1, tem-se:

LIC 1 10 2,7 1
LSC 1 10 2,7 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)
E, assim sucessivamente, at i=30.
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:
Z1 0,1 9,45 (1 0,1) 10 9,9450

Para i 2 :
Z 2 0,1 7,99 (1 0,1) 9,9450 9,7495

Da mesma forma, obtm-se os valores de Z i para os demais i ' s .
Os valores do limite superior (LS) crescem at a amostra 28, mantendo-se a

partir da praticamente constante. Dois valores de Z, Z 29 e Z 30 , esto acima do limite
superior, indicando que houve mudana na mdia do processo.
Construindo o grfico MMEP no R:

library(qcc)
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
Tem-se que: 0,25 e L 3 . Ento, para i 1:

0,25
[1 (1 0,25)2 ] 97,03
(2 0,25)
LIC 1 99,11 3 2,77

LSC 1 99,11 3 2,77
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:
Z1 0,25 95,43 (1 0,25) 99,11 98,19

Para i 2 :
Z 2 0,25 99,85 (1 0,25) 98,19 98,61

Da mesma forma, obtm-se os valores de Z i para os demais i ' s .
LEITURA
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
O grfico MMEP construdo plotando-se os valores dos limites superior,

central, inferior e Z i ' s .
Neste caso, no houve mudana na mdia do processo, pois todos os valores

esto dentro dos limites.
library(qcc)
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)
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
a) Estimar o desvio padro do processo;

b) construir um cusum tabular usando h 8,01 e k 0,25 ;
c) construir um grfico de controle MMEP usando 0,1 e L 2,7 .
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.
1 oz aproximadamente igual a 28,350 gramas.
106
a) Planeje o cusum usando os valores padronizados h 4,77 e k
1
;
2
b) estabelea um grfico de controle MMEP com 0,2 e L 3 para esse processo.
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
FONTE: MONTGOMEY, D.C. (2009), p.365.
Os objetivos do experimento podem incluir:

1. Determinao de quais variveis so mais influentes na resposta, y ;
2. determinao do valor a ser atribudo aos x s influentes de modo que y
esteja perto da exigncia nominal;
3. determinao do valor a ser atribudo aos x s influentes de modo que a
variabilidade em y seja pequena;
4. determinao do valor a ser atribudo aos x s influentes de modo que os
efeitos das variveis no-controlveis sejam minimizados.
Os mtodos de planejamento de experimentos podem, tambm, ser muito teis
para o estabelecimento de controle estatstico do processo. Suponha, por exemplo,
que o grfico de controle mostre que o processo est fora do controle, e que o
processo tenha vrias variveis de entrada controlveis. A menos que tenhamos
conhecimento de quais variveis de entrada so as mais importantes, poder ser
muito difcil trazer o processo de volta ao controle. Os mtodos de planejamento
experimental podem ser utilizados para identificar essas variveis influentes do
processo.
Exemplos de experimentos planejados na melhoria do processo so
apresentados em MONTGOMERY (2009). Cita-se o seguinte exemplo: Um grupo de
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:
o efeito comum que independe dos fatores;
i o efeito do fator A (linha);

j o efeito do fator B (coluna);
i j o erro aleatrio que apresenta mdia nula e varincia 2 .
Notao utilizada:
i nmero de linhas: i=1,2, ..., a;
j nmero de colunas: j=1,2, ..., b;

N ab nmero total de elementos observados.
As mdias entre linhas (fator A), entre colunas (fator B) e total, so dadas por:
b
Xi j
Xi
j1
mdia entre linhas
X j
xi j
i1
mdia entre colunas
a b
xi j
i1 j1
mdia total
As hipteses a serem testadas so:

1) H01 : 1. 2. ... a.
(linhas)
110
H02 : .1 . 2 ... .b
(colunas)
2) H11 : pelo menos uma das mdias i. diferente das demais

H12 : pelo menos uma das mdias
. j diferente das demais
Estudo das variaes

Variao total
b a
SQT x i j X
j1i1
b a
xi j
b a
j1i1
x i2j
N
j1i1
SQT tem distribuio 2 com (N-1) graus de liberdade.
Variao devido ao 1. Fator (entre linhas)
b a
SQL X i X
j1i1
2
2
b
b a
xi j xi j
j1i1
a j1
b
N
i1
SQL tem distribuio 2 com (n-1) graus de liberdade.
Variao devido ao 2. Fator (entre colunas)
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
SQC tem distribuio 2 com (k-1) graus de liberdade.
Variao residual ou aleatria

a b
SQR x i j X i
i1 j1
X j
SQT SQL SQC
SQR tem distribuio 2 com (a-1)x(b-1) graus de liberdade.
Tem-se que: SQT SQL SQC SQR

possvel demonstrar que cada uma das variaes dividida pelos seus
respectivos graus de liberdade uma estimativa no viesada de 2 , quando se supe
que no hajam diferenas significativas nas mdias das linhas ou nas mdias das
colunas ( H0 verdadeira).
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)
O quadro da ANOVA para um experimento fatorial com 2 fatores - sem repetio

SOMA DE
QUADRADOS
(SQ)
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)
Se FL F(a1);(a1)(b1) ; , rejeita-se H0 e conclui-se que h diferena de mdias

entre linhas. Se FC F(b1);(a1)(b1) ; , rejeita-se H0 e conclui-se que h diferena de
mdias entre colunas.
Exemplos de aplicao:
1) Quatro observadores O1, O2, O3 e O4, realizaram medidas usando trs teodolitos t 1,
t2 e t3. Deseja-se testar duas hipteses. A primeira diz que no existe diferena
significativa entre os resultados dos instrumentos. A segunda hiptese diz que no
existe diferena significativa entre as medidas obtidas pelos quatro observadores. As
observaes so dadas abaixo. Utilizar 0,05 .
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
SQR SQT SQL SQC 415 4,50 387 23,50
Quadro da ANOVA a dois critrios de classificao sem repetio

SOMA DE
QUADRADOS
(SQ)
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(nortest)
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)
2) Um engenheiro de qualidade delineou um experimento para verificar se existe

influncia dos fatores temperatura e presso na quantidade percentual de impurezas
resultantes na fabricao de um produto qumico. Os resultados so apresentados na
tabela abaixo. Verificar se existem diferenas nos diversos tratamentos, usando nvel
de significncia de 1%.
PRESSO
TEMPERATURA
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)

b) Nvel de significncia: 0,01
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
X1 3,67 mdia do percentual de impurezas - temperatura 1 (100 F)

o
X 2 3,47 mdia do percentual de impurezas - temperatura 2 (125 F)

X 1 2,95 mdia do percentual de impurezas - presso 1
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
SQR SQT SQL SQC 5,87 0,12 5,62 0,13
(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)
Quadro da ANOVA a dois critrios de classificao sem repetio

SOMA DE
QUADRADOS
(SQ)
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
FC F0,01 ;5;5 10,97 , rejeita-se
H0 , portanto, existe diferena de
resultados de impurezas devido variao do fator presso (colunas).

arquivo de dados
str(dados)
dados$temp<-factor(dados$temp)
dados$pressao<-factor(dados$pressao)
# define a rea de trabalho

# define o
116
attach(dados)
anova<-aov(y~temp+pressao)
summary(anova)
# efetua a ANOVA
# apresenta os resultados
4.2.2 Experimentos Fatoriais com 2 Fatores - com Repetio

Neste caso, para cada tratamento so feitas n observaes, sendo n 1. Ou
seja, tem-se n observaes, correspondente ao cruzamento da linha i ( i 1, 2,..., a)
com a coluna j ( j 1, 2,..., b) , totalizando a b n observaes.
O fato de haver repeties, possvel obter uma estimativa de 2 dentro dos
ab tratamentos. A soma de quadrados dentro dos tratamentos ser representada por
SQTr e ser obtida atravs de:

b a n
x i jk
2
a b xi j
j1i1 k 1
SQTr
n
N
i 1j 1
O efeito dos tratamentos pode ser decomposto em uma parcela devida s

diferenas entre linhas e outra devida diferenas entre colunas. Ainda, deve-se
considerar a existncia de uma parcela adicional, referente interao entre linhas e
colunas. As somas de quadrados entre linhas, colunas e devido interao so dadas
por:
b a n
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
SQI SQTr SQL SQC
Tem-se que a soma de quadrados residual a diferena entre a soma de

quadrados total e soma de quadrados entre tratamentos.
b a n
SQT x i2j k
j1i1 k 1
b a n
x i jk
j1i1k 1
SQR SQT SQTr
As estimativas das varincias sero dadas atravs das expresses a seguir:
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
O quadro da ANOVA para um experimento fatorial com 2 fatores - com repetio

FONTE DE VARIAO
(FV)
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
3432 3302 3532 3432 1.3692
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
SQI SQTr SQL SQC 403,46 286,33 44,46 72,67

2
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
SQR SQT SQTr 488,96 403,46 85,50
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
I) F L F0,05 ; 2;12 3,89 , rejeita-se H0 , portanto, existe diferena significativa entre

linhas;
II) FC F0,05 ; 3;12 3,49 , aceita-se H0 , portanto, no existe diferena significativa entre
as colunas.
III) FI F0,05 ; 6; 12 3,00 , aceita-se H0 , a interao no significativa.
IV) FTr F0,05 ;11; 12 2,72 , rejeita-se H0 , portanto, existe diferena significativa entre
tratamentos.
arquivo de dados
str(dados)
# 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
b) Nvel de significncia: 0,05

c) Clculo das Somas de Quadrados e Quadrados Mdios
Tem-se que:
o
X1 54,92 vida til mdia para temperatura 50 C

X 2 62,00 vida til mdia para temperatura 20 oC
X 3 64,75 vida til mdia para temperatura -10 oC
X 1 65,42 vida til mdia para material alpha
X 2 62,58 vida til mdia para material beta
X 3 53,67 vida til mdia para material gama
TEMPERATURA
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)
6592 7442 7772 2.1802
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)
7852 7512 6442 2.1802
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)
2512 2612 2422

6442 2.1802
1.905,39
4
4
4
4
36
SQI SQTr SQL SQC 1.905,39 617,72 902,39 385,28

SQR SQT SQTr 2.362,89 1.905,39 457,50
(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
(Interao)
# define a rea de trabalho
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
Sum Sq Mean Sq F value

Pr(>F)
617.72 308.86 18.2279 9.774e-06 ***
902.39 451.19 26.6279 4.102e-07 ***
385.28
96.32 5.6844 0.001878 **
457.50
16.94
0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
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:
Presena de valores extremos (outliers)
Independncia (aleatoriedade)
Normalidade
Homocedasticidade (varincia constante)
a) Identificao de Valores Extremos (outliers)

A identificao de valores extremos (dados discrepantes ou aberrantes) faz
parte da anlise descritiva e exploratria dos dados. No caso de planejamento de
experimentos alguns procedimentos especficos podem ser destacados na busca da
verificao da existncia de valores extremos.
Para se verificar a presena de valores extremos (ou dados discrepantes)
pode-se utilizar procedimentos simples, como grfico de disperso e Box-Plots.
Deve-se verificar, neste caso, valores que se destacam dos demais na apresentao
dos valores observados.
Identificado um valor extremo, normalmente ele excludo da anlise. No
entanto, na pratica, o pesquisador quem deve definir se um valor extremo pode
realmente ser assim considerado. Pois os valores extremos podem
fornecer
informaes importantes sobre o experimento e estatisticamente demonstrar que

uma outra distribuio deve melhor representar o comportamento dos dados.
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
Existindo o registro da ordem de obteno dos valores, recomenda-se o

uso do grfico dos resduos versus a ordem de coleta de forma a verificar algum
padro na resposta e, consequentemente uma dependncia entre as observaes.
c) Verificando a Normalidade
A suposio de normalidade dos resduos pode ser verificada graficamente ou
atravs de testes. Graficamente usual a utilizao do grfico normal probabilstico e
os testes mais utilizados so: Teste de Shapiro-Wilk, Kolmogorov-Smirnov e
Lilliefors.
c.1)Teste de Shapiro-Wilk
O mtodo de Shapiro-Wilk fornece o valor da estatstica W, variando de 0 a 1. A
estatstica do teste dada por:
125
W
b2
n2
n
2
( x i X)
i 1
, onde b a n i 1( x n i 1 x i )
i1
em que x1 x 2 x n so dados ordenados, em ordem crescente, e os ai s so

constantes tabelados.
Este teste utilizado quando o conjunto de observaes pequeno ( n 50 ) .
A estatstica W comparada ao valor obtido em tabelas, caso W Wtab , o
teste rejeita Ho , indicando a no normalidade das observaes.
d) Verificando a Homocedasticidade
A suposio de homocedasticidade significa que a variabilidade entre
repeties de um mesmo tratamento deve ser semelhante a dos demais tratamentos.
A verificao desta suposio pode ser feita atravs do uso de testes ou por meio de
anlise grfica.
d.1) Teste de Cochran (homogeneidade das varincias)
1. Passo: Hipteses
Ho : 12 22 ... k2
H1 : i, i
(as varincias entre as populaes so homogneas)
t.q. i2 i2 (as varincias entre as populaes so heterogneas)
2. Passo: Escolha do nvel de significncia

3. Passo: Estatstica apropriada (teste de Cochran)
4. Passo: Definio da regio crtica
5. Passo: Concluso
um teste muito simples e de fcil execuo, que consiste em calcular todas
as varincias envolvidas no experimento e dividir a maior delas pela soma de todas. O
valor resultante da diviso ento comparado com os valores crticos de uma tabela
estatstica apropriada, que leva em conta o nmero de varincias envolvidas (k) e o
nmero de graus de liberdade utilizado nos clculos, nmero esse que evidentemente
deve ser o mesmo para todas as varincias, pois a tabela construda dessa forma. O
tamanho da amostra n i pode ser igual para todos os grupos.
Estatstica do teste para testar as hipteses Ho : 12 22 ... k2 contra H1 : i, i
t.q. i2 i2 dada por:
126
C
2
S max
k
S i2
i1
Rejeita-se a hiptese H0 se C Ck, n 1, .

Exemplo: Considerando o exemplo de quatro observadores O1, O2, O3 e O4, que
usaram trs teodolitos t1, t2 e t3, para fazer as medies.
a) Identificao de Valores Extremos (outliers)
b) Verificando a Independncia (erros no correlacionados)
c) Teste de Shapiro-Wilk (verificao da normalidade)

Shapiro-Wilk normality test
ata: anova$residuals
W = 0.9371, p-value = 0.462
d) Teste de Cochran (homogeneidade das varincias)
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
3.3333333 0.9166667 3.5833333

Cochran test for outlying variance
data: residuo ~ observadores
C = 0.516, df = 3, k = 4, p-value = 0.4536
alternative hypothesis: Group 3 has outlying variance
sample estimates:
1
2
3
4
3.0625 1.3125 6.0625 1.3125
library(nortest)
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)
4.4 COMPARAES MLTIPLAS ENTRE MDIAS

A anlise da varincia serve para verificar se existe diferena significativa entre
colunas, no caso de um critrio de classificao, e entre linhas e entre colunas, para o
caso de dois critrios de classificao; porm, se houver diferenas, no se sabe,
atravs dela, quais as linhas ou colunas que diferem entre si. A identificao de
diferenas entre mdias, tomando-as duas a duas, deve ser feita usando testes de
comparaes mltiplas entre mdias.
Estes testes so semelhantes ao teste t de Student, com a diferena de que
controlam o nvel de significncia ao levar em conta o nmero de comparaes feitas
no experimento. Alm disso, a varincia dentro dos grupos Sr2 estimada usando o
quadrado mdio do resduo, do quadro da ANOVA, que baseado em todas as
amostras.
As hipteses so:
H0 : i m
H1 : i m , i m , i , m 1, 2,..., k;
4.4.1 Teste HSD de Tukey

4.4.1.1 Modelo de classificao a dois critrios sem repetio
O modelo de Tukey recomenda considerar distintas as mdias:
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.
(para testar a diferena entre linhas)
(para testar a diferena entre colunas)
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) ;
(para testar a diferena entre linhas)
S R2
na
S R2
X j X m q ab ; ab(n1) ;
n
. .
(para testar a diferena entre interaes)
Exemplos para modelo de classificao a dois critrios sem repetio:

1) Considerando o exemplo de quatro observadores O1, O2, O3 e O4, que usaram trs
teodolitos t1, t2 e t3, para fazer as medies, utilizar o teste de Tukey.
Soluo:
Atravs da ANOVA possvel concluir que existe diferena significativa entre
os observadores, portanto, aplicar-se- o mtodo de Tukey para as colunas. A
estatstica do teste dada por:
. .m q b ; (a1)(b1) ;
X jX
2
SR
a
Tem-se que:
a3
b4
2
QMR SR
23,50
3,9167
6
q4; 6;0,05 4,8956

2
SR
3,9167
q b ; (a1)(b1) ;
4,8956
5,5938
a
3
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
A mdia do observador nmero 1 difere dos demais, ao nvel de 5% de

significncia.
130
Exemplos para modelo de classificao a dois critrios com repetio:

1) Considerando o exemplo de tempos gastos (em segundos) por quatro operrios
para montar certa pea segundo trs mtodos diferentes, utilizar o mtodo de Tukey.
Soluo:
Atravs da ANOVA possvel concluir que existe diferena significativa entre
os mtodos, portanto, aplicar-se- o mtodo de Tukey para as linhas. A estatstica do
teste dada por:
X i X m qa ; ab (n1) ;
S R2
nb
Considerando os mtodos 1 e 2, tem-se:

b4
a3
n2
2
QMR SR
7,125
q3; 12; 0,05 3,77
Substituindo os valores na expresso da estatstica:
qa ; ab (n 1) ;
2
SR
7,125
3,77
3,56
nb
2 4
Os tempos mdios dos mtodos 1 e 2 so, respectivamente, X1 52,375 e

X 2 58,125 , portanto, a diferena X1 X 2 5,75 .
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.
Em geral, trs abordagens para a deciso sobre lotes:

1. aceitar sem inspeo;
2. inspeo 100% (inspecionar todos os itens do lote, removendo todas as
unidades defeituosas);
3. amostragem de aceitao.
Tipos de planos de amostragem:
1. Plano de amostragem nica: um procedimento no qual seleciona-se
aleatoriamente um amostra de n unidades do lote. Se h c ou menos
defeituosos na amostra, aceita-se o lote, e se h mais de c itens defeituosos
na amostra, rejeita-se o lote.
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.
Se extrada uma segunda amostra, as informaes tanto da
primeira quanto da segunda amostra so combinadas para se chegar a uma

deciso sobre a aceitao, ou no, do lote.
3. Plano de amostragem mltipla: uma extenso do conceito de amostragem
dupla; so necessrias mais do que duas amostras para se chegar a uma
deciso sobre o destino do lote;
4. Plano de amostragem seqencial: extenso da amostragem mltipla, na qual
as unidades so selecionadas do lote uma de cada vez, e em seguida
inspeo de cada unidade, uma deciso tomada no sentido de aceitar o lote,
rejeit-lo ou selecionar uma outra unidade.
Um plano de amostragem de aceitao o estabelecimento de um tamanho de

amostra a ser usado e dos critrios associados de aceitao ou rejeio de lotes
individuais.
5.2 PLANO DE AMOSTRAGEM NICA PARA ATRIBUTOS
Suponha que um lote de tamanho N tenha sido submetido a inspeo. Um
plano de amostragem nica definido pelo tamanho da amostra n e pelo nmero de
aceitao c.
Itens so selecionados aleatoriamente do lote para compor a amostra;
Seleo de uma nica amostra aleatria de tamanho n ;
Rejeio do lote se o nmero de defeitos for maior que um valor crtico especificado
c.
X Varivel aleatria que representa o nmero de itens com defeito em um lote;
A Evento em que o lote aceito.

P ( A) P( X c ) uma funo de p (probabilidade de itens defeituosos);
Quanto maior o valor de p , menor ser a probabilidade de aceitao do lote.
Quando n pequeno em relao a N (sugere-se como regra, n 0,05N ), a
distribuio binomial pode ser utilizada:
c
c n
P( X c ) b ( x; n, p ) p x (1 p)n x
x 0
x 0 x
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
2) Considere o plano de amostragem com valor crtico c 2 e tamanho de amostra

n 50 e suponha que o tamanho do lote N 1000 . Neste caso, n 0,05 1000 50 ,
portanto, pode ser utilizada a distribuio binomial.
P ( A) P( x 2) P( x 0) P( x 1) P( x 2)
50 0
50 1
50 2
p (1 p)50
p (1 p) 49
p (1 p) 48
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
P ( x 2) 0,6050 0,3056 0,0756 0,9862
Da mesma forma, para os demais valores de p .

As probabilidades de aceitao do lote em funo das probabilidades do
nmero de itens defeituosos:
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 .
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
Um plano de amostragem, efetivo, tem as seguintes caractersticas:

1. Tem uma probabilidade alta especificada de aceitar lotes que o produtor considera
de boa qualidade;
2. tem uma probabilidade baixa especificada de aceitar lotes que o consumidor
considera de baixa qualidade.
Deve-se designar dois valores diferentes de p , chamados p 1 (nvel de
qualidade aceitvel (NQA)) e p 2 ( nvel de qualidade inaceitvel (NQI)):
p 1 : P( A ) um valor especificado prximo a 1
p 2 : P( A ) um valor especificado prximo a 0
Exige-se ento um plano para o qual:

1. P( A ) 1
quando p p1 NQA ( pequeno)
2. P( A )
quando p p 2 NQI ( pequeno)
o risco do produtor, ou seja, a probabilidade de rejeio de um lote de um

processo cuja proporo mdia de defeituosos igual a p 0 ;
o risco do consumidor, ou seja, a probabilidade de aceitao de um lote de

um processo cuja proporo mdia de defeituosos superior a p 0 ;
A tabela a seguir, fornece informaes a partir das quais, podem ser

determinados os valores de n e c , para 0,05 e 0,10 .
TABELA 1 - FATORES PARA DETERMINAO DE n e c
PARA UM PLANO DE AMOSTRA NICA COM
0,05 E 0,10
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
b) Localizar o valor prximo a 4,50, na coluna p 2 / p1 , da tabela 1. Os valores

prximos so 4,89 e 4,06, para os valores de c, respectivamente iguais a 3 e 4.
c) Escolhendo o valor 4,89, tem-se que o valor de np1 1,366 . O valor de p 1 foi
definido em 0,01, portanto:
np1 1,366 , ento n
1,366
136,6 137 .
0,01
Clculo dos valores de ( risco do produtor) e (risco do consumidor) em funo do

tamanho da amostra:
P( A ) 1 1 P( A )
1 P(c 3 quando p1 0,01)
1 P(c 0) P(c 1) P(c 2) P(c 3)
Utilizando a distribuio binomial tem-se:

137
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
1 0,2524 0,3467 0,2329 0,1020 1 0,9339 0,0661 6,6%
P( A ) P(c 3 quando p 2 0,045)

137
137
137
137
(0,045 ) 0 (0,955 )137
(0,045 )1(0,955 )136
(0,045 ) 2 (0,955 )135
(0,045 ) 3 (0,955 )134
0
1
2
3
0,001822 0,011674 0,036584 0,074725 0,1248 12,5%
d) Caso tivesse optado por utilizar o valor de np 2 6,68 :

n
6,68
148,44 149 .
0,045
Clculo dos valores de ( risco do produtor) e (risco do consumidor) em funo do

tamanho da amostra:
P( A ) 1
1 P( A)
1 P(c 3 quando p1 0,01)

1 P(c 0) P(c 1) P(c 2) P(c 3)
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
1 0,2237 0,3344 0,2449 0,1171 1 0,9201 0,0799 8,0%
P( A ) P(c 3 quando p 2 0,045)

149
149
149
149
(0,045 ) 0 (0,955 )149
(0,045 )1(0,955 )148
(0,045 ) 2 (0,955 )147
(0,045 ) 3 (0,955 )146
0
1
2
3
0,0010 0,0073 0,0250 0,0557 0,0891 8,9%
2) Determinar um plano para o qual NQA p1 0,02 e NQI p 2 0,045 .

e) Calcular a razo
p
NQI
0,045
2
2,25
NQA
p1
0,02
f) Localizar o valor prximo a 2,25, na coluna p 2 / p1 , da tabela 1. Os valores

prximos so 2,31 e 2,24, para os valores de c, respectivamente iguais a 12 e 13.
g) Escolhendo o valor 2,31, tem-se que o valor de np1 7,690 . O valor de
p 1 foi
definido em 0,02, portanto:

np1 7,690 , ento n
7,690
384,5 385 .
0,02
h) Caso tivesse optado por utilizar o valor de np 2 17,78 :

n
17,78
395,11 396 .
0,045
5.3 PLANO DE AMOSTRAGEM DUPLA PARA ATRIBUTOS

um procedimento no qual, sob certas circunstncias, exige-se uma segunda
amostra antes da deciso sobre o lote.
Apesar de dois tamanhos de amostra, um plano especfico caracterizado por
mais trs nmeros: c 1 , r1 e c 2 , como segue:
1. Rejeita-se o lote se x1 r1 , onde r1 um nmero de rejeio pr-definido;
2. Aceita-se o lote se x1 c 1 ;
3. se c1 x1 r1 , tirar uma segunda amostra; ento aceita o lote se x1 x 2 c 2 e o
rejeita, caso contrrio.
Exemplo 1: Considere o plano de amostragem dupla com n1 80 , n 2 80 , c 1 2 e
c 2 6 . Assim, o lote ser aceito se:
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 .
Sob a hiptese de que o tamanho do lote seja grande o suficiente para a

aproximao binomial ser aplicada, a probabilidade P( A ) de aceitao do lote :
Para p 0,01:
P( A ) P( X1 2) P( X1 3, X2 3) P( X1 4 , X2 2)
2 80
3 80
80
P( A ) p x (1 p)80 x p 3 (1 p)803 p x (1 p) 80 x
x 0 x
x 0 x
3
2 80
80
p 4 (1 p)80 4 p x (1 p)80 x
4
x 0 x
P( A) 0,9534468 0,0378940 0,9913408 0,007368277 0,9534468
P( A ) 0,9980
E assim, para os demais valores de p .

p
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
Exemplo 2: Considere o plano de amostragem dupla para o qual, ambos os tamanhos

de amostra so 50. O lote aceito depois da primeira amostra se o nmero de
defeitos no mximo 1, rejeitado se o nmero de defeitos for no mnimo 4 e rejeitado
depois da segunda amostra se o nmero total de defeitos for 6 ou mais. Calcule a
probabilidade de aceitao do lote quando p 0,01 e p 0,02 .
n1 50 , n2 50 , c1 1 , r1 4 (rejeitado) e c 2 6 (rejeitado)
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
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 .
5.4 PLANOS DE AMOSTRAGEM DA NORMA BRASILEIRA NBR 5426

Na prtica, adotam-se os planos da norma brasileira NBR 5426 (ABNT, 1985),
baseada na norma militar americana MIL STD 105D desenvolvida durante a Segunda
Guerra Mundial.
Esses planos so tabelados em funo do tamanho dos lotes e do NQA. Alm
dessas informaes, faz-se necessrio definir o nvel de inspeo com que pretende
trabalhar. O nvel de inspeo fixa a relao entre o tamanho do lote e o tamanho da
amostra. So trs os nveis: I, II e III. Caso no haja nenhuma indicao, deve-se
utilizar o nvel II. O nvel I pode ser utilizado quando for necessrio diminuir o tamanho
da amostra (ao preo de aumentar o risco , do consumidor) e o nvel III quando for
necessrio reduzir o risco do consumidor (ao preo de aumentar o tamanho da
amostra). H ainda os nveis especiais, S1, S2, S3 e S4, para casos em que s se
podem usar tamanho de amostra muito pequenos (por exemplo, no caso de ensaios
140
destrutivos muito caros) e em que possam e devam ser tolerados grandes riscos de
amostragem.
FONTE: COSTA, Antonio Fernando B. et. al. (2008), p. 281.
FONTE: COSTA, Antonio F. B. et. al. (2008), p. 281.
A norma prev ainda, a utilizao de formas de inspeo atenuado e severo,

em substituio ao plano de amostragem normal, visando a uma melhor utilizao dos
recursos alocados inspeo. Se o histrico do fornecedor gera confiana (dez lotes
consecutivos aceitos), ento o consumidor pode dar-se ao luxo de substituir a
inspeo normal pela atenuada, diminuindo o tamanho das amostras.
No entanto, se o histrico do fornecedor no inspira confiana (dois em cinco
lotes consecutivos rejeitados), a inspeo normal substituda pela inspeo severa.
Exemplo para utilizao:

Suponha que o tamanho do lote 5000, e que NQA definido pelo usurio 1%.
A tabela F1 fornece, para o nvel II, o cdigo de amostra L. Com o cdigo de amostra
L e NQA=1,0, obtm-se na tabela F2, o plano de amostragem simples, inspeo
normal.
Obtm-se o tamanho da amostra n 200 e c Ac 5 .
141
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 F3, o plano de
amostragem simples, inspeo severa.
Tem-se que o tamanho da amostra 200, e A c 3 .
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 .
Para utilizar o plano de amostragem dupla, inspeo normal, utilizar a tabela

F5. Obtm-se n1 n2 125 , c1 Ac 2 , r1 5 e c 2 Ac 6 .
FONTE: COSTA, Antonio F. B. et. al. (2008), p. 285
143
Para utilizar o plano de amostragem dupla, inspeo severa, utilizar a tabela
Para utilizar o plano de amostragem dupla, inspeo atenuada, utilizar a tabela

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;
Existncia de procedimentos, instrues e registros de trabalho formalizando todas

as atividades que afetam a qualidade;
Monitoramento dos processos atravs de indicadores e tomada de aes quando

os objetivos pr-estabelecidos no so alcanados.
Em 2008 a norma ABNT NBR ISO9001 que estabelece requisitos para o
Sistema de Gesto da Qualidade (SGQ) foi revisada pela terceira vez. Publicada em
novembro de 2008 a nova verso da ISO9001 trouxe apenas algumas adequaes
com o intuito de facilitar seu entendimento e aplicao, sendo que seus princpios
continuam os mesmos.
A NBR ISO 9001:2008 foi definida tendo como princpios:
145
foco no cliente
liderana
envolvimento de pessoas
abordagem de processo
abordagem sistmica para a gesto
melhoria contnua
abordagem factual para tomada de decises
benefcios mtuos nas relaes com os fornecedores.
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
GRAUS DE LIBERDADE DO NUMERADOR

1
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
GRAUS DE LIBERDADE DO NUMERADOR

1
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
Nota: O primeiro valor corresponde a
q0,05
e o segundo a
q0,01 .

Eng Qualidade

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Eng Qualidade

Diunggah oleh

Hak Cipta:

Format Tersedia

ENGENHARIA DA QUALIDADE

O presente material foi elaborado com o objetivo de fornecer aos alunos,

2.1.1 Grfico de Ramo e Folhas (Stem-and-Leaf Plot) ....................................................... 9

q (TESTE DE TUKEY) .............................................. 152

componentes ou dimenses da qualidade, quais sejam:

produto. A viso de qualidade do consumidor est relacionada diretamente com a

GARVIN, D. A. (1987). Competing in the Eight Dimensions of Quality. Harvard Business

das atividades operacionais,

gerenciamento e de engenharia utilizado pela empresa para garantir que as

Esses valores-alvo so,

geralmente, limitados por um intervalo de valores que, acredita-se estarem to

Ordenando a varivel produo, tem-se:

O grfico de ramo e folhas ser:

Exemplo 2: Os dados a seguir tratam-se da resistncia compresso (em psi) de 30

Construindo o diagrama de ramos e folhas no R:

2.1.2 Grfico de Linhas

2.1.3 Distribuio de Freqncias e Histograma

Dados brutos: o conjunto de dados numricos obtidos e que ainda no

Rol: o arranjo dos dados brutos em ordem crescente (ou decrescente).

Nmero de Classes (k)

utillizadas, que so:

2) Frmula de Sturges para nmero de classes: k 1 3,3 log ( n ) .

Amplitude total ou range (At): a diferena entre o maior e o menor valor

observados no conjunto de dados.

Amplitude dos intervalos ou das classes (h): diviso da amplitude total

(At) pelo nmero de intervalos (k).

Freqncia absoluta ( f i ): o nmero de vezes que um elemento aparece na

onde n o nmero total de dados da amostra e k o nmero de

valores diferentes na amostra.

Freqncia Absoluta Acumulada ( fac ): a soma da freqncia absoluta do

assumido pela varivel com todas as freqncias absolutas anteriores.

Exemplo 1: A produo semanal de uma fbrica de semicondutores encontra-se

k 1 3,3 log( 40) 6,29 7

FONTE: MONTGOMERY, Douglas C. (2009)

Exemplo 2: Os dados a seguir tratam-se da resistncia compresso (em psi) de 30

A t Xmx Xmin 245 76 169

k 1 3,3 log( 30) 5,87 6

105 |-- 134

134 |-- 163

163 |-- 192

192 |-- 221

221 |-- 250

FONTE: MONTGOMERY, Douglas C. (2009).

2.1.3.2 Histograma de Freqncias

Exemplo 2: Histograma de freqncias da resistncia compresso (em psi).

HISTOGRAMA DE FREQUNCIAS =====================#

2.1.4 Medidas de Tendncia Central e Disperso

A mdia aritmtica amostral obtida atravs da seguinte expresso:

Exemplo de aplicao: Suponha que um engenheiro esteja projetando um conector

A mdia da fora de remoo ser:

Na prtica, a varincia obtida elevando-se os desvios em relao media ao

Exemplo de aplicao: Considerando o exemplo tem-se:

QUADRO 1 - VALORES DA VARIVEL X E DESVIOS SIMPLES E QUADRTICOS

2.1.4.3 Desvio Padro

desvio padro populacional

desvio padro amostral

Para o exemplo: S S 2 0,2286 0,4781 libras-fora.

100 coeficiente de variao populacional

coeficiente de variao amostral

Exemplo de aplicao: Para o exemplo tem-se:

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho

2.1.4.5 Grfico de Boxplot ou da Caixa

Comprimento da caixa = amplitude interquartlica = Q3 - Q1

IQ Q3 Q1 198,25 149,50 48,75