Controle Da Qualidade-Apostila (UFPI)

UNIVERSIDADE FEDERAL DO PIAU
LSC
LIC
APOSTILA DE
CONTROLE DA QUALIDADE
Prof. William Morn
UFPI CONTROLE DA QUALIDADE: Prof. William Morn
CONTROLE DA QUALIDADE
Segundo Souza (1998), o termo Qualidade pode ser definido como adequao ao uso. Isto significa que,
se espera comprar produtos e servios que satisfazem nossos requerimentos ou desejos. Assim, a qualidade
ou adequao ao uso determinada atravs da interao da qualidade do projeto e da qualidade de
conformidade. A qualidade do projeto relaciona-se com os nveis de desempenho, de confiabilidade, de
servio e de funo que so o resultado de decises deliberadas no departamento de engenharia e
executadas pela gerencia geral. A qualidade de conformidade a reduo sistemtica da variabilidade e a
eliminao de defeitos at que cada unidade produzida seja idntica e livre de defeitos. Atualmente
considera-se que a melhoria da qualidade significa a eliminao de desperdcios. Desperdio tudo
aquilo que feito de forma errada, uma ou mais de uma vez.
Uma definio moderna de qualidade : A qualidade inversamente proporcional variabilidade
(Montgomery, 2004). Note que essa definio implica que se a variabilidade das caractersticas importantes
de um produto diminuem, a qualidade do produto aumenta.
Um processo a transformao de um conjunto de entradas, as quais podem incluir materiais, aes,
mtodos e operaes, em um conjunto de sadas desejadas, na forma de produtos, servios, informaes ou
simplesmente resultados. Em cada rea ou funo de uma organizao existem muitos processos que so
levados a cabo. Cada processo pode ser analisado pela checagem das entradas e das sadas. Isso
determinar a ao ou aes necessrias a serem tomadas para melhorar o processo e/ou a qualidade.
As sadas de um processo so tudo aquilo que geralmente interessa ao cliente. Certamente, para
produzir uma sada que rena os requerimentos do cliente, necessrio definir, monitorar e controlar as
entradas do processo, as quais por sua vez so resultados de processos anteriores. Em cada interface clientefornecedor acontece um processo de transformao. Alm disso, cada tarefa pode ser vista na organizao
como um processo em si.
Para comear a analisar e monitorar qualquer processo, necessrio primeiro identificar todas as
entradas e todas as sadas que fazem parte do processo. Muitos processos podem ser facilmente
identificados e entendidos como perfurar uma chapa de ao, comprimir um gs, encher uma garrafa, etc.
Outros processos so mais difceis de identificar e entender, como atender um cliente, recitar uma poesia,
armazenar um produto, inicializar uma mquina, etc. Portanto, em algumas ocasies ser difcil definir,
identificar e entender um processo. Por exemplo, se o processo consiste de realizar vendas pelo telefone,
vital conhecer se o escopo do processo inclui obter acesso a um cliente potencial ou a um cliente. Assim,
vital definir o escopo do processo, portanto, tambm ser vital determinar os requerimentos das entradas e
os resultados das sadas.
Em geral, o Controle da Qualidade ou mais comumente chamado de Controle Estatstico da Qualidade
(CEQ), um conjunto de mtodos estatsticos e de engenharia, que so usados na medida, na monitorao, no controle
e na melhoria da qualidade. O CEQ comeou a se desenvolver a partir dos anos 20s, sendo um dos pioneiros o
Dr. Walter Shewart, dos Laboratrios da Companhia Telefnica Bell. Ele estabeleceu a utilizao de cartas
de controle (cartas de controle, diagramas de controle e grficos de controle significam o mesmo) na
produo dos produtos da Companhia Telefnica Bell, fato que se traduziu na melhora da qualidade dos
produtos e na reduo de desperdcios.
Devemos ter em considerao que a grande contribuio da Estatstica no se baseia tanto no fato de
juntar um grupo de estatsticos altamente qualificados da indstria, mas no fato de criar uma gerao de
fsicos, qumicos, engenheiros e outros profissionais com uma mentalidade estatstica, os quais iro, de
algum modo, dar uma ajuda no desenvolvimento e no direcionamento dos processos de produo no
futuro.
O Controle Estatstico de Processos (CEP) um instrumento do CEQ, que visa predizer se o processo
sob estudo se encontra estvel ou sob controle. O CEP utiliza principalmente as seguintes ferramentas para
atingir seu alvo:
Histogramas
Grfico de Pareto
Diagrama de Causa Efeito
Grficos de Controle
Diagramas de Disperso
Amostragem de aceitao
Denomina-se CEP em tempo real (on-line) quando se obtm dados do processo enquanto ele esta
sendo executado (principalmente os grficos de controle). Aos experimentos planejados (Anlise de
Regresso, Anlise de Regresso Mltipla, ANOVA, Comparaes Mltiplas, teste de medidas individuais,
etc) denominam-se CEP Off-line, j que eles so realizados fora do tempo de execuo do processo.
Assim, o CEP visa basicamente detectar:
O aumento/diminuio dos produtos/servios defeituosos.

As tendncias ou variaes na fabricao/prestao de produtos/servios que fiquem fora dos
padres estabelecidos.
Devido a que no existem dois produtos ou servios exatamente iguais, inclusive quando os processos
estiverem operando conforme o previsto, devido a que os processos usados para produzi-los contm muitas
fontes de variao. As fontes de variao basicamente so duas (Souza, 1998):
a) Fontes Usuais: As fontes usuais de variao representam quelas causas puramente aleatrias, as
quais se caracterizam por ser inevitveis e no-identificveis, isto , elas s podem ser reduzidas por
meio de modificaes no sistema. Exemplo: Em uma mquina que enche uma bolsa de batatas
fritas, pode-se observar que apesar de que o peso e a quantidade de batatinhas por bolsa deveriam
ser iguais, ns sabemos que tanto o peso quanto o nmero de batatinhas so diferentes.
b) Fontes Especiais ou Identificveis: As fontes especiais representam padres (grandes flutuaes) que
acontecem nos dados que no so inerentes a um processo, isto , so aquelas causas passveis de
correo sem modificar o sistema. Exemplo: Um trabalhador inexperiente comandando uma
mquina.
Diagramas de Ramo e Folhas:

O Diagrama de Ramo e Folhas especialmente utilizado quando o nmero de dados for
moderadamente alto. Ele fornece uma apresentao visual informativa de um conjunto de dados x 1, x2, .....,
xn, em que cada nmero xi consiste em, no mnimo, dois dgitos. Para construir o diagrama de ramo e folhas,
dividimos cada nmero xi em duas partes: um ramo, consistindo em um ou mais dgitos iniciais, e uma folha,
consistindo nos dgitos restantes.
Exemplo: Para ilustrar a construo de um diagrama de ramo e folha, considere os seguintes 40 dados
do rendimento semanal de uma fbrica de semicondutores:
Semana
Rendimento
Semana
Rendimento
Semana
Rendimento
Semana
Rendimento
1
2
3
4
5
6
7
8
9
10
48
53
49
52
51
52
63
60
53
64
11
12
13
14
15
16
17
18
19
20
59
54
47
49
45
64
79
65
62
60
21
22
23
24
25
26
27
28
29
30
68
65
73
88
69
83
78
81
86
92
31
32
33
34
35
36
37
38
39
40
75
85
81
77
82
76
75
91
73
92
Segundo esses dados, o diagrama de ramo e folha ficaria da seguinte forma (observe que os
valores da varivel rendimento so de dois dgitos):
Ramo
4
5
6
7
8
9
Folha
89795
3212394
3044520859
93857653
8316512
212
Freqncia
5
7
10
8
7
3
O diagrama nos permite observar que a distribuio do rendimento tem uma forma
aproximadamente simtrica, com um pico s (no ramo 6).
Uma variante do diagrama o Diagrama de Ramo e Folha Ordenado, o qual apresenta as folhas
ordenadas pela sua magnitude, como mostrado abaixo:
Ramo
4
5
6
7
8
9
Folha
57899
1223349
0023445589
33556789
1123568
122
Freqncia
5
7
10
8
7
3
Frequncia Acumulada
5
12
22
30
37
40
A variante permite fazer o clculo dos percentis, dos quartis e da mediana, de forma simples.
Desde um ponto de vista prtico, sabe-se que: S(p) = [ (n) (0,p) + (k/2) ]
Onde:
S(p) indica a posio do termo da amostra ordenada que define o percentil procurado.
n o nmero de observaes da amostra
p o percentil procurado
k uma constante
S(p) um nmero int eiro, ento P(p) igual ao termo definido por S(p)
Se
caso contrrio , P(p) igual mdia dos termos int eiros definidos por S(p)
onde:
P(p) o percentil procurado.
Assim, utilizando a frmula indicada acima, o percentil 10 determinado pelo termo com a posio
(40) (0,10) + 0,5 = 4,5 (ponto mdio entre o quarto e o quinto termo), ou seja: (49 + 49) / 2 = 49
O primeiro quartil (Q1) ou quartil inferior o termo com a posio (0,25) (40) + 0,5 = 10,5 (ponto mdio
entre o dcima e o dcima primeiro termo), ou seja: (53 + 54) / 2 = 53,5.
O qinquagsimo percentil equivale a falar segundo quartil ou ainda chamar de mediana a observao
com a posio (0,50) (40) + 0,5 = 20,5 (ponto mdio entre a vigsima e a vigsima primeira observao),
ou seja: (65 + 68) / 2 = 66,5.
O terceiro quartil (Q3) ou quartil superior a observao com a posio (0,75) (40) + 0,5 = 30,5 (ponto
mdio entre a trigsima e a trigsima primeira observao), ou seja: (79 + 81) / 2 = 80.
A Faixa Interquartil (ou Intervalo Interquartil) = IQR = Q3 Q1 = 80 53,5 = 26,5
Problema: Se registraram nove medies da temperatura (em F) de um forno para o processo de fabricao
de uma pea metlica, obtendo-se os seguintes dados:
953
951
954
955
957
950
948
949
959
a) Calcule a mdia amostral e o desvio padro amostral

b) Determine a mediana amostral desses dados.
Problema: Foram registrados 30 dados sobre as taxas de octanagem de combustvel para motor (leia por
linha), de vrias misturas de gasolina:
88,5
84,3
89,0
87,7
86,7
96,1
83,4
88,2
93,3
86,7
90,8
91,8
87,5
88,3
92,3
94,7
90,1
88,9
91,1
93,4
92,3
91,0
88,5
89,8
94,2
90,1
89,6
87,8
89,2
87,4
Os mesmos dados ordenados de forma crescente seriam (leia por linha, de esquerda para direita):
83,4
88,5
91,0
84,3
88,5
91,1
86,7
88,9
91,8
86,7
89,0
92,3
87,4
89,2
92,3
87,5
89,6
93,3
87,7
89,8
93,4
87,8
90,1
94,2
88,2
90,1
94,7
88,3
90,8
96,1
a) Construa um diagrama de ramo e folha para esses dados.

b) Que caractersticas importantes podem ser observadas nos dados.
Problema: Um fabricante de giz implantou um programa de qualidade para controlar a densidade da giz.
Foram registrados os seguintes dados:
0,204
0,145
0,388
0,315
0,211
0,187
0,096
0,053
0,150
0,184
0,145
0,229
0,230
0,272
0,276
0,212
0,351
0,118
Sabe-se que o maior valor 0,388 e o menor valor 0,053.

a) Construa um diagrama de caixa (leia por linha).
b) Comente sobre as informaes fornecidas pelo diagrama.
0,322
0,159
0,091
0,287
0,214
0,056
Problema: Foram registrados os tempos entre chegadas (em minutos) de peas, para uma estao de
trabalho, como mostrado na tabela abaixo (leia por linha):
18
1
20
15
15
a.
b.
c.
3
1
5
12
4
13
17
5
8
2
24
5
12
5
4
3
29
8
1
1
14
6
2
46
2
40
2
6
23
1
24
10
14
18
19
9
22
10
29
40
8
54
12
2
1
Construa um diagrama de ramo e folha ordenado (leia por linha).

Determine o valor do percentil 60.
Se a mdia amostral 12,9 e o desvio padro amostral 12,4708, interprete as caractersticas dos
dados.
Diagrama de Caixa (Diagrama de Caixa e Linha):

O diagrama de pontos, o diagrama de ramo e folhas e o diagrama de freqncias fornecem
impressioneis visuais gerais acerca de um conjunto de dados, enquanto quantidades numricas, tais como
x e S fornecem informao sobre somente uma caracterstica dos dados. O Diagrama de Caixa (s vezes
chamado de Diagrama de Caixa e Linha) uma apresentao grfica que descreve simultaneamente vrias
caractersticas importantes de um conjunto de dados, tais como centro, disperso, desvio da simetria e
identificao das observaes que esto surpreendentemente longe do seio dos dados (essas observaes so
chamadas de outliers).
O diagrama de caixa apresenta trs quartis, o mnimo e o mximo dos dados em uma caixa retangular,
podendo estar alinhados tanto vertical quanto horizontalmente. A caixa inclui a amplitude interquartil
(IQR), com o canto esquerdo (ou inferior) no primeiro quartil (Q1), e o canto direito (ou superior) no terceiro
quartil (Q3). Uma linha desenhada, atravs da caixa, no segundo quartil, que o percentil 50 ou a mediana
(Q2 = ~
x ). Uma linha (bigode) estende-se de cada extremidade da caixa. A linha inferior (bigode esquerdo
ou inferior) comea no primeiro quartil indo at o menor valor do conjunto de pontos dentro da faixa de 1,5
interquartil (1,5 IQR) a partir do primeiro quartil. A linha superior (bigode direito ou superior) comea no
terceiro quartil indo at o maior valor do conjunto de pontos dentro da faixa de 1,5 interquartil (1,5 IQR) do
terceiro quartil. Dados mais afastados do que os bigodes so desenhados como pontos individuais. Um
ponto alm do bigode, porm a menos de 3 amplitudes interquartis da extremidade da caixa, chamado de
outliers. Um ponto a mais de 3 amplitudes interquartis da extremidade da caixa chamado de outliers
extremo. Geralmente os outliers so representados como crculos fechados e os outliers extremos so
representados como crculos abertos. A descrio de um diagrama de caixa se mostra na seguinte figura:
Bigode esquerdo:
A linha se estende, a partir do
primeiro quartil, at o menor
ponto dado que esteja na faixa
de 1,5 interquartil
Segundo quartil
Terceiro quartil
Primeiro quartil
Outliers
Outliers:
Ponto alm do bigode, porm a
menos de 3 amplitudes interquartis
da extremidade da caixa
1,5 IQR
1,5 IQR
Bigode direito:
A linha se estende, a partir do
terceiro quartil, at o maior
ponto dado que esteja na faixa
de 1,5 interquartil
IQR
1,5 IQR
Outlier extremo:
Ponto a mais de 3
amplitudes interquartis da
extremidade da caixa
1,5 IQR
Exemplo: Para os dados do exemplo anterior (dados da resistncia compresso de 80 corpos de prova
de liga de Alumnio-Ltio), determine o diagrama de caixa desses dados.
Soluo:
Note que os dados no se aproximam da curva normal. Fazendo um diagrama de freqncias fica mais
claro de enxergar ou calculando o C(as). Classificando os dados de menor a maior, temos:
76
123
145
154
163
171
181
200
87
131
146
156
163
172
181
201
97
133
148
157
164
174
183
207
101
133
149
158
165
174
184
208
105
134
149
158
167
175
186
218
110
135
150
158
167
176
190
221
115
135
150
158
168
176
193
228
118
141
151
160
169
178
196
229
120
142
153
160
170
180
199
237
121
143
154
160
171
180
199
245
Como (0,25) (80) + 0,5 = 20,5; para calcular Q1, temos que encontrar a mdia dos termos 20 e 21:
10

Q1 = (143 + 145) / 2 = 144
Q2 = (160 + 163) / 2 = 161,5
Q3 = (180 + 181) / 2 = 180,5
O intervalo interquartil = IQR = Q3 Q1 = 180,5 144 = 36,5
1,5 IQR = 54,75 e 3 IQR = 109,5
Como Q1 1,5 IQR = 144 54,75 = 89,25; ento o bigode da esquerda ser: 97 ;
Outlier (e) 1: 87; Outlier (e) 2: 76
Como Q3 + 1,5 IQR = 180,5 + 54,75 = 235,25; o bigode da direita ser: 229;
Outlier (d) 1: 237; Outlier (d) 2: 245
No existem outliers extremos.
A curva formada pelos dados tm forma mesocrtica, leptocrtica ou platicrtica?
(0,10) (80) + 0,5 = 8,5 , ento, P(10) = (118 + 120) / 2 = 119
(0,90) (80) + 0,5 = 72,5 , ento, P(90) = (201 + 207) / 2 = 204
(Q 3 Q 1 )
2 (P( 90 ) P( 10 ) )
(180 ,5 144)
2 ( 204 119)
0 ,215 , ento, curva leptocrtica, curva de freqncia mais
fechada que a normal ou mais aguda ou afilada em sua parte superior.

O diagrama de caixa ficaria da seguinte forma:
100
150
200
250
Resistncia
Problema: Uma empresa utiliza duas mquinas diferentes para fabricar certo tipo de arruelas. Durante um
turno s, se obteve uma amostra de n = 20 arruelas produzidas por cada mquina e se determinou o valor
do dimetro externo das arruelas. As especificaes geralmente variam entre 100 5 mm. Analise os
diagramas de caixa de cada mquina e explique qual delas compraria. O diagrama de caixa comparativa
mostra-se abaixo:
Mquina 2
Mquina 1
85
95
100
105
115
Problema: Os seguintes so dados da sincronizao de um dispositivo eltrico em milissegundos (leia por

linha de acima para abaixo):
195
200
198
204
203
206
195
195
197
211
193
196
204
200
202
200
199
204
196
189
199
201
198
194
a) Calcule a mdia, mediana, desvio padro amostral e a varincia amostral.

b) Construa um diagrama de caixa dos dados e comente sobre a informao nesse diagrama.

c) Encontre os percentis 5% e 95% dos dados.
d) O desvio dos dados para a esquerda ou para a direita?
11
12
Diagrama da Distribuio de Freqncias:

Uma distribuio de Freqncias um sumrio mais compacto dos dados, em relao ao diagrama de
ramo e folhas. Para construir uma distribuio de freqncias, temos de dividir a faixa de dados em
intervalos, que so geralmente chamados de intervalos de classe ou clulas. Se possvel, os intervalos devem
de iguais larguras de modo a aumentar a informao visual na distribuio de freqncias. O nmero de
intervalos depende do nmero de observaes e da quantidade de disperso dos dados. Uma distribuio
de freqncia no ser informativa se usar um nmero muito baixo ou muito alto de intervalos de classe.
Em geral, de 5 a 20 intervalos so considerados satisfatrios na maioria dos casos, sendo que o nmero de
intervalos deve crescer com n. Na prtica, trabalha-se bem se o nmero de intervalos de classe for
aproximadamente igual raiz quadrada do numero de observaes ( n ). Outro mtodo usar a regra de
Sturges, a qual estabelece que o nmero de intervalos seja igual a (1 + 3,3 log n).
Um histograma da Distribuio de Freqncias mais efetivo na apresentao de dados para amostras
relativamente grandes, tipo n 75. bom lembrar que enquanto maior seja o valor de n, o histograma
poder ser um indicador confivel da forma geral da populao de medidas da qual a amostra foi retirada.
Ao observar uma distribuio de freqncias d para enxergar com facilidade a simetria dos dados da
amostra. Na figura mostrada abaixo, nota-se que os dados podem ter um desvio esquerda (a), uma forma
simtrica (b) ou ter um desvio direita (c). Se x a mdia, ~
x a mediana e x a moda, ento, para os
dados que tiverem um desvio esquerda encontraremos que mdia < mediana < moda. Se os dados fossem
simtricos moda = mediana = mdia (para dados aproximadamente simtricos esses trs parmetros seriam
prximos). Se os dados tiverem um desvio direita encontraremos que moda < mediana < mdia.
Finalmente agregar que quando os dados no sejam quantitativos, mais sejam por categorias (alto,
mdio, baixo, etc) os intervalos devem ter a mesma largura.
Exemplo: Para a seguinte tabela, onde se mostram os dados da resistncia compresso de 80 corpos de
prova de liga de Alumnio-Ltio, faa um histograma que mostre a distribuio de freqncias dos
dados.
105
97
245
163
207
134
218
199
160
196
Como n = 80, ento
221
154
228
131
180
178
157
151
175
201
183
153
174
154
190
76
101
142
149
200
186
174
199
115
193
167
171
163
87
176
121
120
181
160
164
184
165
145
160
150
181
168
158
208
133
135
172
171
237
170
180
167
176
158
156
229
158
148
150
118
143
141
110
133
123
146
169
158
135
149
80 = 8,9 9 intervalos de classe; x(mximo) = 245; x(mnimo) = 76. Assim, dos
dados da tabela anterior obtemos a seguinte tabela de distribuio de freqncias para um conjunto de
dados de resistncia compresso:
13
Intervalo de classe (psi)

70 x < 90
90 x < 110
110 x < 130
130 x < 150
150 x < 170
170 x < 190
190 x < 210
210 x < 230
230 x < 250
Cdigo do intervalo
1
2
3
4
5
6
7
8
9
Freqncia
2
3
6
14
22
17
10
4
2
Freq. Relativa
0,0250
0,0375
0,0750
0,1750
0,2750
0,2125
0,1250
0,0500
0,0250
O grfico de distribuio de freqncias relativas seria:

Distribuio de Frequncias Relativas
30
27,50
Frequncia relativa
25
21,25
20
17,50
15
12,50
10
7,50
5
2,50
5,00
3,75
80
2,50
120
160
200
Resistncia Compresso (psi)
240
O grfico de barras da distribuio de freqncias acumuladas seria o seguinte:

Distribuio de Frequncias Acumuladas
97,50
Frequncias Acumuladas
100
100,00
92,50
80,00
80
58,75
60
40
31,25
20
13,75
2,50
80
6,25
120
160
200
Resitncia Compresso (psi)
240
Freq. Acumulada
0,0250
0,0625
0,1375
0,3125
0,5875
0,8000
0,9250
0,9750
1,0000
14

A DISTRIBUIO NORMAL
Com certeza a Distribuio Normal a distribuio mais importante tanto na teoria como na prtica da
estatstica. Se x uma varivel aleatria normal, ento a distribuio de probabilidade de x se define como
segue:
f( x)
1 x
onde x
A mdia da distribuio normal (- < < ) e a varincia 2 > 0.

A utilizao da distribuio normal to freqente que muitas vezes se emprega uma notao especial
x N(, 2), para denotar que x segue uma distribuio normal com mdia e varincia 2. A forma da
distribuio normal uma curva simtrica, unimodal, em forma de campana, a qual se mostra na figura
abaixo:
f (x)
Curva N ( , 2 )
H uma interpretao simples do desvio padro de uma distribuio normal, a qual se mostra na
figura abaixo. Note que 68,26% dos valores da populao se localizam entre os limites 1, definidos pela
mdia mais menos um desvio padro ( 1). 95,46% dos valores da populao se localizam entre os
limites 2, definidos pela mdia mais menos dois desvios padro ( 2); j os limites 3 determinam
99,73% dos valores da populao e se localizam entre os limites definidos pela mdia mais menos trs
desvios padro ( 3).
rea = 0,6826
Limites 1
rea = 0,9546
Limites 2
rea = 0,9973
Limites 3
A distribuio normal acumulada se define como a probabilidade de que a varivel aleatria normal x
seja menor ou igual que certo valor a, o qual em termos matemticos significa:
P { x a } F (a)
1
2
1 x
dx
Esta integral fcil de integrar utilizando a seguinte mudana de varivel: z x . Assim, ao fazer a
mudana de varivel e resolver a integral teramos:
15
a
P{ x a} P z
Onde
(.) a distribuio acumulada da distribuio normal padro (mdia = 0, varincia = 1).
mudana de varivel z
comum de chamar-la de padronizao, j que converte uma varivel
aleatria N (, 2) em uma varivel aleatria N (0, 1).

Observao: Devido simetria da curva normal sempre se cumprir que P { x - a } = P { x a }
Exerccio: A tenso do papel empregado para fazer as sacolas uma caracterstica importante de qualidade.
Sabe-se que resistncia tem uma distribuio normal com mdia = 40 lb/pol2 e varincia 2 = 4 lb/pol2 (se
denota como x N (40, 4). O comprador das sacolas requer que elas tenham uma resistncia de pelo menos
35 lb/pol2. Qual a probabilidade de que uma sacola feita com esse papel cumprir com essa especificao?
Soluo:
Nota-se que a probabilidade de que uma sacola feita com esse papel cumpra com essa especificao
de:
P { x 35} = 1 - P { x 35}
De forma grfica, significa que devemos encontrar a rea sombreada para o grfico mostrado abaixo.
Para padronizar a varivel resistncia devemos fazer z = (35 40)/2 = - 2,5. O sinal negativo da
varivel padronizada z, significa que o valor de z se encontra esquerda da mdia = 0. O grfico da
direita o grfico padronizado da varivel resistncia.
Nota-se que a probabilidade de que a varivel resistncia tenha uma resistncia de pelo menos 35
lb/pol2, equivale a dizer que a probabilidade seja a 35 ou ainda, que aps de padronizada, equivale a
dizer que a probabilidade seja - 2,5, ento da tabela da normal (a tabela se encontra no final da
apostila):
P { x 35} = P { 35 x 40 }
+ P { x > 40}
= P { 2,5 z 0 } + P { 0 z }
=
0,4938
+ 0,5
= 0,9938 = 99,38%
Com a tabela da normal acumulada o clculo seria da seguinte forma (a tabela se encontra no final
da apostila):
P { x 35} = 1 P { x 35}
= 1 P { z 2,5 }
= 1 (1 0,9938)
= 0,9938 = 99,38%
Exerccio: Supondo uma varivel x N (10, 9), determine o valor de a, tal que P{ x > a } = 0,05.
Soluo:
Nesse caso, teremos que fazer o caminho inverso do exerccio anterior, assim:
a 10
a 10
P{ x a} P z
0,05 ou P z
0,45
3
3
Da tabela, temos que z = 1,645. Portanto,
a 10
1,645; ento a 14 ,935
3
16
Exerccio: Suponha que X uma varivel aleatria distribuda de acordo com a distribuio normal N(3, 28).
Um gerente de vendas deseja saber: (a) P(0 < X < 8); (b) P(-5 < X < 1); (c) P ( 3 < X < 4); (d) P ( 4,5 < X < 6)
Soluo (foi usada a tabela acumulada da curva normal):
Aqui, teremos
a.
P ( 0 < X < 8 ) = P z 8 3 - P z 0 3
28
28
Da tabela: P (0<X< 8) = (z 0,94) (z
0,57) 0,8264 (1-0,7157) 0,5421 ou 54,21%
b.
P ( 5 < X < 1 ) = P z 1 3 - P z 5 3
28
28
Da tabela: P ( 5< X< 1 ) = (z - 0,38) - (z - 1,51) (1-0,6480) (1-0,9345) 0,2865 ou 28,65%
c.
P (3 < X < 4 ) = P z 4 3
28
-
33
P z
28
Da tabela: P (3 < X < 4 ) = (z 0,19) - (z 0,00) 0,5753 - 0,5000 0,0753 ou 7,53%

d.
P (4,5 < X < 6 ) = P z 6 3
28
-
4 ,5 3
P z
28
Da tabela: P (3 < X < 4) = (z 0,57) - (z 0,28) 0,7157 - 0,6103 0,1054 ou 10,54%

Exerccio: O processo de fabricao de o dimetro de um eixo metlico (em polegadas) segue uma
distribuio N (0,2508; 25 x 10 8). Um pedido chegou empresa com especificaes de um eixo com 0,25
0,0015 polegadas.
a) Determine a frao de eixos que se ajustam s especificaes
b) Determine a frao de eixos que no se ajustam s especificaes
c) Se fosse economicamente fatvel aceitar at um mximo de 6% de defeitos por pedido, voc aceitaria
o pedido?
d) Se os eixos pudessem ser retrabalhados para que se ajustem s especificaes, qual seria a
porcentagem de itens que se ajustam s especificaes?
Respostas:
a) 0,9192 = 91,92% b) 0,0808 = 8,08% c) No aceitaria o pedido
d) 100%
Problema: Encontrou-se que o valor mdio de ruptura na produo de provetas era de 5.600 lb/pol 2.
a. Se o desvio padro de 840 lb/pol2 e a distribuio aproximadamente normal, que porcentagem
das provetas cair entre 5.000 e 6.200?
b. Que porcentagem ser maior a 4.000?
c. Que porcentagem ser menor a 3.500?
Respostas:
a. 52,22%
b. 97,13%
c. 0,62%
Problema: Num processo de empacotamento de batatas fritas, se obtiveram os seguintes resultados em
relao ao peso (em gramas):
Amostra
10
Observao 1
195
204
195
199
200
204
196
201
200
203
Observao 2
201
190
197
199
202
193
198
197
202
201
Observao 3
194
199
205
197
195
197
197
206
204
209
xi
196,67
197,67
199,00
198,33
199,00
198,00
197,00
201,33
202,00
204,33
1993,33
Ri
14
10
11
74
Determine o valor de (lembre que
R
).
d2
17

Problema: Uma empresa que vende batatas fritas em pacotes vai a comear a controlar o peso (em gramas)
por pacote de seu processo produtivo. Dez subgrupos (amostras) de tamanho 8 foram tiradas do processo
registrando os seguintes valores:
Amostra
10
xi
Ri
10,04
10,19
9,93
10,22
10,10
9,984
10,024
10,15
10,20
10,38
101,218
1,03
0,46
0,49
0,64
0,34
0,63
0,66
0,35
0,50
0,27
5,37
R
)
d2
Exerccio: De um processo de produo de anis para pistes, onde se controla o dimetro interno (em mm),
se obtiveram os seguintes dados:
Amostras
Observaes
1
2
3
4
5
6
7
8
74,000
74,006
73,984
74,000
74,004
74,010
74,015
73,982
73,984
74,010
74,002
74,010
73,999
73,989
74,008
73,984
74,005
74,018
74,003
74,013
73,990
73,990
73,993
73,995
Mdia
S
)
c4
xi
73,998
74,005
74,003
74,005
74,005
74,009
74,000
74,017
73,996
74,000
73,997
74,003
74,009
74,014
74,010
74,013
Si
73,9966 0,00780
74,0078 0,00672
73,9978 0,00811
74,0062 0,00526
74,0014 0,00730
74,0024 0,01193
74,0052 0,00870
73,9982 0,01618
592,0156 0,071997
18

A DISTRIBUIO EXPONENCIAL
A discusso da distribuio de Poisson definiu uma varivel aleatria como o nmero de falhas ao
longo do que poderia ser o comprimento (no caso da distribuio de Poisson tambm pode ser a rea ou
ainda o volume) de algum objeto. A distncia entre as falhas outra varivel aleatria que frequentemente
de interesse, sendo essa basicamente a definio da distribuio exponencial (Montgomery e Rutger, 1999).
Em geral, se diz que X tem uma distribuio exponencial com parmetro ( > 0) se a funo de
densidade de probabilidade de X (Devore, 2008):
e x
f( x ; )
0
para x 0
caso contrrio
Alguns livros escrevem a fdp exponencial na forma 1 / e
x /
, de forma que = 1/.
O valor esperado de uma va X exponencialmente distribuda :
E( x)
0 x e
dx
Para obter o valor esperado se requer integrar por partes. A varincia se calcula usando o fato de que
V(X) = E(X2) [ E(X) ]2. O clculo de E(X2) requer integrar por partes, duas vezes. Os clculos do como
resultado:
1
2
importante ressaltar que o recproco da mdia, e varincia igual mdia elevada ao quadrado.
Algumas curvas de densidade exponencial para valores diferentes de mostram-se abaixo:
Curvas de densidade exponencial
f (x)
2
=2
= 0,5
1
= 1
0,5
A fdp exponencial fcil de integrar para obter a funo de densidade acumulativa F(X):
F( x ; ) P( X x)
e x
x
1 e
para x 0
para x 0
Devore (2008) menciona que uma aplicao importante da distribuio exponencial modelar a
distribuio da durao de um componente. O fato de que a distribuio exponencial seja a nica
distribuio contnua a ter a propriedade de falta de memria d a ela uma grande popularidade. A falta
de memria consiste do seguinte: Suponha que a durao de um componente seja exponencialmente
19
distribudo com parmetro ( > 0), Depois de pr o componente em servio, se deixa que passe um
perodo de t0 horas e depois se v se o componente segue trabalhando. Qual seria agora a probabilidade de
que dure pelo menos t horas a mais?. Em smbolos matemticos uma probabilidade condicional, da
seguinte forma:
P(X t0 + t | X t0).
Por definio da probabilidade condicional, teremos:
P( X t 0 t|X t 0 )
P[ (X t 0 t) (X t 0 ) ]
P(X t 0 )
Mas o evento X t0 no numerador redundante, pois ambos eventos podem ocorrer se e somente se X
t0 + t, portanto:
P( X t 0 t|X t 0 )
P (X t 0 t)
1 F( t 0 t ; )
e ( t t
P( X t 0 )
1 F( t 0 ; )
e t
0
0)
e t e t
e t
0
e t
Essa probabilidade condicional idntica probabilidade original P(X t), ou seja, a probabilidade de
que o componente dure t horas. Portanto, a distribuio da durao adicional exatamente a mesma que
a distribuio original da durao, isso implica que em cada ponto do tempo o componente no mostra
nenhum efeito de desgaste.
Embora a propriedade de falta de memria se justifica pelo menos em forma aproximada em muitos
problemas reais, em outras situaes os componentes se deterioram com o tempo, ou s vezes melhoram
com ele (at certo ponto). As distribuies Gama, Weibull e Lognormal proporcionam modelos mais
prximos da realidade do que a distribuio Exponencial (Devore, 2008).
Problema: Suponha que o tempo de resposta X em um servidor de computador em linha (o tempo
transcorrido entre o final da consulta de um usurio e o incio da resposta do sistema a quela consulta) tem
uma distribuio exponencial com tempo de resposta esperado de 5 segundos.
a) Determine a probabilidade de que o tempo de resposta seja quando muito 10 segundos.
b) Determine a probabilidade de que o tempo de resposta fique entre 5 e 10 segundos.
Soluo:
a) Note que o tempo de resposta esperado se refere ao valor esperado E(X) [ u.t./u ], que o recproco
da mdia de eventos por unidade de tempo [ u /u.t. ], ou seja, o recproco de .
Como E(X) = 5 = 1/, ento = 0,2
P(X 10) = F(10; 0,2) = 1 e (0,2) (10) = 1 e -2 = 1 0,135 = 0,865
b) P(5 X 10) = F(10; 0,2) F(5; 0,2) = (1 - e -2 ) (1 - e -1 ) = 0,233
Problema: Suponha que se recebem chamadas durante 24 horas em uma linha de emergncia para preveno
de suicdios, de acordo com um processo de Poisson com = 0,5 chamadas por dia.
a) Determine a probabilidade de que transcorram mais de 2 dias entre chamadas.
b) Determine o tempo esperado entre chamadas sucessivas.
Soluo:
a) P(X > 2) = 1 P(X 2) = 1 F(2; 0,5) = 1 (1 - e (0,5) (2) ) = 0,368
b) E(X) = 1/ = 1/0,5 = 2 dias
Problema: Em uma grande rede corporativa de computadores, as conexes dos usurios as sistema podem
ser modeladas como um processo de Poisson, com uma mdia de 25 conexes por hora.
a) Qual a probabilidade de no haver conexes em um intervalo de 6 minutos?
b) Qual a probabilidade de que o tempo at a prxima conexo esteja entre 2 e 3 minutos?
c) Determine o intervalo de tempo tal que a probabilidade de nenhuma conexo ocorrer no intervalo
seja 0,90, o valor esperado e o desvio padro at a prxima conexo.
Soluo:
a) Faa X denotar o tempo, em horas, do incio do intervalo at a primeira conexo.
= 25 conexes por hora
Pede-se P(X > 6 min) = P(X > 0,1 horas), note que as probabilidades devem estar nas mesmas
unidades daquelas encontradas em .

P(X > 0,1) =
0 ,1 25 e
25 x
20
dx = e (25) (0,1) = 0,082
Note que se usarmos = 25/60 conexes/min = 25 conexes/hr deveramos calcular P(X > 6
min), confira esse clculo, deve dar 0,082.
Note tambm que P(X > 0,1) = 1 P(X 1)
b) P(0,033 < X < 0,05) =
c)
0 , 05
0 ,033 25 e
25 x
dx e 25 x
0 , 05
0 ,152
0 , 033
Pede-se P(X > x) = 0,90

P(X > x) = e -25 x = 0,90, tomando logaritmos naturais a ambos os lados:
ln e -25 x = ln 0,90, ento 25 x = ln 0,90, portanto, x = ln 0,90/25
x = 0,00421 hora = 0,25 minuto
O tempo mdio (valor esperado) at a prxima conexo = 1/25 = 0,04 hora = 2,4 min
O desvio padro at a prxima conexo = 1/25 hora = 2,4 min
Problema: A ampla experincia na fabricao de ventiladores utilizados em motores diesel h sugerido que a
distribuio exponencial um bom modelo do tempo at falhar o ventilador. Suponha que o tempo mdio
at a falha de 25.000 horas. Qual a probabilidade de que:
a) Um ventilador selecionado aleatoriamente dure pelo menos 20.000 horas? Quando muito 30.000
horas? Entre 20.000 e 30.000 horas?
b) Exceda a durao mdia de um ventilador por mais de 2 desvios padres? Por mais de trs
desvios padres?
Respostas: a) P(X > 20.000) = 0,440; P(X 30.000) = 0,699; P(20.000 X 30.000) = 0,148
b) P(X > + 2) = 0,05; P(X > + 3) = 0,018
Problema: O tempo entre as chegadas de txis a um cruzamento movimentado distribudo
exponencialmente, com uma mdia de 10 minutos.
a) Qual a probabilidade de voc esperar mais de uma hora por um txi?
b) Supondo que voc j estivesse esperando uma hora por um txi, qual ser a probabilidade de que
um txi chegue dentro dos prximos 10 minutos?
c) Determine x tal que a probabilidade de voc esperar mais de x minutos seja 0,10.
d) Determine x tal que a probabilidade de voc esperar menos de x minutos seja 0,90.
e) Determine x tal que a probabilidade de voc esperar mais de x minutos seja 0,50
Respostas: c) 23,03%
d) 23,03%
e) 6,93%
21
DISTRIBUIO BINOMIAL
Segundo Montgomery e Runger (1999), um experimento aleatrio, consistindo de n repetidas tentativas,
de modo que:
a) as tentativas sejam independentes,
b) cada tentativa resulte em somente dois resultados possveis, designados como sucesso e falha,
c) a probabilidade de um sucesso em cada tentativa, denotada por p, permanea constante
chamado de experimento binomial.
A va X, que igual ao nmero de tentativas que resultam em um sucesso, tem uma distribuio binomial
com parmetros p e n = 1, 2, ....
Em geral, a notao usada para identificar uma distribuio binomial a seguinte: Bin(n, p). Bin de
binomial, n relacionado com o nmero de sucessos e p como a probabilidade de sucesso para uma tentativa.
A funo de probabilidade de uma va binomial X :
n x
nx
para x 0 , 1, 2 , ......, n
p (1 p)
b( x ; n , p) f( x) x
0
caso contrrio
A letra b indica que uma va binomial, a letra x indica que o nmero de sucessos, a letra n
indica o nmero de tentativas e a letra p indica a probabilidade de obter um sucesso numa nica
tentativa.
bom ressaltar que geralmente (1 p) se representa como q, ou seja, (1 p) = q.
n
Na frmula anterior se indica que igual ao nmero total de sequncias diferentes de tentativas
x
que contm x sucessos e (n x) falhas. O nmero total de sequncias diferentes de tentativas que contm x
sucessos e (n x) falhas vezes a probabilidades de cada sequncia igual a P(X = x).
Em geral a mdia de uma distribuio binomial e a varincia 2 so iguais a:
= np
2 = n p (1 p) = n p q
A forma de uma distribuio binomial poderia ser a seguinte:

Binomial (p, n)
f (x)
Para uma va X Bin (x, n, p), a funo de distribuio acumulativa ser denotada por:
P ( X x ) B ( x ; n ; p)
y0
b ( y ; n ; p)
para x 0, 1, .....,n
Problema: Calcule as seguintes probabilidades binomiais diretamente com a frmula para b(x; n; p):
22

a) b(3; 8; 0,6)
c) P(3 X 5), quando n = 7 e p = 0,6
Respostas:
a) 0,124
b) 0,279
c) 0,635
b) b(5; 8; 0,6)
d) P(1 X), quando n = 9 e p = 0,1
d) 0,718
Problema: Use as tabelas da binomial para obter as seguintes probabilidades:

a) B(4; 10; 0,3)
b) b(4; 10; 03)
c) b(6; 10; 0,7)
d) P(2 X 4), quando X Bin (10; 0,3)
e) P(2 X), quando X Bin (10; 0,3)
f) P(2 < X < 6), quando X Bin (10; 0,3)
Respostas:
a) 0,85
b) 0,20
c) 0,2
d) 0,701
e) 0,851
f) 0,57
Problema: Seis lotes de peas esto prontos para ser enviados a um fornecedor. O nmero de peas
defeituosas em cada lote :
Lote
Nmero de peas com defeito
1
0
2
2
3
0
4
1
5
2
6
0
Um lote desses tem que ser selecionado aleatoriamente para ser enviado a um cliente em particular. Se
X o nmero de peas defeituosas no lote selecionado, determine:
a) A distribuio de probabilidade de X
b) A probabilidade de enviar um lote com 1 pea defeituosa
Respostas:
a) p(0) = 0,5; p(1) = 0,167; p(2) = 0,333
b) 0,167
Problema: Uma companhia produz lmpadas entre as quais 2% esto defeituosas.

a) Se 50 lmpadas forem selecionadas para teste, qual a probabilidade de que exatamente duas
sejam defeituosas?
b) Se o distribuidor recebe um lote de 1.000 lmpadas, qual seria a mdia e a varincia do nmero
de lmpadas defeituosas?
Respostas:
a) 0,1859
b) 20 e 19,6
23

DISTRIBUIO HIPERGEOMTRICA
As suposies que conduzem distribuio hipergeomtrica so as seguintes:
a) A populao ou conjunto da qual se vai a tirar uma amostra se compe de N indivduos, objetos ou
elementos (uma populao finita).
b) Cada individuo pode ser caracterizado como sucesso (S) ou falha (F) e h M sucessos na populao.
c) Seleciona-se uma amostra de n indivduos sem substituio de forma que cada subconjunto de
tamanho n igualmente provvel de ser selecionado.
Em geral, se X o nmero de sucessos (S) numa amostra aleatria de tamanho n extrada de uma
populao composta de M sucessos e (N - M) falhas, ento a distribuio de probabilidade de X se
denomina distribuio hipergeomtrica, definida como:
M N M

x n x
P ( X x) h ( x ; n ; M ; N)
N

n
com x sendo um inteiro que satisfaze mx (0, n N + M) x mn (n, M).
A mdia e a varincia da va hipergeomtrica X cuja funo de massa de probabilidade h (x; n; M; N)
so:
E(X) n
M
;
N
Nn
V( X)
N1
M
M
n
N 1 N
Observaes:
1) Note que o termo M/N a proporo de sucessos na populao. Se substituirmos M/N por p em
E(X) e V(X) obtemos:
E(X ) n p ;
Nn
V(X )
N1
n p 1 p
2) Note que as mdias das va binomiais e hipergeomtricas so iguais. As varincias diferem pelo fator (N
n)/(N 1), chamado de fator de correo por populao finita. Quando n pequeno em relao N,
esse fator pode se escrever como (1 n/M) (1 1/N).
3) Quando no se conhece o tamanho da populao N, mas se conhece o valor de x (nmero de sucessos
na amostra) e n (tamanho da amostra), e se deseja estimar o valor de N, possvel usar a seguinte
estimao:
Mn
N
x
Essa estimao adequada devido a que razovel igualar a proporo amostral observada de sucessos
(x/n) proporo populacional de sucessos (M/N).
Problema: Supondo uma mao de 52 cartas, determine:

a) A probabilidade de que, em uma mo de 13 cartas, um jogador no tivesse nenhum as, rei, rainha ou
valete.
b) Qual seria a probabilidade de que, em uma mo com 13 cartas, ele obtivesse os 4 ases.
c) Qual seria a probabilidade de que, em uma mo com 13 cartas, ele obtivesse um ou mais ases.
24
Soluo:
a) Numa mo de 13 cartas, so 4 cartas (as, rei, rainha e valete) que no devem sair, portanto, 16
cartas no total no devem sair:
16 52 16

0 13 0
p
0 ,0036 0 ,36%
52

13
b) Numa mo de 13 cartas, para que saiam os 4 ases teramos:
4 52 4

4 13 4
p
0 ,0024 0 ,24%
52

13
c)
Numa mo de 13 cartas, para que saiam um ou mais ases teramos:
4 52 4

0 13 0
p1
0 ,6962 69 ,62%
52

13
Problema: Uma populao ou lote contm 200 itens, com uma probabilidade de itens defeituosos igual y %.
Um plano de inspeo demanda uma amostra de 5 itens. O limite de resistncia mnimo que um item pode
ter de 70.000 psi. O gerente do Departamento de Pesquisas e Desenvolvimento deseja saber qual a
probabilidade de se aceitar essa populao se:
a) y = 5%, sendo que nenhum item defeituoso poder ser encontrado entre os cinco itens testados.
b) y = 10%, e nenhum item defeituoso poder ser encontrado entre os cinco itens testados.
c) y = 5%, e apenas um item defeituoso poder ser encontrado entre os cinco itens testados.
d) y = 5%, e um mximo de dois itens defeituosos podero ser encontrados entre os cinco itens
testados.
e) y = 5%, e um mximo de trs itens defeituosos podero ser encontrados entre os cinco itens
testados.
Soluo:
a) Nenhum item defeituoso permitido entre os cinco itens testados. Como y = 5%, teremos um total
de 0,05 200 = 10 itens com o limite de resistncia menor do que 70.000 psi, isso , 10 itens
defeituosos entre os 200 itens da populao. A probabilidade de se aceitar a populao ou lote ser
dada por:
10 190
10 !
190 !

11
0
5
0
= 0 ! 10 ! 5 ! 185 ! = 190 189 188 187 186 = 2 ,3481606 10
Paceitar =
200 !
200
3,04278 1011
200 199 198 197 196
5 ! 195 !
5
Paceitar = 0,7717155 ou 77,17155%

b) Nenhum item defeituoso permitido entre os cinco itens testados. Aqui, y = 10%, e desse modo
teremos 0,10 200 = 20 itens defeituosos entre os 200 itens da populao. A probabilidade de se
aceitar a populao ser dada por:
25
20 180
20 !
180 !

0
5
0
= 0 ! 20 ! 5 ! 175 ! = 180 179 178 177 176
Paceitar =
200 !
200
200 199 198 197 196
5
!
195
!
5
Paceitar =
c)
1,786617 1011
= 0,587166 ou 58,7166%
3,04278 1011
Um item defeituoso permitido entre os cinco itens testados. Como y = 5%, teremos um total de
0,05 200 = 10 itens defeituosos entre os 200 itens da populao. Desde que permitido a presena
de um item defeituoso entre os cinco itens testados, a probabilidade de se aceitar a populao ser
dada por:
P(aceitar)=P(zero defeituoso) +P(um defeituoso)
A probabilidade de se ter nenhum item defeituoso entre os cinco testados j foi calculada no item a,
e igual 0,7717155. Logo, a probabilidade de se aceitar a populao ser dada por:
Paceitar = 0,7717155
10 190

1 4 = 0,7717155
200
10 190 189 188 187 5 4 3 2

200 199 198 197 196 4 3 2
1,5149424 1012
; Ento:
7 ,3026721 1012
10 !
190 !
1 ! 9 ! 4 ! 186 !
200 !
5 ! 195 !
Paceitar = 0,9791659 ou 97,91659%

d) permitido um mximo de dois itens defeituosos entre os cinco testados. Novamente, com y = 5%,
teremos um total de 10 itens defeituosos entre os 200 itens da populao. Desde que permitido a
presena de dois itens defeituosos entre os cinco itens testados, a probabilidade de se aceitar a
populao ser dada por:
P(aceitar) = P(zero defeituoso) + P(um defeituoso) + P(dois defeituosos)
A probabilidade de zero item defeituoso mais a probabilidade de um item defeituoso entre os cinco
itens testados j foi calculada no item c, e igual 0,9791659. Logo, a probabilidade de se aceitar a
populao ser dada por:
10 190

2 3 = 0,9791659
200
10 9 190 189 188 5 4 3 2

200 199 198 197 196 2 3 2
7 ,2911664 10 10
;
3,6513361 10 12
10 !
190 !
2 ! 8 ! 3 ! 187 !
200 !
5 ! 195 !
Logo:
26
Paceitar = 0,9991343 ou 99,91343%

e) permitido um mximo de trs itens defeituosos entre os cinco itens testados. Uma vez mais, com
y = 5%, teremos um total de 10 itens defeituosos entre os 200 itens da populao. A probabilidade
de se aceitar a populao ser dada por:
P(aceitar)=P(zero defeituoso) +P(um defeituoso) +P(dois defeituosos) +P(trs defeituosos)
A probabilidade de zero item defeituoso mais a probabilidade de um item defeituoso mais a
probabilidade de dois itens defeituosos entre os cinco itens testados j foi calculada no item d, e
igual 0,9991343. Logo, a probabilidade de se aceitar a populao ser dada por:
10 190

3 2 = 0,9991343
200
10 9 8 190 189 5 4 3 2
200 199 198 197 196 3 2 2
3,102624 109
;
3,6513361 1012
10 !
190 !
3 ! 7 ! 2 ! 188 !
200 !
5 ! 195 !
Finalmente:
Paceitar = 0,999984 ou 99,9984%
Problema: Um comprador adquire lotes de m qualidade, pagando barato por eles, mas sem possibilidade de
devoluo. Ele no quer correr muitos riscos e pretende aceitar lotes que no mximo tenham 25% das peas
defeituosas. Oferecido um lote com 12 peas (que contem 8 peas boas e quatro defeituosas, mas o
comprador no sabe disso), testa a qualidade do lote da seguinte forma: escolhe aleatoriamente 4 peas, se
nessa amostra existir no mximo uma pea defeituosa, aceita o lote. Baseado em seus conhecimentos de
estatstica, o que voc aconselharia ao comprador, continuar com esse procedimento ou mudar de
procedimento?. Explique com clculos sua resposta.
Soluo:
Para esse teste (lote de N = 12 peas, amostra de n = 4 peas), a probabilidade de se encontrar x = 0
peas defeituosas :
4 12 4

0 4 0
p(0)
0 ,1414 14 ,14%
12

4
Para esse teste (lote de N = 12, amostra de n = 4), a probabilidade de se encontrar x = 1 pea defeituosa
:
4 12 4

1 4 1
p(1)
0 ,4525 45,25%
12

4
Portanto, como p(0) + p(1) = 14,14 + 45,25 = 59,39, ele no deve continuar com esse procedimento, ele
na verdade est aceitando lotes com aproximadamente 60% de probabilidade de que pelo menos uma
pea esteja ruim. Ele deve aceitar s lotes com amostras com nenhuma pea defeituosa (nesse caso a
probabilidade de que o lote seja ruim de 14% aproximadamente e no 25% como ele quer).
27
28
DISTRIBUIO DE POISSON
Considere um intervalo de nmeros reais e suponha que contagens (sobre algum evento) ocorram
atravs do intervalo (ou regio). Se o intervalo pode ser dividido em subintervalos com comprimentos
suficientemente pequenos tal que:
1) A probabilidade de mais de uma contagem em um subintervalo seja prxima de zero;
2) A probabilidade de uma contagem em um subintervalo seja a mesma para todos os subintervalos e
proporcional ao comprimento do subintervalo, e
3) A contagem em cada subintervalo seja independente de outros subintervalos,
ento nesse caso o experimento aleatrio ser chamado de processo de Poisson.
Se o nmero mdio de contagens no intervalo for > 0, a varivel aleatria X, que igual ao nmero
de contagens no intervalo, ter uma distribuio de Poisson, com parmetro , sendo a funo de
distribuio de probabilidade de X dada por:
p( x ; ) f( x)
e x
, x = 0, 1, 2, .....
x!
A funo acumulativa da distribuio de Poisson est dada por:
P(r ; )
p(x; )
x0
x0
e x
x!
Em geral a mdia de uma distribuio de Poisson e a varincia 2 so iguais a:

=
2 =
A forma de uma distribuio de Poisson poderia ser a seguinte:
Poisson ( )
f (x)
Problema: Durante um experimento de laboratrio a mdia de partculas radiativas que passa atravs de um
contador em um milissegundo 4. Qual a probabilidade de que 6 partculas passem pelo contador num
milissegundo dado?
Soluo:
x = 6; = 4, ento:
6
5
e 4 4 6
p(6 ; 4)
p( x ; 4) p( x ; 4) 0 ,8893 0 ,7851 0 ,1042
6!
x0
x0
Problema: A mdia de caminhes que chega cada dia a uma cidade porturia 10. As instalaes no porto
toleram at 15 caminhes por dia. Qual a probabilidade de que num dia algum caminho no chegue a ser
atendido no porto.
Soluo:
x = 15; = 10, ento: P( X 15) 1 P( X 15) 1
15
p(x; 10) 1 0,9513 0,0487

x0
29
Problema: Um determinado equipamento eletrnico utilizado em turbinas de usinas hidroeltricas possui

uma distribuio de falhas Poisson com = 0,3 /me s . Novas unidades de reposio desse equipamento
so enviadas a uma determinada usina hidroeltrica em intervalos de 0,5 meses. Sabendo-se que a
probabilidade de que essa usina no tenha unidades desse equipamento para reposio (quando necessrio)
no possa ser maior do que 2%, um gerente de operao deseja determinar o nmero de unidades em
estoque desse equipamento que a usina dever ter no incio de cada um dos intervalos de 0,5 meses.
Sabe-se que a probabilidade de que o nmero de unidades do equipamento eletrnico que venham a falhar
em um perodo de 0,5 meses seja maior do que n o ser dada por:
PX n o = 1
no
x0
t x e t
x!
Soluo:
Como desejamos que a probabilidade de falta de estoque fosse no mximo de 2%, teremos:
PX 0 = 1
0,3 0,50 e 0 , 3 0 , 5 = 1 e 0 ,15 = 1 0,8607 = 0,1393 ou 13,93%
PX 1 = 1
0,3 0,50 e 0 , 3 0 , 5 0,3 0,51 e 0 , 3 0 , 5 = 0,0102 ou 1,02%
0!
0!
1!
Ento existe menos de 2% de probabilidade de que mais de 1 unidade do equipamento eletrnico

venha a falhar durante o perodo de 0,5 meses. Logo, uma unidade desse equipamento dever ser
mantida em estoque no incio de cada perodo de 0,5 meses.
Problema: Se um gramado contm em mdia 1 p de erva daninha em cada 600 cm 2 , qual dever ser a
distribuio de r = nmero de ervas daninhas em uma rea de 400 cm 2 ? Com a distribuio escolhida,
calcule as probabilidades de:
a) r = 0
b) r = 1
c) r = 2
d) r = 3
e) r = 4
Soluo:
Um modelo adequado nesse caso a distribuio Poisson, com uma mdia de
r
2
400
= .
3
600
2

3 . Cada termo ou probabilidade poder ser encontrado diretamente ou
Logo, P r
r!
calculado atravs do termo anterior. Ento:
e
23
a)
Pr 0 = e 2 3 = 0,51342 ou 51,34%
b)
Pr 1 =
2 23
2
e
Pr 0 = 0,34228 ou 34,23%
=
3
3
2
c)
2 23
e
1 2
3
Pr 2 =
= Pr 1 = 0,11409 ou 11,41%
2 3
2!
3
d)
2 23
e
1 2
3
Pr 3 =
Pr 2 = 0,025354 ou 2,54%
=
3!
3 3
4
e)
2 23
e
1 2
3
Pr 4 =
Pr 3 = 0,004226 ou 0,42%
=
4 3
4!
30
Aproximao da a distribuio Binomial pela distribuio Poisson:

Embora a distribuio de Poisson tenha aplicaes principalmente em problemas de espao e tempo,
ela tambm vista como uma forma limitante da distribuio binomial, isto , a distribuio de Poisson
poderia ser usada para aproximar probabilidades binomiais. De fato, isso ocorrer quando numa binomial
n seja grande (n ) e p prximo de 0 (n 0), mas com o produto np permanecendo constante. Nesse
caso se pode usar a distribuio de Poisson com mdia = np.
Assim, seja X uma varivel aleatria binomial com distribuio de probabilidade b (x; n, p), ento,
quando temos que n , p 0 e np n

permanece constante, termos que b (x; n, p) n
p (x;
).
e x
, x = 0, 1, 2, .....
p( x ; ) f( x)
x!
bom ressaltar que muitas das distribuies discretas e contnuas adquirem cada vez mais a forma
simtrica a medida que a mdia vira mais grande.
Problema: A probabilidade de que determinado componente eletrnico apresente qualquer tipo de
defeito quando utilizado em um avio 747 de 0,15% por viagem. Assumindo-se uma distribuio de
falhas Poisson, um inspetor de segurana deseja determinar a probabilidade de que em 3.000 viagens
desse avio, o componente eletrnico venha a falhar em
a) Mais de 3 vezes.
b) Exatamente 2 vezes.
Soluo:
a) Mais de 3 vezes. Sabemos que = np = 3.000 0,0015 = 4,50. Alm disso,
x e
; Logo, teremos:
PX x =
x!
PX 0 PX 1 PX 2 PX 3
4,52 4,53
PX 3 = 1 e 4 , 5 1 4 ,5
= 1 0,0111089 30,8125
PX 3 = 1
2!
3!
PX 3 = 0,6577 ou 65,77%
b) Exatamente 2 vezes. Com = 4,5, teremos:
PX 2 =
4 ,52 e 4 , 5
x e
=
= 0,112478 ou 11,247%
2!
x!
Problema: Em certas instalaes industriais os acidentes ocorrem com muita pouca freqncia. Sabe-se
que a probabilidade de acontecer um acidente em um dia qualquer 0,005 e que os acidentes so
independentes entre eles,
a) Qual a probabilidade de que em qualquer perodo dado de 400 dias haver um acidente num
dia qualquer?
b) Qual a probabilidade de que nesse perodo, acontea 1 acidente em trs dias diferentes?
Soluo:
a) n = 400, p = 0,005 = np = (400) (0,005) = 2
2 1 e 2
x e
PX 1 =
=
= 0,271
x!
1!
3
x e
b) PX 3 =
= PX 0 PX 1 PX 2 PX 3 = 0,857
x!
x0
31
INSPEO DA QUALIDADE
Este captulo de Inspeo da Qualidade foi tomado da apostila de Controle Estatstico da Qualidade,
da Universidade Federal de So Carlos, preparada pelos professores Jos Carlos de Toledo e Drio
Henrique Alliprandini (2004).
Objetivos da Inspeo da Qualidade
Determinar se h ou no conformidade de um produto, ou lote, j produzido, em relao s

especificaes de projeto
Gerar informaes que permitam tomar aes corretivas sobre o lote ou processo
Pontos de Inspeo
A inspeo pode ocorrer nas seguintes fases da Produo:
a) Inspeo de recebimento
A extenso da inspeo em produtos (matria-prima ou produto acabado) recebidos de terceiros
depende da capacidade do fornecedor, devidamente avaliada previamente e continuamente
acompanhada. Em um extremo, temos a inspeo utilizando-se o conceito de "auditoria da deciso",
onde o comprador compara os dados obtidos por sua inspeo com os dados recebidos do
fornecedor. Quando os dados recebidos do fornecedor forem e continuarem a ser confiveis, a
inspeo se transforma em apenas uma identificao do produto recebido. No outro extremo, a
inspeo de recebimento torna-se um controle da qualidade do fornecedor.
b) Inspeo durante a fabricao
A inspeo durante a fabricao tem o objetivo de fornecer informaes para a tomada de deciso
sobre o produto, isto , se o produto est ou no conforme com a especificao e para a tomada de
deciso sobre o processo, isto , se o processo deve prosseguir ou parar. A freqncia de inspeo
pode ser mais facilmente estabelecida se o processo estvel (um processo estvel implica que no
processo s esto atuando fontes de variao usuais).
c)
Inspeo de produto acabado

A inspeo de produtos acabados (tambm conhecida como inspeo final) pode ser executada
tanto na linha de produo (nos pontos de inspeo), como em reas de inspeo separadas. Muitas
vezes a inspeo feita em 100% dos produtos acabados, simulando as condies de uso ou
realizando uma checagem completa no produto (check list) por meio de inspeo sensorial (se
utilizada a sensibilidade humana como instrumento de medio).
Tipos de Inspeo
a) Inspeo 100%
A inspeo 100% conveniente quando a caracterstica crtica ou a capacidade do processo
inerentemente insuficiente (incapaz) para alcanar os requisitos das especificaes. bom lembrar
que o excesso de inspeo pode ser to custoso quanto a falta de inspeo. A experincia mostra que
a inspeo 100% no garante produtos perfeitos, isto , no h garantias de segregao de todos os
defeituosos. Vrios estudos demonstram que o inspetor encontra aproximadamente 80% dos
defeitos presentes.
b) Inspeo por amostragem
Os objetivos principais dessa inspeo so de aceitao de um lote por meio de uma amostra
representativa que fornea auxlio no controle do processo. A inspeo por amostragem
conveniente para reduzir os custos da inspeo, manter a rea de produo informada a respeito da
qualidade dos produtos ao longo do processo e em situaes onde o julgamento da conformidade se
d atravs de um ensaio destrutivo. Para que a inspeo por amostragem tenha eficcia, alguns
cuidados devem ser observados:
Procedimentos adequados para seleo da amostra
Representatividade da amostra (aleatoriedade)

c)
32
Inspeo Sensorial
A qualidade sensorial aquela para a qual h dificuldade de se ter instrumentos tecnolgicos de
medio, sendo utilizada a sensibilidade humana como instrumento de medio. As caractersticas
normalmente avaliadas por inspeo sensorial so:
sabor
odor
rudo
aparncia
As formas de padres para a inspeo sensorial so:
amostras para comparao
fotografias
sons gravados
amostras com cheiro ou sabor

A caracterstica visual uma categoria especial de qualidade sensorial. O resultado de uma
inspeo visual bastante influenciado pela iluminao (tipo, cor e intensidade), pelo ngulo de
viso, pela distncia da observao, etc. Devem-se padronizar essas condies para assegurar uma
maior uniformidade nos resultados.
d) Outros tipos de inspeo de conformidade

Inspeo automatizada (inspeo utilizando robs, software, leitor ptico, etc.)
Inspeo auxiliada por computador (isto se aplica especialmente inspeo de peas de
maquinas de preciso)
Inspeo de preparao antes da produo (em processos estveis: se a preparao estiver
correta o lote tambm dever estar)
Inspeo volante (para processos que no permanecem estveis durante a produo de um
lote)
Consideraes gerais sobre a inspeo da qualidade
Atividades da Inspeo:
Interpretao da especificao
Medio da caracterstica de qualidade
Julgamento da conformidade
Tratamento dos casos conformes
Tratamento dos casos no-conformes
Registros dos dados obtidos
Conhecimentos necessrios para a atividade de inspeo:
Que caractersticas da qualidade verificar
Como determinar se um produto est ou no conforme aos padres requeridos
Qual o critrio de aceitao de lotes de produtos
O que fazer com os produtos conformes e no-conformes
O que deve ser registrado
O Perfil desejado de um inspetor deve considerar:
Conhecimentos imprescindveis
Regulamentos e procedimentos da empresa
Produtos e processos aplicados
Elementos de medio de preciso
Matemtica aplicada fabricao
Segurana
Sistemas de unidades de medida
Teoria dos erros de medio

Conhecimentos desejveis:
Organizao do controle da qualidade e suas funes
Conhecimento de fsica bsica
Elaborao de relatrios tcnicos
Controle estatstico da qualidade bsico
Habilidades Tcnicas:
Encontrar defeitos
Interpretar especificaes
Relatar com exatido
Habilidades Pessoais:
Controle emocional
Temperamento
Aptido
Ateno/ Concentrao
33
34
PLANOS DE AMOSTRAGEM (por atributos)

A inspeo da qualidade faz-se em um produto j existente (j produzido), que pode ser uma matria
prima, um produto semi-acabado (em processo) ou um produto acabado, com a finalidade de verificar se a
qualidade do lote atende os padres ou especificaes de aceitao. Os Planos de Amostragem so aplicados
na Inspeo de Recebimento, na Inspeo Final (de Produto Acabado) ou na passagem de uma etapa para
outra de um processo de produo (por ex. na passagem de um produto da seo A para a seo B; da
produo para a linha de montagem; da produo para uma cmara de resfriamento; da produo para o
almoxarifado; etc). A inspeo no impede a produo de defeituosos, mas permite separar os lotes bons
dos defeituosos (lotes com problemas, que no cumprem os requisitos mnimos de qualidade definidos
entre o cliente e o fornecedor), ou seja, separar os lotes conformes dos no-conformes. A inspeo pode ser:
(1) inspeo para aceitao: neste caso os lotes aprovados sero aceitos, contendo, eventualmente, itens
defeituosos.
(2) inspeo retificadora: neste caso, alm da situao descrita em 1, os lotes rejeitados passam por uma
inspeo completa, todos os itens defeituosos so substitudos por bons, e a o lote aceito.
Nveis de Qualidade, Risco do Produtor e Risco do Consumidor
Define-se P0 como sendo o Nvel de Qualidade Aceitvel NQA (em ingls, Acceptable Quality Level
AQL) e P1 como o Nvel de Qualidade Inaceitvel NQI (em ingls, Lot Tolerance Percent Defective LTPD). P0 e P1 se referem a porcentagens de defeituosos do lote. Um plano de amostragem consiste na
definio de um tamanho de amostra e de um critrio de deciso para aceitar (ou no) um lote:
n o tamanho da amostra,
d a quantidade de defeituosos na amostra, e,
c a quantidade mxima de defeituosos aceitvel na amostra para se poder aprovar o lote.
Como se trabalha com amostras, existe o risco de se tirar concluses erradas sobre o lote. O exemplo a
seguir mostra isso.
Exemplo: nveis de qualidade, risco do produtor e risco do consumidor
Imagine um lote N=100, o qual contem (sem se saber) 5 itens defeituosos e 95 bons. Suponha que o
Plano de Amostragem seja: n = 5 e c = 1, para P0 (NQA) = 6% (isso implica que se aceitam at 6%(100) = 6
itens defeituosos no lote). Se soubssemos esses valores, o lote poderia ser considerado bom, atendendo o
que foi especificado. Entretanto, neste caso existe o risco da amostra com n = 5 conter, por exemplo,
exatamente os 5 itens defeituosos e portanto de se rejeitar o lote sendo que ele bom, pois tem 5% de
defeituosos e o NQA de 6% (se aceitam at 6 defeituosos no lote).
Imagine agora um lote N=100, o qual contm: 95 itens defeituosos e 5 bons. Suponha o mesmo plano
de amostragem anterior. Neste caso existe o risco da amostra conter exatamente os 5 itens bons e portanto
de se aceitar um lote ruim. O produtor deseja uma proteo contra a rejeio de lotes bons e o consumidor
(cliente) deseja proteo contra a aceitao de lotes de m qualidade. Para tanto se distingue 2 tipos de
riscos:
Risco do produtor (): a probabilidade de que um lote de boa qualidade (P < P 0) seja rejeitado.
Risco do consumidor (): a probabilidade de que um lote de m qualidade (P > P 1) seja aceito.
Observao: P = porcentagem de defeituosos na amostra.
Tipos de Planos de Amostragem

Existem 3 tipos de planos de amostragem, conforme a quantidade de amostras que se toma: Simples,
Duplo e Mltiplo. A continuao se explicaram os dois primeiros tipos de planos de amostragem.
35
PLANO DE AMOSTRAGEM SIMPLES (para atributos)

De forma simples o plano de amostragem simples consiste do seguinte: A quantidade de unidades de
produto inspecionada deve ser igual ao tamanho da amostra dada pelo plano. Se o nmero de unidades
defeituosas encontradas na amostra for igual ou menor do que o nmero de Aceitao (c), o lote dever ser
considerado aceito. Se o n de unidades defeituosas for maior do que c o lote deve ser rejeitado. Assim:
d = nmero de unidades defeituosas na amostra
c = nmero de aceitao
Se na amostra d c, ento aceitar o lote
Se na amostra d > c, ento rejeitar o lote
Agora, suponha que se vai a fazer a inspeo de um lote de tamanho N. O plano de amostragem
simples est definido pelo tamanho de amostra n e pelo nmero de aceitao c. Assim, se o tamanho do
lote N = 10.000, n = 89 e c = 2; significa que se vai a inspecionar uma amostra aleatria de n = 89 unidades
do lote de tamanho N = 10.000 e que se o nmero de itens defeituosos observados d menor igual que c =
2, o lote ser aceito. Se o nmero de itens defeituosos d maior que 2, o lote ser rejeitado.
Note que se pode inspecionar um ou mais atributos na mesma amostra. Em geral se diz que uma
unidade que desconforme em relao s especificaes, em um ou mais atributos, uma unidade
defeituosa. O plano de amostragem simples deriva seu nome do fato de que se analisa somente a
informao de uma nica amostra, informao com a qual se faz a tomada de deciso de aceitar ou rejeitar o
lote (Montgomery, 2004). Considerando a seguinte notao:
N = nmero de itens de um lote
n = nmero de itens da amostra (n < N)
M = nmero de itens defeituosos no lote
= risco do consumidor (probabilidade de um lote ruim ser aceito)
= risco do produtor (probabilidade de um lote bom ser rejeitado)
c = nmero de aceitao do lote
d = nmero de itens defeituosos na amostra
p = proporo de itens defeituosos no lote (p = M/N)
p0 = uma proporo que define o Nvel de qualidade aceitvel (NQA)
p1 = uma proporo que define o Nvel de qualidade inaceitvel (NQI)
(em ingls lot tolerance percent defective LTPD)
Segundo Nahmias (2007), o objetivo de todos os procedimentos de amostragem consiste de estimar as
propriedades de uma populao a partir das propriedades da amostra. Em especial se deseja testar as
seguintes hipteses:
H0: O lote tem uma qualidade aceitvel (p p0)
H1: O lote tem uma qualidade inaceitvel (p p1)
O teste seria da forma: Rejeite H0 se d > c.
O valor de c depende da seleo de , a probabilidade do erro tipo I. A probabilidade do erro tipo I
a probabilidade de rejeitar H0, quando H0 verdadeiro. No contexto do controle da qualidade, a
probabilidade de rejeitar o lote quando ele aceitvel. Isso se conhece tambm como risco do produtor. Em
forma de equao seria:
= P [ Rejeitar H0| H0 verdadeira ] = P [ Rejeitar o lote| O lote bom ] = P [ d > c|p = p0 ]
A distribuio exata de d a distribuio hipergeomtrica, com parmetros n, N e M. Isto :
M N M

m n m
N
N!
P (d m )
para 0 m mn (M , n ), onde
N
n

n ! ( N n )!

n

36
Na maioria de aplicaes, N muito maior que n, de forma que satisfatria a aproximao da

distribuio hipergeomtrica pela distribuio binomial. Nesse caso teramos:
n
P (d m) p m (1 p)n m
m
para 0 m n
onde:
p = M/N a proporo verdadeira de itens defeituosos no lote.
Usando a aproximao binomial, o risco do produtor e o risco do consumidor so dados por:
P (d c|p p0 )
P (d c|p p1 )
nm
pm
0 (1 p0 )
m
mc1
m0
n m
p1 (1 p1 )n m
m
A maioria dos testes estatsticos requerem a especificao de (probabilidade do erro tipo 1). Os
valores de , n e p0 determinaro um valor nico de c, que pode ser obtido nas tabelas da distribuio
binomial acumulada. Porm, como a distribuio binomial uma distribuio discreta, tal vez no seja
possvel encontrar um valor de c que coincida exatamente com o valor desejado de (lembre que c
deve ser inteiro). Se p pequeno e n moderadamente grande (n > 25 e np < 5), a distribuio de
Poisson proporciona uma distribuio adequada da binomial. Para valores muito grandes de n tal que
np(1 p) > 5, a distribuio normal fornece uma distribuio adequada da binomial (Nahmias, 2007).
Exemplo (Nahmias, 2007, p. 647): A Spire Records uma cadeia de lojas que se especializa na venda de
DVDs. Um dos fornecedores da Spire Records a B&G Records que envia DVDs Spire em lotes de 100
DVDs. Depois de uma negociao, a Spire e a B&G acordaram que uma taxa de 10% de itens defeituosos
aceitvel, e uma taxa de 30% inaceitvel. De cada lote de 100 discos, a Spire h estabelecido o seguinte
plano de amostragem: se coleta uma amostra de 10 discos e se tiver mais de 2 DVDs defeituosos se rejeita o
lote. Calcule o risco do consumidor e do produtor associado com esse plano de amostragem.
Soluo:
Dos dados temos que p0 = 0,1; p1 = 0,3; N = 100; n = 10; c = 2
n
n
nm
Sabe-se que: P (d c|p p0 ) pm
, ou seja:
0 (1 p0 )
m
mc1
P (d 2|p 0,1) 1 P[ d 2|p 0,1]

1
k0
10
0 ,1k (0 ,9)10 k 1 0 ,9298 0 ,0702 7 ,02%
k
Sabe-se que P (d c|p p1 )
P (d 2|p 0 ,3)
k0
m0
n m
p1 (1 p1 )n m , ou seja:
m
10
0 ,3k (0 ,7 )10 k 0 ,3828 38,28%
k
O valor = 0,3828 implica que a Spire est passando quase 40% dos lotes que contem 30% de itens defeituosos.
Alm disso, no se descarta a probabilidade de aceitar lotes com propores de itens defeituosos to altos como
40% e ainda 50%. O valor = 0,0702 implica que a Spire est rejeitando quase 7% dos lotes que tem at 10% de
defeituosos.
Observe que os valores dos parmetros n = 10; p0 = 0,1 e n = 10, p1 = 0,3 implicam que nem a
distribuio normal nem a aproximao de Poisson so exatas (verifique o dito aqui para a distribuio
de Poisson com = np, que fornece os valores aproximados de = 0,0803 e = 0,4216).
37
Problema: Se extraem amostras de tamanho 20 de lotes de 100 itens. Os lotes se rejeitam se o nmero de itens
defeituosos na amostra passa de 2. Se a proporo verdadeira de itens defeituosos no lote 5%, determine a
probabilidade de aceitar um lote usando:
a) A distribuio Hipergeomtrica exata
b) A aproximao pela Binomial
c) A aproximao de Poisson (Sugesto: calcule a mdia = np)
d) A aproximao da Normal (Sugesto: calcule a mdia = np)
Problema: Um produtor de calculadoras compra chips em lotes de 1.000 unidades. Ele gostaria de ter uma
taxa de itens defeituosos de 1%, mas geralmente no vai rejeitar um lote a menos que tenha 4% ou mais de
itens defeituosos. Extraem-se amostras de tamanho 50 de cada lote, e o lote se rejeita quando se encontram
mais de 2 itens defeituosos.
a) Calcule p0, p1, n e c.
b) Calcule e . Use a aproximao de Poisson nos seus clculos.
c) Calcule e . Use a aproximao de Binomial nos seus clculos.
38

CURVA CARACTERSTICA DE OPERAO (Nahmias, 2007):
A Curva Caracterstica de Operao (CCO) mede a efetividade de um teste para separar lotes de
qualidade varivel. A curva CCO uma funo de p, a proporo verdadeira de itens defeituosos no lote,
e est dada por:
CCO(p) = p [ Aceitar o lote|Proporo verdadeira de itens defeituosos no lote igual a p ]
Agora determinaremos a forma da curva CCO para o caso particular de um plano de amostragem
simples com uma amostra de tamanho n e um nvel de aceitao igual a c. Nesse caso:
CCO(p) = p [ d c|Proporo de itens defeituosos no lote p ]
CCO (p)
k 0
n k
p (1 p) n k
k
Probabilidade de aceitar o lote
Um bom plano de amostragem aquele que tem um grande poder de discriminao (ou seja, uma boa
capacidade de discriminar/separar os lotes bons dos defeituosos), o que dado pela inclinao da curva
CCO. A Figura mostrada abaixo seria a CCO ideal:
L(p)
1
p0
Proporo de itens defeituosos no lote
Define-se a Funo Caracterstica de Operao como sendo: L(p) = F(), onde L(p) a probabilidade de
aceitao de um lote em funo de p, ou seja, em funo da proporo defeituosa do lote.
A CCO o grfico da funo L(p), mostrado na figura abaixo, para um dado plano: n e .
L (p) P (0 d ) para todo p n

L(p)
1
L(p 0 )
risco do produtor
risco do consumidor
L(p 1 )
p0
p1
A CCO dever passar por dois pontos: (P0, L(P0)) e (P1, L(P1)), sendo L(P0) = (1 ) e L(P1) =
Tendo-se fixado previamente esses 4 valores (P0, P1, L(P0), L(P1)), determina-se o Plano de Amostragem
(n e ), por meio das equaes:
39

c
d 0
L (P0 ) 1
n d
p0 (1 p0 ) n d
d
c
n
L (P1 ) pd1 (1 p 1 ) n d
d0 d
Entretanto, procedendo-se assim, no se tem controle sobre o tamanho da amostra e pode-se chegar a
um tamanho que no seja conveniente ou aceito pela empresa. Para tanto j existem planos de amostragem
tabelados que fixam previamente os valores de n e , considerados convenientes, e fixa-se apenas um
ponto da CCO, perdendo-se o controle do outro ponto. Assim, neste caso, se fixa (P 0, 1-), perde-se o
controle sobre o ponto (P1, ).
Problema (Nahmias, 2007, p. 648): Considere o problema da Spire Records cujos dados eram p 0 = 0,1; p1 = 0,3;
N = 100; n = 10; c = 2. A curva CCO para seu plano de amostragem simples est dada por:
2
10
CCO (p) p k (1 p) 10 k
k 0 k
Encontrando pontos da curva CCO, para n = 10 e c = 2, para diferentes valores de p, incluindo p0 =

0,1 e p1 = 0,3:
Proporo de itens defeituosos no lote (p)
Probabilidade de aceitao (pa)
0,10
0,9278
0,15
0,8202
0,20
0,6778
0,30
0,3828
0,40
0,1673
0,50
0,0547
O esboo da grfica da curva CCO da empresa Spire mostra-se abaixo. Uma anlise da figura indica que
esse plano de amostragem tem mais vantagens para o fornecedor B&G do que para a Spire. O valor = 0,3828 implica
que a Spire est passando quase 40% dos lotes que contem 30% de itens defeituosos. Alm disso, no se descarta a
probabilidade de aceitar lotes com propores de itens defeituosos to altos como 40% e ainda 50%. Isso concorda
com o fato de que a Spire parecia ter muitas devolues dos clientes de DVDs da marca B&G.
L(p)
1
(0,1; 0,9278)
0,9
N 100 ; n 10 ; c 2
0,8
p 0 0 ,1 (AQL Nvel aceitvel de qualidade )
0,7
p 1 0 ,3 ( NQI Nvel de qualidade inaceitve l )
0,6
1 0 ,9278
0,5
0 , 3828
0,4
(0,3; 0,3828)
0,3
0,2
0,1
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Joo, um empregado da Spire, inscrito na faculdade local, foi requerido para analisar o problema dos
DVDs da B&G. Ele descobriu a causa do problema analisando a curva CCO mostrada acima. Para diminuir
a probabilidade de que a Spire receba lotes ruins da B&G, sugeriu que se modificara o plano de amostragem
fazendo d = 0. Nesse caso o risco do consumidor :
10
p [ d 0|p 0 ,3 ] (0 ,3)0 (1 0 ,3) 10 0 0 ,028 3%
0
40
aproximadamente 3%. Isso parecia ter um nvel aceitvel de risco (para o consumidor), e por esse motivo a
Spire implantou essa poltica. Infelizmente, a proporo de grupos rejeitados aumentou dramaticamente. O
valor resultante do risco do produtor () :
10
p [ d 0|p 0,1 ] 1 p [d 0|p 0,1] 1 (0,1)0 ( 0,9) 10 0,6513 65%
0
Isso implica que a Spire est rejeitando aproximadamente 65% de grupos bons. A B&G ameaou com deixar de
entregar lotes Spire se esta no voltasse ao plano de amostragem anterior.
A gerncia da Spire no sabia o que fazer. Se voltasse ao plano original (p0 = 0,1; p1 = 0,3; N = 100; n =
10; c = 2) corria o risco de perder clientes que iriam a outra loja que venda DVDs com mais qualidade. Se
continuasse com o novo plano (p0 = 0,1; p1 = 0,3; N = 100; n = 10; c = 0) se arriscava a perder a B&G como
fornecedor. Felizmente Joo, quem havia estado estudando o problema, props uma soluo. Se aumentasse
o tamanho da amostra, a potncia do teste (1 - ) poderia melhorar. Dessa forma poderia se projetar um
plano de amostragem que tivesse nveis aceitveis tanto para o risco do consumidor () como para o risco
do produtor (). J que a B&G insistia em ter uma probabilidade de 10% de rejeitar os lotes bons, a Spire
tambm queria ter no mximo uma probabilidade de 10% de aceitar os lotes ruins.
Depois de alguns testes, Joo encontrou que o tamanho de amostra n = 25 com um nvel de aceitao c
= 4 parecia cumprir com os requerimentos tanto da Spire quanto da B&G. Os valores de e para esse
plano so:
p [ d 4|p 0,1 ; n 25 ] 0,0980
p [ d 4|p 0,3; n 25 ] 0,0905

Encontrando pontos da curva CCO, para n = 25 e c = 4, para diferentes valores de p, incluindo p 0 =
0,1 e p1 = 0,3:
Proporo de itens defeituosos no lote (p)
Probabilidade de aceitao (pa)
0,10
0,0980
0,15
0,6821
0,20
0,4207
0,30
0,0905
0,40
0,0095
0,50
0,0005
Com certeza que a eficincia melhorada desse plano no de graa. O tempo do empregado requerido
para inspecionar os DVDs da B&G aumentou duas vezes e meia (de 10 para 25). A B&G e a Spire
concordaram em compartir o custo adicional da inspeo. A curva CCO do novo plano com n = 25 e c = 4 :
L(p)
Probabilidade de aceitar um lote
1
(0,1; 0,9020)
0,9
0,8
N 100; n 25; c 4
0,7
p 0 0 ,1 (AQL Nvel aceitvel de qualidade )
0,6
p 1 0 , 3 ( NQI Nvel de qualidade inaceitve l )
0,5
1 0 , 9020
0,4
0 ,0905
0,3
0,2
0,1
(0,3; 0,0905)
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Proporo de itens defeituosos num lote
Note que essa grfica se aproxima muito mais curva CCO ideal que a CCO original (n = 10 e c = 2).
41
FORMAS DE CALCULAR n E c PARA VALORES ESPECFICOS DE p0, , p1 E

a) Mediante o uso de nomogramas. Ver o nomograma para determinar n e c no anexo de tabelas.
O procedimento muito simples. Desenhar duas retas: uma que conecte p 0 e (1 - ) e outra que conecte
p1 e . A interseo das duas retas indicar a regio do nomograma que define os valores de n e c.
Note que o lado direito do nomograma onde se localizam os valores de (1 - ) e , j o lado esquerdo
onde se localizam os valores de p0 e p1.
Exemplo (Peter, 1990, p. 184): Suponha que um engenheiro deseja desenhar um plano de
amostragem com = 5% quando p = 0,02 e = 10% quando p = 0,07.
Soluo:
Segundo o nomograma n = 140 e c = 5. bom conferir as probabilidades obtidas com n = 140 e c =
5 para estar mais seguros de obter valores de e prximos dos desejados.
Usando a binomial: p [ d 5|p 0,02 ; n 140 ] 1 p [ d 5|p 0,02 ; n 140 ] 0,0632
Usando a binomial: p [ d 5|p 0,07 ; n 140 ] 0,0680
b) Mediante o uso de tabelas. Ver tabela de fatores para determinar n e c no anexo de tabelas.
Exemplo (Devore, 2008, p. 657): Determine n e c para um plano de amostragem com NQA = 0,01
e NQI = 0,045.
Soluo:
Considerando p0 = NQA = 0,01 e p1 = NQI = 0,045
Ento p1/p0 = 0,045/0,01 = 4,50
Procurando na tabela de fatores, p1/p0 = 4,5 fica entre c = 3 e c = 4.
Considerando usar c = 3 temos (o valor np0 e np1 so da tabela):
n = np0/p0 = 1,366/0,01 = 136,6 137
n = np1/p1 = 6,68/0,045 = 148,4 149
De preferncia usar n = 137 (o menor) por comodidade na amostragem
Considerando usar c = 4 temos (o valor np0 e np1 so da tabela):
n = np0/p0 = 1,97/0,01 = 197
n = np1/p1 = 7,99/0,045 = 177,5 178
De preferncia usar n = 178 (o menor) por comodidade na amostragem
Note que para um tamanho maior de amostra (178 > 137) tanto e diminuem como esperado. A
escolha do plano n = 137 e c = 3 ou do plano n = 178 e c = 4 depender do gerente decisor.
c)
Clculo de n e c mediante o mtodo estatstico (Peter, 1990, p. 184):

Por estatstica ns sabemos que conhecendo e , pode-se encontrar o tamanho da amostra
mediante a distribuio normal. Na aproximao da binomial mediante a normal teramos:
Z0
Se p = p0 temos: c n p0 z
n p0 q 0
Se p = p1 temos: n p1 c z
n p1 q 1
X np
n pq
42
Consequentemente:
p 0 q 0 z
p1 p0
p1 q 1
e c pode ser calculado depois de obter o
valor de n
Exemplo (Peter, 1990, p. 184): Suponha que um engenheiro deseja desenhar um plano de
amostragem com = 5% quando p = 0,02 e = 10% quando p = 0,07.
Soluo:
p 0 q 0 z
p1 q 1
p1 p0
1,64 (0 ,02 ) (0 ,98) 1,28 (0 ,07 ) (0 ,93)

0 ,07 0 ,02
Ento: n = (11,14)2 124

Assim, substituindo n = 124 em c n p0 z
n p0 q 0 , ou em n p1 c z
11,14
n p1 q 1 , deve dar
um valor de c similar, nesse caso, n 5.

Para esses valores p [ d 5|p 0,02 ; n 124 ] 1 p [ d 5|p 0,02 ; n 124 ] 0,0390
Para esses valores p [ d 5|p 0,07 ; n 124 ] 0,1274
Curvas CCO tipo A e tipo B:
As curvas CCO que se construram no exemplo anterior se denominam curvas CCO tipo B. Naquela
construo se supe que as amostras vinham de um lote grande ou que a amostragem se estava fazendo de
um fluxo de lotes de um processo selecionado aleatoriamente. Nessa situao, a distribuio binomial a
distribuio de probabilidade exata para calcular a probabilidade de aceitar o lote. Esse tipo de curva CCO
se conhece como curva CCO tipo B.
A curva CCO tipo A se usa para calcular probabilidades de aceitao de um lote isolado, de tamanho
finito. Supor que o tamanho do lote N, que o tamanho da amostra n e que o nmero de aceitao c.
A distribuio de amostragem exata do nmero de itens defeituoso na amostra a distribuio
hipergeomtrica.
interessante ressaltar o fato que se o tamanho do lote pelo menos 10 vezes o tamanho da amostra
(n/N 0,10), as curvas CCO tipo A e tipo B so praticamente indistinguveis.
A curva CCO tipo A sempre se localizar abaixo da curva tipo B. Isso significa que toda vez que se
aproxima uma curva tipo A com uma tipo B, as probabilidades de aceitao calculadas para a curva tipo B
sempre sero maiores do que as obtidas com uma curva tipo A. Porm, essa diferena s significativa
quando o tamanho do lote relativamente pequeno em comparao com o tamanho da amostra. Nesta
apostila sero consideradas curvas CCO do tipo B, a menos que se indique o contrrio.
Critrios para a construo de CCOs:
p = n/N
p > 0,10
Sim
Hipergeomtrica
No
k = c/n
k > 0,10
Sim
Binomial
No
Poisson
Observao: Embora esses critrios sejam de uso comum, no significa que deve ser seguido a risca.
43
Problema: Esboce a curva CCO tipo B (no mnimo 5 pontos, para 0 < p < 0,20) para o plano de amostragem
simples com n = 50 e c = 1.
Problema: Esboce a curva CCO tipo B (no mnimo 5 pontos, para 0 < p < 0,12) para o plano de amostragem
simples com n = 100 e c = 2.
Problema: Suponha que um produto se despacha em lotes de N = 5.000. O procedimento de inspeo na
recepo usado um plano de amostragem simples com n = 50 e c = 1.
a) Esboce a curva CCO tipo A para o plano.
b) Esboce a curva CCO tipo B para o plano e compare com o esboo encontrado em a.
c) Qual das curvas CCO a adequada para essa situao?
Problema: Encontre um plano de amostragem simples para p0 = 0,01; = 0,05; p1 = 0,10 e = 0,10:
a) Usando o nomograma (Rta: n = 45; c = 1)
b) A tabela para determinar n e c
c) O mtodo estatstico (Rta: n = 37; c = 1)
Problema: Uma empresa utiliza o seguinte procedimento de amostragem de aceitao: se toma uma amostra
igual a 10% do lote e se 2% ou menos dos itens da amostra so defeituosos, o lote aceito; caso contrrio
rejeitado.
a) Se os tamanhos dos lotes considerados variam entre 5.000 e 10.000 unidades, o que se pode dizer em
relao proteo de esse plano?
b) Se 0,05 o NQI desejada, esse plano oferece uma proteo razovel ao consumidor?
44
AMOSTRAGEM DUPLA (para atributos)

Cinco nmeros definem um plano de amostragem duplo: n1, n2, c1, c2 e c3. O plano deve ser
implementado da seguinte forma: Se extrai uma amostra inicial de tamanho n 1 e se determina o nmero de
itens defeituosos na amostra. Se o nmero de itens defeituosos na amostra menor igual a c 1, se aceita o
lote. Se o nmero de itens defeituosos na amostra maior que c 2 se rejeita o lote. Porm, se o nmero de
itens defeituosos maior que c1 mas menor igual que c2, se extrai outra amostra de tamanho n 2. Se o nmero
de itens defeituosos nas amostras combinadas (d1 + d2) menor igual que c3, se aceita o lote. Caso contrrio
se rejeita o lote. A maioria dos planos de amostragem duplos supem c 3 = c2. Em geral, consideramos essa
hiptese a partir deste momento.
Assim:
d1 = nmero de unidades defeituosas na primeira amostra
d2 = nmero de unidades defeituosas na segunda amostra
c1 = primeiro nmero de aceitao
c2 = segundo nmero de aceitao
c3 = nmero de rejeio para a segunda amostra
Considerando a primeira amostra:
Se na primeira amostra d1 c1, ento aceitar o lote
Se na primeira amostra d1 > c2, ento rejeitar o lote
Se na primeira amostra c1 < d1 c2, tirar uma segunda amostra de tamanho dado pelo plano
Para a segunda amostra somar (d1 + d2):
Se na segunda amostra (d1 + d2) c2, ento aceitar o lote
Se na segunda amostra (d1 + d2) > c3, ento rejeitar o lote (em geral c3 = c2)
Um plano de amostragem duplo com certeza mais difcil de construir e mais difcil de implantar do
que um plano de amostragem simples. Porm, o plano de amostragem duplo apresenta algumas vantagens
sobre o plano de amostragem simples. As duas vantagens principais seriam:
a) Um plano de amostragem duplo pode fornecer nveis similares aos riscos do produtor e do
consumidor, com menos amostragem no longo prazo.
b) Existe a vantagem psicolgica de que os planos de amostragem duplos do uma segunda
oportunidade ao lote antes de rejeit-lo.
Exemplo (Nahmias, 2007, p. 651): Considere o exemplo anterior da Spire Records. Joo decide experimentar
com alguns planos de amostragem duplos para tentar atingir nveis similares de eficincia com menos
amostragem. Infelizmente, como o plano depender de 4 nmeros diferentes, vai precisar de considerveis
tentativas e erros. Consideremos o clculo dos riscos do consumidor e do produtor para o seguinte plano de
amostragem duplo:
n1 = 20; n2 = 10; c1 = 3; c2 = 5; p0 = 0,1; p1 = 0,3
Definindo:
X = nmero de itens defeituosos observados na primeira amostra
Y = nmero de itens defeituosos observados na segunda amostra
Z = nmero de itens defeituosos observados nas duas amostras (Z = X + Y)
Soluo:
A curva CCO estar definida por: CCO(p) = p [ Aceitar o lote|p ]
CCO(p) = p [ Aceitar o lote na 1 amostra|p ] + p [ Aceitar o lote na 2 amostra|p ],
onde:
45
p [ Aceitar o lote na 1 amostra|p ] = p [ X 3|p ]

p [ Aceitar o lote na 2 amostra|p ] = p [ Nem aceitar nem rejeitar o lote na 1 amostra, e aceitar o lote
na 2 amostra|p ]
= p [ 3 < X 5, Z 5|p ]
Observao: O clculo de p [ Aceitar o lote na 2 amostra|p ], o clculo de uma probabilidade
conjunta, e deve se fazer de forma cuidadosa, considerando X e Y como va independentes.
Dos dados, temos que p0 = 0,1; p1 = 0,3; N = 100; n1 = 20; n2 = 10; c1 = 3; c2 = 5
p [ Aceitar o lote na 1 amostra|p = 0,1] = p [ X 3|p = 0,1; n = 20 ] =
k 0
20
(0 ,1) k (0 ,9) 20 k = 0,8670
k
p [ Aceitar o lote na 2 amostra|p = 0,1 ] = p [ X = 4|p = 0,1; n = 20 ] p [ Y 1|p = 0,1; n = 10 ] +

p [ X = 5|p = 0,1; n = 20 ] p [ Y 0|p = 0,1; n = 10 ]
20
10
10
= (0 ,1)4 (0 ,9)16 (0 ,1)0 (0 ,9)10 (0 ,1)1 (0 ,9)9
4
0
1
20
10
5
15
0
10
(0 ,1) (0 ,9) (0 ,1) (0 ,9)
5
0
= (0,0898) (0,7361) + (0,0319) (0,3487) = 0,0772

Portanto, p [ Aceitar o lote|p = 0,1 ] = 0,8670 + 0,0772 = 0,9442
Repetindo os clculos para p = 0,3 resulta:
p [ Aceitar o lote|p = 0,3 ] = p [ X 3|p = 0,3; n=20 ] + p [ X=4|p=0,3; n=20 ] p [ Y1|p =0,3; n=10 ] +
p [ X = 5|p = 0,3; n = 20 ] p [ Y 0|p = 0,3; n = 10 ]
= 0,1071 + (0,1304) (0,1493) + (0,1789) (0,0282) = 0,1316
Consequentemente temos que:
1 = 0,9442 = 0,0558
= 0,1316
Experimentando com outros valores de n1, n2, c1, e c2 pode-se chegar a planos de amostragem duplos
que concordem ainda mais com os valores desejados de e .
Problema: Esboce a curva CCO para o plano de amostragem duplo com n 1 = 20; n2 = 10; c1 = 3; c2 = c3 = 5.
Avalie a curva para p = 0; 0,2; 0,4; 0,6; 0,8 e 1.
Problema: Considere o plano de amostragem duplo da Spire Records.
a) Suponha que a proporo verdadeira de itens defeituosos no lote 10%. Em mdia, quantos itens
tero que passar por a amostragem antes que o lote seja aceito ou rejeitado?
b) Suponha que a proporo verdadeira de itens defeituosos no lote 30%. Em mdia, quantos itens
tero que passar por a amostragem antes que o lote seja aceito ou rejeitado?
c) Qual a probabilidade que se rejeite um lote na primeira amostra, para p = 0,1.
PLANO DE AMOSTRAGEM MLTIPLA
Proceder conforme o plano de amostragem dupla, observando-se, porm, que o nmero de amostras
sucessivas para deciso, deve ser maior do que dois. medida que se passa do plano simples em direo ao
46
mltiplo, diminui-se, ao longo do tempo, a quantidade mdia de itens amostrados (e, portanto o custo de
inspeo), entretanto, aumenta-se a complexidade no uso do respectivo plano.
47
REGRAS PARA O USO DOS PLANOS DE AMOSTRAGEM

O que diferencia esses tipos de inspeo o tamanho da amostra e a rigidez do plano. Existem
condies pr-estabelecidas para se mudar de um tipo de inspeo para outro, sendo que a inspeo comum
geralmente empregada no incio do fornecimento. Uma regra para uso a sistemtica de comutao entre
as categorias, descrita a seguir.
Comum para severa
Quando a inspeo comum estiver sendo aplicada, ser necessrio passar para inspeo severa, se, dentre 5
(cinco) lotes consecutivos, 2 (dois) tiverem sido rejeitados na inspeo original.
Severa para comum
Quando estiver sendo aplicada a inspeo severa, a normal deve substitu-la, se 5 (cinco) lotes consecutivos
tiverem sido aprovados na inspeo original.
Comum para atenuada
Estando em aplicao a inspeo comum, a inspeo atenuada deve ser usada desde que sejam satisfeitas as
seguintes condies:
que os dez lotes precedentes (ou mais), tenham sido submetidos inspeo comum e nenhuma
sido rejeitado.
quando o nmero total de unidades defeituosas encontrado nas amostras dos dez ou mais lotes
precedentes, submetidos a inspeo comum e no rejeitados for igual ou menor do que o numero
limite dado na tabela de valores limites para introduo de inspeo atenuada.
quando a produo se desenvolve com regularidade.
se a inspeo atenuada for considerada apropriada pelo responsvel.
Se amostragens duplas ou mltiplas esto sendo aplicadas, deve ser computado o nmero total de
unidades defeituosas encontrado em todas as amostras, para efeito de comparao com os nmeros
previstos na tabela acima mencionada.
Atenuada para comum
Estando em aplicao a inspeo atenuada, deve-se passar para a normal se qualquer uma das condies
abaixo descritas ocorrer:
um lote rejeitado
um lote for aprovado, segundo critrio estabelecido na seguinte observao: pode ocorrer na inspeo
em regime atenuado que a seqncia de amostragem termine sem que tenha sido definido o critrio de aceitao
ou rejeio do lote. Considera-se, nestes casos, o lote aceito implantando-se, porm, Regime de Inspeo
Normal no lote subseqente.
a produo torna-se irregular.
a ocorrncia de condies adversas que justifiquem a mudana para a inspeo normal.
Tambm so previstos 3 nveis de inspeo para uso geral:

Nvel I: usado quando Planos de Amostragem com menor discriminao podem ser utilizados (planos com
menor poder de discriminar um lote bom de um ruim)
Nvel II: usado no incio de um fornecimento de lotes.
Nvel III: usado quando so necessrios planos com maior poder de discriminao.
So previstos 4 outros nveis especiais para os casos em que amostras relativamente pequenas forem
necessrias (ensaios destrutivos, caros, etc) e ou riscos grandes podem ser tolerados. Esses nveis so: S1, S2,
S3, S4.
48
Observaes Gerais: Na prtica, nas empresas, utilizam-se principalmente planos de amostragem

simples classificados pelo NQA. comum o uso de programas chamados skeep lot, por meio dos quais
as empresas acompanham o desempenho, lote a lote, dos fornecedores e vo, de forma dinmica,
ajustando o plano conforme muda o desempenho. Nesse programa previsto, por exemplo, que em
funo de um bom desempenho, e consistente, o fornecedor seja considerado como de qualidade
assegurada. Isso traz ao fornecedor uma srie de vantagens, como por exemplo, ser fornecedor
preferencial de clientes.
Classificao dos Planos de Amostragem
Os planos de amostragem podem ser agrupados em duas categorias, segundo o tipo de proteo que
oferecem:
a) Planos que especificam os riscos do produtor e do consumidor (2 pontos da CCO). Estes planos
podem ser obtidos por meio do conjunto de equaes mencionado anteriormente.
b) Planos que especificam um ponto da CCO e impem uma ou mais condies independentes.
O ponto da CCO poder ser:
NQA (ou: P0, L(P0))

NQI ou FDT-Frao Defeituosa Tolervel (ou: P1, L(P1))
Ponto de Controle (P; 0,50), ou ponto de qualidade indiferente
QMRL (Qualidade Mdia Resultante Limite)
As condies independentes da CCO impostas ao plano de amostragem referem-se em geral

quantidade mnima de inspeo (n mnimo) ou substituio dos defeituosos encontrados. Em ambos os
casos so motivos de ordem econmica que impem a adoo de planos com quantidade mnima de
inspeo ou com inspeo retificadora. Nesta segunda categoria os planos tm sido classificados em 4 tipos:
Planos classificados pelo NQA
O NQA deve ser entendido como a mxima porcentagem de defeituosos que para fins de inspeo por
amostragem, possa ser considerada satisfatria como mdia de um processo fornecendo diversos lotes ao
longo do tempo. Supe-se que as unidades do produto so produzidas em lotes que se repetem no tempo e
a proteo oferecida pelo NQA se refere qualidade mdia dos lotes inspecionados.
Planos classificados pelo NQI ou FDT
A FDT (frao defeituosa tolervel) deve ser entendida como a pior qualidade que pode ser tolerada
em um nico lote (ou lote isolado). Assim, o plano oferece proteo para lotes isolados, de qualidade no
inferior ao FDT.
Planos classificados pelo Ponto de Controle (P; 0,50)
O P = 0,50 deve ser entendido como a frao de defeituosos para a qual os riscos do produtor e do
consumidor so iguais, portanto a frao defeituosa para a qual a probabilidade de aceitao do lote
50%.
Planos classificados pela QMRL
Esses planos supem inspeo retificadora para os lotes rejeitados. A QMRL no um ponto da CCO,
mas sim a qualidade mdia resultante (porcentagem mdia de defeituosos), a longo prazo, de uma inspeo
por amostragem, considerando-se todos os lotes aceitos e todos os lotes rejeitados aps terem sido
inspecionados em 100% e todas as unidades defeituosas terem sido substitudas. Ou seja, esse plano
assegura que ao longo da inspeo de diversos lotes:
d
inspecionado
onde:
QMRL ,

d = Soma de todos os itens defeituosos dos lotes aceitos
inspecionado = Soma de todos os itens dos lotes inspecionados
Os planos apresentados preveem 3 categorias de inspeo:
Inspeo comum: para o caso dos diferentes lotes manterem sua qualidade mdia ao longo do tempo.
Inspeo severa: quando a qualidade dos lotes piorarem ao longo do tempo
Inspeo atenuada: para o caso em que a qualidade dos lotes melhorar.
49
50
TIPOS DE GRFICOS DE CONTROLE

Fundamento estatstico dos Grficos de Controle:
Supondo que uma caracterstica de qualidade tenha uma distribuio normal com mdia e desvio
padro , onde tanto como so conhecidos. Se x1, x2, ......., xn uma amostra de tamanho n, ento
a mdia da amostra ser:
x
x 1 x 2 ....... x n
n
Tambm, pela teoria, se sabe que x segue uma distribuio normal com mdia e desvio padro
x , e que:
onde x o desvio padro da mdia da amostra, e desvio padro populacional.

Alm disso, se sabe que a probabilidade de (1 - ) para qualquer mdia amostral que se localize
entre:
p Z /2 x ( 1 )
ou
p Z /2

( 1 )
n
Portanto, para um nvel de confiana de (1 ), a estimao da mdia populacional , de realiza

mediante o seguinte intervalo:
x Z /2 x x Z /2 x
ou
x Z /2
x Z /2
Passos necessrios para construir um Grficos de Controle:

a) Selecionar a caracterstica de qualidade a ser considerada
b) Definir o mtodo de amostragem e o tamanho da amostra
c)
Coletar os dados
d) Determinar o valor central e os limites de controle

e) Determinar os limites de controle revisados
f)
Utilizar o grfico de controle para suas finalidades
Grficos de Controle:
Em relao aos Grficos de Controle (tambm chamados de Cartas de Controle), j foi estabelecido que
um mtodo visual, utilizado para se determinar se o processo continua ou no em um estado satisfatrio de
controle estatstico. Devemos entender que, na realidade, o grfico no controla absolutamente nada, ele
simplesmente fornece uma base para a ao e se tornar eficiente apenas quando aqueles que so
responsveis pela tomada de decises utilizarem as informaes apresentadas pelo grfico de forma correta
(Souza, 1998). Desse modo, a funo principal dos grficos de controle a de informar a existncia de tendncias,
padres ou variaes em alguma caracterstica de interesse de um produto, como por exemplo composio
percentual, peso ou dimenso, em relao aos limites (superior ou inferior) estabelecidos como aceitveis
para a caracterstica que est sendo analisada.
Existem dois tipos de erros que podem acontecer quando utilizamos os grficos de controle:
a) Considerar um valor observado como pertencente a uma causa usual (tambm chamadas de causas
aleatrias ou ainda causas normais), quando na verdade pertence a uma causa identificvel. Nesse
caso, se estar fazendo um ajuste excessivo do processo, gerando um aumento na variao.
51
b) Considerar um valor observado como pertencente a uma causa identificvel (tambm chamadas de
causas no aleatrias ou ainda causas especiais), quando na verdade pertence a uma causa usual. Nesse
caso, acontecera que no sero adotadas medidas corretivas imediatas quando necessrio.
Quando se trabalha com amostras, a forma mais comum de apresentar um grfico de controle
mediante a fixao da linha central de controle, do limite superior de controle e do limite inferior de
controle (ver grfico 3) , sendo:
Limite Superior de controle = LSC = Mdia do Processo + 3 x = + 3 x
Linha Central de controle
= LCC = Mdia do Processo
Limite Inferior de controle
= LIC
= Mdia do Processo 3 x = 3 x
Onde:
x o desvio padro da mdia amostral da medida estatstica de interesse.
Em geral teremos que Limites de Controle = x 3 x x 3
LSC = Limite Superior de Controle
3 x
= Linha Central de Controle
LIC = Limite Inferior de Controle
3 x
Grfico 3: Grfico de Controle
Existe um grfico de controle denominado grfico de controle por zonas, o qual oferece uma melhor
forma de deteco de padres que possam surgir a partir dos dados das amostras (ver grfico 4). As zonas
A, B e C so especialmente importantes ao momento de fazer a deteco de padres via a utilizao de
regras. A habilidade para interpretar um padro particular de comportamento em termos de causas
identificveis ou atribuveis requer experincia e conhecimento do processo, isto , necessrio conhecer os
princpios estatsticos dos grficos de controle e entender plenamente o processo.
Ponto fora dos limites de controle
LSC = Limite Superior de Controle
99,74 %
Zona B
95,44 %
68,26 %
Zona A
= Linha Central de Controle
Zona C
Zona C
Zona B
A
LIC = Limite Inferior de Controle
Grfico 4: Grfico de Controle por zonas
Zona A
3 x
2 x
x
x
2 x
3 x
52
Deteco de Padres:
O reconhecimento de padres ou tendncias nem sempre to obvia quando usamos os grficos de
controle. A pessoa que pense em detectar padres via grficos de controle deve ter experincia, saber de
estatstica e conhecer o processo. Alm disso, deve usar regras de deteco de padres, as quais lhe serviro
como diretrizes de deteco. As regras mais comuns so as seguintes:
r1. Um ponto cair fora dos limites de 3 (alm da zona A).
x
r2. Ter seis pontos consecutivos que estejam crescendo ou, seis pontos consecutivos que estejam
decrescendo (ver grfico 5).
r3. Ter seis pontos consecutivos acima da linha central ou, seis pontos consecutivos abaixo da linha
central (ver grfico 5).
r4. Dois de trs pontos consecutivos carem alm do limite de 2 (alm da zona B, ver grfico 6).
x
r5. Quatro de cinco pontos consecutivos carem alm do limite de 1 x (alm da zona C, ver grfico 6).
Ponto fora dos limites (superior)
3 x
ce
n
Cr
es
s
re
n
ce
ia
c
De
te
d
nc
ia
Te
n
nc
d
te
n
Te
Pontos acima da
linha central
Pontos abaixo da
linha central
Ponto fora dos limites (inferior)
3 x
Grfico 5: Reconhecimento de Tendncias e padres nos dados das amostras
importante ressaltar, que embora em alguns casos, as regras podem ser utilizadas de forma
individual, mais usual usar um grupo de regras de forma conjunta.
Antes de introduzirmos os vrios tipos de grficos de controle utilizados na atualidade, precisamos
lembrar de um teorema muito importante e bsico, derivado do trabalho de Abraham DeMoivre, Laplace e
Gauss. Esse teorema diz que a forma da distribuio da soma das amostras se aproxima da forma de uma
distribuio normal, a medida em que o tamanho da amostra aumentar, no importando a forma da
distribuio da qual a amostra foi gerada. Esse teorema conhecido como o Teorema do Limite Central. Com
esse fato em mente, iremos agora introduzir alguns dos tipos bsicos de grficos de controle.
Grfico 6: Situaes consideradas como processo fora de controle, segundo regras
53
Juran criou o conceito de Trilogia da Qualidade: Planejamento, Melhoria e Controle. O Planejamento da

qualidade estabelece os objetivos de desempenho e o plano de aes para atingi-los. A melhoria da
qualidade busca aperfeioar o patamar de desempenho atual, para novos nveis, visando tornar a empresa
mais competitiva. O Controle da Qualidade consiste de avaliar o desempenho operacional, comparar com
os objetivos e atuar no processo, quando os resultados se desviarem do desejado. Assim, quando uma
empresa decide controlar seus processos mediante Grficos de Controle, se obter um diagrama como o
mostrado abaixo:
Valor do
parmetro de
controle
Planejamento da Qualidade
Melhoria
da
Qualidade
Controle da Qualidade
Tempo
54
GRFICOS (OU CARTAS) DE CONTROLE PARA VARIVEIS

a1) Grficos de Controle X e R (Cartas de Controle X e R)
Souza (1998) indica que quando lidamos com uma caracterstica de qualidade que pode ser expressa
como uma medida, costume monitorar tanto o valor mdio da caracterstica de qualidade quanto sua
variabilidade. Assim quando analisemos a mdia de alguma varivel (X) tambm devemos analisar a
amplitude (R).
Devemos entender que o grfico X , um grfico de controle para variveis que analisa a constncia na
variao da mdia do processo. O grfico R, um grfico que analisa a constncia na variao do desvio
padro do processo (variabilidade do processo). Portanto, os dois grficos devem ser utilizados juntos, um
para analisar a variao na mdia do processo (grfico X ) e o outro para analisar a variao do processo
(grfico R).
Podemos esperar que as mdias sejam distribudas normalmente, no importando a distribuio dos
valores individuais da qual as mdias so calculadas. Se estivermos agora obtendo amostras de um
universo ou populao distribuda normalmente, a distribuio resultante para as mdias ser normal,
mesmo no caso de amostras muito pequenas. Em relao Amplitude R, diremos que R uma ordem
estatstica, e que sua avaliao depende do ordenamento de cada um dos valores individuais presentes em
uma amostra.
Os limites de controle para um grfico
LSC
podem ser determinam da seguinte forma:
X A 2 R ; X ; LIC
X A2 R
Onde:
X a Mdia das Mdias das Amostras,

A2 uma constante obtida de tabelas, que fornece os limites de 3x para a Mdia das amostras
Em relao amplitude, R a diferena entre os valores extremos de cada amostra, isto :
R x mx x mn
Os limites de controle Superior e Inferior para o grfico R se calculam da seguinte forma:
LSC
D 4 R ; R ; LIC
D3 R
Onde D3 e D4 so obtidos de tabelas.

bom observar que a diferencia entre os limites de controle diminui quando m ou n aumentam.
Observaes:
1. Para n > 10 melhor utilizar os grficos X e S, pois o uso das amplitudes (R) para estimar o valor do
desvio padro () diminui dramaticamente a exatido da estimao de , quando n se incrementa.
2. Quando desconhecemos o valor de (mdia do processo), deve-se estimar mediante X (os valores
devem-se obter necessariamente quando o processo esteja sob controle) com a seguinte formula:
m
onde:
X a mdia das mdias
X i a Mdia da Amostra i,
m o nmero de amostras .
Xi
i1
m
m 25
55
3. Quando desconhecemos o valor de R , deve-se estimar R (os valores usados na estimao devem
necessariamente ser obtidos quando o processo est sob controle) com a seguinte formula:
m
Ri
i1
m
m 25
onde:
R a Mdia das amplitudes das amostras

Ri a amplitude da amostra i;
m o nmero de amostras.
4. Para qualquer grfico, o pode ser calculado da seguinte forma: LSC
3
Exerccio: Amostras de 5 itens foram examinadas e calculados os valores de x e R de cada amostra,

com relao a uma varivel x. Para as 20 primeiras amostras foram encontradas:
x 145,6
R 85
a) Calcular os limites de controle dos grficos de controle da mdia e da amplitude.

b) Considerando as seguintes regras:
- Um ponto cair fora dos limites de 3 sigmas.
- Dois de trs pontos consecutivos carem alm do limite de 2 sigmas.
- Quatro de cinco pontos consecutivos carem alm do limite 1 sigma.
Determine se para as novas amostras (mostradas abaixo) o processo se encontra sob controle:
Mdia da Amostra
Amplitude da Amostra
21
7,0
4
22
8,0
3
23
6,2
3
24
6,8
5
Amostra
25
26
7,8
6,8
5
5
27
8,6
2
28
5,4
3
29
8,6
3
30
9,0
5
c) Para um caso real, comente as condies do problema.

d) Se as especificaes de um produto so 9,4 3, calcule o RCP e o RCPk do processo.
e) Se existem defeitos, em relao pergunta (d), determine a proporo de defeitos.
f) Determine os limites para um grfico X e S.
g) Diga se o grfico X e S so recomendveis nesse caso.
Respostas:
a. LSC x = 12,7615; x = 7,28; LIC x = 1,7985; x = 1,8272
LSC R = 8,9888; R = 4,25; LICR = 0; R = 1,5796
b. No grfico R, as amostras 24, 25, 26, 27 e 28 a regra 4 de 5 carem alm do limite 1 sigma.
c. Como s temos os somatrios das 20 primeiras amostras, no d para saber se alguma amostra
ficou fora dos limites. Recomenda-se mnimo m 25. No fala nada sobre as mquinas, operrios
ou matria prima.
d. = R / d 2 = 1,8272; RCP = 0,5473; RCPk = mn [0,16053; 09340] = 0,1605 (maioria de defeitos
pela esquerda).
e. pe = 0,3156; pd = 0,0026; p = 0,3156 + 0,0026 = 0,3182 = 31,82% de defeitos.
Exerccio: O gerente de uma agncia de um banco local deseja estudar os tempos de espera de clientes
para o servio de atendimento durante o pique na hora do almoo, entre as 12 h e 13 h. Um subgrupo
56
de 4 clientes selecionado (um a cada intervalo de 15 minutos durante essa hora) e o tempo em
minutos medido, a partir do ponto em que cada cliente entra na fila at a hora em que o cliente
comea a ser atendido. Os resultados durante o perodo de 10 dias teis so os seguintes:
Dia
Tempo em minutos
Mdia
7,2
8,4
7,9
4,9
7,100
5,6
8,7
3,3
4,2
5,450
5,5
7,3
3,2
5,500
4,4
5,4
7,4
6,300
9,7
4,6
4,8
5,8
6,225
8,3
8,9
9,1
6,2
8,125
4,7
6,6
5,3
5,8
5,600
8,8
5,5
8,4
6,9
7,400
9
10
Total
5,7
1,7
4,7
4
4,1
3
4,6
5,2
4,775
3,475
59,950
a) Determine os limites de controle dos grficos

Resposta: LSC
8,53921
x e R.
x 5,995
LSC R 7 ,964
LIC
R 3,49
3,45079
LIC R 0

Estabelea se o processo se encontra sob controle.
Resposta: O processo est sob controle.
Exerccio: Amostras de 10 itens foram examinadas e calculados os valores de x e R de cada amostra,

com relao a uma varivel x. Para as 20 primeiras amostras foram encontradas:
x 145,6
R 85
a) Calcular os limites de controle dos grficos de controle da mdia e do desvio padro.

Determine se para as novas amostras (mostradas abaixo) o processo se encontra sob controle:
Mdia da Amostra
21
7,0
4
22
8,0
3
23
6,2
3
24
6,8
5
Amostra
25
26
7,8
6,8
5
5
27
8,6
2
28
5,4
3
29
8,6
3
30
9,0
5
c) Para um caso real, comente as condies do problema, em relao s suposies tericas

das cartas de controle.
57
a2) Grfico de Controle para Medidas Individuais (Carta de Controle para Medidas Individuais)
Em muitas situaes, o tamanho da amostra usada para o controle do processo n = 1, ou seja, a
amostra consiste em uma unidade individual. Em tais situaes, o grfico de controle para medidas
individuais til. O grfico de controle para medidas individuais usa a amplitude mvel de duas
observaes sucessivas para estimar a variabilidade do processo. As frmulas usadas so:
AM
AMi x i x i 1
AM i
m1
AM
d2
AM
1,128
Onde:
AMi a Mdia Mvel,
AM a Mdia das amplitudes mveis,
a estimao do desvio padro do processo,
d2 = 1,128 quando duas observaes consecutivas so usadas para calcular uma amplitude mvel.
Os limites de controle superior e inferior, e mdia so:
LSC x x 3
AM
1,128
= x
LIC x x 3
AM
1,128
Os limites de controle para o grfico R de medidas individuais sero:

LSC R D 4 AM 3,267 AM
LIC R D 3 AM 0 AM 0
Observaes:
Em muitas situaes o tamanho da amostra pode ser n = 1. Por exemplo:
- Quando a velocidade de produo muito lenta e no conveniente deixar que se acumulem
tamanhos de amostras com n > 1 antes da anlise.
- Em processos com tecnologia de ponta, onde a inspeo e a medio possam ser automatizadas.
- Quando medidas repetidas no processo diferem somente por causa do erro no laboratrio ou na
anlise, como em muitos processos qumicos.
- Em plantas de processo, tal como na fbrica de papel, onde as medidas de alguns parmetros,
como a espessura de revestimento atravs do rolo, diferiro muito pouco, produzindo um desvio
padro que ser muito pequeno se o objetivo for controlar a espessura do revestimento ao longo
do rolo.
Alm disso, sabe-se que:
- As amplitudes mveis esto correlacionadas e essa correlao pode frequentemente induzir a
um padro de comportamento de corridas ou ciclos no grfico. Portanto, qualquer padro
aparente no grfico de controle de medidas individuais deve ser investigado cuidadosamente.
- O grfico de controle para medidas individuais muito insensvel a pequenas mudanas na
mdia do processo.
Exerccio: A pureza de um produto qumico medida a cada 2 horas. Determinaes de pureza para as
ltimas 48 horas so mostradas na seguinte tabela.
Observao
1
2
3
4
5
6
7
8
9
10
11
12
Pureza
81
83
82
80
84
76
83
85
79
82
75
80
Observao
13
14
15
16
17
18
19
20
21
22
23
24
Pureza
83
86
84
85
81
83
77
82
75
83
85
86
58
a) Com as 12 primeiras amostras, construa um grfico adequado e calcule os limites de controle. Plote
os dados. Determine se o processo est sob controle estatstico. Se no esta sob controle, considere que
causas atribudas possam ser encontradas para eliminar essas amostras e reveja os limites de controle.
b) Com as amostras 13-24, determine se o processo est sob controle.
Exerccio: A viscosidade de uma pintura uma caracterstica importante. O produto se produz por lotes
e se tomam amostras a cada 24 horas. Os ltimos 24 dias foram tomadas as seguintes amostras:
Dia
Viscosidade
Dia
Viscosidade
1
33,75
9
33,49
2
33,50
10
33,20
3
34,00
11
33,62
4
33,81
12
33,00
5
33,46
13
33,54
6
34,02
14
33,12
7
33,68
15
33,84
8
33,27
16
33,80
a) Com as 8 primeiras amostras, construa um grfico adequado e calcule os limites de controle.

Plote os dados. Determine se o processo est sob controle estatstico. Se no esta sob controle,
considere que causas atribudas possam ser encontradas para eliminar essas amostras e reveja os
limites de controle.
b) Com as amostras 9-16, determine se o processo est sob controle.
59
a3) Grficos X e S (ou X e ):

Ainda que muito comum a utilizao dos grficos X e R, em ocasies desejvel estimar o desvio
padro do processo diretamente em vez de indiretamente mediante o uso da amplitude R. Isto leva
utilizao dos grficos X e S, onde S o desvio padro amostral. Em geral, devemos entender que:
1.
Os grficos X e S so preferveis de usar em vez a seus equivalentes X e R, quando o tamanho

das amostras (n) so maiores que 10 (n > 10). Lembre que a estimao do desvio padro x
mediante a amplitude R perde eficincia estatstica para amostras com n > 10.
O tamanho das amostras (n) varivel.
2.
Quando desconhecido, os limites de controle dos grficos X e S, so:

LSC X = X + A3 S ;
X;
LIC X = X A3 S
LSCS = B4 S ;
S;
LICS = B3 S ;
onde:
m
Si
i1
a Mdia dos desvio padres amostrais, e Si o desvio padro da amostra i
m
n
(x x )
i1
n1
S
c4
o desvio padro amostral
a estimao do desvio padro do processo quando usamos S.
Quando e so conhecidos (e tambm n), os limites de controle do grficos X so:

LSC X = 3
nesse caso, fazendo A

LSC X = A
LIC X = 3
, (note que A uma constante) teremos:
LIC X = A
Para um grfico R, sendo conhecido , os limites sero:

LSCR = D2 ;
d2 ;
LICR = D1 ;
Para um grfico S, sendo conhecido , os limites sero:

LSCS = B6 ;
,
n
c4 ;
LICS = B5 ;
60
Amostras
Observaes
1
2
3
4
5
6
7
8
9
10
74,000
73,994
74,006
73,984
74,000
74,982
74,004
74,010
74,015
73,982
73,984
74,012
74,010
74,002
74,010
74,001
73,999
73,989
74,008
73,984
74,005
73,986
74,018
74,003
74,013
74,015
73,990
73,990
73,993
73,995
73,998
74,998
74,005
74,003
74,005
74,020
74,005
74,009
74,000
74,017
73,996
74,007
74,000
73,997
74,003
73,996
74,009
74,014
74,010
74,013
Mdia
xi
Si
73,9966
74,1994
74,0078
73,9978
74,0062
74,2028
74,0014
74,0024
74,0052
73,9982
740,4178
74,0418
0,0078
0,4465
0,0067
0,0081
0,0053
0,4357
0,0073
0,0119
0,0087
0,0162
0,9542
0,0954
a) Determine os limites de controle para os grficos x e S.

b) Novas amostras foram tomadas. Determine se o processo est sob controle.
Amostra
11
12
13
14
15
16
17
18
19
20
xi
Si
74,010
74,001
74,008
74,003
74,003
73,996
74,000
73,997
74,004
73,998
0,0148
0,0075
0,0147
0,0091
0,0122
0,0087
0,0055
0,0123
0,005
0,0163
Respostas:
a) As amostras 2 e 6 ficam fora dos limites. Portanto, devem ser recalculados os limites, com m = 8.
Os limites seriam: LSC
LSC
74,0148
x 74,002
0,0188
LIC
S 0,009
LIC
73,9892
25
i1
1850 ,028 e
25
Si
i1
0 ,2350 . Determine os limites de controle
para os grficos x e S. Considere n = 10.

Respostas:
LSC x = 74,09277
x = x = 74,00112
LIC x = 73,90947
LSCS = 0,01613
S = S = 0,0094
LICS = 0,00267
Exerccio: Estimou-se para um processo os seguintes parmetros (n = 4):

LSC x = 710
x = x = 700
LIC x = 690
LSCS = 18,08
S = S = 7,979
LICS = 0
(a) Estime a mdia e desvio padro do processo

(b) Estime os limites do processo (limites naturais do processo)
(c) Suponha que a sada do processo est modelada adequadamente por uma distribuio normal. Se
as especificaes so 705 15, estimar a frao defeituosa.
Respostas:
(a) = 700; 8,6606
(b) LSNT = 725,9818; = 700; LINT = 674,0182
(c) p = 0,1355
61
O CONCEITO DE PROCESSO
Um processo um mtodo fsico de se realizar um determinado trabalho, o qual se desenvolve durante
um certo intervalo de tempo, geralmente envolvendo um certo nmero de fases ou operaes. Um processo
constitudo de um nmero diferente de fatores ou variveis. Essas variveis incluem a matria prima,
mtodo, mquinas ou equipamentos, a habilidade do operador, equipamentos de avaliao e competncia
para se realizar essas avaliaes. Outras importantes variveis ou fatores podero tambm entrar como
parte do processo, tais como dinheiro, meio ambiente, atitude, etc. Como sabemos, todo processo apresenta
algum tipo de variao. As variaes presentes no processo so basicamente de duas categorias:
- Variaes aleatrias (tambm chamadas de causas aleatrias ou ainda causas normais), as que ocorrem
apenas por acaso.
- Variaes especficas (tambm chamadas de causas no aleatrias ou ainda causas especiais), as que
ocorrem devido a causas que podem ser identificadas.
Apenas as causas aleatrias devem estar presentes em um processo, desde que elas representam a
quantidade mnima possvel de variao. Geralmente uma causa aleatria de variao no poder ser
removida economicamente do processo. Como exemplos de causas aleatrias de variao, podemos citar o
erro humano na ajustagem de controles em mquinas e equipamentos, pequenas variaes apresentadas nas
matrias primas, pequenas vibraes em equipamentos e mquinas, etc.
As variaes especficas ou determinadas podem ser detectadas, sendo geralmente economicamente
justificada a tomada de medidas visando sua eliminao. Como exemplos de causas especficas de variao
podem-se citar os erros causados pelos operadores, uma m ajustagem de equipamentos ou mquinas, um
lote defeituoso de matria prima. Qualquer tipo de causa especfica poder resultar em um elevado nvel de
variao, e consiste apenas de um ou de poucos casos individuais.
O processo no estar operando em seu nvel timo se estiverem presentes causas especficas ou
identificveis de variao. Agora, quando apenas causas aleatrias de variao estiverem presentes, o
processo estar ento operando em seu nvel timo. No caso de se estar produzindo ainda itens ou peas
defeituosas, deveremos revisar as especificaes ou mesmo promover uma mudana bsica no processo,
afim de, reduzirmos o nmero de peas defeituosas sendo produzidas.
Qualquer ponto fora dos limites de variao especificados no grfico de controle sendo utilizado
significar, na maioria das vezes, que o processo necessita ser investigado e corrigido.
Agora, pontos ou observaes dentro dos limites de controle da variao aleatria permitida
significar que o processo no deve ser ajustado. Ns necessitamos ter um processo suficientemente estvel
para que possamos utilizar prticas de amostragem, afim de, prevermos a qualidade da produo total, ou
para desenvolvermos estudos de otimizao do processo. Isso no possvel com a presena de causas
especficas de variao. Apenas com a presena de causas aleatrias de variao poder o processo estar
suficientemente estvel de modo a permitir a realizao desses estudos.
Geralmente dizemos que o processo se encontra em um estado de controle estatstico, ou simplesmente
sob controle, quando o processo estiver operando sem a presena de nenhuma causa especfica de
variao. Considerando que o termo sob controle significa o mnimo possvel de variao no processo,
deveremos desenvolver um grfico central de anlise e promover, se possvel, a eliminao do processo de
todas as causas especficas de variao, antes de calcularmos o valor de 6 para representar uma medida da
capacidade do processo. Desse modo, o valor 6 ir efetivamente representar o valor real inerente
capacidade do processo. O grfico de controle faz a distino entre as causas especficas de variao e as
causas aleatrias de variao atravs da escolha de seus limites de controle. O valor de 6 tambm se
conhece como limites naturais de tolerncia do processo (LNTP). De forma curta, tambm so conhecidos como
limites naturais do processo. O limite superior natural de tolerncia (LSNT) e o limite inferior natural de tolerncia
(LINT) se determinam com as seguintes formulas:
Limite Superior Natural de Tolerncia = LSNT = + 3
Mdia do Processo =
Limite Inferior Natural de Tolerncia = LINT = 3
Onde:
o desvio padro do processo. O valor de pode ser estimado com
R
S
d2
c4
62
CAPACIDADE DO PROCESSO
O Dr. J. M. Juran (Montgomery, 2004) definiu a Capacidade do Processo (tambm chamada de
Capabilidade do Processo) como sendo uma medida da uniformidade inerente do processo. A capacidade do
processo uma medida relativa preciso inerente do processo de fabricao. O Dr. Armand V.
Feigenbaum definiu a capacidade do processo como sendo a capacidade de qualidade de desempenho de
um processo, operando com fatores especificados e com uma condio de operao normal, isto , sob
controle.
Existem dois elementos significativos no conceito de capacidade do processo; variveis ou fatores do
processo e condies do processo. Para ser efetiva, a capacidade de um processo necessita ser definida em
funo de um determinado grupo de variveis ou fatores do processo, especificamente relacionados. Alm
disso, o processo sendo analisado dever ser aquele que apresenta as observaes distribudas de acordo
com a distribuio normal, estando ainda em um estado de controle estatstico. Para a identificao do
padro de atuao do processo, bem como da determinao da maneira como esse padro interage com as
especificaes requeridas, torna-se essencial se ter essa condio de normalidade das observaes.
Para ser til, o valor da capacidade do processo precisa ter um padro estabelecido que seja consistente
com o passar do tempo. Em termos estatsticos, a amplitude do processo igual 3, ou 6 no total.
Cerca de 99,73% de toda as leituras para uma distribuio normal se encontram dentro da rea limitada por
3 unidades de desvio padro do valor mdio. Lembremos que:
x 0,6827
x 2 0,9544
x 3 0,9973
Um estudo sobre a capacidade de um processo constitui-se de uma anlise de distribuio de

freqncias, muito bem organizada e disciplinada, dos dados relativos ao processo sendo avaliado.
Segundo John Kindwell, um processo poder ser agrupado em uma das trs categorias abaixo:
- Individualmente Controlado. O operador representar a maior fonte de variao presente no
processo e o resultado da produo depender da habilidade do operador.
- Funcionalmente Controlado. Nesse caso, o operador participar tambm da operao, porm a
variao presente no processo depender igualmente de toda entrada ( input ) do processo.
- Processamento Automtico. Nesse caso, o operador se limita apenas a observar o funcionamento
do processo, aps o mesmo ter sido propriamente colocado em operao.
As tcnicas de controle estatstico de processo auxiliam aos gerentes a conseguir e a manter uma
distribuio do processo que no se altera em termos de sua mdia e de sua varincia. Assim, os grficos de
controle basicamente sinalizam quando a mdia ou a variabilidade do processo se altera. No entanto, o fato
de que um processo esteja sob controle estatstico no implica que na fabricao de um novo produto, o qual
se pretende que tenha certas especificaes (ou tolerncias), possa ser fabricado sem ter desperdcios
significativos. Ento, uma forma de saber se um produto novo pode ser fabricado sem desperdcio, ou seja,
saber se nosso processo capaz de fabricar o novo produto sem ter desperdcios significativos, mediante a
razo de capacidade do processo (RCP ou Cp). A RCP se define como:
Razo da Capacidade do Pr ocesso RCP Cp
LSE LIE
LSE LIE
LSNT LINT
6
onde = desvio padro da distribuio do processo.

LSE = Limite Superior de Especificao (ou limite superior de tolerncia)
LIE = Limite Inferior de Especificao (ou limite inferior de tolerncia)
LSNT = Limite Superior Natural de Tolerncia do Processo (ou LSP = Limite Superior do Processo)
LINT = Limite Inferior Natural de Tolerncia do Processo (ou LIP = Limite Inferior do Processo)
63
Produo SEM desperdcio
Produo COM desperdcio
LSE LIE
RCP
1
6
RCP
Curva do processo
Curva do processo
LSNT
LIE LINT
LSE LIE
1
6
LSE
LINT
LIE
LSE
LSNT
Grfico 7: Razo de Capacidade de Processo

Assim, quando o RCP > 1, a produo ser SEM desperdcios e, quando o RCP < 1, a produo ser
COM desperdcios (ver grfico 7). Na verdade, o RCP uma medida potencial do processo, ou seja, a
capacidade com um processo centralizado. A capacidade real do processo (para processo centralizados o
descentralizados) definida pelo RCPk, como veremos a continuao.
Devido dificuldade de obter o valor real do desvio padro do processo () para casos reais onde
geralmente se utilizam amostras, comum usar a seguinte formula para estimar o desvio padro do
processo:

R
S
d2
c4
CAPACIDADE REAL DO PROCESSO (RCPk):

A capacidade real do processo se abrevia como RCP k (ou Cpk). Quando os limites de controle e os
limites de especificao esto descentralizados, isto , quando a Mdia de processo diferente da Mdia das
Especificaes, o RCPk pode ser calculado da seguinte forma:
x LIE
LSE x
RCPk C pk mnimo
,
3
3
onde:
= Desvio padro do processo
x = Mdia do processo;
Portanto, fica claro que para processos descentralizados, temos que:

O RCPk pela esquerda igual a: RCPkE x LIE , e
3
O RCPk pela direita igual a: RCPkD LSE x

3
Note que:
Se x (mdia do processo) = e (mdia das especificaes), ento RCP = RCPk
Da mesma forma que o RCP, quando o RCPk > 1, a produo ser SEM desperdcios considerveis e,
quando o RCPk < 1, a produo ser COM desperdcios considerveis.
Se RCPkE < 1 teremos desperdcio pela esquerda, se RCPkD < 1, teremos desperdcio pela direita.
Em geral, podemos afirmar que o RCPk uma razo unilateral de capacidade de processo, que
calculada relativa ao limite de especificao mais prximo da mdia do processo. Assim, tem-se que:
Intervalo do RCP (ou RCPk)
1,33 RCP (ou RCPk)
1,00 RCP (ou RCPk) < 1,33
RCP (ou RCPk) < 1
Capacidade do Processo
Satisfatrio
Aceitvel
Inaceitvel
64
Relao entre o RCPk e um Processo 6 sigma:

Um processo com RCPk = 2,0 referido como um processo de nvel 6 sigma, ou simplesmente um processo
6, porque a distncia a partir da mdia do processo at a especificao mais prxima seis desvios-padro
(do processo). A relao que se estabelece entre o RCP (ou RCPk) e o nvel sigma (ou tambm chamada
qualidade sigma da produo) a seguinte:
RCPk
Processo de Nvel
0,33
0,67
1,00
1,33
1,67
2,00
1
2
3
4
5
6
Sabe-se que 6 uma estratgia gerencial de mudanas para acelerar o aprimoramento em

processos, produtos e servios. O termo sigma mede a capacidade do processo de trabalhar livre de
falhas. Quando falamos em 6, referimo-nos reduo na variao do resultado entregue aos clientes a uma
taxa de 3,4 falhas por milho ou 99, 99966% de perfeio (quando a mdia tem um corrimento de 1,5 ). A
abordagem 6 foi desenvolvida pela Motorola, na dcada de oitenta, com o objetivo de reduzir a taxa de
falhas em seus produtos eletrnicos manufaturados. O programa foi elaborado com o severo desafio do
desempenho livre de defeitos, e tinha como principais objetivos o aprimoramento da confiabilidade do
produto final e a reduo de sucata. Pesquisas indicam que operar em um nvel de 3 a 4 custa em torno de
10 a 15% do faturamento da empresa, tudo vindo de desperdcios como inspees, retrabalho, sucata,
desgaste de imagem. Ao trabalhar em 6 estes custos sero eliminados.
O grfico mostrado abaixo indica as perdas em porcentagem para um processo normalmente
distribudo:
34,13% 34,13%
13,60%
13,60%
0,0000002%
0,00057%
2,14%
2,14%
2
3
0,0063%
2
3
6
A tabela mostrada abaixo, indica as perdas em partes por milho (ppm) para um processo
normalmente distribudo e um processo com deslocamento de 1,5 na mdia:
Sigma
1
2
3
4
5
6
Porcentagem de produtos
dentro dos padres
68,26
95,45
99,73
99,9937
99,999943
99,9999998
Nmero de erros por milho de produtos

Assumindo o processo
Assumindo um deslocamento
centralizado
de 1,5 na mdia
317.400
697.672,15
45.500
308.770,21
2.700
66.810,63
63
6.209,70
0,57
232,67
0,002
3,40
65

CLCULO DA PORCENTAGEM DE DESPERDCIOS DE UM PROCESSO:
A porcentagem de desperdcios de um processo, pode ser calculada com a seguinte formula:
p p (x LIE ) p (x LSE) , onde:
p = Porcentagem de desperdcios = Frao de itens defeituosos = Frao de itens no conformes,

x = valor da varivel analisada,
p (x LIE ) = probabilidade de que x seja menor que o limite inferior de especificao
p (x LSE ) = probabilidade de que x seja maior que o limite superior de especificao
Como: p ( x LIE ) p z LIE x , e p ( x LSE ) p z LSE x
Ento:
LIE x
LSE x
p p z
p z
Enfatizamos que o clculo da frao defeituosa considera que as observaes sejam normalmente
distribudas e o processo esteja sob controle. Desvios da normalidade podem afetar seriamente os
resultados.
Exerccio: Num processo eletrnico de fabricao, uma corrente tem especificaes de 100 10
miliampres. A mdia x e o desvio padro do processo so 107 e 1,5 respectivamente.
a. Calcule o RCP e o RCPk.
b. Se existem desperdcios, calcule a porcentagem de desperdcios gerados.
Soluo:
Note que com os dados fornecidos, se pode calcular o RCP, o RCPk e a proporo de desperdcios, sem
precisar determinar os limites de controle do processo.
Portanto:
e = 100,
LSE = 100 + 10 = 110
e
LIE = 100 10 = 90
Como x e, ento RCP RCPk.
Portanto: RCP
110 90
6 * 1, 5
2 ,22 ; como RCP>1, o processo potencialmente sem desperdcios.
LSE x
x LIE
RCPk mn
,
3
110 107
107 100
mn
,
mn 0,666 ; 1,555 0,666
3
*
1
,
5
3 * 1, 5
Como RCPk < 1, ento o processo apresenta desperdcios. Note que LSE = 110 est mais perto da mdia
do processo x = 107, do que LIE = 100. Isso de forma prtica, define que o LSE determinar o RCP k.
Utilizando a tabela Normal para o calculo dos desperdcios, teremos:
LIE x
90 107
px LIE p z
p z
1, 5
LSE x
110 107
px LSE p z
p z
1, 5
pz 11,33 0
pz 2 0 ,023
Portanto, a frao defeituosa = p = pe + pd = 0 + 0,023 = 0,023. Ou seja, temos 2,3% de defeitos.

Exerccio: Na fabricao de arruelas, se est controlando o dimetro interno. Amostras de 5 itens foram
examinadas. Para as 10 primeiras amostras foram encontradas:
66
Mdia da Amostra
1
7,0
4
2
8,0
3
3
6,2
3
4
6,8
5
Amostra
5
6
7,8
6,8
5
5
7
8,6
2
8
5,4
3
9
8,6
3
10
9,0
5
a) Se as especificaes de um produto so 9,4 3, calcule o RCP e o RCPk do processo (Sugesto:

determine se o processo se encontra sob controle e depois estime a mdia do processo)
b) Se existem defeitos, determine a proporo de defeitos, e a proporo de peas recuperveis.
Respostas:
a) RCP = 0,611; RCPk = Min [ 0,2081; 1,0159] = 0,2081
b) p = 26,87%
67

ANLISE DA CAPACIDADE DO PROCESSO USANDO UM GRFICO DE CONTROLE:
Na tabela mostrada abaixo, esto registrados os dados de um processo que mede a resistncia ao
estouro de garrafas para refrigerantes:
xi
R
xi
R
1
252,0
2
255,2
3
246,2
4
269,0
102
84
89
104
11
261,0
12
266,8
13
227,8
14
286,8
128
55
87
69
Amostras
5
6
287,8
246,0
104
7
266,2
8
273,4
9
263,4
10
272,6
93
49
71
73
17
276,0
18
266,2
19
272,2
20
253,4
89
28
48
70
113
Amostras
15
16
268,8
270,4
56
34
Determine a capacidade do processo, supondo amostras de tamanho 5 e especificaes iguais a 250 100.
Soluo:
Dos dados, temos: n = 5;

x = 264,06 e R = 77,3
R
77 ,3
33,23
d2
2 ,326
x LIE
LSE x
RCPk C pk mnimo
,
3
3
264 ,06 150

350 264 ,06
mnimo
,
3 33,23
3 33,23
RCPk = mnimo (1,14; 0,86) = 0,86

Portanto, a capacidade do processo inadequada, isto , existe desperdcio. Nesse casso, o RCP kD < 1;
conseqentemente o desperdcio pela direita (veja no grfico abaixo).
150
LIE
350
LSE
LIP
164,37
264,06
LSP
363,75
Grfico 9: Limites de especificaes e Limites do Processo

Como: Limites de Controle x 3x x 3
A 2 R 3 x , ento x
A 2 R , como
x
3
, e Limites do Pr ocesso x 3 , portanto:

, ento x n
0 ,577 77 ,3
Assim,
5 33,2444 ,
3
que aproximadamente igual a:
R
77 ,3
33,23
d2
2 ,326
Mas, a recomendao sempre usar
R
77 ,3
33,23
d2
2 ,326
68
DESEMPENHO DOS GRFICOS DE CONTROLE

Segundo Montgomery (2004), a determinao dos limites de controle (inclui determinar a freqncia
de amostragem e o tamanho da amostra) uma das decises crticas que tem que ser feitas no projeto de um
grfico de controle. Alm disso, o deslocamento dos limites de controle uma situao muito freqente nos
processos produtivos e de servios. Quando a mdia do processo se afasta da linha central do grfico,
acarretar a diminuio do risco de um erro tipo I (risco de um ponto cair alm dos limites de controle,
quando nenhuma causa atribuda estiver presente). No entanto, o afastamento dos limites de controle da
linha central aumenta o risco de um erro tipo II (risco de um ponto cair entre os limites de controle, quando
o processo estiver realmente fora de controle). Mover os limites de controle mais perto da linha central,
significar aumentar o risco de erro tipo I enquanto que diminuir o risco de erro tipo II. As probabilidades
desses dois erros se denotam como:
= P(erro tipo I) = P (rejeitar Ho quando Ho verdadeira) = Nvel de significncia = Risco do Produtor
= P(erro tipo II) = P (aceitar Ho quando Ho falsa) = Risco do Consumidor
Clculo de :
A habilidade dos grficos x e R de detectar deslocamentos na qualidade do processo se descreve por
suas curvas Caractersticas de Operao (CO). Deve ficar claro que essas curvas CO no so iguais s encontradas
no captulo de amostragem de aceitao definidas como CCO. A seguir, vai se apresentar as curvas CO para
grficos usados para o controle on-line de um processo.
Considere a curva CO de um grfico x com desvio padro conhecido e constante. Se a mdia tiver
um deslocamento do valor sob controle 0 para outro valor 1 = 0 + k , a probabilidade de no detectar esse
deslocamento na primeira amostra subsequente, isto , o risco , :
LSC ( 0 k )
LIC ( 0 k )

/ n
/ n
Supondo que o LSC = 0 + L / n e que o LIC = 0 - L / n , a equao acima poderia se escrever

como:
(L k
n ) ( L k
n )
Mais na frente ficar claro que para ns mais importante encontrar a probabilidade de que o
deslocamento seja detectado na primeira amostra subsequente, portanto, o que realmente estamos procurando
(1 - ). Um grfico de uma curva CO de um grfico x com limites de 3 sigma e valores diferentes de n
seria:
69
O Comprimento Mdio de Deslocamento (CMD) e :

Uma forma de avaliar as decises relativas freqncia de amostragem e do tamanho da amostra
atravs do comprimento mdio de deslocamento, ou simplesmente CMD. Em geral, o nmero esperado de
amostras tomadas antes de que se detecte o deslocamento da mdia o CMD. Outra definio poderia ser: o CMD
representa o nmero mdio de pontos que tm de ser plotados antes de um ponto indicar uma condio de fora de
controle. bom ressaltar que o CMD pode ser calculado a partir da mdia de uma varivel aleatria
geomtrica.
Assim, se p a probabilidade de que qualquer ponto exceda os limites de controle, ento:
1
p
CMD
quando a mdia est sob controle, o CMD se representa como CMD0, e se calcula como:
quando a mdia apresenta deslocamento, o CMD se representa como CMD1, e se calcula como:
CMD 0
CMD 1
1
1
Problema: Determine o CMD0, para um caso onde o processo tenha limites de controle 3 sigma.
Soluo:
Ns sabemos que = p = 0,0027, portanto:
1
1
CMD 0
370
p
0 ,0027
Isso indicar que se o processo permanecer sob controle, um sinal de fora de controle ser gerado
a cada 370 pontos, em mdia.
Problema: Supondo um processo 3 sigma,
a) determine a probabilidade de detectar um deslocamento para 1 = 0 + 2, na primeira amostra
aps o deslocamento?
b) Determine o nmero esperado de amostras antes de detectar o deslocamento da mdia.
Soluo:
a) Nota-se que se busca calcular , pois h um deslocamento.
Alm disso L = 3; k = 2 e n = 5
De: (L k n ) ( L k n ) , temos:
(3 2
5 ) ( 3 2
Portanto 0,0708
1
1
b) CMD 1
1
1 0 ,0708
deslocamento da mdia.
5 ) (1,47 ) ( 7 ,37 )
= 1,0762; ento aps aproximadamente 1 amostra se detectar o
Clculo do Tempo Mdio at o Sinal (TMAS):

O clculo do CMD e do TMAS dependem da probabilidade p (probabilidade de que qualquer ponto
exceda os limites de controle) e da freqncia de amostragem em horas h do processo. A probabilidade p
ser especialmente importante de calcular quando a mdia do processo se desloque, isto , quando a mdia de
processo varie em relao a seu valor natural 0. O TMAS indica o tempo (em horas) em que ser detectada
uma mudana na mdia do processo. Assim, o clculo de p, do CMD e do TMAS pode ser realizado da
seguinte forma:
70

LSC ( 0 k )
LIC ( 0 k )
Quando existe deslocamento sabe-se que:

/ n
/ n
Chamando de Mdia deslocada ou simplesmente d = 0 + k , teremos:

LIC d
LSC d
p
z
x
x
, onde d = Mdia deslocada, portanto:
LIC d
LSC d
p 1 1 p
z
x
x
CMD
1
p
TMAS = CMC h
Exerccio: Calcule a probabilidade p de que um ponto fique fora dos limites de controle, o CMD, e o
TMAS, considerando os seguintes dados:
Limites de controle = 74 0,0135 (note que x = 0,0045);
Mdia deslocada = d = 74,0135; (note que o deslocamento da mdia 3x direita de = 74);
a freqncia da amostragem uma amostra a cada hora.
Soluo:
Ns sabemos que , ento:
74 ,0135 74,0135
73,9865 74,0135
p11p
z
0 ,0045
0 ,0045
p 1 p 6 z 0 1 0,5 0,5
Por tan to , CMD
1
1
2
p
0 ,5
TMAS = (CMD) (h) = (2) (1) = 2 horas

Ou seja, o grfico de controle requerer duas amostras para detectar a mudana da mdia no
processo, em mdia; logo, passaro duas horas entre a mudana e sua deteco.
Exerccio: Um processo sob controle usa amostras de tamanho n = 4. A linha central est em 100 e os
limites 3 x de controle so 106 e 94, respectivamente.
a.
b.
Qual o desvio padro do processo ()?

Qual o desvio padro do grfico de controle ( x )?
c.
Suponha que a mdia do processo se desloque para 105. Calcule o valor do CMD.
Exerccio: Um processo controlado mediante cartas x e S e em ambas o processo h mostrado

controle estatstico. As amostras so tomadas a cada 30 minutos, sendo que o tamanho da amostra n
= 6. Os parmetros das cartas de controle so as seguintes:
Carta x : LSC = 708,20; = 706,00; LIC = 703,80
Carta S: LSC = 3,420; = 1,738; LIC = 0,052
a) Estime a mdia e o desvio padro do processo.
b) Estime os limites de tolerncias naturais do processo.
c) Supondo que a sada do processo adequadamente modelada por uma distribuio normal. Se
o LSE = 709 e LIE = 703, estime a frao de itens fora dos padres.
71
d) Suponha que a mdia do processo se desloque para 702,00, enquanto que o desvio padro se
mantm constante, qual seria a probabilidade de que ocorra um sinal de fora de controle na
primeira amostra depois do deslocamento?
e) Para o deslocamento da questo d, qual a probabilidade de detectar o deslocamento na
terceira amostra subseqente?
f) Em quanto tempo se detectar a mudana do TMAS?
72
GRFICOS DE CONTROLE PARA ATRIBUTOS

b) Grfico de Controle P (Carta de Controle P)
O grfico de controle P um grfico de controle por atributos, o qual determina a proporo ou
percentagem de itens que esto fora de padro na amostra inspecionada. A proporo defeituosa denomina-se p.
Assim, nos grficos usados para controlar atributos contada a qualidade (com defeito sem defeito,
conforme no conforme, sim no, etc) do produto ou servio. Utilizar este grfico implica selecionar
uma amostra aleatria, inspecionar cada item contido nela, e calcular a proporo de produtos com
defeito na amostra.
Como a amostra de um grfico P normalmente implica com defeito sem defeito, conforme no
conforme, sim no, etc; ela obedece a uma distribuio binomial. No entanto, para tamanhos grandes
de amostra, a distribuio normal oferece uma boa aproximao. Esse o motivo de que grficos de controle
de do tipo p e np requerem um tamanho de amostra consideravelmente maior do que os correspondentes
grficos de variveis (geralmente considera-se n 100).
De forma prtica, o grfico P se utiliza quando a pea ou item inspecionado se julga como conforme ou
no conforme, em relao ao padro estabelecido. O padro pode incluir uma caracterstica a controlar ou
mais de uma. Um exemplo de um padro que controle s uma caracterstica para o processo de fabricao
de uma caneta seria , controlar que a tampa da caneta no fecha bem. Outro padro a controlar poderia ser
se a ponta da caneta no funciona bem, ou ainda, um outro padro poderia ser que a tinta do logo se apagase com facilidade. Um exemplo de um padro que controle trs caractersticas seria um padro que inclua
controlar que a tampa da caneta no fecha bem, a ponta da caneta no funciona bem e que a tinta do logo se
apaga com facilidade.
bom ressaltar que o grfico P geralmente se utiliza em processo com altos volumes de produo,
onde obviamente, a inspeo de 100% dos itens produzidos seria uma impossibilidade dado o tamanho dos
lotes e o custo baixo de cada item.
A proporo p de defeitos da amostra i se calcula da seguinte forma:
pi
Di
,
n
onde:
Di o nmero de unidades com defeito, na amostra i,
n o tamanho da amostra (n 100)
p
1
m
pi
i 1
1
mn
Di ;
i 1
onde:
p a Mdia da Proporo de defeitos por amostra,
Di o nmero de itens com defeito na amostra i
Como o desvio padro de uma binomial igual a
p ( 1 p)
, os limites de controle se calculam da
n
seguinte forma:
LSC p 3
p ( 1 p)
;
n
p;
LIC p 3
p ( 1 p)
n
Logicamente a linha central ser o valor de p .

Quando os tamanhos das amostras forem diferentes, teremos:
m
LSC p 3
p ( 1 p)
n
; p
i 1
i 1
; LIC p 3 p (1 p) ; onde n
n
ni
i1
m
73
c) Grfico de Controle NP (Carta de Controle NP)

Quando as amostras so todas do mesmo tamanho, uma alternativa desejvel para o grfico p o
grfico de controle NP. Este tambm um grfico de controle por atributos, o qual verifica o nmero de
itens fora de padro na amostra inspecionada. Portanto, esse o grfico de controle para o nmero de itens fora
de padro. Aqui, n representa o nmero de peas inspecionadas, e np representa o nmero de peas
defeituosas entre as n peas inspecionadas. Os limites de controle para o grfico NP se calculam da
seguinte forma:
LSC n p 3 n p (1 p) ; n p ; LIC n p 3 n p (1 p)
Note que o grfico tem a linha central em n p , e que p deve ser calculado segundo a frmula
utilizada no grfico P.
Quando os tamanhos das amostras forem diferentes, teremos:
m
LSC n p 3 n p (1 p) ; n p ; LIC n p 3 n p (1 p) ; onde n
ni
i1
m
Exerccio: Suponha que o seguinte nmero de itens defeituosos tenham sido encontrados em sucessivas
amostras de tamanho 100:
Amostra
Amostra
1
2
3
Itens
Defeituosos
9
10
13
Amostra
9
10
11
Itens
Defeituosos
13
6
3
17
18
19
Itens
Defeituosos
6
9
8
4
5
6
7
8
8
14
9
10
15
12
13
14
15
16
5
13
10
14
7
20
21
22
23
24
11
12
14
6
5
Di
230
a) Faa um grfico que controle a proporo de itens com defeito por amostra. Se necessrio
reveja os limites de controle. (Considere as regras r1, r2 e r3).
b) Faa um grfico que controle os itens com defeito por amostra. Se necessrio reveja os limites
de controle. (Considere as 5 regras).
c) Caso o processo no esteja sob controle estatstico, considere que causas atribudas possam ser
encontradas.
Respostas:
a) Grfico P; LSC = 0,184377; = 0,095; LIC = 0,007036; p = 0,029321; o processo esta sob controle.
b) Grfico NP; pi = 2,28; LSC = 18,2965; = 9,5; LIC = 0,7036; = 2,93215; o processo esta fora de
controle, cumpre r5.
c) Quando se tem muita variao, o comum que a mquina esteja sem manuteno, as
ferramentas tenham sofrido desgaste ou devido a um operrio inexperiente.
74
Exerccio: Uma engarrafadora de refrigerantes dietticos mantm um registro dirio de ocorrncias de

garrafas recusadas, que saem da mquina de abastecimento e vedao. Inconformidades como
abastecimento inadequado, latas com pontas e latas sem vedao adequada so anotadas. Os dados
relativos produo de um ms (com base em uma semana de trabalho de 5 dias) so os seguintes:
Dia
1
2
3
4
5
6
7
8
9
10
11
Total
Latas
produzidas
5.043
4.852
4.908
4.756
4.901
4.892
5.354
5.321
5.045
5.113
5.247
55.432
Latas
recusadas
47
51
43
37
78
66
51
66
61
72
63
635
Dia
12
13
14
15
16
17
18
19
20
21
22
Total
Latas
produzidas
5.314
5.097
4.932
5.023
5.117
5.099
5.345
5.456
5.554
5.421
5.555
57.913
Latas
recusadas
70
64
59
75
71
68
78
88
83
82
87
825
a.
Com as 11 primeiras amostras construa um grfico que controle a proporo de latas

recusadas por amostra. (considere r1)
b. Determine se o processo est sob controle com as amostras de 12-22 (use todas as regras)
c. Com as 11 primeiras amostras construa um grfico que controle o nmero de latas recusadas.
(considere r1)
d. Determine se o processo est sob controle com as amostras de 12-22 (use todas as regras)
Respostas:
a. Grfico Np
c. Grfico P
d) Grfico de Controle C (Carta de Controle C)
O grfico C, tambm chamado de Grfico de Defeitos, um grfico de controle por atributos. Ele
controla o total de no-conformidades em uma unidade. Esse caso ocorre em situaes onde cada amostra
apresenta um nmero diferente de no-conformidades, assim, a varivel de interesse nesse caso passa a ser
o nmero de no-conformidades ao invs do nmero de unidades ou itens defeituosos, os quais podero
apresentar, cada um, uma ou mais no-conformidades. O grfico de controle C indica o nmero total de
no-conformidades por unidade (ou lote de inspeo), por exemplo, por 10 carros, por 2 gales, etc.
importante notarmos que a ocorrncia de uma no conformidade poder ou no resultar na fabricao de
um produto ruim ou defeituoso. Neste caso, n dever ser necessariamente constante.
A distribuio de amostras correspondentes a um grfico C a distribuio de Poisson. Ela se baseia na
suposio de que os defeitos ocorrem ao longo de uma regio contnua e de que a probabilidade de
ocorrerem dois ou mais defeitos em qualquer local insignificante. Devemos lembrar que numa
distribuio de Poisson se cumpre que se a mdia = , ento o desvio padro ser =
Assim, se forem
inspecionadas m amostras, uma estimativa da mdia de defeitos por amostra ( c ) dada por:
k
Di
i1
m
onde:
Di o nmero de defeitos da amostra i.
Portanto, os limites de controle do grfico c esto dados por:
LSC c 3
c ; c;
LIC c 3
75
De forma prtica, o grfico C ou Grfico de Defeitos, utilizado na fabricao de itens maiores, de

maior custo e complexidade, e infinitas possibilidades de encontrar no-conformidades, como carros, iates,
avies, geladeiras, paredes em construes grandes como arranha-cus ( particularmente interessante a
utilizao do grfico de defeitos na rea de construo civil), erros de datilografia num livro, na pintura de
um avio, etc. Para esses casos, ento surge a necessidade de contar o nmero de no-conformidades
encontrados no item fabricado para melhorar a qualidade. Por exemplo, para controlar os defeitos na
fabricao de geladeiras, teramos que registrar todas as falhas que podem aparecer na geladeira: arranhes
na tinta, porta que fecha de forma errada, p da geladeira mal equilibrado, entre outros. Contando os
defeitos por geladeira, teramos os dados suficientes para a montagem do grfico de controle.
importante ressaltar que existem alguns casos onde os grficos de controle no so os mais
adequados, sobretudo, quando os itens que precisam ser controlados envolvam a segurana de vidas
humanas (falhas de motores de avio, de freios de carro, equipamentos eletrnicos, etc). Nesses casos outras
ferramentas devem ser utilizadas, como os Testes de Vida, Anlise de Confiabilidade, etc.
Exerccio: Placas de circuito impresso so montadas por uma combinao de montagem manual e
automtica. Uma mquina de soldagem contnua usada para fazer as conexes mecnicas eltricas
dos componentes de chumbo na placa. Essas placas so passadas, quase continuamente, atravs de
processo de soldagem e, a cada hora, cinco placas so selecionadas e inspecionadas para finalidade de
controle de processo. O nmero de no-conformidades em cada amostra de cinco placas anotado. Os
resultados para 20 amostras so mostrados a seguir:
Amostra
Nmero de defeitos
Amostra
Nmero de defeitos
1
6
11
9
2
4
12
15
3
8
13
8
4
10
14
10
5
9
15
8
6
12
16
2
7
16
17
7
8
2
18
1
9
3
19
7
10
10
20
13
a. Considerando as 10 primeiras amostras, determine os limites de controle para um grfico que

controle o nmero de defeitos por amostra (considere regra r1).
b. Para a questo (a), foram tomadas as amostras de 11 20. Estabelea se o processo est sob
controle.
Respostas:
a) Grfico C; LSC = 16,48528; = 8; LIC = 0; = 2,828427; processo sob controle.
Problema: A tabela mostrada abaixo apresenta o nmero de no-conformidades em 20 amostras sucessivas.
Cada amostra consiste de 100 folhas de papel.
a) Use as 10 primeiras amostras para determinar os limites de controle de um grfico adequado para
essa tarefa.
b) Com as amostras de 11-20 determine se o processo est sob controle.
Amostra
Nmero de no-conformidades
Amostra
Nmero de no-conformidades
1
21
11
20
2
24
12
24
3
16
13
16
4
12
14
19
5
15
15
10
6
5
16
17
7
28
17
13
8
20
18
22
9
31
19
30
10
25
20
39
e) Grfico de Controle U (Carta de Controle U)

O grfico u um grfico de controle por atributos, o qual determina o nmero mdio de no-conformidades
por unidade de inspeo. O grfico u geralmente utilizado por supervisores porque eles esto mais
preocupados com o desempenho mdio do produto. Se cada amostra consistir em n unidades e se houver
um total de c no-conformidades na amostra, ento:
ui
ci
,
n
76
ser o nmero mdio de defeitos de defeitos por unidade na amostra i. Assim, se houver m amostras,
ento o estimador do nmero mdio de defeitos por unidade :
1
m
i 1
conseqentemente, a linha central do grfico u u , e os limites de controle sero:

LSC u 3
u
; u ; LIC u 3
n
u
n
Devemos entender que os limites de controle do grfico u so baseados na aproximao da distribuio

de Poisson pela normal. Em um grfico u, a mdia de u ser , portanto, o estimador de ser u ; e a
varincia de u ser
. Quando a media pequena, a aproximao normal pode no ser sempre
n
adequada. Em tais casos, podemos utilizar os limites de controle obtidos diretamente de uma tabela de
probabilidades de Poisson. Se u for pequeno, o limite inferior de controle, obtido da distribuio normal,
poder ser um nmero negativo. Se isso ocorrer, costume considerar o limite inferior de controle como
zero.
Como proceder quando o tamanho da amostra varivel:
Na maioria das situaes reais, quando se emprega o grfico U, comum que o tamanho das
amostras variem. Quando temos tamanhos de amostras diferentes, usar o grfico C e fazer a interpretao do
grfico C seria muita complicado. Nesses casos o procedimento correto usar o grfico U, sendo que o grfico U
apresentar uma linha central constante, porem os limites de controle variaram inversamente com a raiz quadrada do
tamanho da amostra, de cada amostra. Vejamos o problema a seguir.
Problema: Numa fbrica txtil inspeciona-se os rolos de tecido tingido para a ocorrncia de defeitos a cada 50
metros quadrados. Os dados so os seguintes:
Rollo
No-conformidades
m2
1
14
500
2
12
400
3
20
650
4
11
500
5
7
475
6
10
500
7
21
600
8
16
525
9
19
600
10
23
625
Use um grfico adequado e determine os limites de controle.

Soluo:
Abordagem 1
Deve ficar claro que o grfico mais adequado o grfico U. Primeiro porque devem ser controladas
as no conformidades e segundo porque a unidade de inspeo (ou tambm conhecida como unidade de
controle) uma partio do tamanho real das amostras. Note que a partio de 50 m2 e que os
tamanhos das amostras so diferentes, isto , os tamanhos dos m2 dos rolos so diferentes.
Calculando os ni, ou seja, os novos tamanhos das amostras e o nmero de no conformidades por
unidade de inspeo.
Rollo
No-conformidades
m2
ni
No-conformidades/ni
1
14
500
500/50 = 10
14/10 = 1,4
2
12
400
8
1,5
3
20
650
13
1,54
4
11
500
10
1,10
5
7
475
9,5
0,74
6
10
500
10
1,0
7
21
600
12
1,75
8
16
525
10,5
1,52
9
19
600
12
1,58
10
23
625
12,5
1,84
77

m
D
Calculando u
i 1
m
153
1, 42
107 ,5
i 1
Assim, os limites de controle ficariam da seguinte forma:

Nmero do rolo, i
m2
ni
1
2
3
4
5
6
7
8
9
10
500
400
650
500
475
500
600
525
600
625
10,0
8,0
13,0
10,0
9,5
10,0
12,0
10,5
12,0
12,5
LSC = u + 3 u / n i
LSC = u - 3 u / n i
2,55
2,68
2,41
2,55
2,58
2,55
2,45
2,52
2,45
2,43
0,29
0,16
0,43
0,29
0,26
0,29
0,39
0,32
0,39
0,41
No-conformidades por
unidade de controle ui
Portanto, os limites de controle seriam:

3,5
3,0
2,5
2,45
2,41
2,43
0,16
0,26 0,29
2,52
2,55
2,58
2,68
2,0
1,5
1,0
0,5
0,0
1
0,32
0,39
0,41
0,43
10
Nmero do rolo
Abordagem 2
Esta abordagem implicaria usar um estatstico padronizado, como o mostrado a seguir:
Exerccio: Um fabricante txtil deseja elaborar um grfico de controle para irregularidades (por exemplo,
manchas de leo, fios soltos e peas rasgadas) por cada 84 m2 (100 jardas quadradas) de carpete. Analisou-se
uma pea (cada pea tem 84 m2) por dia, durante 20 dias, obtendo-se os seguintes resultados:
Dia
Irregularidades da amostra
Dia
Irregularidades da amostra
1
11
11
11
2
8
12
5
3
9
13
7
4
12
14
12
5
4
15
13
6
16
16
8
7
5
17
19
8
8
18
11
9
17
19
9
10
10
20
10
a) Se tivesse que controlar o nmero de irregularidades por m2, que grfico utilizaria?
b) Calcule os limites de controle para um grfico u (use regra r1).
c) Suponha que cinco novas amostras tivessem 15, 18, 12, 9 e 0 irregularidades. O que voc conclui?
d) Calcule os limites de controle para um grfico U que controle as irregularidades por jarda quadrada
(use regra r1).
78

Respostas:
a) Grfico u.
b) LSC = 2,51866; = 2,05; LIC = 1,58133; = 0,1562.
c) Processo sob controle.
Exerccio: Uma fbrica de papel usa uma carta de controle para monitorar as imperfeies dos rolos durante
sua produo. Registrou-se durante 20 dias amostras de 18 rolos na sada da produo, obtendo-se os
resultados mostrados abaixo.
Dia
Imperfeies
Dia
Imperfeies
1
12
11
13
2
14
12
12
3
20
13
14
4
18
14
18
5
15
15
18
6
12
16
15
7
11
17
19
8
15
18
18
9
12
19
15
10
10
20
14
139
156
a. Sabendo que os rolos so vendidos em pacotes de trs e supondo que as 10 primeiras amostras sejam
suficientes para calcular os limites de controle, determine os limites de controle para um grfico que
controle o nmero de imperfeies por lotes de venda (de trs em trs) . Use r1.
b. Considerando as amostras de 11-20, determine se o processo est sob controle (use todas as regras).
c. Sabendo que no mximo so aceitos 3 imperfeies por rolo, qual a proporo de rolos que devero
ser rejeitados por no cumprir as especificaes?. Aproxime com a normal.
79
f) Grfico de Controle da Soma Acumulada - CUSUM

Os grficos de controle da soma acumulada, ou simplesmente Cusum, foram introduzidos por volta de
1950. Existem alguns processos nas reas mecnica, eletrnica, metalrgica, nuclear e qumica, bem como
em algumas atividades especiais, nas quais a necessidade de um controle altamente efetivo demanda uma
elevada sensibilidade s variaes apresentadas pelo processo. Desse modo, muito importante se detectar
qualquer variao to logo ela ocorra, especialmente quando o processo contnuo ou consiste de uma linha
contnua de itens. Os grficos Cusum so geralmente utilizados para detectarem essa variao.
Basicamente, temos uma caracterstica de qualidade, por exemplo, a quantidade de cobre na
composio de um ao de alta resistncia e baixa liga. Queremos avaliar os resultados dessa caracterstica
em relao ao valor percentual padro de 0,35%, ou seja, 0,0035, atravs da acumulao dos desvios entre o
valor observado e o valor padro. Ento, calculamos as diferenas; Cusum Cobre =
( S i 0 ,035) , onde S i
i 1
o valor observado do item i. Desse modo, se 0,0035 estiver realmente perto dos valores observados de S i ,
a soma das diferenas ficar muito prxima de zero. Mas se o valor mdio da caracterstica sendo observada
for significativamente diferente de 0,0035, o Cusum ir se afastar de zero, aumentando ou diminuindo em
relao zero, caso a soma das mdias dos valores observados seja maior ou menor do que 0,0035.
Os grficos Cusum podem ser usados tambm para amplitudes, e so ainda utilizados para detectarem
variaes pequenas que sejam constantes no desvio padro do processo.
Para encerrar o estudo dos grficos de controle, mencionaremos que os tipos de grficos de controle
introduzidos at esse ponto so os utilizados normalmente nas organizaes industriais e de servios.
Devemos ter em mente de que existem basicamente dois tipos de riscos de deciso associados com o uso de
grficos de controle. O risco de se assumir uma condio de fora de controle para um determinado processo
quando na realidade no ocorreu nenhuma mudana na populao ou universo de amostragem (conhecido
como erro do Tipo I), e o risco de no se detectar uma variao real na populao ou universo de
amostragem quando na realidade ocorreu uma mudana na populao (conhecido como erro do Tipo II). Os
limites de controle, os quais representam os limites esperados de variao permitida, so estabelecidos com
a finalidade de balancear esses dois tipos de riscos ou erros associados com o uso de grficos de controle.
CONSIDERAES FINAIS SOBRE OS GRFICOS DE CONTROLE:
importante fazer um uso correto dos grficos de controle. Isso implica usar um grfico adequado
para o processo que vai ser ou est sendo controlado. Quando a varivel sendo mensurada contnua como
peso ou volume, a situao exige o uso de grficos para mdias e variabilidade ( x e R ou x e S) a fim de
monitorar as mdias e a variabilidade (amplitudes ou desvios padres) das amostras (ou subgrupos) e
consequentemente as mdias e a variabilidade do processo. E se os dados vm em subgrupos de tamanho
unitrio, ento indicada a utilizao dos grficos de medidas individuais e de amplitude mvel.
Quando o dado uma porcentagem que representa a proporo de peas defeituosas numa amostra, o
grfico correto seria o grfico P ou NP. Grficos para porcentagens no-conformes necessitam amostras
muito maiores, mas a pea sendo amostrada em geral quase insignificante em termos de custo por item,
como lpis, fsforos, porcas e parafusos. um erro comum e muito grave aplicar porcentagens num grfico de
mdias x . Como o desvio padro no o mesmo nesses dois grficos, o clculo dos limites de controle
diferente e no comparvel. O resultado pode ser muitos alarmes falsos ou alarmes verdadeiros no dados.
Quando o dado um nmero de defeitos num produto onde as possibilidades de encontrar defeitos
so amplas, o grfico correto o grfico C ou P. Grficos para item no-conformes com defeitos de natureza
ampla como o grfico C ou P no necessitam amostras muito maiores, sendo que geralmente o item que est
sendo amostrado em geral bastante significativo em termos de custo por item, como geladeiras,
computadores, televisores, etc.
Um grfico de controle, mesmo utilizado de forma incorreta pode gerar benefcios para a empresa. No
entanto, com alguns ajustes e algumas sugestes chave, os alarmes falsos que resultam diretamente do mau
uso dos grficos podem ser reduzidos ao mnimo e, consequentemente, tempo, esforo e recursos sero
liberados para alocao em tarefas e reas da empresa onde sejam mais necessrios. Nada na empresa
mais real do que alarmes falsos, e naturalmente esses incorrem em custos altos e desnecessrios, e devem
ser mantidos em nmero mnimo. Nesses casos, o CMC e TMAS so ferramentas que podem ajudar a
detectar os alarmes falsos com maior preciso.
Quando aparecem processos fora de controle, em primeiro lugar sempre se questiona a preciso dos
aparelhos de medio, mesmo sendo dos mais modernos e mais na moda. Em geral, uma hora ou duas
horas suficiente para testar o seu equipamento e ficar mais confiante quanto s mensuraes. Depois de
80
fazer isso, que devemos procurar quais causas identificveis podem estar fazendo com que o processo no
este sob controle. A sequncia da busca das causas identificveis deve estar determinada por uma anlise de
Pareto das mesmas.
81
ANLISE DE VARINCIA (ANOVA)

Johnson e Bhattacharyya (1996) estabelecem que quando queremos comparar se alguma forma de
tratamento (ou mtodo) sobre algum objeto de estudo o melhor, ento a forma mais recomendvel de
abordar o problema utilizar a Analise de Varincia (ANalysis Of VAriance = ANOVA). Na ANOVA se
supem as seguintes condies:
De cada populao sob estudo, extrada uma amostra de forma aleatria (a amostragem deve ser
aleatria).
Todas as variveis so mantidas fixas, exceto aquela que objeto de estudo (independncia dos erros, o
erro numa observao no deve corresponder ao erro em outra observao).
As populaes i sob amostragem podem ser satisfatoriamente aproximadas por distribuies normais
N( i , 2 ) , isto , todas as populaes tm uma mdia i e uma varincia comum 2 . Ter a varincia
comum implica que exista homogeneidade da varincia.
Quando comparamos k tratamentos, podemos obter uma tabela inicial de dados, como a tabela 1,
indicada abaixo:
Tratamentos
Observaes
Mdia do tratamento
Soma dos Quadrados
Tratamento 1
y11, y12, ....., y 1 n 1
y1
( y 1 j y 1 )2
j1
Tratamento 2
y21, y22, ....., y 2 n 2
y2
( y 2 j y 2 )2
j1
.
.
.
.
.
.
.
.
.
.
.
.
Tratamento k
yk1, yk2, ....., y k n

k
yk
( y k j y k )2
j1
n1
n2
nk
Tabela 1: Tabela inicial de dados
Nota-se que no mbito da ANOVA, basicamente existem duas fontes de variao:

Devido diferena entre as mdias dos tratamentos, e
Devido variao entre as populaes (erro entre as populaes).
Assim, decompondo as diferenas entre as observaes, em relao s fontes mencionadas, teremos:
Observao = Mdia de medias + Desvio entre os Tratamentos + Erro aleatrio (dentro do mesmo grupo)
yi j
( yi y )
( y i j yi )
quando os tamanhos das amostras so diferentes, a Mdia das Medias se calcula da seguinte forma:
Mdia de mdias = y
Soma de todas as observaes

n y ....... n k y k
1 1
n 1 n 2 ..... n k
n 1 n 2 ..... n k
quando os tamanhos das amostras so iguais (n1 = n2 = .... = nk) se cumpre:

n
Mdia das mdias y
yi
i1
k
82
Tambm, considerando as duas fontes de variao, podemos decompor a soma total da diferena dos
quadrados como a soma dos quadrados das diferenas em relao aos tratamentos, mais, a soma dos
quadrados dos erros (no mesmo grupo), da seguinte forma:
Soma dos Quadrados Total = Soma dos Quad. dos Tratamentos + Soma dos Quadrados dos Erros
SS Total
k
ni
( y i j y) 2
i 1 j1
SST
n i ( y i y) 2
i1
SSE
k
ni
(y i j y i )2
i1 j1
Em relao aos graus de liberdade de cada Soma de Quadrados teremos:

Graus de Liberdade de SS Total = Graus de Liberdade de SST + Graus de Liberdade de SSE
k
ni 1
i1
k1
ni k
i1
costumeiro apresentar a decomposio das Somas dos Quadrados numa tabela, denominada tabela
ANOVA, da seguinte forma:
Fonte
Soma dos Quadrados
Tratamento
SST n i ( y i y ) 2
Graus de
Liberdade
Erro
i1
SSE
ni
(y
i 1
Total
V1 =
j1
ij
y i )2
k1
k
V2 =
i 1
ni
Mdia dos
Quadrados
MST
SST
v1
MSE
SSE
v2
Estatstico F
F
MST
MSE
( y i j y )2
i 1 j1
ni 1
i 1
Tabela 2: Tabela ANOVA
onde :
k = Nmero de Tratamentos;
ni = Tamanho da amostra do tratamento i;
Nesta tabela, apresentam-se novos valores, os quais se denominam:

MST = Mdia dos Quadrados dos Tratamentos = SST SST
k 1
MSE = Mdia dos Quadrados dos Erros =
SSE
k
ni k
i 1
Estatstico F (ou simplesmente F) =
v1
SSE
v2
Varincia exp licada

MST
MSE
Varincia no exp licada
O estatstico F, o valor que se utiliza no teste F que serve para determinar se existem diferenas
significativas entre as mdias dos k tratamentos. O teste consiste das seguintes hipteses:
Hiptese Nula:
Hiptese Alternativa:
H0 :
H1:
1 = 2 = ..... = k
s so
83
Assim, o teste F consiste de comparar o valor calculado do estatstico F, contra um valor tabelado de
F, quase sempre identificado como F (v1,v2), onde:
o nvel de significncia,
v1 so os graus de liberdade da soma dos Quadrados dos Tratamentos (SST), e
v2 so os graus de liberdade da Soma dos Quadrados dos Erros (SSE).
Observao: O 1 - indica percentualmente o quanto ns temos certeza de que o teste foi bem
realizado, tudo isso claro, desde o ponto de vista estatstico.
O teste F consiste de:
Se F F (v1,v2) rejeitar Ho e aceitar H1;
caso contrrio (F < F (v1,v2)) , aceitar Ho e rejeitar H1.
Portanto: Se F > F (v1,v2), significar que pelo menos uma das mdias dos tratamentos diferente,
conseqentemente, existir pelo menos uma mdia dos tratamentos que melhor que as outras mdias, sob
as condies estatsticas estabelecidas.
Se F < F (v1,v2), significar que as mdias dos tratamentos so iguais, conseqentemente, poder ser
escolhido qualquer um dos tratamentos j que todos os tratamentos produzem resultados iguais, sob as
condies estatsticas estabelecidas.
Exerccio: Deseja-se comparar trs marcas de mquinas diferentes e decidir qual delas comprar. Para
diminuir a variao aleatria, se decidiu que as mesmas sejam manipuladas por um mesmo operador e
seja utilizada matria prima de um mesmo fornecedor. Mediante uma amostragem aleatria,
obtiveram-se os seguintes dados de produo:
Mquina 1
Mquina 2
Mquina 3
48,4
56,1
52,1
49,7
56,3
51,1
48,7
56,9
51,6
48,5
57,6
52,1
47,7
55,1
51,1
y 3 51,6
52,2
y 1 48,6
y 2 56,4
So realmente as marcas diferentes, desde o ponto de vista produtivo? (Use n.s. = = 5%= 0,05).
84

COMPARAES MLTIPLAS
A ANOVA, s estabelece se existe (ou no existe) alguma diferena estatisticamente significativa entre
as mdias dos tratamentos. O prximo passo, sem dvida nenhuma, seria determinar qual ou quais
medias dos tratamentos so as melhores.
Ns poderamos comparar as mdias por pares, e depois decidir qual delas a melhor. O termo por
pares significa que si se esto comparando trs tratamentos, ns teramos que comparar primeiro o
tratamento 1 vs. o tratamento 2, o tratamento 1 vs. o tratamento 3, e finalmente o tratamento 2 vs. o
tratamento 3. Aps todo esse processo, nos estaramos em condies de determinar qual dos tratamentos o
melhor. No difcil notar que se o nmero de tratamentos aumenta-se, as comparaes que precisaramos
fazer tambm aumentariam consideravelmente.
Sob as condies mencionadas no pargrafo anterior, poderamos estabelecer, que se houvesse um
procedimento com o qual comparssemos todas as mdias dos tratamentos de uma vez s, esse
procedimento seria mais factvel, se fariam uma menor quantidade de clculos e consequentemente seria
mais rpido.
Procedimento de Tukey-Kramer:
Existem muitos procedimentos para abordar o problema de determinar qual ou quais so as melhores
mdias dos tratamentos. Um deles o Mtodo de Tukey-Kramer. Esse procedimento nos possibilita examinar,
simultaneamente comparaes entre todos os pares de mdias dos tratamentos. Suponha k sendo o
nmero de linhas e n o nmero total de observaes.
Passo 1:
Se ordenam as mdias amostrais em ordem crescente. Depois se calculam as diferenas absolutas Ii =
y i y i , , (onde i i) entre todos os pares de mdias dos tratamentos. bom ressaltar que se existem k
tratamentos, se faro k (k 1) comparaes. Note que se existirem 4 tratamentos, o passo 1 consiste de
2
obter:
I1 y1 y2 ; I 2 y1 y3 ; I 3 y1 y4 ; I 4 y2 y3 ; I 5 y2 y 4 ; I6 y3 y4 ;
Passo 2:
Consiste de determinar o intervalo crtico para o procedimento de Tukey-Kramer. Ele obtido da
seguinte forma:
Intervalo Crtico de Tukey-Kramer = ICi
Q (k , n k )
MSE
2
Onde:
ni = Tamanho da amostra do tratamento i;
MSE = Soma dos quadrados dos erros;
Q ( k , n k ) = Valor crtico do intervalo Q de Student;
Note que se existirem 4 tratamentos, o passo 2 consiste de obter:
IC 1 Q ( k , n
k)
MSE
2
1
1
n n
2
1
; IC
IC 3 Q ( k , n
k)
MSE
2
1
1
n n
4
1
; IC 4 Q ( k , n k )
IC 5 Q ( k , n
k)
MSE
2
1
1
n n
4
2
; IC
Q ( k , n
Q (k , n
k)
k)
MSE
2
1
1
n n
3
1
MSE
2
MSE
2
1
1 ;
n n
2
3
1
1
n n
4
3
Passo 3:
Consiste de comparar Ii e ICi da seguinte forma:
1
1
,
n n '
i
i
85
Se Ii > ICi, ento EXISTIR uma diferena estatstica significativa entra as mdias dos
tratamentos considerados, portanto:
se yi yi ' , ento estatisticamente y
melhor que y i ' ,
se yi yi ' , ento estatisticamente y i ' melhor que y
Observao: Quando Ii >> IC, teremos maior certeza de que uma das mdias dos
tratamentos melhor (em funo dos parmetros considerados) que a outra mdia.
Se Ii ICi, ento NO EXISTIR uma diferena estatstica significativa entre as mdias dos
tratamentos considerados, portanto, estatisticamente teremos consideraremos que y
equivalente y i ' ,
Note que se existirem 4 tratamentos, o passo 3 consiste de comparar: I1 com IC1; I2 com IC2 ; I3 com IC3
; I4 com IC4 ; I5 com IC5 e I6 com IC6 . Finalmente, de acordo as regras do passo 3, se determinar se existe
uma Mdia de Tratamento melhor (ou pior).
Exerccio: Uma grande firma de propaganda utiliza muitas fotocopiadoras, distribudas entre 4 modelos
diferentes. Durante os ltimos 6 meses, o chefe do escritrio registrou, para cada mquina, o nmero mdio
de minutos/semana em que esteve parada devido reparos; resultaram os seguintes dados:
Modelo G
56
61
68
42
82
70
Modelo H
74
77
92
63
54
Modelo K
24
36
29
56
44
48
38
Modelo M
78
86
89
101
61
(a) Ao nvel de 0,01 de significncia, teste se as diferenas entre as quatro mdias amostrais podem ser
atribudas ao acaso, ou seja, determine se os modelos podem ser considerados iguais.
(b) Se existem diferenas significativas, determine qual das copiadoras tem a melhor mdia de
minutos/semana.
Respostas:
(a): SST = 6438,996; SSE = 3370,261
F = 12,1
F(, v1, v2) = F(0,01; 3; 19) = 5,01;
(b) Q(, k, n - k) = Q(0,01; 4; 19) = 5,05;
portanto: Existem diferenas significativas
O melhor Modelo o modelo K.
Exerccio: Deseja-se comparar trs marcas de mquinas diferentes e decidir qual delas comprar. Para
diminuir a variao aleatria, se decidiu que as mesmas sejam manipuladas por um mesmo operador e seja
utilizada matria prima de um mesmo fornecedor. Mediante uma amostragem aleatria, obtiveram-se os
seguintes dados de produo:
Mquina 1
Mquina 2
Mquina 3
48,4
56,1
52,1
49,7
56,3
51,1
48,7
56,9
51,6
48,5
57,6
52,1
47,7
55,1
51,1
y 3 51,6
52,2
y 1 48,6
y 2 56,4
a) So realmente as marcas diferentes, desde o ponto de vista produtivo? (Use n.s. = = 5%= 0,05).
b) Que marca a mais produtiva, conseqentemente, qual marca voc compraria?
c) Que marca a menos produtiva, conseqentemente, qual marca voc no compraria?
Respostas:
a) F = 141,68; F(0,05; 2; 12) = 3,89; como F F (0,05; 2; 12), ento, se aceita H1, portanto, existe uma
marca (ou marcas) melhor do que as outras.
b) As marcas 2 e 3.
c) A marca 1.
86
ANLISE DE VARINCIA DE DOIS FATORES

(ANOVA DE DOIS FATORES)
Na Anlise de Varincia de um fator (ANOVA) uma questo importante como reduzir a varincia no
explicada mediante a considerao de outros fatores (Wonnacott e Wonnacott, 1992). Considere a tabela
abaixo. Suponha o caso da comparao de trs tipos de mquinas (i), e ainda mais, pense que em geral as
mquinas tm um desempenho similar (note que se uma mquina muito melhor do que as outras, no
seria necessrio a comparao das mesmas mediante a ANOVA ou qualquer outro mtodo). Agora, outra
coisa importante pensar que as mquinas so operadas por um trabalhador (j), e que a maioria das
vezes no o mesmo operador quem mexe nas mquinas. Portanto, note que as mquinas so uma fonte de
variao e alm disso, o operador tambm uma fonte de variao, que no Anova de um fator no
considerada (aparece como varincia no explicada) e no Anova de dois fatores sim considerado.
Portanto, a Anova de dois fatores considera tanto a variao (explicada) das mquinas e a variao
(explicada) do operrio.
j
i
1
2
3
56,7
64,5
56,7
59,3
xj
45,7
53,4
50,6
49,9
48,3
54,3
49,5
50,7
54,6
57,5
56,5
56,2
37,7
52,3
44,7
44,9
xi
48,6
56,4
51,6
x 52,2
Note que os valores ni so todos iguais, isto , os tamanhos das amostras so iguais. A Tabela Anova
de dois fatores fica da seguinte forma (k representa o nmero de linhas e c o numero de colunas):
Fonte da
Variao
Variao
Soma dos quadrados
Explicada
(linhas)
SS k c
Explicada
(colunas)
SS c k
No
explicada
SS u
i 1 j1
SS
Total
i 1
c
j1
(X i . X)
( X. j X ) 2
( X i j X i . X. j X ) 2
i 1 j1
(X i j X) 2
Graus de
liberdade
Varincia
k1
MSS k
SS k
k 1
MSS k
MSS u
c1
MSS c
SS c
c1
MSS c
MSS u
MSS u
(k 1) (c 1)
SS u
(k 1)( c 1)
kc1
onde:
c
X i . Mdia das medies obtidas quando o fator A se mantm no nvel " i"
j1
c
k
X . j Mdia das medies obtidas quando o fator B se mantm no nvel " j"
k
X A grande Mdia
i 1 i 1
Xi j
i1
Xi j
k
Xi j
kc
O termo da variao no explicada pode ser entendido da seguinte forma:

Valor estimado de X = X + Ajuste explicado das mquinas + Ajuste explicado dos trabalhadores
ij
87
X i j = X +
(X i . X)
( X. j X )
X i . X. X
portanto, X
ij
j
Como a parte no explicada a parte aleatria, essa parte aleatria na verdade a diferena entre o
valor real de X e o valor estimado X , consequentemente:
ij
ij
X X i . X. X
Xi j X
ij
ij
j
X X i . X. X representa a parte no
Deve ficar claro que o elemento aleatrio X i j X
ij
ij
j
explicada dos dois fatores considerados. Note que a variao das linhas se determina quase que da mesma
forma que a variao das colunas. Assim, a variao total se pode decompor da seguinte forma:
k
i 1 j1
(X i j X) 2 c ( X i . X) 2 k
i 1
j1
( X. j X) 2
i 1 j1
( X i j X i . X. j X) 2
A partir da variao total mostrada acima se pode provar se existe uma diferena significativa entre as
mquinas ou entre os trabalhadores. Em ambos casos se ter em contra a influncia extrnseca do outro
fator. Portanto os valores de F para as mquinas e os trabalhadores ser:
Varincia exp licada pelas mquinas
77 ,4
MSS k
13,1
MSS u
5,9
F(0,05; 2; 8) = 4,46; F
F(0,05; 4; 8) = 3,84; F
Varincia exp licada pelos trabalhadores

95,4
MSS c
16 ,2
MSS u
5,9
Portanto, tanto para as mquinas, quanto para os trabalhadores existem diferencias significativas,
consequentemente se rejeita a hiptese nula em ambos os casos.
Uma ltima advertncia: o anova de dois fatores considera que no h interao entre os dois fatores,
isto , os trabalhadores no tm preferncia de manipular alguma mquina, se existisse preferncia seria
necessrio um modelo mais complexo e mais observaes amostrais.
Comparaes mltiplas:
Supondo que A significa linha e B coluna. Para um problema de Anova de 2 fatores, quando H 0A
(hiptese alternativa das linhas) ou H0B (hiptese alternativa das colunas) foram rejeitadas, se pode utilizar o
procedimento de Tukey-Kramer para identificar as diferenas significativas nas linhas ou nas colunas. Os
passos so idnticos ao anova de um fator (Devore, 2008):
Passo 1: Para comparar os nveis do fator A (as linhas) se obtm Q ; k; (k-1)(n1). Para comparar os nveis
do fator B (as colunas) se obtm Q ; c; (k-1)(n1).
Passo 2: Se calcula w = Q x (desvio padro estimado das mdias amostrais comparadas). Lembre que o
desvio padro de X i . / k .
Q ; k ; (k 1) ( n 1)
Q ; c ; (k 1) ( n 1)
MSS u
c
MSS u
k
para comparae s do fator A

para comparae s do fator B
Passo 3: Se ordenam as mdias amostrais em ordem crescente, se sublinham os pares que diferem menos
que w e se identificam os pares no sublinhados pela mesma linha como correspondentes nveis
significativamente diferentes do fator dado.
88
Exerccio: Uma grande firma de propaganda utiliza muitas fotocopiadoras, distribudas entre 3 modelos
diferentes. Os operrios das mquinas variam. Durante os ltimos 6 meses, o chefe do escritrio registrou,
para cada mquina, o nmero mdio de minutos/semana em que esteve parada devido reparos. Resultaram
os seguintes dados:
Modelo G
Modelo H
Modelo M
56
74
78
61
77
86
68
92
89
42
63
101
82
54
61
a) Ao nvel de 0,01 de significncia, teste se as diferenas entre as 3 mdias amostrais podem ser atribudas
ao acaso, ou seja, determine se os modelos podem ser considerados iguais.
b) Se existem diferenas significativas, determine qual das copiadoras tem a melhor mdia de
minutos/semana.
89
REFERNCIAS BIBLIOGRFICAS
CARNEIRO BRAVO, PAULO. Elementos de Controle Estatstico de Qualidade 6 Simpsio Nacional de
Probabilidade e Estatstica, Editora da COPPE UFRJ, R.J., Brasil, 1984.
CARPINETTI, LUIZ CESAR RIBEIRO; EPPRECHT, EUGENIO KAHN; COSTA, ANTONIO
FERNANDO BRANCO COSTA. Controle Estatstico de Qualidade, Editora Atlas, 2 Ed., S.P., Brasil,
2005.
DEVORE, JAY. Probabilidade e Estadstica: para Engenharia e Cincias, Editora Cengage Learning, Brasil,
2006.
JOHN, PETER. Statistical Methods in Engineering and Quality Assurance, John Wiley & Sons Inc., USA,
1990.
MONTGOMERY, DOUGLAS. Introduo ao Controle Estatstico da Qualidade, Livros Tcnicos e
Cientficos, 4 Ed., S.P., Brasil, 2004.
NAHMIAS, STEVEN. Anlisis de la produccin y las operaciones, Mc Graw Hill Intereamericana, Mxico,
2007.
SOUZA JR., DANIEL I. Apostila de Controle Estatstico da Qualidade Industrial da Universidade Estadual
do Norte Fluminense (UENF), Campos dos Goitacazes, R.J., Brasil, 1998.
TOLEDO, JOS; ALLIPRANDINI, DRIO. Apostila de Controle Estatstico da Qualidade Industrial da
Universidade Federal de So Carlos (UFSCar), So Paulo, Brasil, 2004.
90
FORMULRIO CEQ
Histogramas: Regra Prtica para encontrar os percentis P(p)

S(p) = n (0,p) + (k/2)
Onde:
S(p) indica a posio do termo da amostra que define o percentil procurado.
n o nmero de observaes
p o percentil procurado
k uma constante
S(p) um nmero int eiro, ento P(p) igual ao termo definido por S(p)
Se
caso contrrio , P(p) igual mdia dos termos int eiros definidos por S(p)
onde:
P(p) o percentil procurado.
Nmero de Intervalos (NI) num Diagrama de Frequncias:

Regra Prtica: NI =
Regra de Sturges: NI = 1 + 3,3 log n
Medidas de Curtose:
Coeficiente Percentlico de Curtose = C
(Q 3 Q 1 )
2 (P( 90 ) P( 10 ) )
Relativamente curva normal, temos:

C = 0,263 (curva mesocrtica curva normal)
C < 0,263 (curva leptocrtica curva de frequncia mais fechada que a normal ou mais aguda ou
afilada em sua parte superior)
C > 0,263 (curva platicrtica curva de frequncia mais aberta que a normal ou mais achatada em sua
parte superior)
Coeficiente de Assimetria de Person:

C(as)
3 (Mdia Mediana )
Desvio padro
As escalas de assimetria so:

| C(as) | < 0,15
0,15 | C(as) | < 1
| C(as)) | 1
assimetria pequena (se aproxima da normal)

assimetria moderada
assimetria elevada
Distribuio de Poisson:
A funo de distribuio de probabilidade de uma vad X de Poisson dada por:
e x
, x = 0, 1, 2, .....
x!
A funo acumulativa da distribuio de Poisson est dada por:
p( x ; ) f( x)
P(r ; )
p(x; )
x0
x0
e x
x!
Em geral a mdia de uma distribuio de Poisson e a varincia 2 so iguais a:

=
2 =
91

Aproximao da Binomial com a Normal:
A distribuio binomial, em casos prticos, se aproxima da normal quando se trabalha com a funo de
distribuio acumulada e quando n . Se X uma va binomial com mdia = np e varincia 2 = npq,
ento a forma limitante da distribuio de:
Z
Se p = p0 temos: c n p0 z
n p0 q 0
Se p = p1 temos: n p1 c z
n p1 q 1
Consequentemente:
X np
n pq
p 0 q 0 z
p1 q 1
e c pode ser calculado depois de obter o
p1 p0
valor de n
Distribuio Hipergeomtrica:
A distribuio hipergeomtrica, com parmetros n, N e M :
M N M

m n m
N
N!
P (d m )
para 0 m mn (M , n ), onde
N
n

n ! ( N n )!

n

Distribuio Exponencial:
A fdp exponencial fcil de integrar para obter a funo de densidade acumulativa F(X):
F( x ; ) P( X x)
0 e

x
1 e
para x 0
para x 0
PLANO DE AMOSTRAGEM SIMPLES

N = nmero de itens de um lote
n = nmero de itens da amostra (n < N)
M = nmero de itens defeituosos no lote
= risco do consumidor (probabilidade de aceitar lotes ruins)
= risco do produtor (probabilidade de rejeitar lotes bons)
c = nmero de aceitao do lote
d = nmero de itens defeituosos na amostra
p = proporo de itens defeituosos no lote (p = M/N)
p0 = uma proporo que define o Nvel de qualidade aceitvel (NQA)
p1 = uma proporo que define o Nvel de qualidade inaceitvel (NQI)
Testar:
Se na amostra d c, ento aceitar o lote
Se na amostra d > c, ento rejeitar o lote
Usando a aproximao binomial, o risco do produtor e o risco do consumidor so dados por:
P (d c|p p0 )
nm
pm
0 (1 p0 )
m
mc1
92
P (d c|p p1 )
m0
n m
p1 (1 p1 )n m
m
Na maioria de aplicaes, N muito maior que n, de forma que satisfatria a aproximao da

distribuio hipergeomtrica pela distribuio binomial. Nesse caso teramos:
n
P (d m) p m (1 p)n m
m
para 0 m n
onde: p = M/N a proporo verdadeira de itens defeituosos no lote.

CURVA CARACTERSTICA DE OPERAO
CCO(p) = p [ Aceitar o lote|Proporo verdadeira de itens defeituosos no lote igual a p ]
Isso, para o caso particular de um plano de amostragem simples com uma amostra de tamanho n e
um nvel de aceitao c. Nesse caso:
CCO(p) = p [ d c|Proporo de itens defeituosos no lote p ]
CCO (p)
k 0
n k
p (1 p) n k
k
Define-se a Funo Caracterstica de Operao como sendo: L(p) = F(), onde L(p) a probabilidade de
aceitao de um lote em funo de p, ou seja, em funo da proporo defeituosa do lote.
L (P0 ) 1
d 0
n d
p0 (1 p0 ) n d
d
c
n
L (P1 ) pd1 (1 p 1 ) n d
d0 d
AMOSTRAGEM DUPLA
d1 = nmero de unidades defeituosas na primeira amostra
d2 = nmero de unidades defeituosas na segunda amostra
c1 = primeiro nmero de aceitao
c2 = segundo nmero de aceitao
c3 = nmero de rejeio da segunda amostra
Testar:
Considerando a primeira amostra:
Se na primeira amostra d1 c1, ento aceitar o lote
Se na primeira amostra d1 > c2, ento rejeitar o lote
Se na primeira amostra c1 < d1 c2, tirar uma segunda amostra de tamanho dado pelo plano
Para a segunda amostra somar (d1 + d2):
Se na segunda amostra (d1 + d2) c2, ento aceitar o lote
Se na segunda amostra (d1 + d2) > c3, ento rejeitar o lote (em geral c3 = c2)
Definindo:
X = nmero de itens defeituosos observados na primeira amostra
Y = nmero de itens defeituosos observados na segunda amostra
Z = nmero de itens defeituosos observados nas duas amostras (Z = X + Y)
93
A curva CCO estar definida por: CCO(p) = p [ Aceitar o lote|p ]

CCO(p) = p [ Aceitar o lote na 1 amostra|p ] + p [ Aceitar o lote na 2 amostra|p ],
onde:
p [ Aceitar o lote na 2 amostra|p ] = p [ Nem aceitar nem rejeitar o lote na 1 amostra e aceitar o lote
na 2 amostra|p ]
Observao: O clculo de p [ Aceitar o lote na 2 amostra|p ], o clculo de uma probabilidade
conjunta, e deve se fazer de forma cuidadosa, considerando X e Y como va independentes.
REGRAS PARA O USO DOS PLANOS DE AMOSTRAGEM
Comum para severa
Severa para comum
Comum para atenuada
Atenuada para comum
GRFICOS DE CONTROLE:
n = Tamanho das amostras ou Nmero de observaes por amostra;
m = Nmero de Amostras
Regras:
r1. Um ponto cair fora dos limites de 3 x (alm da zona A).
r2. Ter seis pontos consecutivos que estejam crescendo ou, seis pontos consecutivos decrescendo.
r3. Ter seis pontos consecutivos acima da linha central ou, seis pontos consecutivos abaixo da
linha central.
r4. Dois de trs pontos consecutivos carem alm dos limites de 2 x (alm da zona B).
r5. Quatro de cinco pontos consecutivos carem alm dos limites de 1 x (alm da zona C).
x
Mdia Amostral: x i
n
Desvio Padro Amostral: s
Desvio padro usado nas zonas de um grfico de controle:
LSC
3
( x i x )2
n1
94
Frmulas para os Grficos de Controle (estimando e ):
LIC
Limites
Naturais
de
Tolerncia
LSC
Observaes
X 3
Estimando e
X 3
xi
i1
X 3
X 3
Estimando
e conhecendo , n
Estimando e x
Limites de
Controle
X 3 x
X A2 R
X 3 x
X A2 R
R xmx xmn
D3 R
Ri
i1
D4 R
R
d2
S
c4
X A3 S
X A3 S
X
m
B3 S
Si
i1
B4 S
3 x AM
1,128
3 x AM
1,128
AM
AM i
i1
AM
3,267 x AM
AMi x i x i 1
m1
m
p ( 1 p)
p3
pi
i1
m
m
Di
i 1
NP
p3
p ( 1 p)
Se n varia usar
mn
np
n p (1 p)
p 3
p3
Se n varia usar
n p (1 p)
c3
u3
u
n
ci
i1
1
m
c 3
m
m
ui
i1
u 3
u
n
n
n dever ser
constante
ui = Di/n
95
Frmulas para os Grficos de Controle (Conhecendo e ):
Limites
Naturais
de
Tolerncia
LSC
Observaes
Conhecendo ,
LSCR = D2
d2
LICR = D1
Conhecendo
LSCS = B6
c4
LICS = B5
Conhecendo
Razo de Capacidade do processo (RCP

LSE LIE
6
RCP
LIC
Cp
RCPk
Conhecendo ,,n
Cpk):
LSE x
x LIE
RCPk mnimo
,
3
3
Comprimento mdio de Corrida (CMC) e Tempo mdio at o sinal (TMAS):

LSC ( 0 k )
LIC ( 0 k )

/ n
/ n
Supondo que o LSC = 0 + L / n e que o LIC = 0 - L / n , a equao acima poderia se escrever

como:
(L k
CMC
n ) ( L k
n )
1
p
quando a mdia est sob controle, o CMD se representa como CMD0, e se calcula como: CMD 0
quando h deslocamento, o CMD se representa como CMD1, e se calcula como: CMD 1

TMAS = (CMC) (h)
LIC d
LSC d
p p
z
x
x
, onde d = Mdia deslocada
1
1
96
TABELA NORMAL
Z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3646
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,49865
0,49903
0,49931
0,49952
0,49966
0,49977
0,49984
0,49989
0,49993
0,49995
0,01
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,49869
0,49906
0,49934
0,49953
0,49968
0,49978
0,49985
0,49990
0,49993
0,49995
0,02
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4356
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,49874
0,49910
0,49936
0,49955
0,49969
0,49978
0,49985
0,49990
0,49993
0,49996
0,03
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,49878
0,49913
0,49938
0,49957
0,49970
0,49979
0,49986
0,49990
0,49994
0,49996
0,04
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,49882
0,49916
0,49940
0,49958
0,49971
0,49980
0,49986
0,49991
0,49994
0,49996
0,05
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,49886
0,49918
0,49942
0,49960
0,49972
0,49981
0,49987
0,49991
0,49994
0,49996
0,06
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,49889
0,49921
0,49944
0,49961
0,49973
0,49981
0,49987
0,49992
0,49994
0,49996
0,07
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,49893
0,49924
0,49946
0,49962
0,49974
0,49982
0,49988
0,49992
0,49995
0,49996
0,08
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,49897
0,49926
0,49948
0,49964
0,49975
0,49983
0,49988
0,49992
0,49995
0,49997
0,09
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,49900
0,49929
0,49950
0,49965
0,49976
0,49983
0,49989
0,49992
0,49995
0,49997
97
TABELA NORMAL ACUMULADA
Z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8646
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9356
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99991
0,99994
0,99996
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99991
0,99994
0,99996
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,99897
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,09
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
98
TABELA DE FATORES PARA CONSTRUIR GRFICOS DE CONTROLE
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Grfico x
A2
A3
1,880
2,659
1,023
1,954
0,729
1,628
0,577
1,427
0,483
1,287
0,419
1,182
0,373
1,099
0,337
1,032
0,308
0,975
0,285
0,927
0,266
0,886
0,249
0,850
0,235
0,817
0,223
0,789
0,212
0,763
0,203
0,739
0,194
0,718
0,187
0,698
0,180
0,680
0,173
0,663
0,167
0,647
0,162
0,633
0,157
0,619
0,153
0,606
Grfico R
D3
0
0
0
0
0
0,076
0,136
0,184
0,223
0,256
0,284
0,308
0,329
0,348
0,364
0,379
0,392
0,404
0,414
0,425
0,434
0,443
0,452
0,459
D4
3,267
2,575
2,282
2,115
2,004
1,924
1,864
1,816
1,777
1,744
1,716
1,692
1,671
1,652
1,636
1,621
1,608
1,596
1,586
1,575
1,566
1,557
1,548
1,541
Grfico S
B3
0
0
0
0
0,030
0,118
0,185
0,239
0,284
0,321
0,354
0,382
0,406
0,428
0,448
0,466
0,482
0,497
0,510
0,523
0,534
0,545
0,555
0,565
B4
3,267
2,568
2,266
2,089
1,970
1,882
1,815
1,761
1,716
1,679
1,646
1,618
1,594
1,572
1,552
1,534
1,518
1,503
1,490
1,477
1,466
1,455
1,445
1,435
Clculo de
d2
1,128
1,693
2,059
2,326
2,534
2,704
2,847
2,970
3,078
3,173
3,258
3,336
3,407
3,472
3,3532
3,588
3,640
3,686
3,735
3,778
3,819
3,858
3,895
3,931
c4
0,7979
0,8862
0,9213
0,9400
0,9515
0,9594
0,9650
0,9693
0,9727
0,9754
0,9776
0,9794
0,9810
0,9823
0,9835
0,9845
0,9854
0,9862
0,9869
0,9876
0,9882
0,9887
0,9892
0,9896
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
99
NMEROS ALEATRIOS
DISTRIBUDOS UNIFORMEMENTE [ 0, 1 ]
0,06785
0,39867
0,90588
0,17801
0,81075
0,87641
0,67964
0,43877
0,98544
0,51653
0,44093
0,79428
0,31479
0,75057
0,28248
0,26863
0,12484
0,88287
0,78805
0,00907
0,23882
0,82137
0,51759
0,24723
0,23897
0,93060
0,94078
0,44676
0,40374
0,57000
0,33415
0,9000
0,73622
0,85896
0,36825
0,31500
0,36952
0,39367
0,09426
0,79517
0,14510
0,05047
0,01535
0,46997
0,12719
0,35159
0,55903
0,01268
0,99407
0,53816
0,64881
0,64309
0,32694
0,57237
0,74242
0,68045
0,42780
0,54704
0,63281
0,92243
0,00633
0,87197
0,90597
0,95629
0,38490
0,27804
0,06567
0,49591
0,22363
0,96354
0,25298
0,88459
0,54105
0,62235
0,93190
0,66122
0,31786
0,84724
0,04084
0,98260
0,47556
0,38855
0,52135
0,34085
0,70850
0,55051
0,86505
0,21192
0,64791
0,89438
0,86997
0,00898
0,21424
0,34592
0,77920
0,16675
0,77524
0,41976
0,08429
0,71506
100
TABELA t de Student (G.L. = Graus de Liberdade)
G.L.
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
0,10
3,078
1,886
1,638
1,533
1,476
1,440
1,145
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
0,05
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
Valor de
0,025
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
0,01
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
0,005
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
101
Somatrios da Probabilidade da Binomial: B (x; n , p)
b ( x; n , p) (pag 742)
x0
p
n
1
r
0
1
0.10
0.9000
1.0000
0.20
0.8000
1.0000
0.25
0.7500
1.0000
0.30
0.7000
1.0000
0.40
0.6000
1.0000
0.50
0.5000
1.0000
0.60
0.4000
1.0000
0.70
0.3000
1.0000
0.80
0.2000
1.0000
0.90
0.1000
1.0000
0
1
3
0.8100
0.9900
1.0000
0.6400
0.9600
1.0000
0.5625
0.9375
1.0000
0.4900
0.9100
1.0000
0.3600
0.8400
1.0000
0.2500
0.7500
1.0000
0.1600
0.6400
1.0000
0.0900
0.5100
1.0000
0.0400
0.3600
1.0000
0.0100
0.1900
1.0000
0
1
2
3
0.7290
0.9720
0.9990
1.0000
0.5120
0.8960
0.9920
1.0000
0.4219
0.8438
0.9844
1.0000
0.3430
0.7840
0.9730
1.0000
0.2160
0.6480
0.9360
1.0000
0.1250
0.5000
0.8750
1.0000
0.0640
0.3520
0.7840
1.0000
0.0270
0.2160
0.6570
1.0000
0.0080
0.1040
0.4880
1.0000
0.0010
0.0280
0.2710
1.0000
0
1
2
3
4
0
1
2
3
4
5
0.6561
0.9477
0.9963
0.9999
1.0000
0.5900
0.9185
0.9914
0.9995
1.0000
1.0000
0.4096
0.8192
0.9728
0.9984
1.0000
0.3277
0.7373
0.9421
0.9933
0.9997
1.0000
0.3161
0.7383
0.9428
0.9961
1.0000
0.2373
0.6328
0.8965
0.9844
0.9990
1.0000
0.2401
0.6517
0.9163
0.9919
1.0000
0.1681
0.5282
0.8369
0.9692
0.9976
1.0000
0.1296
04752
0.8208
0.9744
1.0000
0.0778
0.3370
0.6826
0.9130
0.9898
1.0000
0.0625
0.3125
0.6875
0.9375
1.0000
0.0313
0.1875
0.5000
0.8125
0.9688
1.0000
0.0256
0.1792
0.5248
0.8704
1.0000
0.0102
0.0870
0.3174
0.6630
0.9222
1.0000
0.0081
0.0837
0.3483
0.7599
1.0000
0.0024
0.0308
0.1631
0.4718
0.8319
1.0000
0.0016
0.0272
0.1808
0.5904
1.0000
0.0003
0.0067
0.0579
0.2677
0.6723
1.0000
0.0001
0.0037
0.0523
0.3439
1.0000
0.0000
0.0005
0.0086
0.0815
0.4095
1.0000
0
1
2
3
4
5
6
0.5314
0.8857
0.9842
0.9987
0.9999
1.0000
1.0000
0.2621
0.6554
0.9011
0.9830
0.9984
0.9999
1.0000
0.1780
0.5339
0.8306
0.9624
0.9954
0.9998
1.0000
0.1176
0.4202
0.7443
0.9295
0.9891
0.9993
1.0000
0.0467
0.2333
0.5443
0.8208
0.9590
0.9959
1.0000
0.0156
0.1094
0.3438
0.6563
0.8906
0.9844
1.0000
0.0041
0.0410
0.1792
0.4557
0.7667
0.9533
1.0000
0.0007
0.0109
0.0705
0.2557
0.5798
0.8824
1.0000
0.0001
0.0016
0.0170
0.0989
0.3446
0.7379
1.0000
0.0000
0.0001
0.0013
0.0159
0.1143
0.4686
1.0000
0
1
2
3
4
5
6
7
0.4783
0.8503
0.9743
0.9973
0.9998
1.0000
0.2097
0.5767
0.8520
0.9667
0.9953
0.9996
1.0000
0.1335
0.4449
0.7564
0.9294
0.9871
0.9987
0.9999
1.0000
0.0824
0.3294
0.6471
0.8740
0.9712
0.9962
0.9998
1.0000
0.0280
0.1586
0.4199
0.7102
0.9037
0.9812
0.9984
1.0000
0.0088
0.0625
0.2266
0.5000
0.7734
0.9375
0.9922
1.0000
0.0016
0.0188
0.0963
0.2898
0.5801
0.8414
0.9720
1.0000
0.0002
0.0038
0.0288
0.1260
0.3529
0.6706
0.9176
1.0000
0.0000
0.0004
0.0047
0.0333
0.1480
0.4233
0.7903
1.0000
0.0000
0.0002
0.0027
0.0257
0.1497
0.5217
1.0000
102
b ( x; n , p) (p 743)
x0
p
n
8
10
11
r
0
1
2
3
4
5
6
7
8
0.10
0.4305
0.8131
0.9619
0.9950
0.9996
1.0000
0.20
0.1678
0.5033
0.7969
0.9437
0.9888
0.9996
0.9999
1.0000
0.25
0.1001
0.3671
0.6785
0.8862
0.9727
0.9958
0.9996
1.0000
0.30
0.0576
0.2553
0.5518
0.8059
0.9420
0.9887
0.9987
0.9999
1.0000
0.40
0.1068
0.1064
0.3154
0.5941
0.8263
0.9502
0.9915
0.9993
1.0000
0.50
0.0039
0.0352
0.1445
0.3633
0.6367
0.0.8555
0.9648
0.9961
1.0000
0.60
0.0007
0.0085
0.0498
0.1737
0.4059
0.6846
0.8936
0.9832
1.0000
0.70
0.0001
0.0013
0.0113
0.0580
0.1941
0.4482
0.7447
0.9424
1.0000
0.80
0.0000
0.0001
0.0012
0.0104
0.0563
0.2031
0.4967
0.8322
1.0000
0.90
0.0000
0.0004
0.0050
0.0381
0.1869
0.5695
1.0000
0
1
2
3
4
5
6
7
8
9
0.3874
0.7748
0.9470
0.9917
0.9991
0.9999
1.0000
0.1342
0.4362
0.7382
0.9144
0.9804
0.9969
0.9997
1.0000
0.0751
0.3003
0.6007
0.8343
0.9511
0.9900
0.9987
0.9999
1.0000
0.0404
0.1960
0.4628
0.7297
0.9012
0.9747
0.9957
0.9996
1.0000
0.0101
0.0705
0.2318
0.4826
0.7334
0.9006
0.9750
0.9962
0.9997
1.0000
0.0020
0.0195
0.0898
0.2539
0.5000
0.7461
0.9102
0.9805
0.9980
1.0000
0.0003
0.0038
0.0250
0.0994
0.2666
0.5174
0.7682
0.9295
0.9899
1.0000
0.0000
0.0004
0.0043
0.0253
0.0988
0.2703
0.5372
0.8040
0.9596
1.0000
0.0000
0.0003
0.0031
0.0196
0.0856
0.2618
0.5638
0.8658
1.0000
0.0000
0.0001
0.0009
0.0083
0.0530
0.2252
0.6126
1.0000
0
1
2
3
4
5
6
7
8
9
10
0.3487
0.7361
0.9298
0.9872
0.9984
0.9999
1.0000
0.1074
0.3758
0.6778
0.8791
0.9672
0.9936
0.9991
0.9999
1.0000
0.0563
0.2440
0.5256
0.7759
0.9219
0.9803
0.9965
0.9996
1.0000
0.0282
0.1493
0.3828
0.6496
0.8497
0.9527
0.9894
0.9984
0.9999
1.0000
0.0060
0.0464
0.1673
0.3832
0.6331
0.8338
0.9452
0.9877
0.9983
0.9999
1.0000
0.0010
0.0107
0.0547
0.1719
0.3770
0.6230
0.8281
0.9453
0.9893
0.9990
1.0000
0.0001
0.0017
0.0123
0.0548
0.1662
0.3669
0.6177
0.8327
0.9536
0.9940
1.0000
0.0000
0.0001
0.0016
0.0106
0.0473
0.1503
0.3504
0.6172
0.8507
0.9718
1.0000
0.0000
0.0001
0.0009
0.0064
0.0328
0.1209
0.3222
0.6242
0.8926
1.0000
0.0000
0.0001
0.0009
0.0083
0.0530
0.2252
0.6126
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
0.3138
0.6974
0.9104
0.9815
0.9972
0.9997
1.0000
0.0859
0.3221
0.6174
0.8389
0.9496
0.9883
0.9980
0.9998
1.0000
0.0422
0.1971
0.4552
0.7133
0.8854
0.9657
0.9924
0.9988
0.9999
1.0000
0.0198
0.1130
0.3127
0.5696
0.7897
0.9218
0.9784
0.9957
0.9994
1.0000
0.0036
0.0302
0.1189
0.2963
0.5328
0.7535
0.9006
0.9707
0.9941
0.9993
1.0000
0.0005
0.0059
0.0327
0.1133
0.2744
0.5000
0.7256
0.8867
0.9673
0.9941
0.9995
1.0000
0.0000
0.0007
0.0059
0.0293
0.0994
0.2465
0.4672
0.7037
0.8811
0.9698
0.9964
1.0000
0.0000
0.0006
0.0043
0.0216
0.0782
0.2103
0.4304
0.6873
0.8870
0.9802
1.0000
0.0000
0.0002
0.0020
0.0117
0.0504
0.1611
0.3826
0.6779
0.9141
1.0000
0.0000
0.0003
0.0020
0.0028
0.0185
0.0896
0.3026
0.6862
1.0000
103
b ( x; n , p) (pag 744)
x0
p
n
12
13
14
r
0
1
2
3
4
5
6
7
8
9
10
11
12
0.10
0.2824
0.6590
0.8891
0.9744
0.9957
0.9995
0.9999
1.0000
0.20
0.0687
0.2749
0.5583
0.7946
0.9274
0.9806
0.9961
0.9994
0.9999
1.0000
0.25
0.0317
0.1584
0.3907
0.6488
0.8424
0.9456
0.9857
0.9972
0.9996
1.0000
0.30
0.0138
0.0850
0.2528
0.4925
0.7237
0.8822
0.9614
0.9905
0.9983
0.9998
1.0000
0.40
0.0022
0.0196
0.0834
0.2253
0.4382
0.6652
0.8418
0.9427
0.9847
0.9972
0.9997
1.0000
0.50
0.0002
0.0032
0.0193
0.0730
0.1938
0.3872
0.6128
0.8062
0.9270
0.9807
0.9968
0.9998
1.0000
0.60
0.0000
0.0003
0.0028
0.0153
0.0573
0.1582
0.3348
0.5618
0.7747
0.9166
0.9804
0.9978
1.0000
0.70
0.80
0.90
0.0000
0.0002
0.0017
0.0095
0.0386
0.1178
0.2763
0.5075
0.7472
0.9150
0.9862
1.0000
0.0000
0.0001
0.0006
0.0039
0.0194
0.0726
0.2054
0.4417
0.7251
0.9313
1.0000
0.0000
0.0001
0.0005
0.0043
0.0256
0.1109
0.3410
0.7176
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
0.2542
0.6213
0.8661
0.9658
0.9935
0.9991
0.9999
1.0000
0.0550
0.2336
0.5017
0.7473
0.9009
0.9700
0.9930
0.9988
0.9998
1.0000
0.0238
0.1267
0.3326
0.5843
0.7940
0.9198
0.9757
0.9944
0.9990
0.9999
1.0000
0.0097
0.0637
0.2025
0.4206
0.6543
0.8346
0.9376
0.9818
0.9960
0.9993
0.9999
1.0000
0.0013
0.0126
0.0579
0.1686
0.3530
0.5744
0.7712
0.9023
0.9679
0.9922
0.9987
0.9999
1.0000
0.0001
0.0017
0.0112
0.0461
0.1334
0.2905
0.5000
0.7095
0.8666
0.9539
0.9888
0.9983
0.9999
1.0000
0.0000
0.0001
0.0013
0.0078
0.0321
0.0977
0.2288
0.4256
0.6470
0.8314
0.9421
0.9874
0.9987
1.0000
0.0000
0.0001
0.0007
0.0040
0.0182
0.0624
0.1654
0.3457
0.5794
0.7975
0.9363
0.9903
1.0000
0.0000
0.0002
0.0012
0.0070
0.0300
0.0991
0.2527
0.4983
0.7664
0.9450
1.0000
0.0000
0.0001
0.0009
0.0065
0.0342
0.1339
0.3787
0.7458
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0.2288
0.5846
0.8416
0.9559
0.9908
0.9985
0.9998
1.0000
0.0440
0.1979
0.4481
0.6982
0.8702
0.9561
0.9884
0.9976
0.9996
1.0000
0.0178
0.1010
0.281
0.5213
0.7415
0.8883
0.9617
0.9897
0.9978
0.9997
1.0000
0.0068
0.0475
0.1608
0.3552
0.5842
0.7805
0.9067
0.9685
0.9917
0.9983
0.9998
1.0000
0.0008
0.0081
0.0398
0.1243
0.2793
0.1859
0.6925
0.8499
0.9417
0.9825
0.9961
0.9994
0.9999
1.0000
0.0001
0.0009
0.0065
0.0287
0.0898
0.2120
0.3953
0.6047
0.7880
0.9102
0.9713
0.9935
0.9991
0.9999
1.0000
0.0000
0.0001
0.0006
0.0039
0.0175
0.0583
0.1501
0.3075
0.5141
0.7207
0.8757
0.9602
0.9919
0.9992
1.0000
0.0000
0.0002
0.0017
0.0083
0.0315
0.0933
0.2195
0.4158
0.6448
0.8392
0.9525
0.9932
1.0000
0.0000
0.0004
0.0024
0.0116
0.0439
0.1298
0.3018
0.5519
0.8021
0.9560
1.0000
0.0000
0.0002
0.0015
0.0092
0.0441
0.1584
0.4154
0.7712
1.0000
104
b ( x; n , p) (pag 745)
x0
p
n
15
16
r
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.10
0.2059
0.5490
0.8159
0.9444
0.9873
0.9978
0.9997
1.0000
0.20
0.0352
0.1671
0.3980
0.6482
0.8358
0.9389
0.9819
0.9958
0.9992
0.9999
1.0000
0.25
0.0134
0.0802
0.2361
0.4613
0.6865
0.8516
0.9434
0.9827
0.9958
0.9992
0.9999
1.0000
0.30
0.0047
0.0353
0.1268
0.2969
0.5155
0.7216
0.8689
0.9500
0.9848
0.9963
0.9993
0.9999
1.0000
0.40
0.0005
0.0052
0.0271
0.0905
0.2173
0.4032
0.6098
0.7869
0.9050
0.9662
0.9907
0.9981
0.9997
1.0000
0.50
0.0000
0.0005
0.0037
0.0176
0.0592
0.1509
0.3036
0.5000
0.6964
0.8491
0.9408
0.9824
0.9963
0.9995
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0.1853
0.5147
0.7892
0.9316
0.9830
0.9967
0.9995
0.9999
1.0000
0.0281
0.1407
0.3518
0.5981
0.7982
0.9183
0.9733
0.9930
0.9985
0.9998
1.0000
0.0100
0.0635
0.1971
0.4050
0.6302
0.8103
0.9204
0.9729
0.9925
0.9984
0.9997
1.0000
0.0033
0.0261
0.0994
0.2459
0.4499
0.6598
0.8247
0.9256
0.9743
0.9929
0.9984
0.9997
1.0000
0.0003
0.0033
0.0183
0.0651
0.1666
0.3288
0.5272
0.7161
0.8577
0.9417
0.9809
0.9951
0.9991
0.9999
1.0000
0.0000
0.0003
0.0021
0.0106
0.0384
0.1051
0.2272
0.4018
0.5982
0.7728
0.8949
0.9616
0.9894
0.9979
0.9997
1.0000
0.60
0.70
0.80
0.90
0.0000
0.0003
0.0019
0.0093
0.0338
0.0950
0.2131
0.3902
0.5968
0.7827
0.9095
0.9729
0.9948
0.9995
1.0000
0.0000
0.0001
0.0007
0.0037
0.0152
0.0500
0.1311
0.2784
0.4845
0.7031
0.8732
0.9647
0.9953
1.0000
0.0000
0.0001
0.0008
0.0042
0.0181
0.0611
0.1642
0.3518
0.6020
0.8329
0.9648
1.0000
0.0000
0.0003
0.0022
0.0127
0.0556
0.1841
0.4510
0.7941
1.0000
0.0000
0.0001
0.0009
0.0049
0.0191
0.0583
0.1423
0.2839
0.4728
0.6712
0.8334
0.9349
0.9817
0.9967
0.9997
1.0000
0.0000
0.0003
0.0016
0.0071
0.0257
0.0744
0.1753
0.3402
0.5501
0.7541
0.9006
0.9739
0.9967
1.0000
0.0000
0.0002
0.0015
0.0070
0.0267
0.0817
0.2018
0.4019
0.6482
0.8593
0.9719
1.0000
0.0000
0.0001
0.0005
0.0003
0.0170
0.0684
0.2108
0.4853
0.8147
1.0000
105
b ( x; n , p) (pag 746)
x0
p
n
17
18
r
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
0.10
0.1668
0.4818
0.7618
0.9174
0.9779
0.9953
0.9992
0.9999
1.0000
0.20
0.0225
0.1182
0.3096
0.5489
0.7582
0.8943
0.9623
0.9891
0.9974
0.9995
0.9999
1.0000
0.25
0.0075
0.0501
0.1637
0.3530
0.5739
0.7653
0.8929
0.9598
0.9876
0.9969
0.9994
0.9999
1.0000
0.30
0.0023
0.0193
0.0774
0.2019
0.3887
0.5968
0.7752
0.8954
0.9597
0.9873
0.9968
0.9993
0.9999
1.0000
0.40
0.0002
0.0021
0.0123
0.0464
0.1260
0.2639
0.4478
0.6405
0.8011
0.9081
0.9652
0.9894
0.9975
0.9995
0.9999
1.0000
0.50
0.0000
0.0001
0.0012
0.0064
0.0245
0.0717
0.1662
0.3145
0.5000
0.6855
0.8338
0.9283
0.9755
0.9936
0.9988
0.9999
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
0.1501
0.4503
0.7338
0.9018
0.9718
0.9936
0.9988
0.9998
1.0000
0.0180
0.0991
0.2713
0.5010
0.7164
0.8671
0.9487
0.9837
0.9957
0.9991
0.9998
1.0000
0.0056
0.0395
0.1353
0.3057
0.5187
0.7175
0.8610
0.9431
0.9807
0.9946
0.9988
0.9998
1.0000
0.0016
0.0142
0.0600
0.1646
0.3327
0.5344
0.7217
0.8593
0.9404
0.9790
0.9939
0.9986
0.9997
1.0000
0.0001
0.0013
0.0082
0.0328
0.0942
0.2088
0.3743
0.5634
0.7368
0.8653
0.9424
0.9797
0.9942
0.9987
0.9998
1.0000
0.0000
0.0001
0.0007
0.0038
0.0154
0.0481
0.1189
0.2403
0.4073
0.5927
0.7597
0.8811
0.9519
0.9846
0.9962
0.9993
0.9999
1.0000
0.60
0.70
0.80
0.90
0.0000
0.0001
0.0005
0.0025
0.0106
0.0348
0.0919
0.1989
0.3595
0.5522
0.7361
0.8740
0.9536
0.9877
0.9998
0.9999
1.0000
0.0000
0.0001
0.0007
0.0032
0.0127
0.0403
0.1046
0.2248
0.4032
0.6113
0.7981
0.9226
0.9807
0.9977
1.0000
0.0000
0.0001
0.0005
0.0026
0.0109
0.0377
0.1057
0.2418
0.4511
0.6904
0.8818
0.9775
1.0000
0.0000
0.0001
0.0008
0.0047
0.0221
0.0826
0.2382
0.5182
0.8332
1.0000
0.0000
0.0002
0.0013
0.0058
0.0203
0.0576
0.1347
0.2632
0.4366
0.6257
0.7912
0.9058
0.9672
0.9918
0.9987
0.9999
1.0000
0.0000
0.0003
0.0014
0.0061
0.0210
0.0596
0.1407
0.2783
0.4656
0.6673
0.8354
0.9400
0.9858
0.9984
1.0000
0.0000
0.0002
0.0009
0.0043
0.0163
0.0513
0.1329
0.2836
0.4990
0.7287
0.9009
0.9820
1.0000
0.0000
0.0002
0.0012
0.0064
0.0282
0.0982
0.2662
0.5497
0.8499
1.0000
106

n
19
20
p
0.40
0.10
0.20
0.25
0.30
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.1351
0.4203
0.7054
0.8850
0.9648
0.9914
0.9983
0.9997
1.0000
0.0144
0.0829
0.2369
0.4551
0.6733
0.8369
0.9324
0.9767
0.9933
0.9984
0.9997
1.0000
0.0042
0.0310
0.1113
0.2631
0.4654
0.6678
0.8251
0.9225
0.9713
0.9911
0.9977
0.9995
0.9999
1.0000
0.0011
0.0104
0.0462
0.1332
0.2822
0.4739
0.6655
0.8180
0.9161
0.9674
0.9895
0.9972
0.9994
0.9999
1.0000
0.0001
0.0008
0.0055
0.0230
0.0696
0.1629
0.3081
0.4878
0.6675
0.8139
0.9115
0.9648
0.9884
0.9969
0.9994
0.9999
1.0000
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
0.1216
0.3917
0.6769
0.8670
0.9568
0.9887
0.9976
0.9996
0.9999
1.0000
0.0115
0.0692
0.2061
0.4114
0.6296
0.8042
0.9133
0.9679
0.9900
0.9974
0.9994
0.9999
1.0000
0.0032
0.0243
0.0913
0.2252
0.4148
0.6172
0.7858
0.8982
0.9591
0.9861
0.9961
0.9991
0.9998
1.0000
0.0008
0.0076
0.0355
0.1071
0.2375
0.4164
0.6080
0.7723
0.8867
0.9520
0.9829
0.9949
0.9987
0.9997
1.0000
0.0000
0.0005
0.0036
0.0160
0.0510
0.1256
0.2500
0.4159
0.5956
0.7553
0.8725
0.9435
0.9790
0.9935
0.9984
0.9997
1.0000
b ( x; n , p) (pag 747)
x0
0.50
0.0000
0.0004
0.0022
0.0096
0.0318
0.0835
0.1796
0.3238
0.5000
0.6762
0.8204
0.9165
0.9682
0.9904
0.9978
0.9996
1.0000
0.0000
0.0002
0.0013
0.0059
0.0207
0.0577
0.1316
0.2517
0.4119
0.5881
0.7483
0.8684
0.9423
0.9793
0.9941
0.9987
0.9998
1.0000
0.60
0.70
0.80
0.90
0.0000
0.0001
0.0006
0.0031
0.0116
0.0352
0.0885
0.1861
0.3325
0.5122
0.6919
0.8371
0.9304
0.9770
0.9945
0.9992
0.9999
1.0000
0.0000
0.0001
0.0006
0.0028
0.0105
0.0326
0.0839
0.1820
0.3345
0.5261
0.7178
0.8668
0.9538
0.9896
0.9989
1.0000
0.0000
0.0003
0.0016
0.0067
0.0233
0.0676
0.1631
0.3267
0.5449
0.7631
0.9171
0.9856
1.0000
0.0000
0.0003
0.0017
0.0086
0.0352
0.1150
0.2946
0.5797
0.8649
1.0000
0.0000
0.0003
0.0016
0.0065
0.0210
0.0565
0.1275
0.2447
0.4044
0.5841
0.7500
0.8744
0.9490
0.9840
0.9964
0.9995
1.0000
0.0000
0.0003
0.0013
0.0051
0.0171
0.0480
0.1133
0.2277
0.3920
0.5836
0.7625
0.8929
0.9645
0.9924
0.9992
1.0000
0.0000
0.0001
0.0006
0.0026
0.0100
0.0321
0.0867
0.1958
0.3704
0.5886
0.7939
0.9308
0.9885
1.0000
0.0000
0.0001
0.0004
0.0024
0.0113
0.0432
0.1330
0.3231
0,6083
0.8784
1.0000
107
Somatrios da Probabilidade de Poisson: F (x ; )

r
0
1
2
3
4
5
6
r
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
p( x; ) (pag 748)
x0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.9048
0.9953
0.9998
1.0000
0.8187
0.9825
0.9989
0.9999
1.0000
0.7408
0.9631
0.9964
0.9997
1.0000
0.6703
0.9384
0.9921
0.9992
0.9999
1.0000
0.6065
0.9098
0.9856
0.9982
0.9998
1.0000
0.5488
0.8781
0.9769
0.9966
0.9996
1.0000
0.4966
0.8442
0.9659
0.9942
0.9992
0.9999
1.0000
0.4493
0.8088
0.9526
0.9909
0.9986
0.9998
1.0000
0.4066
0.7725
0.9371
0.9865
0.9977
0.9997
1.0000
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
0.3679
0.7358
0.9197
0.9810
0.9963
0.9994
0.9999
1.0000
0.2231
0.5578
0.8088
0.9344
0.9814
0.9955
0.9991
0.9998
1.0000
0.1353
0.4060
0.6767
0.8571
0.9473
0.9834
0.9955
0.9989
0.9998
1.0000
0.0821
0.2873
0.5438
0.7576
0.8912
0.9580
0.9858
0.9958
0.9989
0.9997
0.9999
1.0000
0.0302
0.1359
0.3208
0.5366
0.7254
0.8576
0.9347
0.9733
0.9901
0.9967
0.9990
0.9997
0.9999
1.0000
0.0183
0.0916
0.2381
0.4335
0.6288
0.7851
0.8893
0.9489
0.9786
0.9919
0.9972
0.9991
0.9997
0.9999
1.0000
0.0111
0.0611
0.1736
0.3423
0.5321
0.7029
0.8311
0.9134
0.9597
0.9829
0.9933
0.9976
0.9992
0.9997
0.9999
1.0000
0.0067
0.0404
0.1247
0.2650
0.4405
0.6160
0.7622
0.8666
0.9319
0.9682
0.9863
0.9945
0.9980
0.9993
0.9998
0.9999
1.0000
0.0498
0.1991
0.4232
0.6472
0.8153
0.9161
0.9665
0.9881
0.9962
0.9989
0.9997
0.9999
1.0000
108

r
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
p( x; ) (pag 749)
x0
5.5
6.0
6.5
7.0
7.5
0.0041
0.0266
0.0884
0.2017
0.3575
0.5289
0.6860
0.8095
0.8944
0.9462
0.9747
0.9890
0.9955
0.9983
0.9994
0.9998
0.9999
1.0000
0.0025
0.0174
0.0620
0.1512
0.2851
0.4457
0.6063
0.7440
0.8472
0.9161
0.9574
0.9799
0.9912
0.9964
0.9986
0.9995
0.9998
0.9999
1.0000
0.0015
0.0113
0.0430
0.1118
0.2237
0.3690
0.5265
0.6728
0.7916
0.8774
0.9332
0.9661
0.9840
0.9929
0.9970
0.9988
0.9996
0.9998
0.9999
1.0000
0.0009
0.0073
0.0296
0.0818
0.1730
0.3007
0.4497
0.5987
0.7291
0.8305
0.9015
0.9467
0.9730
0.9872
0.9943
0.9976
0.9990
0.9996
0.9999
1.0000
0.0006
0.0047
0.0203
0.0591
0.1321
0.2414
0.3782
0.5246
0.6620
0.7764
0.8622
0.9208
0.9573
0.9784
0.9897
0.9954
0.9980
0.9992
0.9997
0.9999
8.0
8.5
9.0
9.5
0.0003
0.0030
0.0138
0.0424
0.0996
0.1912
0.3134
0.4530
0.5925
0.7166
0.8159
0.8881
0.9362
0.9658
0.9827
0.9918
0.9963
0.9984
0.9993
0.9997
0.9999
1.0000
0.0002
0.0019
0.0093
0.0301
0.0744
0.1496
0.2562
0.3856
0.5231
0.6530
0.7634
0.8487
0.9091
0.9486
0.9726
0.9862
0.9934
0.9970
0.9987
0.9995
0.9998
0.9999
1.0000
0.0001
0.0012
0.0062
0.0212
0.0550
0.1157
0.2068
0.3239
0.4557
0.5874
0.7060
0.8030
0.8758
0.9261
0.9585
0.9780
0.9889
0.9947
0.9976
0.9989
0.9996
0.9998
0.9999
1.0000
0.0001
0.0008
0.0042
0.0149
0.0403
0.0885
0.1649
0.2687
0.3918
0.5218
0.6453
0.7520
0.8364
0.8981
0.9400
0.9665
0.9823
0.9911
0.9957
0.9980
0.9991
0.9996
0.9999
0.9999
1.0000
109

r
10.0
11.0
12.0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
0.0000
0.0005
0.0028
0.0103
0.0293
0.0671
0.1301
0.2202
0.3328
0.4579
0.5830
0.6968
0.7916
0.8645
0.9165
0.9513
0.9730
0.9857
0.9928
0.9965
0.9984
0.9993
0.9997
0.9999
1.0000
0.0000
0.0002
0.0012
0.0049
0.0151
0.0375
0.0786
0.1432
0.2320
0.3405
0.4599
0.5793
0.6887
0.7813
0.8540
0.9074
0.9441
0.9678
0.9823
0.9907
0.9953
0.9977
0.9990
0.9995
0.9998
0.9999
1.0000
0.0000
0.0001
0.0005
0.0023
0.0076
0.0203
0.0458
0.0895
0.1550
0.2424
0.3472
0.4616
0.5760
0.6815
0.7720
0.8444
0.8987
0.9370
0.9626
0.9787
0.9884
0.9939
0.9970
0.9985
0.9993
0.9997
0.9999
13.0
0.0000
0.0002
0.0011
0.0037
0.0107
0.0259
0.0540
0.0998
0.1658
0.2517
0.3532
0.4631
0.5730
0.6751
0.7636
0.8355
0.8905
0.9302
0.9573
0.9750
0.9859
0.9924
0.9960
0.9980
0.9990
0.9995
0.9998
0.9999
1.0000
p( x; ) (pag 750)
x0
14.0
0.0000
0.0001
0.0005
0.0018
0.0055
0.0142
0.0316
0.0621
0.1094
0.1757
0.2600
0.3585
0.4644
0.5704
0.6694
0.7559
0.8272
0.8826
0.9235
0.9521
0.9712
0.9833
0.9907
0.9950
0.9974
0.9987
0.9994
0.9997
0.9999
0.9999
1.0000
15.0
16.0
0.0000
0.0002
0.0009
0.0028
0.0076
0.0180
0.0374
0.0699
0.1185
0.1848
0.2676
0.3632
0.4657
0.5681
0.6641
0.7489
0.8195
0.8752
0.9170
0.9469
0.9673
0.9805
0.9888
0.9938
0.9967
0.9983
0.9991
0.9996
0.9998
0.9999
1.0000
0.0000
0.0001
0.0004
0.0014
0.0040
0.0100
0.0220
0.0433
0.0774
0.1270
0.1931
0.2745
0.3675
0.4667
0.5660
0.6593
0.7423
0.8122
0.8682
0.9108
0.9418
0.9633
0.9777
0.9869
0.9925
0.9959
0.9978
0.9989
0.9994
0.9997
0.9999
0.9999
1.0000
17.0
18.0
0.0000
0.0002
0.0007
0.0021
0.0054
0.0126
0.0261
0.0491
0.0847
0.1350
0.2009
0.2808
0.3715
0.4677
0.5640
0.6550
0.7363
0.8055
0.8615
0.9047
0.9367
0.9594
0.9748
0.9848
0.9912
0.9950
0.9973
0.9986
0.9993
0.9996
0.9998
0.9999
1.0000
0.0000
0.0001
0.0003
0.0010
0.0029
0.0071
0.0154
0.0304
0.0549
0.0917
0.1426
0.2081
0.2867
0.3751
0.4686
0.5622
0.6509
0.7307
0.7991
0.8551
0.8989
0.9317
0.9554
0.9718
0.9827
0.9897
0.9941
0.9967
0.9982
0.9990
0.9995
0.9998
0.9999
0.9999
1.0000
110
FATORES PARA DETERMINAR n E c EM PLANOS DE AMOSTRAGEM
c
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Fonte: Devore, 2008 (p. 657)
n p0
0,051
0,355
0,818
1,366
1,970
2,613
3,285
3,981
4,695
5,425
6,169
6,924
7,690
8,464
9,246
10,040
n 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
p1/p0
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
NOMOGRAMA PARA DETERMINAR n E c EM PLANOS DE AMOSTRAGEM
Fonte: Devore, 2008
111
112
TABELA F ( = 0,10)
F (v1, v2 )
Graus de Liberdade (gl) do Numerador (v 1)

Denominador (v2)
10
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
39,86
8,53
5,54
4,54
4,06
3,78
3,59
3,46
3,36
3,29
3,23
3,18
3,14
3,10
3,07
3,05
3,03
3,01
2,99
2,97
2,96
2,95
2,94
2,93
2,92
2,91
2,90
2,89
2,89
49,50
9,00
5,46
4,32
3,78
3,46
3,26
3,11
3,01
2,92
2,86
2,81
2,76
2,73
2,70
2,67
2,64
2,62
2,61
2,59
2,57
2,56
2,55
2,54
2,53
2,52
2,51
2,50
2,50
53,59
9,16
5,39
4,19
3,62
3,29
3,07
2,92
2,81
2,73
2,66
2,61
2,56
2,52
2,49
2,46
2,44
2,42
2,40
2,38
2,36
2,35
2,34
2,33
2,32
2,31
2,30
2,29
2,28
55,83
9,24
5,34
4,11
3,52
3,18
2,96
2,81
2,69
2,61
2,54
2,48
2,43
2,39
2,36
2,33
2,31
2,29
2,27
2,25
2,23
2,22
2,21
2,19
2,18
2,17
2,17
2,16
2,15
57,24
9,29
5,31
4,05
3,45
3,11
2,88
2,73
2,61
2,52
2,45
2,39
2,35
2,31
2,27
2,24
2,22
2,20
2,18
2,16
2,14
2,13
2,11
2,10
2,09
2,08
2,07
2,06
2,06
58,20
9,33
5,28
4,01
3,40
3,05
2,83
2,67
2,55
2,46
2,39
2,33
2,28
2,24
2,21
2,18
2,15
2,13
2,11
2,09
2,08
2,06
2,05
2,04
2,02
2,01
2,00
2,00
1,99
57,91
9,35
5,27
3,98
3,37
3,01
2,78
2,62
2,51
2,41
2,34
2,28
2,23
2,19
2,16
2,13
2,10
2,08
2,06
2,04
2,02
2,01
1,99
1,98
1,97
1,96
1,95
1,94
1,93
59,44
9,37
5,25
3,95
3,34
2,98
2,75
2,59
2,47
2,38
2,30
2,24
2,20
2,15
2,12
2,09
2,06
2,04
2,02
2,00
1,98
1,97
1,95
1,94
1,93
1,92
1,91
1,90
1,89
59,86
9,38
5,24
3,94
3,32
2,96
2,72
2,56
2,44
2,35
2,27
2,21
2,16
2,12
2,09
2,06
2,03
2,00
1,98
1,96
1,95
1,93
1,92
1,91
1,89
1,88
1,87
1,87
1,86
60,19
9,39
5,23
3,92
3,30
2,94
2,70
2,54
2,42
2,32
2,25
2,19
2,14
2,10
2,06
2,03
2,00
1,98
1,96
1,94
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,84
1,83
113
TABELA F ( = 0,05)
F (v1, v2 )
Denominador (v2)
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
161,4
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
199,5
19,00
9,55
6,94
5,79
5,14
4,74
4,46
4,26
4,10
3,98
3,89
3,81
3,74
3,68
3,63
3,59
3,55
3,52
3,49
3,47
3,44
3,42
3,40
3,39
3,37
3,35
3,34
3,33

3
4
5
6
7
8
215,7
19,16
9,28
6,59
5,41
4,76
4,35
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
224,6
19,25
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
230,2
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,03
2,96
2,90
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,55
234,0
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
236,8
19,35
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
238,9
19,37
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
10
240,5
19,38
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
241,9
19,40
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
114
TABELA F ( = 0,01)
F (v1, v2 )
Graus de Liberdade (gl) do Numerador (v1)

Denominador (v2)
10
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
4052
98,50
34,12
21,20
16,26
13,75
12,25
11,26
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,29
8,18
8,10
8,02
7,95
7,88
7,82
7,77
7,72
7,68
7,64
7,60
4999,5
99,00
30,82
18,00
13,27
10,92
9,55
8,65
8,02
7,56
7,21
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5403
99,17
29,46
16,69
12,06
9,78
8,45
7,59
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,64
4,60
4,57
4,54
5625
99,25
28,71
15,98
11,39
9,15
7,85
7,01
6,42
5,99
5,67
5,41
5,21
5,04
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
5764
99,30
28,24
15,52
10,97
8,75
7,46
6,63
6,06
5,64
5,32
5,06
4,86
4,69
4,36
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,85
3,82
3,78
3,75
3,73
5859
99,33
27,91
15,21
10,67
8,47
7,19
6,37
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
5928
99,36
27,67
14,98
10,46
8,26
6,99
6,18
5,61
5,20
4,89
4,64
4,44
4,28
4,14
4,03
3,93
3,84
3,77
3,70
3,64
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
5982
99,37
27,49
14,80
10,29
8,10
6,84
6,03
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
6022
99,39
27,35
14,66
10,16
7,98
6,72
5,91
5,35
4,94
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,46
3,40
3,35
3,30
3,26
3,22
3,18
3,15
3,12
3,09
6056
99,40
27,23
14,55
10,05
7,87
6,62
5,81
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
115
Valores Crticos do Intervalo Q de Student ( = 0,05)

Denominador (v2)
10
11
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
18,00
6,09
4,50
3,93
3,64
3,46
3,34
3,26
3,20
3,15
3,11
3,08
3,06
3,03
3,01
3,00
2,98
2,97
2,96
2,95
2,92
27,00
8,30
5,91
5,04
4,60
4,34
4,16
4,04
3,95
3,88
3,82
3,77
3,73
3,70
3,67
3,65
3,63
3,61
3,59
3,58
3,53
32,80
9,80
6,82
5,76
5,22
4,90
4,68
4,53
4,42
4,33
4,26
4,20
4,15
4,11
4,08
4,05
4,02
4,00
3,98
3,96
3,90
37,10
10,90
7,50
6,29
5,67
5,31
5,06
4,89
4,76
4,65
4,57
4,51
4,45
4,41
4,37
4,33
4,30
4,28
4,25
4,23
4,17
40,40
11,70
8,04
6,71
6,03
5,63
5,36
5,17
5,02
4,91
4,82
4,75
4,69
4,64
4,60
4,56
4,52
4,49
4,47
4,45
4,37
43,10
12,40
8,48
7,05
6,33
5,89
5,61
5,40
5,24
5,12
5,03
4,95
4,88
4,83
4,78
4,74
4,71
4,67
4,65
4,62
4,54
45,4
13,00
8,85
7,35
6,58
6,12
5,82
5,60
5,43
5,30
5,20
5,12
5,05
4,99
4,94
4,90
4,86
4,82
4,79
4,77
4,68
47,4
13,5
9,18
7,60
6,80
6,32
6,00
5,77
5,60
5,46
5,35
5,27
5,19
5,13
5,08
5,03
4,99
4,96
4,92
4,90
4,81
49,10
14,00
9,46
7,83
6,99
6,49
6,16
5,92
5,74
5,60
5,49
5,40
5,32
5,25
5,20
5,15
5,11
5,07
5,04
5,01
4,92
50,60
14,40
9,72
8,03
7,17
6,65
6,30
6,05
5,87
5,72
5,61
5,51
5,43
5,36
5,31
5,26
5,21
5,17
5,14
5,11
5,01
Valores Crticos do Intervalo Q de Student ( = 0,01)

Denominador (v2)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
90,00
14,00
8,26
6,51
5,70
5,24
4,95
4,74
4,60
4,48
4,39
4,32
4,26
4,21
4,17
4,13
4,10
4,07
4,05
4,02
3,96
135,00
19,00
10,60
8,12
6,97
6,33
5,92
5,63
5,43
5,27
5,14
5,04
4,96
4,89
4,83
4,78
4,74
4,70
4,67
4,64
4,54
164,00
22,30
12,20
9,17
7,80
7,03
6,54
6,20
5,96
5,77
5,62
5,50
5,40
5,32
5,25
5,19
5,14
5,09
5,05
5,02
4,91
186,00
24,70
13,30
9,96
8,42
7,56
7,01
6,63
6,35
6,14
5,97
5,84
5,73
5,63
5,56
5,49
5,43
5,38
5,33
5,29
5,17
202,00
26,60
14,20
10,60
8,91
7,97
7,37
6,96
6,66
6,43
6,25
6,10
5,98
5,88
5,80
5,72
5,66
5,60
5,55
5,51
5,37
216,00 227,00 237,00

28,20 29,50 30,70
15,00 15,60 16,20
11,10 11,50 11,90
9,32
9,67
9,97
8,32
8,61
8,87
7,68
7,94
8,17
7,24
7,47
7,68
6,91
7,13
7,32
6,67
6,87
7,05
6,48
6,67
6,84
6,32
6,51
6,67
6,19
6,37
6,53
6,08
6,26
6,41
5,99
6,16
6,31
5,92
6,08
6,22
5,85
6,01
6,15
5,79
5,94
6,08
5,73
5,89
6,02
5,69
5,84
5,97
5,54
5,69
5,81
10
11
246,00
31,70
16,70
12,30
10,24
9,10
8,37
7,87
7,49
7,21
6,99
6,81
6,67
6,54
6,44
6,35
6,27
6,20
6,14
6,09
5,92
253,00
32,60
17,10
12,60
10,48
9,30
8,55
8,03
7,65
7,36
7,13
6,94
6,79
6,66
6,55
6,46
6,38
6,31
6,25
6,19
6,02
116
Tabela de distribuio Qui-quadrado
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
40
50
60
70
80
90
100
0,995
0,99
0,975
0,95
0,5
0,00
0,01
0,07
0,21
0,41
0,68
0,99
1,34
1,73
2,16
2,60
3,07
3,57
4,07
4,60
5,14
5,70
6,26
6,84
7,43
8,03
8,64
9,26
9,89
10,52
11,16
11,81
12,46
13,12
13,79
20,71
27,99
35,53
43,28
51,17
59,20
67,33
0,00
0,02
0,11
0,30
0,55
0,87
1,24
1,65
2,09
2,56
3,05
3,57
4,11
4,66
5,23
5,81
6,41
7,01
7,63
8,26
8,90
9,54
10,20
10,86
11,52
12,20
12,88
13,56
14,26
14,95
22,16
29,71
37,48
45,44
53,54
61,75
70,06
0,00
0,05
0,22
0,48
0,83
1,24
1,69
2,18
2,70
3,25
3,82
4,40
5,01
5,63
6,26
6,91
7,56
8,23
8,91
9,59
10,28
10,98
11,69
12,40
13,12
13,84
14,57
15,31
16,05
16,79
24,43
32,36
40,48
48,76
57,15
65,65
74,22
0,00
0,10
0,35
0,71
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49
26,51
34,76
43,19
51,74
60,39
69,13
77,93
0,45
1,39
2,37
3,36
4,35
5,35
6,35
7,34
8,34
9,34
10,34
11,34
12,34
13,34
14,34
15,34
16,34
17,34
18,34
19,34
20,34
21,34
22,34
23,34
24,34
25,34
26,34
27,34
28,34
29,34
39,34
49,33
59,33
69,33
79,33
89,33
99,33
0,1
0,05
0,025
2,71
3,84
5,02
4,61
5,99
7,38
6,25
7,81
9,35
7,78
9,49
11,14
9,24
11,07 12,83
10,64 12,59 14,45
12,02 14,07 16,01
13,36 15,51 17,53
14,68 16,92 19,02
15,99 18,31 20,48
17,28 19,68 21,92
18,55 21,03 23,34
19,81 22,36 24,74
21,06 23,68 26,12
22,31 25,00 27,49
23,54 26,30 28,85
24,77 27,59 30,19
25,99 28,87 31,53
27,20 30,14 32,85
28,41 31,41 34,17
29,62 32,67 35,48
30,81 33,92 36,78
32,01 35,17 38,08
33,20 36,42 39,36
34,38 37,65 40,65
35,56 38,89 41,92
36,74 40,11 43,19
37,92 41,34 44,46
39,09 42,56 45,72
40,26 43,77 46,98
51,81 55,76 59,34
63,17 67,50 71,42
74,40 79,08 83,30
85,53 90,53 95,02
96,58 101,88 106,63
107,57 113,15 118,14
118,50 124,34 129,56
0,01
0,005
6,63
9,21
11,34
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,72
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,28
49,59
50,89
63,69
76,15
88,38
100,43
112,33
124,12
135,81
7,88
10,60
12,84
14,86
16,75
18,55
20,28
21,95
23,59
25,19
26,76
28,30
29,82
31,32
32,80
34,27
35,72
37,16
38,58
40,00
41,40
42,80
44,18
45,56
49,93
48,29
49,64
50,99
52,34
53,67
66,77
79,49
91,95
104,21
116,32
128,30
140,17

Controle Da Qualidade-Apostila (UFPI)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Controle Da Qualidade-Apostila (UFPI)

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE FEDERAL DO PIAU

Prof. William Morn

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

O aumento/diminuio dos produtos/servios defeituosos.

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Diagramas de Ramo e Folhas:

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

a) Calcule a mdia amostral e o desvio padro amostral

a) Construa um diagrama de ramo e folha para esses dados.

Sabe-se que o maior valor 0,388 e o menor valor 0,053.

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Construa um diagrama de ramo e folha ordenado (leia por linha).

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Diagrama de Caixa (Diagrama de Caixa e Linha):

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

0 ,215 , ento, curva leptocrtica, curva de freqncia mais

fechada que a normal ou mais aguda ou afilada em sua parte superior.

Problema: Os seguintes so dados da sincronizao de um dispositivo eltrico em milissegundos (leia por

a) Calcule a mdia, mediana, desvio padro amostral e a varincia amostral.

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Diagrama da Distribuio de Freqncias:

80 = 8,9 9 intervalos de classe; x(mximo) = 245; x(mnimo) = 76. Assim, dos

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Intervalo de classe (psi)

O grfico de distribuio de freqncias relativas seria:

O grfico de barras da distribuio de freqncias acumuladas seria o seguinte:

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

A mdia da distribuio normal (- < < ) e a varincia 2 > 0.

mudana de varivel e resolver a integral teramos:

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

(.) a distribuio acumulada da distribuio normal padro (mdia = 0, varincia = 1).

comum de chamar-la de padronizao, j que converte uma varivel

aleatria N (, 2) em uma varivel aleatria N (0, 1).

Da tabela, temos que z = 1,645. Portanto,

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Da tabela: P (0<X< 8) = (z 0,94) (z

0,57) 0,8264 (1-0,7157) 0,5421 ou 54,21%

Da tabela: P ( 5< X< 1 ) = (z - 0,38) - (z - 1,51) (1-0,6480) (1-0,9345) 0,2865 ou 28,65%

Da tabela: P (3 < X < 4 ) = (z 0,19) - (z 0,00) 0,5753 - 0,5000 0,0753 ou 7,53%

P (4,5 < X < 6 ) = P z 6 3

Da tabela: P (3 < X < 4) = (z 0,57) - (z 0,28) 0,7157 - 0,6103 0,1054 ou 10,54%

Determine o valor de (lembre que

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Determine o valor de (lembre que

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Alguns livros escrevem a fdp exponencial na forma 1 / e

, de forma que = 1/.

O valor esperado de uma va X exponencialmente distribuda :

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

dx = e (25) (0,1) = 0,082

Pede-se P(X > x) = 0,90

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

A forma de uma distribuio binomial poderia ser a seguinte:

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Problema: Use as tabelas da binomial para obter as seguintes probabilidades:

Problema: Uma companhia produz lmpadas entre as quais 2% esto defeituosas.

UFPI CONTROLE DA QUALIDADE: Prof. William Morn

Problema: Supondo uma mao de 52 cartas, determine: