MAT

ERI
ALS
UPL
EME
NTARP
ARAACOMP
ANHAR
 Sobre o Material
Suplementar ao
Texto

Preparei este material suplementar para acompanhar a 7a edio de Introduo ao Controle Estatstico da
Qualidade. Este material consiste em (1) leitura de apoio adicional sobre alguns aspectos da estatstica e
do controle estatstico da qualidade e sua melhoria, (2) extenses de elaboraes sobre alguns tpicos do
livro-texto e (3) alguns tpicos novos para os quais no consegui encontrar, com facilidade, um lugar
no texto sem tornar o livro demasiadamente extenso.
Muito deste material foi preparado como resposta, pelo menos parcial, s muitas excelentes e teis
sugestes feitas, ao longo dos anos, pelos leitores do livro. No entanto, algumas vezes no havia como
adequar facilmente essas sugestes diretamente no texto. Parte do material suplementar , tambm, uma
resposta a perguntas frequentes dos estudantes. Apresento, tambm, uma lista de referncias para este
material suplementar que no citada no livro-texto.
Retornos de colegas indicam que este livro usado de vrias maneiras. Frequentemente, usado
como livro-texto em uma parte avanada de cursos de graduao sobre melhoria e controle estatstico
da qualidade. No entanto, h um nmero significativo de professores que usam o livro como base para
cursos de ps-graduao ou que oferecem um curso misto para alunos de graduao avanada ou j
graduados. Obviamente, o contedo e a profundidade de suas abordagens variam muito nesses cursos.
Consequentemente, inclu algum material suplementar sobre tpicos que podem ser de interesse em um
curso de graduao mais avanado ou em um curso para j graduados.
H considervel vis pessoal em minha seleo de tpicos para o material suplementar e a cobertura
est longe de ser abrangente.
Neste material suplementar, no me senti restrito em relao ao nvel matemtico ou fundamento
estatstico dos leitores, como o fiz ao escrever o livro-texto. H sees do material suplementar que
exigiro mais base estatstica do que a exigida para a leitura do livro. No entanto, considero que muitos
professores sero capazes de selecionar partes deste material suplementar em seus cursos de modo eficaz,
dependendo da maturidade e dos conhecimentos prvios dos estudantes.
Material
Suplementar
para o
Captulo 3

S3.1 Variveis Aleatrias Independentes

Observaes Preliminares
Os leitores encontraro variveis aleatrias ao longo de todo o livro-texto. Uma definio e notao in-
formais para variveis aleatrias so usadas. Uma varivel aleatria pode ser considerada, de maneira
informal, uma varivel para a qual o valor medido ou observado depende de um mecanismo aleatrio
ou do acaso. Isto , o valor da varivel aleatria no pode ser conhecido antes da observao real do
fenmeno. Naturalmente, de maneira formal, uma varivel aleatria uma funo que associa um nmero
real a cada resultado no espao amostral do fenmeno observado. Alm disso, comum distinguir-se
entre a varivel aleatria e seu valor observado, ou sua realizao, usando-se uma letra maiscula (como
X) para denotar a varivel, e uma letra minscula, x, para denotar o resultado de uma observao ou um
valor medido. Essa notao formal no consta no livro porque (1) no amplamente usada no campo
do controle estatstico da qualidade e (2) em geral, claro pelo contexto se estamos falando da varivel
aleatria ou de sua realizao.

Variveis Aleatrias Independentes

No livro-texto, fazemos uso frequente do conceito de variveis aleatrias independentes. A maioria dos
leitores foi exposta a esse conceito em um curso bsico de estatstica, mas damos aqui uma breve reviso
disso. Por convenincia, consideramos apenas o caso de variveis aleatrias contnuas. Para o caso de
variveis aleatrias discretas, consulte Montgomery e Runger (2011).
Frequentemente, haver duas ou mais variveis aleatrias que, em conjunto, definem algum fenmeno
fsico de interesse. Por exemplo, suponha que consideremos componentes moldados por injeo, usados
para a montagem de um conector na indstria automotiva. Para a descrio adequada do conector, precisa-
mos estudar tanto o dimetro interior do furo quanto a espessura da parede do componente. Representemos
por x1 o dimetro interior do furo e por x2 a espessura da parede. Pode-se especificar a distribuio de
probabilidade conjunta (ou funo densidade) dessas duas variveis aleatrias contnuas fornecendo-se
um mtodo de clculo da probabilidade de que x1 e x2 assumam um valor em qualquer regio R no espao
bidimensional, em que R o espao de variao da varivel aleatria. Isto anlogo funo densidade
de probabilidade para uma nica varivel aleatria. Denotemos essa funo densidade de probabilidade
por f ( x1, x2). A integral dupla dessa funo densidade de probabilidade sobre uma regio especificada R
fornece a probabilidade de que x1 e x2 assumam valores no espao de variao R.
Uma funo densidade de probabilidade tem as seguintes propriedades:
a. f ( x1 , x2 ) 0 para todo x1 , x2
 Introduo ao Controle Estatstico da Qualidade 3

x n x
b. f ( x1 , x2 )dx1dx2 = 1 n(n 1)(n 2) (n x + 1) n
p( x) =
x! n n
c. Para qualquer regio R no espao bidimensional x n
x 1 2 x 1
= (1) 1 1 1 1 1
P{(
P{( x1 ,x1x,2x)2)
R}R=...f (fx(1,x1x,2x)2dx)dx
}=
R R
1dx
1dx2 2
x! n n n n n
Duas variveis aleatrias x1 e x2 so independentes se f(x1, Sejam n e p 0, de modo que = np permanea cons-
x2) = f1(x1)f2(x2), em que f1(x1) e f2(x2) so as distribuies de pro- 1 2 x 1
x

babilidade marginais de x1 e x2, respectivamente, definidas como tante. Os termos 1 , 1 ,..., 1 e 1 todos
n n n n
f1 ( x1 ) =

f ( x1 , x2 )dx2 e f 2 ( x2 )
f ( x1 , x2 )dx1 se aproximam de um. Alm disso,
n
Em geral, se houver p variveis aleatrias x1, x2, , xp, ento
a funo densidade de probabilidade conjunta ser f(x1, x2, , 1 e quando n
n
xp), com as propriedades:
Assim, depois de substituio, vemos que a forma limite da
a. f ( x1 , x2 ,, x p ) 0 para todo x1 , x2 , x p distribuio binomial
b. f ( x , x ,, x 1 2 p )dx1dx2 dx p = 1
p( x) =
xe
R
x!
c. Para qualquer regio R do espao p-dimensional,
que a distribuio de Poisson.
f ( x1, x2 ,, x p )dx1dx2 dx p
P{( x1 , x2 ,, x p ) R} =
R
Desenvolvimento da Distribuio de Poisson a
As variveis aleatrias x1, x2, , xp so independentes se partir de um Processo de Poisson
f ( x1 , x2 ,, x p ) = f1 (x1 ) f 2 ( x2 ) f p ( x p ) Considere uma coleo de eventos orientados no tempo, arbi-
trariamente chamados de chegadas ou nascimentos. Seja
em que fi(xi) so as distribuies de probabilidade marginais de xt o nmero dessas chegadas ou nascimentos que ocorrem
x1, x2 , , xp, respectivamente, definidas como no intervalo [0,t). Note que o espao de variao de xt R =
fi ( xi ) = f ( x1 , x2 ,, x p )dx1dx2 dxi 1dxi +1 dx p {0,1,}.Suponha que o nmero de nascimentos durante inter-
Rxi
valos de tempo que no se sobrepem seja uma varivel aleatria
independente, e que haja uma constante positiva tal que, para
qualquer pequeno intervalo de tempo t, as seguintes afirmativas
sejam verdadeiras
S3.2 Desenvolvimento da Distribuio de 1. A probabilidade de que ocorra exatamente um nascimento
em um intervalo de tamanho t t.
Poisson 2. A probabilidade de que nenhum nascimento ocorra no inter-
valo 1 t.
A distribuio de Poisson amplamente usada no controle e me-
3. A probabilidade de que mais de um nascimento ocorra no
lhoria estatsticos da qualidade, frequentemente como um modelo intervalo zero.
subjacente de probabilidade para dados de contagem. Conforme O parmetro , em geral, chamado taxa de chegada mdia ou
observado na Seo 3.2.3 do texto, a distribuio de Poisson pode taxa mdia de nascimento. Esse tipo de processo, no qual cons-
ser deduzida como uma forma limite da distribuio binomial, tante a probabilidade de se observar exatamente um evento em um
e pode tambm ser desenvolvida a partir de um argumento de pequeno intervalo de tempo (ou a probabilidade de ocorrncia do
probabilidade para o processo de nascimento e morte. Damos, evento diretamente proporcional ao comprimento do intervalo
agora, um resumo de ambos os desenvolvimentos. de tempo), e a ocorrncia dos eventos em intervalos que no se
sobrepem independente, chamado de um processo de Poisson.
A Distribuio de Poisson como uma Forma No que segue, seja
Limite da Distribuio Binomial P{xt = x} = p(x) = px(t), x= 0,1,2,
Considere a distribuio binomial Suponha que no tenha havido qualquer nascimento at o
n
tempo t. A probabilidade de que no haja nascimentos at o final
p ( x) p x (1 p ) n x
= do intervalo t + t
x
n!
p0 (t + t )= (1 t ) p0 (t )
= p x (1 p )=
n x
, x 0,1,2,..., n
x !(n x)! Note que
Seja = np, de modo que p = /n. Agora, podemos escrever p0 (t + t ) p0 (t )
= p0 (t )
a distribuio binomial como t
4Material Suplementar para o Captulo 3

de modo que Assim, mostramos que f ( x) tem as propriedades de uma

funo densidade de probabilidade. O integrando obtido pela
p0 (t + t ) p0 (t )
lim = p0 (t ) = p0 (t ) substituio , naturalmente, a distribuio normal padro,
t 0 t um caso especial importante da distribuio normal mais geral.
Para x > 0 nascimentos ao final do intervalo t + t teremos A funo densidade de probabilidade normal padro tem uma
notao especial, a saber
t + t ) px 1 (t ) t (1 t ) px (t )
px (=
1 z 2 /2
e = ( z) e , < z <
2
p (t + t ) px (t )
lim x

t 0 t = px (t ) = px 1 (t ) px (t ) e a distribuio normal padro acumulada
z

Assim, temos um sistema de equaes diferenciais que des- (t )dt

( z ) =

creve as chegadas ou nascimentos:

Vrias propriedades teis da distribuio normal padro po-
p0 (t ) =
p0 (t ) para x = 0 dem ser encontradas por meio do clculo bsico:
px (t ) =
px1 (t ) px (t ) para x =
1,2, 1. ( z =
) ( z ), para todo z real, de modo que ( z ) uma funo
par (simtrica em torno de 0) de z
A soluo desse conjunto de equaes 2. ( z ) = z ( z )
( t ) x e t 3. (=z ) ( z 2 1) ( z )
=px (t ) = x 0,1,2, Consequentemente, (z) tem um nico mximo em z = 0,
x!
pontos de inflexo em z = 1, e ( z ) 0 e ( z ) 0 quando
Obviamente, para um valor fixo de t, essa a distribuio z .
de Poisson. A mdia e a varincia da distribuio normal padro so
encontradas como segue:

S3.3 A Mdia e a Varincia da Distribuio E ( z ) = z ( z )dz

Normal
= ( z )dz


Na Seo 3.3.1, introduzimos a distribuio normal, com funo = ( z )
densidade de probabilidade =0
1
1 ( x )2
e
=f ( x) e , x
2
2
2
E ( z 2 ) = z 2 ( z )dz
e estabelecemos que e so a mdia e a varincia, respectiva-
2

mente, da distribuio. Agora, vamos mostrar que essa afirmativa

correta.
=
[ ( z ) + (z)]dz

Note que f(x) > 0. Primeiro, avaliamos a integral I = f ( x)dx, = ( z ) + ( z )dz

mostrando que igual a 1. Na integral, mude a varivel de inte- = 0 +1
grao para z = (x )/. Ento =1
1 z 2 /2 Como a varincia de uma varivel aleatria pode ser expressa
I = e dz

2 em termos da esperana como 2 = E ( z ) 2 = E ( z 2 ) 2 , mos-
Como I > 0, se I2 = 1, ento I = 1. Agora, podemos escrever tramos que a mdia e a varincia da distribuio normal padro
so 0 e 1, respectivamente.
1 x2 /2 y 2 /2 Consideremos, agora, o caso em que x provm de uma dis-
2
I2 = e dx e dy
tribuio normal mais geral. Com base na substituio, temos
1 ( x2 + y 2 )/2 z = (x )/.
2
= e dxdy
1
1 2 ( x )2
Se mudarmos para coordenadas polares, ento E ( x) = x e 2 dx

2
x = r cos(), y = r sen()

e
=
( + z ) ( z )dz

1 2 r 2 /2 = ( z )dz + z ( z )dz
2 0 0
I2 = e rdrd

= (1) + (0)
1 2 1
2 0
= = d = 2 1 =
2
 Introduo ao Controle Estatstico da Qualidade 5

e 3. Se x for uma varivel aleatria lognormal, com parmetros

1 e 2, e se a, b, e c forem constantes tais que b = ec, ento
1 2 ( x ) 2

E( x2 ) = x2 e 2 dx a varivel aleatria y = bxa ter uma distribuio lognormal,

2 com parmetros c + a e a22.

=
( + z ) 2 ( z )dz

S3.5 Mais sobre a Distribuio Gama

2 ( z )dz + 2 z ( z )dz + 2 z 2 ( z )dz
=

= 2 1 + 2 0 + 2 1 A distribuio gama foi introduzida na Seo 3.3.4. A funo

= 2 + 2 densidade de probabilidade gama

Segue, ento, que V ( x) = E ( x 2 ) 2 = ( 2 + 2 ) 2 = 2 . =f ( x) ( x) r 1 e x , x 0
(r )

em que r > 0 um parmetro de forma e > 0 um parmetro

S3.4 Mais sobre a Distribuio de escala. O parmetro r chamado parmetro de forma porque
Lognormal determina a forma bsica do grfico da funo densidade. Por
exemplo, se r = 1, a distribuio gama se reduz a uma distri-
A distribuio lognormal uma distribuio geral de ampla apli- buio exponencial. Na verdade, h trs formas bsicas: r < 1
cao. Ela definida apenas para valores positivos da varivel ou hiperexponencial, r = 1 ou exponencial, e r > 1 ou unimodal
aleatria x e a funo densidade de probabilidade com assimetria direita.
A funo de distribuio acumulada da gama
1
1 (ln x )2
=f ( x) e 2 2
x>0
x 2 F ( x; r , ) ( )
(t ) r e x dt

Os parmetros da distribuio lognormal so < < e

A substituio u = t/ nessa integral resulta em F(x; r, ) =
0 < 2 < . A varivel aleatria lognormal relacionada com F(x/; r, 1), que depende apenas de atravs da varivel x/.
a varivel aleatria normal, uma vez que y = ln x distribuda
Tipicamente, chamamos tal parmetro um parmetro de esca-
normalmente, com mdia e varincia 2. la. Pode ser importante ter-se um parmetro de escala em uma
A mdia e a varincia da distribuio lognormal so distribuio de probabilidade, de modo que o resultado no
) =
E ( x= e
+ 12 2 dependa da escala de medida realmente usada. Por exemplo,
x
2 2
suponha que estejamos medindo o tempo em meses, e que = 6.
) =
V ( x= 2
x e 2 + (e 1) A probabilidade de que x seja menor do que ou igual a 12 meses
F(12/6; r, 1) = F(2; r, 1). Se quisermos considerar a medida
A mediana e a moda da distribuio lognormal so
em semanas, ento a probabilidade de que x seja menor do que
x = e ou igual a 48 semanas exatamente F(48/24; r, 1) = F(2; r, 1).
2 Assim, diferentes escalas de medida podem ser acomodadas pela
mo = e
mudana do parmetro de escala, sem se mudar para uma forma
Em geral, o ko momento em torno da origem da varivel mais geral da distribuio.
aleatria lognormal Quando r um inteiro, a distribuio gama algumas vezes
chamada de distribuio de Erlang. Outro caso especial da dis-
k + 12 k 2 2
E( xk ) = e tribuio gama surge quando fazemos r = 1/2, 1, 3/2, 2, e =
1/2; essa a distribuio qui-quadrado, com graus de liberdade
Como as distribuies gama e de Weibull, a lognormal tem r/ = 1,2, . A distribuio qui-quadrado muito importante na
aplicaes na engenharia de confiabilidade, em geral como mode- inferncia estatstica.
lo para tempo de sobrevivncia de componentes ou sistemas. Al-
gumas propriedades importantes da distribuio lognormal so:
1. Se x1 e x2 forem variveis aleatrias lognormais indepen- S3.6 A Taxa de Falha para a Distribuio
dentes com parmetros ( 1 , 12 ) e ( 2 , 22 ) , respectivamente,
ento y= x1 x2 sero uma varivel aleatria lognormal com Exponencial
parmetros 1 + 2 e 12 + 22 .
A distribuio exponencial
2. Se x1 , x2 ,..., xk forem variveis aleatrias lognormais, distri-
budas de maneira independente e idntica, com parmetros f ( x) e x , x 0
=
1/ k
k foi introduzida na Seo 3.3.3 do texto. Ela frequentemente
e 2, ento a mdia geomtrica dos xi, ou xi , ter
i =1 usada na engenharia da confiabilidade como modelo para o tem-
uma distribuio lognormal, com parmetros e 2/k. po de vida ou o tempo de falha de um componente ou sistema.
6Material Suplementar para o Captulo 3

Geralmente, definimos a funo de confiabilidade da uni- Uma taxa de falha constante implica que a confiabilidade
dade como da unidade no tempo t no depende de sua idade. Isso pode
R=
(t ) P{x > t} ser uma hiptese razovel para alguns tipos de unidade, como
t componentes eltricos, mas provavelmente no o ser para
= 1 f ( x)dx componentes mecnicos. Provavelmente, no tambm uma
0

= 1 F (t ) boa hiptese para muitos tipos de produtos de nvel de sistema,

que so feitos de muitos componentes (como um automvel).
em que, naturalmente, F(t) a funo de distribuio acumulada. Geralmente, uma funo de risco crescente indica que mais
Nas aplicaes biomdicas, a funo de confiabilidade , em provvel que a unidade falhe no prximo incremento de tempo
geral, chamada de funo de sobrevivncia. Para a distribuio do que em um incremento de tempo anterior de mesmo tamanho.
exponencial, a funo de confiabilidade Isso verossmil devido ao envelhecimento ou desgaste.
F(t)=et Apesar da aparente simplicidade de sua funo de risco, a
distribuio exponencial tem sido uma distribuio importante
A Funo de Risco na engenharia da confiabilidade. Isso se deve, em parte, porque
A mdia e a varincia de uma distribuio so muito importantes a hiptese de taxa de falha constante, provavelmente, razovel
nas aplicaes de confiabilidade, mas uma propriedade adicio- em alguma regio da vida da unidade.
nal, chamada de funo de risco, ou taxa de falha instantnea,
tambm muito til. A funo de risco a funo densidade
condicional de falha no tempo t. Assim, denotando-se por X a S3.7 A Taxa de Falha para a Distribuio
varivel aleatria e por x sua realizao, tem-se de Weibull
f ( x | X x) = h( x )
= F ( x | X x) A taxa de falha instantnea, ou a funo de risco, foi definida na
Seo S3.6 do Material Suplementar ao Texto. Para a distribuio
F ( x + x | X x) F ( x | X x)
= lim de Weibull, a funo de risco
x 0 x
F ( x X x + x | X x) f ( x)
= lim h( x ) =
x 0 x 1 F ( x)
F ( x X x + x, X x) ( / )( x / ) 1 e ( x / )

= lim =
x 0 xP{ X x} e ( x / )

F ( x X x + x) x
1
= lim =
x[1 F ( x)]
x 0

F ( x)
=
1 F ( x) Note que, se = 1, a funo de risco da Weibull constante. Isso
f ( x) no deve ser surpresa, uma vez que, para = 1, a distribuio
= de Weibull se reduz exponencial. Quando > 1, a funo de
1 F ( x)
risco da Weibull aumenta, aproximando-se de quando
Resulta que a especificao completa da funo de risco . Consequentemente, a distribuio de Weibull uma escolha
determina a funo de distribuio acumulada (e vice-versa). bastante comum como modelo para componentes ou sistemas
que sofrem deteriorao decorrente do desgaste ou fadiga. Para
A Funo de Risco para a Distribuio o caso em que < 1, a funo de risco da Weibull decresce,
Exponencial aproximando-se de 0 quando 0.
Para efeito de comparao, note que a funo de risco da
Para a distribuio exponencial, a funo de risco distribuio gama com parmetros r e tambm constante para
f ( x) o caso r = 1 (a gama tambm se reduz exponencial quando r =
h( x ) =
1 F ( x) 1). Tambm, quando r > 1, a funo de risco aumenta, e quando
r < 1, a funo de risco decresce. No entanto, quando r > 1, a
e x
= funo de risco se aproxima de por baixo, enquanto, se r < 1,
e x
a funo de risco se aproxima de por cima. Assim, embora os
=
grficos das distribuies gama e de Weibull se paream, e pos-
Ou seja, a funo de risco para a distribuio exponencial sam ambas produzir ajustes razoveis para o mesmo conjunto de
constante, ou a taxa de falha exatamente o inverso do tempo dados, elas tm, claramente, caractersticas diferentes em termos
mdio de falha. de descrio de dados de sobrevivncia ou confiabilidade.
 Material
Suplementar
para o
Captulo 4

S4.1 Amostras Aleatrias

Para a aplicao adequada de muitas tcnicas estatsticas, a amostra extrada da populao de interesse
deve ser uma amostra aleatria. Para a definio adequada de uma amostra aleatria, seja x uma varivel
aleatria que representa os resultados da seleo de uma observao da populao de interesse. Seja f(x)
a distribuio de probabilidade de x. Suponha, agora, que n observaes (uma amostra) sejam obtidas
independentemente da populao, sob condies iguais. Isto , no permitimos que o resultado de uma
observao influencie o resultado de outra observao. Seja xi a varivel independente que representa a
observao obtida na ia tentativa. Ento, as observaes x1, x2, , xn so uma amostra aleatria.
Em uma amostra aleatria, as distribuies de probabilidade marginais f1(x1), f2(x2), , fn(xn) so todas
idnticas, as observaes na amostra so independentes e, por definio, a distribuio de probabilidade
conjunta da amostra aleatria f(x1, x2,, xn) = f1(x1)f 2(x2) fn(xn).

S4.2 Operadores Valor Esperado e Varincia

Os leitores devem ter algum conhecimento prvio sobre esperana matemtica de um curso bsico de
estatstica. Aqui, so revistas algumas propriedades bsicas da esperana.
O valor esperado de uma varivel aleatria x, denotado por E(x), dado por
xi p ( xi ), se x for uma varivel aleatria discreta
todo xi
E ( x) =

xf ( x)dx, se x for uma varivel aleatria contnua


A esperana de uma varivel aleatria muito til, pois fornece uma caracterizao direta da distribuio,
e tem uma interpretao prtica simples como o centro de massa, centroide ou mdia da distribuio
Agora, suponha que y seja uma funo da varivel aleatria x, digamos y = h(x). Note que y tambm
uma varivel aleatria. A esperana de h(x) definida como
h( xi ) p ( xi ), se x for uma varivel aleatria discreta
todo xi
E[h( x)] =

h( x) f ( x)dx, se x for uma varivel aleatria contnua

Um resultado interessante, algumas vezes chamado de teorema do estatstico inconsciente, estabelece
que, se x for uma varivel aleatria contnua com funo densidade de probabilidade f(x) e y = h(x) ser
uma funo de x que tem funo densidade de probabilidade g(y), ento a esperana de y pode ser encon-
trada pelo uso da definio de esperana com g(y), ou em termos de sua definio como a esperana de
8Material Suplementar para o Captulo 4

uma funo de x em relao funo densidade de probabilidade da associao linear entre x1 e x2. Mais especificamente,
de x. Isto , podemos escrever podemos mostrar que, se x1 e x2 so independentes, ento

E ( y ) = yg ( y )dy Cov( x1 , x2 ) = 0 .

3. V ( x1 x2 ) = 12 + 22 2Cov( x1 , x2 )
ou 4. Se as variveis aleatrias x1 e x2 forem independentes,

V ( x1 x2 ) = 12 + 22
E ( y ) E=
= [h( x)]
h( x) f ( x)dx
5. Se as variveis aleatrias x1 e x2 forem independentes,
O nome desse teorema vem do fato de que sempre o usamos = ( x1 ) E ( x2 ) 12 .
E ( x1 x2 ) E=
sem considerarmos, conscientemente, se o teorema verdadeiro 6. A despeito de x1 e x2 serem, ou no, independentes, em geral
em nosso caso particular.
x E ( x1 )
E 1
Propriedades teis da Esperana I: x2 E ( x2 )
Seja x uma varivel aleatria com mdia , e seja c uma cons-
7. Para a varivel aleatria nica x
tante. Ento
1. E(c) = c V(x + x) = 42
2. E(x) =
3. E(cx) = cE(x) = c porque Cov( x, x) 2 .
4. E[ch(x)] = cE[h(x)]
5. Se c1 e c2 so constantes e h1 e h2 so funes, ento Momentos
E[c1h1 ( x) + c2 h2 ( x)]= c1E[h1 ( x)] + c2 E[h2 ( x)] Embora no faamos muito uso da noo de momentos de uma
varivel aleatria no livro, damos aqui a definio para fins de
Devido propriedade 5, a esperana chamada de um ope-
completude. Seja a funo da varivel aleatria x
rador linear (ou distributivo).
Considere, agora, a funo h(x) = (x c)2, em que c uma h(x) = xk
constante, e suponha que E[(x c)2] exista. Para encontrar o valor
de c para o qual E[(x c)2] um mnimo, escreva em que k um inteiro positivo. Ento, a esperana de h(x) =
xk chamada de ko momento em torno da origem da varivel
E[( x c) 2 ] = E[ x 2 2 xc + c 2 ] aleatria x e dado por
=E ( x 2 ) 2cE ( x) + c 2
xik p ( xi ), se x for uma varivel aleatria discreta
Agora, a derivada de E[(x c) ] em relao a c 2E(x) + 2c,
2 todo xi
E( xk ) =
e essa derivada zero quando c = E(x). Portanto, E[(x c)2]
x k f ( x)dx, se x for uma varivel aleatria contnua
mnimo quando c = E(x) = .

A varincia da varivel aleatria x definida como
Note que o primeiro momento em torno da origem exata-
( x) E[( x ) 2 ]
V= mente a mdia da varivel aleatria x. O segundo momento
= 2 em torno da origem

e, em geral, chamamos ) 2 + 2
E ( x 2=

( x) E[( x ) 2 ]
V= Momentos em torno da mdia so definidos como
( xi ) k p ( xi ), se x uma varivel aleatria discreta
de operador varincia. Se c for uma constante, mostra-se todo xi
E[( x ) ] =
k

diretamente que
( x ) k f ( x)dx, se x uma varivel aleatria contnua

V (cx) = c 2 2
O segundo momento em torno da mdia a varincia 2 da
A varincia o anlogo do momento de inrcia na mecnica. varivel aleatria x.

Propriedades teis da Esperana II

Sejam x1 e x2 variveis aleatrias com mdias 1 e 2 e varincias S4.3 Prova de que E(x) = e E(s2) = 2
12 e 22 , respectivamente, e sejam c1 e c2 constantes. Ento
fcil mostrar que a mdia amostral x e a varincia amostral
1. E(x1 + x2) = 1 + 2 s2 so estimadores no viesados dos parmetros populacionais
2. Pode-se mostrar que V ( x1 + x2 ) = 1 + 2 + 2Cov( x1 , x2 ) ,
2 2
correspondentes e 2, respectivamente. Suponha que a varivel
em que Cov( x1 , x2 ) =E[( x1 1 )( x2 2 )] a covarincia aleatria x tenha mdia e varincia 2, e que x1, x2, , xn seja
das variveis aleatrias x1 e x2. A covarincia uma medida uma amostra aleatria de tamanho n da populao.
 Introduo ao Controle Estatstico da Qualidade 9

1 n Note que:
E ( x ) = E xi a. Esses resultados no dependem da forma da distribuio para
n i =1
a varivel aleatria x. Muitas pessoas acham que a hiptese
1 n de normalidade necessria, mas no .
= E ( xi )
n i =1 b. Embora E ( s 2 ) = 2 , o desvio-padro amostral no um
1 n estimador no viesado do desvio-padro populacional. Isto
=
n i =1 discutido com mais detalhe na Seo S3-5.
=

porque o valor esperado de cada observao na amostra S4.4 Mais sobre Estimao de
E ( xi ) = . Considere, agora, Parmetros
n 2
( xi x ) Ao longo de todo o livro, estimadores de vrios parmetros popu-
E ( s 2 ) = E i =1 lacionais ou de processos so apresentados sem muita discusso
n 1
sobre como esses estimadores so gerados. Frequentemente,
eles so simplesmente estimadores lgicos ou intuitivos,
1 n
como o uso da mdia amostral x como estimador da mdia
= E ( xi x ) 2
n 1 i =1 populacional .
n n
H mtodos para o desenvolvimento de estimadores pontuais
conveniente escrever-se
i
2
(x x ) = x 2
i nx 2 , e assim de parmetros populacionais. Esses mtodos so tipicamente
=i 1 =i 1 discutidos em detalhes em cursos de estatstica matemtica.
Damos uma breve viso de alguns desses mtodos.
n 2
n
E ( xi x )= E ( xi ) E (nx )
2 2

= i 1= i1 O Mtodo da Mxima Verossimilhana

2 + 2 e E (x 2 ) =
Agora, E ( xi2 ) = 2 + 2 n . Portanto, Um dos melhores mtodos para a obteno de um estimador
pontual de um parmetro populacional o mtodo da mxima
1 n verossimilhana. Suponha que x seja uma varivel aleatria com
E (s 2 )
= ( 2 + 2 ) n( 2 + 2 n)
n 1 i =1 distribuio de probabilidade f(x;), em que um parmetro
1 nico desconhecido. Sejam x1, x2, , xn as observaes em uma
=
n 1
( n 2 + n 2 n 2 2 ) amostra aleatria de tamanho n. Ento, a funo de verossimi-
lhana da amostra
(n 1) 2
=
n 1 (L=
L= () ) f (fx1(;x1;) )f (fx(2 x;2 ;) f (fx(n x;n ;) )
)
= 2 O estimador de mxima verossimilhana de o valor de
que maximiza a funo de verossimilhana L().

EXEMPLO1 A Distribuio Exponencial

Para ilustrar o procedimento de estimao de mxima verossimi- Igualando a derivada a zero e resolvendo em relao ao estimador
lhana, considere x distribuda exponencialmente com parmetro . de , obtemos
A funo de verossimilhana de uma amostra aleatria de tamanho
n, digamos x1, x2, , xn, n 1
= =
n
x
n
L( ) = e xi xi
i =1
i =1
n
xi Assim, o estimador de mxima verossimilhana (ou EMV) de o
= ne i =1
recproco da mdia amostral.
Resulta que, em geral, se o estimador de mxima verossimilhana A estimao de mxima verossimilhana pode ser usada em
maximiza L(), ele tambm maximizar o log da verossimilhana, situaes em que h vrios parmetros desconhecidos, digamos
lnL().Para a distribuio exponencial, o log da verossimilhana 1 , 2 ,, p , a serem estimados. Os estimadores de mxima veros-
n similhana seriam encontrados simplesmente igualando-se a zero as
( ) n ln xi
ln L= p primeiras derivadas parciais L(1 , 2 ,, p ) / i , i =
1, 2,..., p da
i =1
verossimilhana (ou do log da verossimilhana), e resolvendo-se o
Ento sistema resultante de equaes.
d ln L( ) n n
= x
d i =1 i
10Material Suplementar para o Captulo 4

EXEMPLO 2 A Distribuio Normal

Seja x uma distribuio normal com parmetros e 2 desconhecidos. Ento

A funo de verossimilhana de uma amostra aleatria de tamanho n ln L( 2 ) 1 n
1 xi
2

= (x =
2 i 1 i
) 0
n
1

L( , ) =
2
e 2 ln L( 2 ) n 1 n
i =1 2
n 2
=
+ ( xi )2 =
2 2 2 4 i 1
0
1
1
2 2
( xi )2
= e i =1
A soluo dessas equaes fornece os EMVs
(2 2 ) n /2
1 n
A funo log-verossimilhana = = xi x
n i =1
n 1 n
1 n
ln L( , 2 ) =
ln(2 2 ) 2
2 2
(x ) i
2
= 2 ( xi x )2
i 1 n i =1

Geralmente, gostamos do mtodo de mxima verossimilhana Note que esse vis tende a zero medida que o tamanho
porque, quando n grande, (1) resulta em estimadores que so amostral n . Portanto, o EMV um estimador assintotica-
aproximadamente no viesados, (2) a varincia de um EMV to mente no viesado.
pequena, ou aproximadamente to pequena, quanto a varincia
que poderia ser obtida com qualquer outra tcnica de estimao, O Mtodo dos Momentos
e (3) os EMVs tm distribuio aproximadamente normal. Alm
disso, o EMV tem uma propriedade de invarincia de que, se A estimao pelo mtodo dos momentos envolve igualarem-se os
o EMV de , ento o EMV de uma funo de , digamos h(), momentos em torno da origem da distribuio de probabilidade
a mesma funo do EMV, h( ). Os EMVs gozam, tambm, (que so funes de parmetros desconhecidos) aos momentos
de outras boas propriedades estatsticas. Veja um livro sobre amostrais, e resolver-se em relao aos parmetros desconheci-
estatstica matemtica, como Hogg e Craig (1978) ou Bain e dos. Podemos definir os p primeiros momentos amostrais como
n
Engelhardt (1987).
A propriedade de no viesada do EMV uma propriedade x k
i
M k
= = , k 1,2,..., p
i =1
de grande amostra, ou propriedade assinttica. Para ilustrar, n
considere o EMV para 2 na distribuio normal do exemplo 2
e os p primeiros momentos em torno da origem da varivel
anterior. Podemos mostrar, facilmente, que
n 1 2 aleatria x so
E ( 2 ) =
n =k E=
( x k ), k 1, 2,..., p
O vis na estimao de 2
n 1 2
E ( 2 ) 2 = 2 2 =
n n

EXEMPLO 3 A Distribuio Normal

Para a distribuio normal, os dois primeiros momentos em torno Igualando-se os momentos amostrais aos da origem, resulta em
da origem so =x
1 = 1 n
2 + 2 = xi2
2 + 2
=
2 n i 1

e os dois primeiros momentos amostrais so

A soluo d os estimadores do momento de e 2:
M 1 = x = x
1 n
M 2 = xi2 1 n
n i =1 = 2 ( xi x )2
n i =1
 Introduo ao Controle Estatstico da Qualidade 11

O mtodo dos momentos, em geral, fornece estimadores que
so razoavelmente bons. No exemplo anterior, os estimadores de
momentos so idnticos aos EMVs. No entanto, os estimadores
de momento geralmente no so to bons quanto os EMVs,
porque no tm propriedades estatsticas boas. Por exemplo, os
estimadores de momento tm, em geral, varincias maiores do
que os EMVs.
Estimao de Mnimos Quadrados
O mtodo dos mnimos quadrados um dos mtodos de esti-
mao de parmetros mais antigos e mais amplamente usados.
A Seo 4.6 d uma introduo aos mnimos quadrados para
ajuste de modelos de regresso. Diferentemente do mtodo de
mxima verossimilhana e do mtodo dos momentos, o mtodo
populacional, isto , E(s2) = 2, e que esse resultado no depende
da forma da distribuio. No entanto, o desvio-padro amostral
no um estimador no viesado do desvio-padro populacional.
Isso fcil de se mostrar no caso em que a varivel aleatria x
segue uma distribuio normal.
Seja x com distribuio normal, mdia e varincia 2, e
sejam x1, x2, , xn uma amostra de tamanho n da populao. A
distribuio de
(n 1) s 2
2
qui-quadrado com n 1 graus de liberdade, denotada por n1 .
2
Portanto, a distribuio de s2 2/(n 1) vezes uma varivel
aleatria n1 . Assim, ao amostrarmos de uma distribuio nor-
2

de mnimos quadrados pode ser empregado quando a distribuio mal, o valor esperado de s2
da varivel aleatria desconhecida.
Para ilustrar, suponha que o simples modelo de localizao 2 2
E (s 2 ) = E n1
possa descrever a varivel aleatria x: n 1
xi = + i , i =1,2,..., n 2
= E ( n21 )
n 1
em que o parmetro desconhecido e os i so erros aleat- 2
rios. No conhecemos a distribuio dos erros, mas podemos = (n 1)
n 1
supor que tem mdia zero e varincia constante. O estimador de
= 2
mnimos quadrados de escolhido de modo que a soma dos
quadrados dos erros do modelo, i, seja minimizada. A funo porque a mdia de uma varivel aleatria qui-quadrado com n 1
de mnimos quadrados para uma amostra de n observaes x1, graus de liberdade n 1. Segue que a distribuio de
x2, , xn
n (n 1) s
L = i2
i =1
n
uma distribuio qui com n 1 graus de liberdade, denotada
= (x )
i =1
i
2
por n1 . O valor esperado de s pode ser escrito como

Derivando-se L e igualando-se a derivada a zero, resulta no

E (s) = E n1
estimador de mnimos quadrados de : n 1
= x
= E ( n1 )
n 1
Em geral, a funo de mnimos quadrados conter p parme-
tros desconhecidos e L ser minimizada pela soluo das equa- A mdia da distribuio qui com n 1 graus de liberdade
es que resultam quando as derivadas parciais de primeira ordem (n / 2)
de L em relao aos parmetros desconhecidos forem igualadas E ( n1 ) = 2
[(n 1) / 2]
a zero. Essas equaes so chamadas de equaes normais de
mnimos quadrados. Veja a Seo 4.6 no livro-texto.
O mtodo dos mnimos quadrados se origina de trabalho de
y e dy . Ento
em que a funo gama (r ) = r 1 y

Karl Gauss, do incio do sculo dezenove. Ele tem uma teoria 0

bem desenvolvida e bastante elegante. Para uma discusso sobre

o uso da estimao de parmetros em modelos de regresso por
mnimos quadrados e muitos exemplos ilustrativos, veja a Seo
4.6 e Montgomery, Peck e Vining (2012), e para uma apresen-
tao legvel e concisa da teoria, veja Myers e Milton (1991).
S4.5 Prova de que E(s)
Na Seo S4.4 do Material Suplementar ao Texto, mostramos
que a varincia amostral um estimador no viesado da varincia
2 (n / 2)
E (s) =
n 1 [(n 1) / 2]
= c4
A constante c4 dada na Tabela VI do Apndice.
Embora s seja um estimador viesado de , o vis se torna pe-
queno rapidamente medida que o tamanho amostral n aumenta.
Pela Tabela VI do Apndice, note que c4 = 0,94 para uma amostra
de n = 5, c4 = 0,9727 para uma amostra de n = 10, e c4 = 0,9896
ou muito prxima da unidade para uma amostra de n = 25.
12Material Suplementar para o Captulo 4

S4.6 Mais sobre Verificao de Hipteses A soluo dessas equaes

no Teste t 0 = y
1
O teste t de duas amostras pode ser apresentado do ponto de 1
= ( y2 y1 )
2
vista de um modelo de regresso linear simples. Essa uma
maneira muito instrutiva de se pensar sobre o teste t, uma vez Note que o estimador de mnimos quadrados do intercepto
que ele se adqua bem noo geral de um experimento fatorial a mdia de todas as observaes de ambas as amostras, enquanto
com fatores em dois nveis. Esse tipo de experimento muito o estimador da inclinao metade da diferena entre as mdias
importante no desenvolvimento e melhoria do processo, e amostrais nos nveis alto e baixo do fator x. A seguir, apre-
sentamos a sada do procedimento de regresso linear do Minitab
discutido extensivamente no Captulo 13. Isso leva, tambm, a
para os dados da catalisador.
outra maneira de se verificarem hipteses no teste t. Esse mto-
do equivalente ao grfico de probabilidade normal dos dados
originais, discutido no Captulo 4.
Usaremos os dados sobre os dois catalisadores do Exemplo Regression Analysis: prod versus catal
4.9 para ilustrar. No cenrio de teste t de duas amostras, temos The regression equation is
um fator x com dois nveis, que podem ser arbitrariamente prod = 92,5 + 0,239 catal
chamados de baixo e alto. Usaremos x = 1 para denotar o Predictor Coef SE Coef T P
Constant 92,4938 0,6752 136,98 0,000
nvel baixo desse fator (Catalisador 1) e x = +1 para denotar
Catal 0,2387 0,6752 0,35 0,729
o nvel alto desse fator (Catalisador 2). A figura que segue S = 2,70086 R-Sq = 0,9% R-Sq(adj) = 0,0%
um diagrama de disperso (do Minitab) dos dados de produo Analysis of Variance
resultantes do uso dos dois catalisadores mostrados na Tabela Source DF SS MS F P
4.2 do livro-texto. Regression 1 0,912 0,912 0,13 0,729
Residual Error 14 102,125 7,295
Total 15 103,037

Note que a estimativa da inclinao (dada na coluna rotulada

Coef e na linha rotulada Catal acima)
1 1
0,2387 = ( y2 y1 )= (92,7325 92,255)
2 2
e a estimativa do intercepto

1 1
92,4938 = ( y2 + y1 )= (93,7325 + 92,255) .
2 2
Alm disso, note que a estatstica t associada inclinao igual
a 0,35, exatamente o mesmo valor (a menos de sinal, porque
subtramos as mdias na ordem inversa) que demos no texto. Na
regresso linear simples, o teste t para a inclinao , na verdade,
o teste das hipteses
Ajustaremos um modelo de regresso linear simples a esses
dados, como H 0 : 1 = 0
H1 : 1 0
yij = 0 + 1 xij + ij
e isso equivalente ao teste de H0: 1 = 2.
em que 0 e 1 so o intercepto e a inclinao, respectivamente, fcil mostrar que o teste t usado para o teste de que a
da reta de regresso, e a varivel regressora, ou preditora, inclinao igual a zero na regresso linear simples idntico
x1j = 1 e x2j = +1. O mtodo dos mnimos quadrados pode ser ao teste t de duas amostras usuais. Lembre que, para o teste das
usado para a estimao da inclinao e do intercepto nesse hipteses anterior na regresso linear simples, a estatstica t
modelo. Admitindo-se que temos tamanhos amostrais iguais 1
n para cada nvel do fator, as equaes normais de mnimos t0 =
2
quadrados so:
S xx
2 n 2 n
2n0 = yij em que Sxx = ( x
=i 1 =j 1
ij x ) 2 a soma de quadrados dos xs
=i 1 =j 1
n n corrigida. Agora, em nosso problema especfico, x = 0, x1j =
2n1
= 2j y y1 j 1 e x2j = +1 de modo que Sxx = 2n. Assim, como j observamos
=j 1 =j 1
que a estimativa de sp,
 Introduo ao Controle Estatstico da Qualidade 13

1
( y2 y1 ) y y
S4.7 Mdias Quadrticas Esperadas na
1
=t0 = 2 = 2 1
Anlise da Varincia de Fator nico
2 sp
1
sp
2
S xx 2n n Na Seo 4.5.2, damos os valores esperados das mdias qua-
drticas para tratamentos e erro na anlise da varincia de um
Essa a estatstica usual do teste t de duas amostras para o nico fator (ANOVA). Essas quantidades podem ser deduzidas
por aplicao direta do operador esperana.
caso de tamanhos amostrais iguais.
Considere primeiro a mdia quadrtica para os tratamentos:
A maioria dos pacotes estatsticos para regresso tambm
calcular uma tabela ou listagem dos resduos do modelo. Os SQ
E ( MQTratamentos ) = E Tratamentos
resduos do ajuste do modelo de regresso obtido anteriormente a 1
pelo Minitab so os seguintes: Agora, para um planejamento balanceado (nmero igual de
observaes em cada tratamento)
Obs Catal Prod Fit SE Fit Residual St Resid
1 a 2 1 2
1 -1,00 91,500 92,255 0,955 -0,755 -0,30
2 -1,00 94,180 92,255 0,955 1,925 0,76
SQTratamentos
= yi an y
n i =1
3 -1,00 92,180 92,255 0,955 -0,075 -0,03
4 -1,00 95,390 92,255 0,955 3,135 1,24 e o modelo de fator nico da ANOVA
5 -1,00 91,790 92,255 0,955 -0,465 -0,18
6 -1,00 89,070 92,255 0,955 -3,185 -1,26 i = 1,2,, a
7 -1,00 94,720 92,255 0,955 2,465 0,98 yij = + i + ij
8 -1,00 89,210 92,255 0,955 -3,045 -1,21 j = 1,2,, n
9 1,00 89,190 92,733 0,955 -3,543 -1,40
10 1,00 90,950 92,733 0,955 -1,783 -0,71 Alm disso, o que segue ser de utilidade:
11 1,00 90,460 92,733 0,955 -2,273 -0,90
( ij ) E= ( ) 0 , E ( ij ) = , E ( 2 ) n 2 ,
( i ) E=
2 2
12 1,00 93,210 92,733 0,955 0,477 0,19 E=
13 1,00 97,190 92,733 0,955 4,457 1,76
14 1,00 97,040 92,733 0,955 4,307 1,70 E ( 2 ) = an 2
15 1,00 91,070 92,733 0,955 -1,663 -0,66
16 1,00 92,750 92,733 0,955 0,017 0,01
Agora
1 a 1 2
E ( SQ
= Tratamentos ) E yi2 E y
n
i =1 an
A coluna rotulada Fit contm os valores preditos de pro-
duo a partir do modelo de regresso, e so exatamente as m- Considere o primeiro termo no membro direito da expres-
dias das duas amostras. Os resduos esto na sexta coluna da so anterior:
tabela. Eles so exatamente as diferenas entre os valores ob- 1 a 2 1 a
E = yi E (n + n i + i )2
servados de produo e os correspondentes valores preditos. = n i 1= ni1
Segue um grfico de probabilidade normal dos resduos.
Elevando-se ao quadrado a expresso entre parnteses e
tomando-se os resultados da esperana resulta em
Normal Probability Plot of the Residuals
1 a 1
a (n ) 2 + n 2 i2 + an 2
(response is prod) a
E yi2 =

n i 1= n
99
= i 1

95 a
90 =an 2 + n i2 + a 2
i =1
80
70
porque os termos de produtos cruzados so todos zero. Considere
Percent

60
50
40
agora o segundo termo no membro direito de E(SQTratamentos):
30
2
20
1 2 1 a

E y=
E an + n i +
10

5
an an i =1
1
E ( an + )
2
1 =
-7,5 -5,0 -2,5 0,0 2,5 5,0 an
Residual
a
uma vez que
i =1
i = 0 . Aps elevarmos ao quadrado o termo

Note que os resduos se localizam aproximadamente ao longo entre parnteses e tomarmos a esperana, obtivemos
de uma reta, indicando que no h problema srio com a hipte- 1 2 1
E
= y (an ) 2 + an 2
se de normalidade nesses dados. Isto equivalente plotagem an an
dos dados originais de produo em grficos de probabilidade = an 2 + 2
separados, como fizemos no Captulo 3.
14Material Suplementar para o Captulo 4

uma vez que o valor esperado do produto cruzado zero. Assim, Para a mdia quadrtica do erro, obtivemos
1 a 1 2 SQE
E ( SQ
= Tratamentos ) E yi2 E y E ( MQE ) = E
n
i =1 an
N a
a
= an 2 + n i2 + a 2 (an 2 + 2 ) =
1 a n
E ( yij yi ) 2
i =1
N a =i 1 =j 1
a
= 2 (a 1) + n i2 1 a n 1 a
i =1 = E yij2 yi2
N a =i 1 =j 1 n=i 1
Consequentemente, o valor esperado da mdia quadrtica
para tratamentos Substituindo o modelo nessa ltima expresso, obtivemos
E ( SQTratamentos ) 1 a n 1 a n
2
E ( MQTratamentos ) = E ( MQE )
= E ( + i + ij ) 2 ( + i + ij )
a 1 N a =i 1 =j 1 n=i 1 =j 1
a
2 (a 1) + n i2
= i =1
Depois de elevarmos ao quadrado e tomarmos a esperana,
a 1
n i2
a
essa ltima equao se torna
= + 2 i =1
1 a a

a 1 E ( MQ
= E) N 2 + n i2 + N 2 N 2 n i2 a 2
N a
= i 1 =i 1
Esse o resultado dado no livro-texto. =2
 Material
Suplementar
para o
Captulo 5

S5.1 Uma Alternativa Simples para as Regras das Sequncias no

Grfico x
Sabe-se que, embora os grficos de controle de Shewhart detectem grandes mudanas rapidamente,
eles so relativamente insensveis a mudanas entre pequenas e moderadas no processo. Vrias regras
sensibilizantes (algumas vezes, chamadas regras de sequncias) foram propostas para reforar a eficcia
do grfico em detectar pequenas mudanas. Dessas regras, as da Western Electric esto entre as mais
populares. As regras da Western Electric so da forma r em m; isto , se r entre os ltimos m pontos
consecutivos excedem certo limite, gera-se um sinal de fora de controle.
Em um artigo fundamental, Champ e Woodall (1987) apontam que o uso dessas regras sensibilizantes
realmente aumenta a sensitividade do grfico, mas custa de (algumas vezes, grande) aumento na taxa de
falsos alarmes, o que diminui o CMS sob controle. Em geral, no achamos que as regras sensibilizantes
devam ser usadas rotineiramente em um grfico de controle, particularmente quando o processo passou
a um estado sob controle. Elas tm, de fato, alguma aplicao no estabelecimento de limites de controle
(Fase I do uso do grfico de controle) e na tentativa de se levar ao controle um processo descontrolado,
mas mesmo ento elas devem ser usadas com cuidado para se evitarem falsos alarmes.
Obviamente, os grficos de controle CUSUM e MMEP fornecem alternativas eficientes aos grficos
de controle de Shewhart para o problema de pequenas amostras. No entanto, Klein (2000) props outra
soluo, que simples e elegante: use uma regra de r entre m pontos consecutivos, mas aplique-a a um
nico limite de controle, em vez de a um conjunto de limites interiores do tipo aviso. Ele analisa as
duas regras seguintes:
1. Se dois pontos consecutivos excedem um limite de controle, o processo est fora de controle. A
amplitude dos limites de controle deve ser de 1,78.
2. Se dois em trs pontos consecutivos excedem um limite de controle, o processo est fora de controle.
A amplitude dos limites de controle deve ser de 1,93.
Essas regras seriam aplicadas a um lado do grfico de cada vez, assim como fazemos com as regras
da Western Electric.
Klein (2000) apresenta o desempenho do CMS dessas regras para o grfico x, usando amplitudes
reais de limites de controle de 1,7814 e 1,9307, uma vez que essas escolhas tornam o CMS sob
controle exatamente igual a 370, valores associados aos limites trs sigmas usuais do grfico de
controle de Shewhart. A tabela mostrada a seguir adaptada a partir desses resultados. Note que
o procedimento do Professor Klein melhora grandemente a capacidade de o grfico x de Shewhart
detectar pequenas mudanas. A melhora no to grande quanto a obtida com um MMEP ou um
CUSUM, mas substancial e, considerando-se a simplicidade do procedimento de Klein, ele deve
ser mais usado na prtica.
16Material Suplementar para o Captulo 5

Mudana na mdia CMS para o grfico CMS para o grfico CMS para o grfico
do processo, em uni- x de Shewhart com x de Shewhart com x de Shewhart com
dades de desvio- limites de controle limites de controle limites de
padro trs sigmas 1,7814 controle 1,9307
0 370 350 370
0,2 308 277 271
0,4 200 150 142
0,6 120 79 73
0,8 72 44 40
1 44 26 23
2 6,3 4,6 4,3
3 2 2,4 2,4
 Material
Suplementar
para o
Captulo 6

S6.1 s2 No Sempre um Estimador No Viesado de 2

Uma propriedade importante da varincia amostral que ela um estimador no viesado da varincia
populacional, como demonstrado na Seo S4.3 do Material Suplementar ao Texto. No entanto, essa
propriedade de no vis depende da hiptese de que os dados amostrais tenham sido extrados de um
processo estvel; isto , um processo que est sob controle estatstico. No trabalho de controle estatstico
da qualidade, algumas vezes fazemos essa hiptese, mas, se ela no for correta, pode haver srias conse-
quncias em relao s estimativas de parmetros do processo que obtivermos.
Para ilustrar, suponha que na sequncia de observaes individuais
x1, x2, , xt, xt+1, , xm
o processo esteja sob controle, com mdia 0 e desvio-padro para as t primeiras observaes, mas que,
entre xt e xt+1, tenha ocorrido uma causa atribuvel que resulta em uma mudana sustentada na mdia do
processo para um nvel = 0 + , e que a mdia do processo permanea nesse novo nvel pelas obser-
vaes restantes xt+1, , xm. Nessas condies, Woodall e Montgomery (2000-01) mostram que

t (m t )
E (s=
2
) 2 + ( ) 2 . (S6.1)
m(m 1)
De fato, esse resultado se verifica para qualquer caso em que a mdia das t observaes 0 e a mdia
das observaes restantes 0 + , desde que a ordem das observaes no seja relevante no clculo
de s2. Note que s2 viesado para cima; isto , s2 tende a superestimar 2. Alm disso, a extenso do vis
depende da magnitude da mudana na mdia (), do perodo de tempo depois do qual a mudana ocor-
re (t), e do nmero de observaes disponveis (m). Por exemplo, se h m = 25 observaes e a mdia
do processo muda de 0 para = 0 + (isto , = 1) entre a 20a e a 21a observaes (t = 20), ento s2
superestimar 2 em 16,7% em mdia. Se a mudana na mdia ocorrer mais cedo, digamos entre a 10a e
a 11a observaes, ento s2 superestimar 2 em 25% em mdia.
A prova da Equao S6.1 direta. Como podemos escrever

1 m 2
=s2
m 1 i =1
xi mx 2

ento

1 m 2 2 1 m
=
=
E (s2 ) E
x
m 1 i 1=
i
= mx
m 1 i 1
E ( xi2 ) mE ( x 2 )

18Material Suplementar para o Captulo 6

Agora, m

1 m 1 t m

R i
R= , (S6.2)
E ( xi2 ) + E ( xi2 )
i =1
= E ( xi2 )
m 1 i= 1 m 1 i= 1 i = t +1 m
1
t ( 02 + 2 ) + (m t )( 0 + ) 2 + (m t ) 2
que so comumente encontrados na prtica. O estimador
=
m 1
1 = R / d 2 (S6.3)
1
= [t 02 + (m t )( 0 + ) 2 + m 2 ]
m 1 amplamente usado depois da aplicao de grficos de controle
para a estimao da variabilidade do processo e avaliao da
e capacidade do processo. No Captulo 4, relatamos a eficincia
relativa do estimador de amplitude dado na Equao (S6.3) para o
m
2
1 mt 2
mE ( x 2 ) = 0 + + desvio-padro, para vrios tamanhos amostrais. Por exemplo, se
m 1 m 1 m m
n = 5, a eficincia relativa do estimador de amplitude comparada
ao desvio-padro amostral 0,955. Consequentemente, h pouca
Portanto
diferena prtica entre os dois estimadores. A Equao (S6.3)
1 2 mt
2 2 tambm frequentemente usada para a determinao dos limites
E (s 2 )
= ( t 0 + (m t )( 0 + ) + m ) m 0 + +
2 2

m 1 m m trs sigmas no grfico x de Shewhart em controle estatstico de

processo. O estimador
1 2
2
mt
=2 + t 0 + (m t )( 0 + ) m 0 +
2

m 1 m 2 = R / d 2* (S6.4)

1 (m t ) 2 mais frequentemente usado em estudos de medidores R & R e
2 +
= (m t )( ) 2 ( ) 2
m 1 m em amostragem de aceitao de variveis. Aqui, d 2* representa
2 +
=
1 m t
(m t )( ) 2 1
uma constante cujo valor depende tanto de m quanto de n. Veja

m 1 m Chrysler, Ford, GM (1995), Military Standard 414 (1957) e
= 2 +
t (m t )
( ) 2
Duncan (1986).
m(m 1) Patnaik (1950) mostrou que R / distribudo aproximada-
mente como um mltiplo de uma distribuio . Em particular,
R / distribudo aproximadamente como d 2 , em que
*

representa os graus de liberdade fracionados para a distribuio

S6.2 Devemos Usar d2 ou d 2* na Estimao
de via Mtodo da Amplitude?
No livro-texto, usamos o mtodo da amplitude para a estimao
do desvio-padro do processo, particularmente na construo de
grficos de controle de variveis (por exemplo, veja os grficos x
e R do Captulo 5). Usamos o estimador R / d 2 . Algumas vezes,
encontra-se um estimador alternativo, R / d 2* . Nesta seo, dis-
cutimos a natureza e os usos potenciais desses dois estimadores.
Muito dessa discusso adaptado de Woodall e Montgomery
(2000-01). O trabalho original sobre o uso de amplitudes para
se estimar o desvio-padro de uma distribuio normal se deve
a Tippett (1925). Veja tambm o artigo de Duncan (1955).
Suponha que tenhamos m amostras independentes, cada uma
de tamanho n, de uma ou mais populaes supostas normais,
com desvio-padro . Denotamos as amplitudes amostrais das m
amostras ou subgrupos por R1, R2, , Rm. Note que esse tipo de
. Patnaik (1950) usou a aproximao
d 2* d 2 1 + 1 + 1 2 5 3 . (S6.5)
4 32 128
Duncan (1986), Wheeler (1995), e Luko (1996), entre outros,
apontaram que 1 um estimador no viesado de e que 22
um estimador no viesado de 2. No entanto, para que 22 seja
um estimador no viesado de 2, David (1951) mostrou que no
se requeria qualquer aproximao para d 2* . Ele mostrou que
=
d 2* (d 22 + Vn / m)1/2 (S6.6)
em que Vn a varincia da amplitude amostral com tamanho
amostral n, de uma populao normal com varincia unitria.
importante notar-se que Vn = d32 , de modo que a Equao (S5-
6) pode ser facilmente usada para a determinao de valores de
d 2* a partir muitas tabelas disponveis para d2 e d3. Assim, uma
tabela de valores de d 2 , tais como os fornecidos por Duncan
*

dados surge frequentemente em aplicaes de controle estatstico
de processo e em estudos de repetitividade e reprodutividade de
medidores (R & R) (consulte o Captulo 8). Sabe-se que E(Ri)
= d2 e Var(Ri) = d32 2 para i = 1,2,, m em que d2 e d3 so
constantes que dependem do tamanho amostral n. Valores dessas
constantes so tabelados em praticamente todos os livros-texto
e materiais de treinamento de controle estatstico de processo.
Veja, por exemplo, a Tabela VI do Apndice para valores de d2
e d3 para n = 2 a 25.
H dois estimadores do desvio-padro do processo baseados
na amplitude amostral mdia,
(1986), Wheeler (1995) e muitos outros, no mais necessria
uma vez que valores de d2 e d3 sejam tabelados, como usualmente
o so (uma vez mais, veja a Tabela VI do Apndice). Tambm,
a aproximao
1
d 2* d 2 1 +
4
dada por Duncan (1986) e Wheeler (1995) se torna desnecessria.
A tabela de valores de d 2* dada por Duncan (1986) , frequen-
temente, a mais recomendada. Se uma tabela for necessria, as
 Introduo ao Controle Estatstico da Qualidade 19

de Nelson (1975) e Luko (1996) fornecem valores de d 2* que
so ligeiramente mais precisos, uma vez que se baseiam na
Equao (S6.6).
Nota-se que, medida que m aumenta, d 2 se aproxima de
*
d2. Isso tem sido frequentemente discutido, notando-se que v
aumenta quando m aumenta. O fato de que d 2 se aproxima de
*
d2 quando m aumenta, no entanto, percebido mais facilmente
pela Equao (S6.6), como apontado por Luko (1996).
Algumas vezes, recomenda-se o uso da Equao (S6.4) sem
qualquer explicao. Veja, por exemplo, as diretrizes sobre capa-
cidade de sistemas de medio da AIAG [Chrysler, Ford e GM
(1995)]. Frequentemente, a escolha entre 1 e 2 no tem sido
explicada claramente na literatura. Estabelece-se que o uso da
Equao (S6.3) requer que R seja obtido a partir de um grande
nmero de amplitudes individuais. Veja, por exemplo, Bissell
(1994, p. 289). Grant e Leavenworth (1996, p. 128) afirmam
que Estritamente falando, a validade do valor exato do fator d2
supe que a mdia das amplitudes tenha sido tirada a partir de um
bom nmero de subgrupos, digamos, 20 ou mais. Quando esto
disponveis apenas poucos subgrupos, obtm-se uma melhor esti-
mativa de usando-se um fator que autores na rea de estatstica
tm designado por d 2* . Nelson (1975) diz Se menos do que
um grande nmero de subgrupos for usado, a Equao (S6.3) d
uma estimativa de que no tem o mesmo valor esperado que o
estimador do desvio-padro. De fato, a Equao (S6.3) produz
um estimador no viesado de independentemente do nmero
de amostras m, ao passo que o desvio-padro combinado no o
faz (consulte a Seo S4.5 do Material Suplementar ao Texto).
A escolha entre 1 e 2 depende de se estar interessado na ob-
teno de um estimador no viesado de ou 2. medida que m
aumenta, ambos os estimadores (S6.3) e (S6.4) se tornam equi-
valentes, uma vez que cada um um estimador consistente de .
interessante notar-se que, entre todos os estimadores da
forma cR (c > 0), o que minimiza o erro quadrtico mdio na
estimao de tem
c = d 2 / (d 2* ) 2
A deduo desse resultado est nas provas no final dessa
seo. Se fizermos
d2
3 = R
(d 2* ) 2
ento, mostra-se nas provas que seguem que
d2
EQM ( 3=
) 1 *2 2
(d 2 )
Luko (1996) comparou o erro quadrtico mdio de 2 na
estimao de ao de 1 e recomendou 2 com base nos valores
de MQE uniformemente menores. Por definio, 3 leva a maior
reduo em MQE. Nas provas no final dessa seo, mostra-se que
a reduo percentual em MQE com o uso de 3 em lugar de 2
d* d
50 2 * 2
d2
Valores do percentual de reduo so apresentados na Tabela
S6.1. Note que, quando tanto o nmero de subgrupos quanto seus
tamanhos so pequenos, pode-se obter uma reduo moderada
no erro quadrtico mdio usando-se 3 .

TA B E L A S 6 . 1
Reduo Percentual no Erro Quadrtico Mdio pelo Uso de 3 no Lugar de 2
Tamanho do Subgrupo, Nmero de Subgrupos, m
n 1 2 3 4 5 7 10 15 20
2 10,1191 5,9077 4,1769 3,2314 2,6352 1,9251 1,3711 0,9267 0,6998
3 5,7269 3,1238 2,1485 1,6374 1,3228 0,9556 0,6747 0,4528 0,3408
4 4,0231 2,1379 1,4560 1,1040 0,8890 0,6399 0,4505 0,3017 0,2268
5 3,1291 1,6403 1,1116 0,8407 0,6759 0,4856 0,3414 0,2284 0,1716
6 2,5846 1,3437 0,9079 0,6856 0,5507 0,3952 0,2776 0,1856 0,1394
7 2,2160 1,1457 0,7726 0,5828 0,4679 0,3355 0,2356 0,1574 0,1182
8 1,9532 1,0058 0,6773 0,5106 0,4097 0,2937 0,2061 0,1377 0,1034
9 1,7536 0,9003 0,6056 0,4563 0,3660 0,2623 0,1840 0,1229 0,0923
10 1,5963 0,8176 0,5495 0,4138 0,3319 0,2377 0,1668 0,1114 0,0836

Provas Agora,

Resultado 1: Seja = cR , ento E ( R 2 ) =Var ( R ) + [ E ( R )]2 =d32 2 / m + (d 2 ) 2

EQM= ( ) 2 [c 2 (d 2* ) 2 2cd 2 + 1]
Assim,
Prova:
( ) E (cR ) 2
EQM= EQM (=
) c 2 d32 2 / m + c 2 d 22 2 2c (d 2 ) + 2

= E (c 2 R 2 2c R + 2 ) = 2 [c22(d32 / m + d 22 ) 2cd 2 + 1]
=c 2 E ( R 2 ) 2c E ( R ) + 2 = 2 [c 2 (d 2* ) 2 2cd 2 + 1]
20Material Suplementar para o Captulo 6

Resultado 2: O valor de c que minimiza o erro quadrtico Consequentemente,

d
mdio de estimadores da forma cR na estimao de *2 2 . (d 2* d 2 ) 2
(d 2 ) 2
Prova: EQM ( 2 ) EQM ( 3 ) (d 2* ) 2 d* d
= 100 = 100 50 2 * 2
EQM ( 2 ) (d d )
*
d2
( ) 2 [c 2 (d 2* ) 2 2cd 2 + 1]
EQM= 2 2 2 * 2
(d 2 )
dEQM ( ) d
= 2 [2c(d 2* ) 2 2d 2 ] = 0 c = *2 2
dc (d 2 ) S6.3 Determinando Quando o Processo
d
Resultado 3: O erro quadrtico mdio de 3 = *2 2 R se Deslocou
(d 2 )
d
2 1 *2 2 Grficos de controle monitoram um processo com a finalidade
(d 2 ) . de determinar a ocorrncia de alguma causa atribuvel. O conhe-
Prova: cimento de quando uma causa atribuvel ocorreu seria muito til
d2 d em sua identificao e eventual remoo. Infelizmente, o instante
( ) 2 *2 4 (d 2* ) 2 2 *2 2 d 2 + 1 (do resultado 1)
EQM = de ocorrncia da causa atribuvel nem sempre coincide com o
(d 2 ) (d 2 ) sinal do grfico de controle. De fato, dado o que se sabe sobre o
d 2
d 2
desempenho do comprimento mdio de sequncia de grficos de
= 2 *2 2 2 *2 2 + 1
(d 2 ) (d 2 ) 2 controle, realmente bastante improvvel que uma causa atribuvel
ocorra no instante do sinal. Portanto, quando ocorre um sinal, o
d
2
analista do grfico de controle deve examinar a histria do processo
= 2 1 *2 2
(d 2 ) um pouco antes desse ponto para determinar a causa atribuvel.
Mas, onde devemos comear? O grfico de controle CUSUM
Note que EQM ( 3 ) 0 quando n e EQM ( 3 ) 0 fornece alguma orientao simplesmente procure para trs no
quando m . grfico de status do CUSUM para encontrar o ponto no tempo
R = d 2 R em que o CUSUM passou pelo zero pela ltima vez (consulte
Resultado 4: Sejam 2 = e 3 . Ento,
d 2* (d 2* ) 2 o Captulo 8). No entanto, o grfico de controle x de Shewhart
no fornece orientao to simples.
EQM ( 2 ) EQM ( 3 ) Samuel, Pignatiello e Calvin (1998) usam alguns resultados
100 , tericos de Hinkley (1970) sobre problemas de ponto de mudana
EQM ( 2 )
para sugerir um procedimento para a determinao do instante
a reduo percentual no erro quadrtico mdio ao se usar o es- de uma mudana na mdia do processo em seguida a um sinal
R no grfico de controle x de Shewhart. Eles supem o grfico
timador de erro quadrtico mdio mnimo em vez de * [como
d2 de controle x padro, com valor sob controle 0 da mdia do
recomendado por Luko (1996)], processo. Suponha que o grfico sinalize na mdia do subgrupo
xT . Agora, os subgrupos sob controle so x1 , x2 ,, xt , e os sub-
d* d
50 2 * 2 grupos fora de controle so xt +1 , xt + 2 ,, xT , em que, obviamente,
d2 t T. O procedimento deles consiste em encontrar o valor de t
Prova: no intervalo 0 t T que maximize
2 2 ( d 2* d 2 ) (T t )( xT ,t 0 ) 2
Ct =
Luko (1996) mostra que EQM ( 2 ) = ; assim,
d *
2
1 T
em que xT ,t = xi a mdia cumulativa reversa; isto , a
T t i = t +1
mdia das T t mais recente das mdias de subgrupos. O valor
t que maximiza Ct o estimador do ltimo subgrupo que foi
selecionado do processo sob controle.
Tambm, voc pode achar interessante e til ler o material so-
bre procedimentos de pontos de mudana para o monitoramento
de processo no Captulo 10.

S6.4 Mais sobre Monitoramento da

Variabilidade com Observaes
Individuais
Como observado no livro-texto, quando se monitora um processo
usando-se medidas individuais (em oposio a subgrupadas), um

grfico de controle de amplitude mvel no fornece muita infor-
mao adicional til sobre mudanas na varincia do processo
alm da que dada pelos grficos de controle de observaes
individuais (ou um CUSUM ou um MMEP das observaes
individuais). Sullivan e Woodall (1996) descrevem um procedi-
mento de ponto de mudana que muito mais eficiente do que
os grficos de observaes individuais (ou CUSUM/MMEP) e
da amplitude mvel.
Suponha que um processo seja normalmente distribudo.
Divida, ento, as n observaes em duas parties de n1 e n2
observaes, com n1 = 2, 3, ..., n 2 observaes na primeira
partio e n n1 na segunda. A log-verossimilhana de cada
partio calculada, usando-se estimadores de mxima veros-
similhana para e 2 em cada partio. As duas funes log-
verossimilhana so, ento, adicionadas. Chame a soma das duas
funes log-verossimilhana de La. Seja L0 a log-verossimilhana
calculada sem qualquer partio. Ache, ento, o valor mximo
da razo de verossimilhana r = 2(La L0). O valor de n1 para o
qual ocorre esse valor mximo o ponto de mudana; isto , ele
a estimativa do ponto no tempo no qual ocorreu uma mudana,
ou na mdia do processo, ou na sua varincia (ou em ambas).
Sullivan e Woodall mostram como obter um grfico de
controle para a razo de verossimilhana r. Os limites de con-
trole devem ser obtidos ou por simulao, ou por aproximao.
Quando o grfico de controle d o sinal, a quantidade r pode ser
decomposta em dois componentes; um que zero, se as mdias
em cada partio forem iguais, e outro que zero, se as varincias
em cada partio forem iguais. O tamanho relativo desses dois
componentes sugere que a mdia do processo ou a varincia do
processo mudou.
S6.5 Detectando Afastamentos Versus
Deslocamentos na Mdia do Processo
No estudo do desempenho de grficos de controle, a maior parte
de nossa ateno se dirige descrio do que acontecer depois
de uma mudana sustentada no parmetro do processo. Isso
feito mais por convenincia, e porque tais estudos de desempenho
podem comear em qualquer ponto e uma mudana sustentada ,
certamente, um cenrio provvel. No entanto, um afastamento no
parmetro do processo tambm uma possibilidade verossmil.
Aerne, Champ e Rigdon (1991) estudaram vrios esquemas de
grficos de controle para quando a mdia do processo se afasta de
Introduo ao Controle Estatstico da Qualidade 21
acordo com uma tendncia linear. O estudo deles abrange o gr-
fico de controle de Shewhart, o grfico de controle de Shewhart
com regras suplementares de sequncias, o grfico de controle da
MMEP e o CUSUM. Eles planejam os grficos de modo que o
CMS sob controle seja 465. Alguns dos estudos anteriores sobre
grficos de controle com mdias que se afastam no fizeram isso,
e grficos diferentes tm valores diferentes de CMS0, o que torna
difcil tirarem-se concluses sobre o desempenho do grfico. Veja
Aerne, Champ e Rigdon (1991) para referncias e mais detalhes.
Eles relatam que, em geral, os grficos CUSUM e MMEP tm
melhor desempenho na deteco de tendncias do que o grfico
de controle de Shewhart, com ou sem regras de sequncias. No
h muita diferena no desempenho entre o CUSUM e o MMEP.
S6.6 Mdia Quadrtica das Diferenas
Sucessivas como um Estimador de 2
Uma alternativa ao estimador da amplitude mvel do desvio-pa-
dro do processo a mdia quadrtica das diferenas suces-
sivas como estimador de 2. A mdia quadrtica das diferenas
sucessivas definida como
1 n
MQDS
=
2(n 1) i =1
( x1 xi 1 ) 2
fcil mostrar-se que a MQDS um estimador no viesado
de 2. Seja x1, x2,, xn uma amostra aleatria de tamanho n de
uma populao com mdia e varincia 2. Sem perda de gene-
ralidade, podemos considerar a mdia como zero. Ento
1 n
E ( MQDS ) E
=
2( n 1)
( xi xi 1 ) 2
i =2
=
1 n 2
E ( xi + xi21 2 xi xi 1 )
2(n 1) i =2
1
= [(n 1) 2 + (n 1) 2 ]
2(n 1)
2(n 1) 2
=
2(n 1)
=2
Portanto, a mdia quadrtica das diferenas sucessivas um
estimador no viesado da varincia populacional.
Material
Suplementar
para o
Captulo 7

S7.1 Limites de Probabilidade em Grficos de Controle

Nos Captulos 6 e 7 do livro-texto, os limites de probabilidade para grficos de controle so discutidos
rapidamente. Os limites trs sigmas usuais so quase sempre usados com grficos de controle de vari-
veis, embora, como apontamos, possa haver vantagem ocasional no uso de limites de probabilidade, tais
como no grfico de amplitude para a obteno de um limite inferior de controle no nulo.
As aplicaes-padro dos grficos de controle de atributos quase sempre usam os limites trs sigmas tambm,
embora seu uso seja potencialmente um pouco mais complicado aqui. Quando usamos os limites trs sigmas
em grficos de atributos, estamos basicamente supondo apropriada a aproximao normal para a distribuio
binomial ou de Poisson, pelo menos na medida em que a distribuio da estatstica do grfico de atributo seja
aproximadamente simtrica, e que os limites de controle simtricos trs sigmas sejam satisfatrios.
Naturalmente, esse no ser sempre o caso. Se a probabilidade binomial p for pequena e o tamanho
amostral n no for grande, ou se a mdia da Poisson for pequena, ento os limites de controle simtricos trs
sigmas no grfico p ou c podem no ser apropriados, e os limites de probabilidade podem ser muito melhores.
Por exemplo, considere um grfico p com p = 0,07 e n = 100. A linha central est em 0,07 e os limites
de controle trs sigmas usuais so LIC = 0,007 e LSC = 0,147. Segue uma pequena tabela de probabi-
lidades binomiais acumuladas calculadas pelo Minitab.

Funo de Distribuio Acumulada

Binomial with n = 100 and p = 0,07
x P( X <= x )
0,00 0,0007
1,00 0,0060
2,00 0,0258
3,00 0,0744
4,00 0,1632
5,00 0,2914
6,00 0,4443
7,00 0,5988
8,00 0,7340
9,00 0,8380
10,00 0,9092
11,00 0,9531
12,00 0,9776
13,00 0,9901
14,00 0,9959
15,00 0,9984
16,00 0,9994
17,00 0,9998
18,00 0,9999
19,00 1,0000
20,00 1,0000

Se o limite inferior de controle estiver em zero e o limite
superior de controle estiver em 0,147, ento qualquer amostra
com 15 ou mais itens defeituosos ser plotada alm do limite
superior de controle. A tabela anterior mostra que a probabilidade
de obteno de 15 ou mais defeituosos quando o processo est
sob controle 1 0,9959 = 0,0041. Isso cerca de 50% maior do
que a taxa de alarme falso na teoria normal do grfico de controle
trs sigmas (0,0027). No entanto, se devssemos colocar o limite
inferior de controle em 0,01 e o limite superior de controle em
0,15, e concluir que o processo est fora de controle apenas se um
Introduo ao Controle Estatstico da Qualidade 23
limite de controle for excedido, ento a taxa de falso alarme seria
0,0007 + 0,0016 = 0,0023, que muito prximo do valor anun-
ciado de 0,0027. Alm disso, h um LIC no nulo, o que pode
ser muito til na prtica. Note que os limites de controle no so
simtricos em relao linha central. No entanto, a distribuio
de p no simtrica, de modo que isso no surpresa.
H vrias outras abordagens interessantes para o estabeleci-
mento de limites tipo de probabilidade em grficos de controle
de atributos. Consulte Ryan (2000), Acosta-Mejia (1999), Ryan e
Schwertman (1997), Schwertman e Ryan (1997) e Shore (2000).
Material
Suplementar
para o
Captulo 8

S8.1 Fatores Fixos Versus Aleatrios na Anlise da Varincia

No Captulo 4, apresentamos a anlise da varincia-padro (ANOVA) para um nico fator experimental,
supondo que esse seja um fator fixo. Por fator fixo, queremos dizer que todos os nveis do fator de interesse
foram estudados no experimento. Algumas vezes, os nveis de um fator so selecionados aleatoriamente
de uma grande populao (teoricamente infinita) de nveis de fator. Isso leva a um modelo de ANOVA
de efeitos aleatrios.
No caso de fator nico, h apenas pequenas diferenas entre os modelos fixo e aleatrio. O modelo
para um experimento de efeitos aleatrios ainda se escreve como
yij = + i + ij

mas agora os efeitos dos tratamentos i so variveis aleatrias, porque os nveis de tratamento realmente
usados no experimento foram escolhidos aleatoriamente. Supe-se que a populao de tratamentos seja
distribuda normal e independentemente, com mdia zero e varincia . Note que a varincia de uma
2

observao
V ( yij )= V ( + i + ij )
= 2 + 2

Em geral, chamamos 2 e 2 de componentes da varincia, e o modelo aleatrio , algumas vezes,

chamado modelo de componentes de varincia. Todos os clculos no modelo aleatrio so os mesmos
que no modelo de efeitos fixos, mas, como estamos estudando a populao inteira de tratamentos, no
faz sentido a formulao de hipteses sobre os nveis individuais de fatores selecionados no experimento.
Em vez disso, testamos as seguintes hipteses sobre a varincia dos efeitos dos tratamentos
H 0 : 2 = 0
H1 : 2 > 0
A estatstica de teste para essas hipteses a usual razo F, F = MQTratamentos /MQE. Se a hiptese nula
no rejeitada, no h variabilidade na populao de tratamentos, enquanto, se a hiptese nula for re-
jeitada, h variabilidade significante entre os tratamentos na populao inteira amostrada. Note que as
concluses da ANOVA se estendem populao inteira de tratamentos.
As mdias quadrticas esperadas no modelo aleatrio so diferentes de suas correspondentes do modelo
de efeitos fixos. Pode-se mostrar que
) 2 + n 2
E ( MQTratamentos=
E ( MQE ) = 2

Frequentemente, o objetivo de um experimento que envolve
fatores aleatrios a estimao dos componentes da varincia.
Uma maneira de se fazer isso igualando-se os valores esperados
das mdias quadrticas a seus valores observados e resolvendo-se
as equaes resultantes. Isso leva a
MQTratamentos MQE
2 =
n
2 = MQE
Esses so estimadores de momentos. Uma maneira mais mo-
derna de se estimarem os componentes da varincia com o uso
do mtodo da mxima verossimilhana, usualmente implemen-
tado atravs de uma tcnica chamada mxima verossimilhana
restrita, abreviada por REML (do ingls, restricted maximum
likelihood). Veja Montgomery (2012) para mais informao sobre
efeitos aleatrios e REML. Neste livro, usaremos a abordagem
do estimador de momentos.
Uma aplicao tpica de experimentos em que alguns dos
fatores so aleatrios um estudo da capacidade de sistemas
de medida, conforme discutido no Captulo 8. Ali, usamos um
modelo fatorial, de modo que a anlise e as mdias quadrticas
esperadas so um pouco mais complicadas do que no modelo
de fator nico considerado aqui.
S8.2 Mtodos de Anlise da Varincia
para Estudos da Capacidade de
Sistemas de Medida
No Captulo 8, apresentou-se uma abordagem por modelo de
anlise da varincia para estudos de sistemas de medida. Esse
mtodo substitui a abordagem tabular, apresentada junto com o
mtodo da ANOVA nas edies anteriores do livro. A abordagem
tabular um mtodo relativamente simples, mas no a abordagem
mais geral ou eficiente para a realizao de estudos de medidores.
Estudos de medidores e de sistemas de medida so experimentos
planejados e, frequentemente, vemos que o estudo de medidor
deve ser realizado com o uso de um experimento planejado, que
no se ajusta adequadamente no esquema de anlise tabular. Por
exemplo, suponha que os operadores usados com cada instru-
mento (ou medidores) so diferentes porque os instrumentos
Introduo ao Controle Estatstico da Qualidade 25
ficam em localizaes fsicas diferentes. Ento, operadores so
encaixados com instrumentos e o experimento foi realizado como
um experimento encaixado. Como outro exemplo, suponha que
os operadores no sejam selecionados aleatoriamente, porque
operadores especficos usados no estudo so os nicos que real-
mente realizam as medies. Esse um experimento de modelo
misto, e a abordagem de efeitos aleatrios sobre a qual se baseia
o mtodo tabular no apropriada. A abordagem da anlise da
varincia do modelo de efeitos aleatrios no texto tambm no
apropriada para essa situao. Dolezal, Burdick e Birch (1998),
Montgomery (2001), e Burdick, Borror e Montgomery (2003)
discutem a anlise da varincia de modelos mistos para estudos
de medidores R & R.
A abordagem tabular no se presta construo de intervalos
de confiana para os componentes da varincia ou funes dos
componentes da varincia de interesse. Por isso, no recomen-
damos a abordagem tabular para uso geral. H trs abordagens
gerais para a construo desses intervalos de confiana: (1) o
mtodo de Satterthwaite, (2) o mtodo de grandes amostras de
mxima verossimilhana, e (3) o mtodo de grandes amostras
modificado. Montgomery (2001) d uma viso geral desses
diferentes mtodos. Das trs abordagens, h boa evidncia de
que a abordagem de grandes amostras modificada a melhor, no
sentido de que produz os intervalos de confiana mais prximos
do nvel de confiana estabelecido.
Hamada e Weerahandi (2000) mostram como a inferncia
generalizada pode ser aplicada ao problema de determinao de
intervalos de confiana nos estudos de capacidade de sistemas
de medida. A tcnica um pouco mais elaborada do que os trs
mtodos citados antes. Integrao numrica ou simulao devem
ser usadas para se encontrar o intervalo de confiana desejado.
Burdick, Borror e Montgomery (2003) discutem essa tcnica.
Enquanto o mtodo tabular deve ser abandonado, o aspecto
de grfico de controle dos estudos de capacidade de sistemas de
medida deve ser usado de modo mais consistente. Frequente-
mente, tambm, um estudo de medida realizado e analisado via
algum programa de computador, sem adequada anlise grfica
dos dados. Alm disso, alguns dos conselhos em vrios padres
de qualidade e fontes de referncia relativas a esses estudos no
so muito bons, e podem produzir resultados de validade ques-
tionvel. A medida mais confivel de capacidade de medidor a
probabilidade de que as peas sejam classificadas erradamente.
Material
Suplementar
para o
Captulo 9

S9.1 A Abordagem pela Cadeia de Markov para se Encontrar os

CMSs para os Grficos de Controle CUSUM e MMEP
Quando as observaes extradas do processo so independentes, os comprimentos mdios das sequncias,
ou CMSs, so fceis de serem determinados para grficos de controle de Shewhart, porque os pontos
plotados no grfico so independentes. A distribuio do comprimento das sequncias geomtrica, de
modo que o CMS do grfico apenas a mdia da distribuio geomtrica, ou 1/p, em que p a probabili-
dade de que um nico ponto se localize fora dos limites de controle. A sequncia de pontos plotados nos
grficos CUSUM ou MMEP no independente, de modo que outra abordagem deve ser usada para se
encontrarem os CMSs. A abordagem pela cadeia de Markov, desenvolvida por Brook e Evans (1972)
amplamente usada. Damos uma breve discusso do procedimento para CUSUM unilateral.
A estatstica do grfico de controle CUSUM C+ (ou C) forma um processo de Markov com espao
de estado contnuo. Tornando discreta a varivel aleatria C+ (ou C) com um conjunto finito de valores,
CMSs aproximados podem ser obtidos da teoria da cadeia de Markov. Para o CUSUM unilateral superior
com intervalo de deciso superior H, os intervalos so definidos como a seguir:
(, w/2], [w/2, 3w/2],,[(k 1/2)w, (k + 1/2)w], , [(m 3/2)w, H], [H, )
em que m + 1 o nmero de estados e w = 2H/(2m 1). Os elementos da matriz de probabilidade de
transio da cadeia de Markov P = [pij] so
w /2
pi 0
=
f ( x iw + k )dx=
, i 0,1,..., m 1
( j +i /2) w = i 0,1,..., m 1
=pij
( j i /2) w
f ( x iw + k )dx
= j 1,2,..., m 1

p=
im H
f ( x iw + k )dx=
, i 0,1,..., m 1
p=
mj 0,=j 0,1,..., m 1
pmm = 1

O estado absorvente m e f denota a funo densidade de probabilidade da varivel que est sendo
monitorada com o CUSUM.
Pela teoria das cadeiras de Markov, os primeiros tempos esperados de passagem do estado i para o
estado absorvente so
m 1
1 + pij j , i =
i = 0,1,..., m 1
j =0
 Introduo ao Controle Estatstico da Qualidade 27

Assim, i o CMS, dado que o processo comeou no estado o procedimento comea com valor inicial u. Para o CUSUM
i. Seja Q a matriz de probabilidades de transio obtida pela unilateral superior
omisso da ltima linha e ltima coluna de P. Ento, o vetor dos H

CMSs encontrado pelo clculo de P(1, u ) =1 f ( x u + k )dx

w /2 m 1 ( j +1/2) w
= (I Q)11 =1 f ( x u + k )dx f ( x u + k )dx
( j 1/2) w
j =1
em que 1 um vetor m 1 de 1s e I a matriz identidade m m .
Quando o processo est fora de controle, esse procedimento e
fornece um vetor de CMSs de estado inicial (ou estado zero). Isto 0 H
P(n, u )= P(n 1,0) f ( x u + k )dx + P(n 1, y ) f ( x u + k )dx
, o processo muda para um estado fora de controle no incio do 0

grfico de controle. possvel, tambm, calcularem-se CMSs de = P(n 1,0)

0
f ( x u + k )dx +
w /2
P(n 1, y ) f ( x u + k )dx
estado estacionrio que descrevem o desempenho, supondo-se m 1
0

( j +1/2) w
que o processo mude para fora de controle depois que o grfico + P(n 1, y ) f ( x u + k )dx
( j 1/2) w
de controle j est operando por um longo perodo de tempo. j =1
w /2
Tipicamente, h muito pouca diferena entre CMSs de estado
0
= P(n 1,0) f ( x u + k )dx + P(n 1, 0 ) f ( x u + k )dx
0
inicial e de estado estacionrio. m 1 ( j +1/2) w
Seja P(n, i) a probabilidade de que o comprimento da sequn- + P(n 1, j ) f ( x u + k )dx
( j 1/2) w
cia assuma o valor n, dado que o grfico de controle comeou no j =1

estado i. Junte essas quantidades em um vetor, digamos, para n = 1,2, e para

pn = [P(n,0), P(n,1), , P(n, m1)]
0 (, w / 2) e j [( j 1 / 2) w,( j + 1 / 2) w] , j=1,2,,m1.
para n = 1,2, . Essas probabilidades podem ser calculadas,
resolvendo-se as seguintes equaes: Se w for pequeno, ento j ser o ponto mdio jw do jo intervalo
p= (I Q) 11 para j = 1,2,, m 1, e considerando apenas valores de P(n, u)
para os quais u = iw, resulta em
1

=p n Qp
= n 1 , n 2,3,...
m 1

Essa tcnica pode ser usada para o clculo da distribuio de P(1, iw) = 1 pij
j =0
probabilidade do comprimento da sequncia, uma vez que o pro- m 1
cesso tenha se iniciado no estado i. Alguns autores acreditam que P(n 1, iw) pij , n =
P(n, iw) = 2,3,...
a distribuio dos comprimentos da sequncia, ou seus percentis, j =0

so mais teis do que o CMS, pois a distribuio do comprimento

da sequncia , em geral, altamente assimtrica e, assim, o CMS
pode no ser um valor tpico em qualquer sentido.
S9.2 Equaes Integrais Versus Cadeias
de Markov para se Achar o CMS
Dois mtodos so usados para se encontrar a distribuio do CMS
de grficos de controle o mtodo de cadeias de Markov e uma
abordagem que usa equaes integrais. O mtodo de cadeias de
Markov descrito na Seo S9.1 do Material Suplementar do
Texto. Esta seo d uma viso geral da abordagem por equaes
integrais para o grfico de controle CUSUM. Alguma notao
definida na Seo S9.1 ser usada aqui.
Sejam P(n, u) e R(u) a probabilidade de que o comprimento
da sequncia assuma o valor n e o CMS para o CUSUM quando
Mas essas ltimas equaes so exatamente as equaes
usadas para o clculo das probabilidades dos tempos de primei-
ra passagem em uma cadeia de Markov. Portanto, a soluo da
abordagem da equao integral envolve a resoluo de equaes
idnticas s usadas no procedimento de cadeias de Markov.
Champ e Rigdon (1991) do uma excelente discusso sobre
as tcnicas de cadeias de Markov e de equaes integrais para
se acharem os CMSs para os grficos de controle CUSUM e
MMEP. Eles observam que a abordagem por cadeias de Markov
envolve a obteno de uma soluo exata para uma formulao
aproximada do problema de CMS, enquanto a abordagem por
equaes integrais envolve a obteno de uma soluo aproxi-
mada para uma formulao exata do problema do CMS. Eles
apontam que solues mais precisas podem ser igualmente
encontradas por meio da abordagem das equaes integrais. No
entanto, h problemas para os quais o mtodo das cadeias de
Markov funcionaro, como o caso de uma mdia que se afasta.
Material
Suplementar
para o
Captulo 10

S10.1 Grficos de Controle para Diferenas

O grfico de controle para diferenas mencionado rapidamente no Captulo 10, e feita uma referncia
a um artigo de Grubbs (1946). Na verdade, h dois tipos de grficos de controle para diferenas na lite-
ratura. Grubbs comparou amostras de um processo de produo corrente a uma amostra de referncia.
Sua aplicao foi no contexto de teste de regulamentao. A quantidade plotada era a diferena entre a
mdia amostral corrente e a mdia amostral de referncia. Essa quantidade seria plotada em um grfico
de controle com linha central em zero e limites de controle em A2 R12 + R22 , em que R1 e R2 so as
2 2

amplitudes mdias para as amostras de referncia (1) e as amostras de produo corrente (2) usadas para
o estabelecimento dos limites de controle.
O segundo tipo de grfico de controle para diferenas foi sugerido por Ott (1947), que considerou a
situao em que as diferenas so observadas entre pares de medidas dentro de cada subgrupo (quase
como em um teste t emparelhado), e a diferena mdia para cada subgrupo plotada no grfico. A linha
central para esse grfico zero, e os limites de controle esto em A2 R , em que R a mdia das ampli-
tudes das diferenas. Esse grfico seria til na calibrao de instrumentos, em que uma medida em cada
unidade proveniente de um instrumento-padro (digamos, em um laboratrio) e a outra proveniente
de um instrumento usado em condies diferentes (como na produo).

S10.2 Grficos de Controle para Contrastes

H muitos processos de produo em que o monitoramento do processo importante, mas nos quais os
grficos de controle estatstico tradicionais no podem ser usados eficazmente devido a consideraes
sobre subgrupos racionais. Exemplos ocorrem frequentemente nas indstrias qumica e de processamento,
impresso, operaes de fundio e moldagem, e manufatura de eletrnicos e semicondutores.
Como ilustrao, considere uma fornalha usada para a criao de uma camada de xido em placas de
silcio. Em cada fornada, um conjunto de m placas ser processado e, completada a sequncia, ser tomada
uma nica medida da espessura do xido em cada um de n locais em cada placa. Essas mn medidas de
espessura sero avaliadas para a garantia da estabilidade do processo, verificao da possvel presena de
causas atribuveis, e determinao de quaisquer modificaes necessrias nas condies de operao da
fornalha (ou da receita) antes que sejam iniciadas outras sequncias. A Figura S10.1, adaptada de Runger
e Fowler (1999) e Czitrom e Reece (1997), mostra uma tpica fornalha de oxidao com m = 4 placas e
n = 9 locais em cada placa. No Captulo 6 do livro-texto, h um exemplo que ilustra uma fundio aero-
espacial em que a altura e o dimetro interno dos estatores so as caractersticas de interesse. Cada pea
moldada tem cinco estatores que so medidas para o monitoramento da caracterstica altura e o dimetro
de uma pea medido em 24 locais, usando-se uma mquina de medida por coordenadas.

Nessas aplicaes, no seria apropriado o monitoramento do
processo com os tradicionais grficos x e R. Por exemplo, na
fornalha de oxidao, no correto supor-se um subgrupo racio-
nal de n = 9 ou n = 36, porque todos os locais experimentam as
atividades do processo simultaneamente durante cada sequncia
da fornalha. Isto , h muito menos variabilidade entre as obser-
vaes em 9 locais do que se poderia antecipar em observaes
coletadas de um processo em que todas as medidas refletem
Figura S10.1 Diagrama de uma fornalha em que quatro placas so processadas simultaneamente e nove medidas da qualidade so rea-
lizadas em cada placa.
A abordagem mais largamente usada para o monitoramento
desses processos considerar-se a mdia de todas as mn obser-
vaes de uma sequncia como uma nica observao e usar-se
um grfico de controle de Shewhart para observaes individuais
para o monitoramento da mdia geral do processo. Os limites de
controle para esse grfico so, em geral, encontrados pela aplica-
o da amplitude mvel sequncia de mdias. Assim, os limites
de controle para o grfico de observaes individuais refletem a
variabilidade sequncia a sequncia, no a variabilidade dentro
de uma sequncia. A variabilidade dentro de uma sequncia
monitorada pela aplicao de um grfico de controle s (o des-
vio-padro), ou s2, a todas as mn observaes de cada sequncia.
interessante notar-se que essa abordagem to amplamente
usada, que pelo menos um pacote estatstico popular (Minitab) a
inclui como uma opo de grfico de controle padro (chamado
procedimento betweenwithin ou entredentro no Minitab).
Esse procedimento foi ilustrado no Exemplo 5-11.
Runger e Fowler (1999) mostram como os dados obtidos nesses
processos podem ser representados por um modelo de anlise da
varincia, e como os grficos de controle baseados em contrastes
podem ser planejados para a deteco de possveis causas atribuveis
de potencial interesse. A seguir, revemos brevemente seus resultados
e os relacionamos com outros mtodos. Ento, analisamos o desem-
penho da sequncia mdia dos grficos para contrastes, e mostramos
Introduo ao Controle Estatstico da Qualidade 29
as atividades do processamento que cada unidade experimenta
independentemente. O que ocorre usualmente quando essa m
aplicao dos grficos usuais implementada que os limites
de controle no grfico x sero muito estreitos. Ento, se o pro-
cesso experimenta moderada variabilidade de sequncia para
sequncia, haver muitos pontos fora de controle no grfico x
que os engenheiros e o pessoal de operao no podero associar
a problemas especficos ou a causas atribuveis.
que o uso de grficos de controle especialmente planejados pode
reforar grandemente a capacidade do esquema de monitoramento
para detectar causas atribuveis. Restringimos nossa anlise aos
grficos de Shewhart, mas tanto o grfico de controle CUSUM
quanto o MMEP seriam alternativas muito boas, porque so mais
eficientes na deteco de pequenos desvios que, provavelmente, so
de interesse em muitas dessas aplicaes.
Grficos de Controle para Contrastes
Consideremos o processo de oxidao na Figura S10.1, mas com
m placas em cada sequncia e n medidas, ou locais, em cada uma.
O modelo apropriado para a espessura do xido
yij =ri + s j + ij (S10.1)
em que yij a medida da espessura do xido na sequncia i e
local j, ri o efeito da sequncia, sj o efeito do local, e ij o
componente do erro aleatrio. Admitimos que os efeitos do local
sejam efeitos fixos, uma vez que as medidas so tomadas nos
mesmos locais em todas as placas. O efeito da sequncia um
fator aleatrio e admitimos que seja distribudo como NID(0, r2 ) .
Admitimos, tambm, que o termo erro seja distribudo como
NID(0, 2 ) . Note que a equao (S10.1) essencialmente um
modelo de anlise da varincia.
30Material Suplementar para o Captulo 10

Seja yt um vetor de todas as medidas do processo ao final da
sequncia t. Na maioria das aplicaes, comum atualizarem-
se os grficos de controle ao se completar cada sequncia. Um
contraste uma combinao linear dos elementos do vetor
observao yt, digamos
c = cy t
em que os elementos do vetor c tm soma zero e, por convenin-
cia, admitimos que o vetor contraste tem comprimento unitrio.
Isto ,
c1 = 0 e cc = 1
Qualquer vetor contraste ortogonal ao vetor que gera a
mdia, uma vez que esta pode ser escrita como
yt = 1y t / mn
Assim, um contraste gera informao que diferente da infor-
mao produzida pela mdia global da sequncia corrente. Com
base no problema particular, o analista do grfico de controle
pode escolher os elementos do vetor contraste c para fornecer
informao de interesse quele processo especfico
Para o exemplo, suponha que estejamos interessados em de-
tectar desvios no processo que pudessem causar uma diferena
na espessura mdia entre o topo e a base da fornalha. A causa de
engenharia de tal diferena poderia ser o gradiente da temperatura
ao longo da fornalha, desde o topo at a base. Para detectarmos essa
perturbao, gostaramos que o contraste comparasse a espessura
de xido mdia da placa do topo na fornalha com a espessura
mdia da placa da base. Assim, se m = 4, o vetor c tem mn =
36 componentes, sendo os 9 primeiros iguais a +1, os ltimos 9
iguais a 1, e os 18 elementos centrais so zero. Para normalizar
o contraste para que tenha um comprimento unitrio, usaramos
c = [1,1,,1,0,0,,0,1,1,,1] / 18
=c1
relativas aos subgrupo racionais. Yashchin (1994), Czitrom e
Reese (1997), e Hurwicz e Spagon (1997) apresentam, todos,
grficos de controle ou outras tcnicas similares com base em
componentes de varincia. A principal diferena dessa abordagem
em relao s desses autores o uso de uma partio tipo anlise
da varincia baseada nos contrastes, em vez de nos componentes
da varincia, como base para o esquema de monitoramento.
Roes e Does (1995) discutem o uso de contrastes, e Hurwicz e
Spagon discutem contrastes para estimar a contribuio para a
varincia pelos locais em placas. No entanto, o modelo de Runger
e Fowler o mais amplamente aplicvel de todas as tcnicas
que encontramos.
Embora a metodologia usada para o monitoramento de dife-
renas especficas nas condies do processo tenha sido estudada
por todos esses autores, o desempenho estatstico desses grficos
no foi demonstrado. Apresentamos, agora, alguns resultados de
desempenho para grficos de controle de Shewhart.
Desempenho de Comprimento Mdio da Sequncia
dos Grficos de Shewhart
Nesta seo, supomos que o processo mostrado na Figura S10.1
seja de interesse. So considerados os seguintes cenrios:
Uma mudana na mdia da placa do topo versus da placa
da base.
Mudanas no lado esquerdo versus lado direito de todas as
placas.
Mudanas significativas entre o exterior e o interior de cada
placa.
Quatro placas so selecionadas do forno.
Os contrastes para esses grficos so:
1
9
[1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 1, 1, 1, 1, 1, 1, 1, 1, 1]

Poderamos, tambm, dividir os elementos de c por 9 para

= c [0,0,0,0,0,1,1, 1, 1,0,0,0,0,0,1,1, 1, 1,0,0,0,0,0,1,1, 1, 10,0,0,0,0,1,1, 1, 1]
1
calcular as mdias das placas do topo e da base, mas isso no 2 16

realmente necessrio. = c [0,1,1,1,1, 1, 1, 1, 1,0,1,1,1,1, 1, 1, 1, 1,0,1,1,1,1, 1, 1, 1, 1,0,1,1,1,1, 1, 1, 1, 1]

3
1
32
Na prtica, um conjunto de k contrastes, digamos,
c1, c2,, ck, Uma comparao dos valores do CMS obtidos com o uso desses
contrastes e a abordagem tradicional um grfico de controle
pode ser usado para a definio de grficos de controle para de observaes individuais para a mdia de 36 observaes
monitoramento de um processo para se detectarem k causas apresentada nas Tabelas S10.1, S10.2 e S10.3. Pelo exame dessas
atribuveis de interesse. Eses grficos de controle simultneos tabelas, vemos que os grficos para os contrastes ortogonais,
tm taxa global de falsos alarmes, em que originalmente com o mesmo CMS sob controle que o grfico
k tradicional, so mais sensveis a mudanas em locais especficos,
= 1 (1 i ) (S10.2)
melhorando, assim, as chances de deteco de uma causa atri-
i =1
buvel. Note que a melhoria drstica para pequenas mudanas,
e i a taxa de falso alarme para o io contraste. Se os contrastes digamos da ordem de 1,5 desvio-padro ou menos.
forem ortogonais, ento a Equao (S9.2) se verificar exata- Uma anlise semelhante foi realizada para uma verso modi-
mente, enquanto se os contrastes no forem ortogonais, ento a ficada do processo mostrado na Figura S10.1. Neste exemplo, h
desigualdade de Bonferroni se aplicar e , na Equao (S10.2), sete medies por placa para um total de 28 medies em uma
um limite inferior para a taxa de falso alarme. sequncia. H, ainda, trs medies no centro da placa, mas
agora h apenas medies no permetro, um em cada canto.
Procedimentos Relacionados Os mesmos tipos de contrastes usados no exemplo anterior (topo
versus base, esquerdo versus direito e beirada versus centro)
Vrios autores sugeriram abordagens relacionadas para monito- foram analisados e os resultados do CMS so apresentados nas
ramento de processo quando se aplicam condies no padro Tabelas S10.4, S10.5 e S10.6
 Introduo ao Controle Estatstico da Qualidade 31

TA B E L A S 1 0 . 1 TA B E L A S 1 0 . 4
Desempenho do Comprimento Mdio da Sequncia dos Desempenho do Comprimento Mdio da Sequncia dos
Grficos de Contraste Tradicional e Ortogonal para uma Grficos de Contraste Tradicional e Ortogonal para uma
Mudana nas Beiradas de Todas as Placas. Neste grfico, Mudana na Beirada de Todas as Placas. Neste grfico,
m = 4 e n = 9. m = 4 e n = 7.
Tamanho da Contraste da Tamanho da
mudana em Beirada versus Grfico Mudana em Contraste do Canto
Mltiplos de Centro Tradicional Mltiplos de versus Centro Grfico Tradicional
0,5 11,7 13,6 0,5 26,7 46,4
1 1,9 2,2 1 4,6 9,8
1,5 1,1 1,1 1,5 1,7 3,3
2 1 1 2 1,1 1,7
2,5 1 1 2,5 1 1,2
3 1 1 3 1 1

TA B E L A S 1 0 . 2 TA B E L A S 1 0 . 5

Desempenho do Comprimento Mdio da Sequncia dos Comparao do Comprimento Mdio da Sequncia entre
Grficos de Contraste Tradicional e Ortogonal para uma Grficos de Contraste Tradicional e Ortogonal para uma
Mudana na Placa Superior. Neste grfico, m = 4 e n = 9. Mudana na Placa Superior. Neste grfico, m = 4 e n = 7.
Tamanho da
Tamanho da Mudana em Contraste Inferior
mudana em Contraste Inferior Mltiplos de versus Superior Grfico Tradicional
Mltiplos de versus Superior Grfico Tradicional
0,5 30,8 57,9
0,5 23,4 47
1 5,5 13,8
1 3,9 10
1,5 2 4,7
1,5 1,5 3,4
2 1,2 2,2
2 1,1 1,7
2,5 1 1,4
2,5 1 1,2
3 1 1,1
3 1 1

TA B E L A S 1 0 . 3
TA B E L A S 1 0 . 6
Desempenho do Comprimento Mdio da Sequncia dos
Desempenho do Comprimento Mdio da Sequncia dos
Grficos de Contraste Tradicional e Ortogonal para uma
Grficos de Contraste Tradicional e Ortogonal para uma
Mudana no Lado Esquerdo de Todas as Placas. Neste gr- Mudana no Lado Esquerdo de Todas as Placas. Neste gr-
fico, m = 4 e n = 9. fico, m = 4 e n = 7.
Tamanho da Tamanho da
Mudana em Contraste Direito Mudana em Contraste Direito Grfico
Mltiplos de versus Esquerdo Grfico Tradicional Mltiplos de versus Esquerdo Tradicional
0,5 26,7 57,2 0,5 26,7 46,4
1 4,6 13,6 1 4,6 9,8
1,5 1,7 4,6 1,5 1,7 3,3
2 1,1 2,2 2 1,1 1,7
2,5 1 1,4 2,5 1 1,2
3 1 1,1 3 1 1
32Material Suplementar para o Captulo 10
Diminuir o nmero de medies por placa aumentou a im-
portncia relativa das mudanas na mdia de um subconjunto
das observaes e os grficos de controle tradicionais sinalizam
a mudana mais rpido do que no exemplo anterior. Entretanto,
note que os grficos de controle baseados em contrastes orto-
gonais representam uma considervel melhoria em relao
abordagem tradicional.
S10.3 Grficos de Controle de Soma de
Sequncia e de Zonas
O grfico de controle de soma de sequncia foi introduzido
por Roberts (1966), e foi mais estudado por Reynolds (1971) e
Champ e Rigdon (1997). Para um grfico de sequncia para a
mdia amostral, o procedimento divide os possveis valores de x
em regies em cada lado da linha central do grfico de controle.
Se 0 a linha central e 0 o desvio-padro do processo, ento as
regies acima da linha central, por exemplo, so definidas como
[ 0 + Ai 0 / n , 0 + Ai +1 0 / n ), i =
0,1,2,..., a
para 0 = A0 < A1 < A2 < < Aa < Aa +1 = ,em que as constantes
Ai so determinadas pelo usurio. Um conjunto semelhante de
regies definido abaixo da linha central. Associa-se um escore
a cada regio, digamos si para a ia regio acima da linha central
e s-i para a ia regio abaixo da linha central. O escore si no
negativo, enquanto o escore s-i no positivo. O grfico da soma
de sequncia opera pela observao da regio na qual as mdias
de subgrupo caem e acumulao dos escores para aquelas regies.
O escore acumulado comea em zero. O procedimento do grfico
continua at que o escore acumulado alcance ou exceda um
limite superior positivo ou um limite inferior negativo, em cujo
caso gerado um sinal de fora de controle, ou at que a mdia
de subgrupo caia no outro lado da linha central, em cujo caso a
atribuio de escores comea de novo, com o escore cumulativo
comeando de acordo com o valor corrente de x .
Jaehn (1987) discute um caso especial de grfico de controle
de soma de sequncia, usualmente chamado de grfico de con-
trole de zona. No grfico de controle de zona h apenas trs
regies de cada lado da linha central, correspondentes a intervalos
de um, dois e trs sigmas (como nas regras de Western Electric),
e os escores das zonas so sempre considerados como 1, 2, 4 e
8 (este o valor associado a um ponto fora dos limites de trs
sigmas e , tambm, o escore total para o disparo do alarme).
Davis, Homer e Woodall (1990) estudaram o desempenho do
grfico de controle de zona e recomendaram os escores de zona
0, 2, 4 e 8 (ou, equivalentemente, 0, 1, 2, e 4).
Champ e Rigdon (1997) usam uma abordagem por cadeia de
Markov para estudar as propriedades do comprimento mdio da
sequncia de vrias verses do grfico de controle da soma de
sequncia. Eles observam que o grfico de controle da soma de
sequncia pode ser planejado de forma a ter o mesmo CMS sob
controle que um grfico de Shewhart com regras suplementares
de sequncia e melhor desempenho do CMS do que o grfico de
Shewhart com regras de sequncias, para a deteco de pequenos
ou moderados desvios. Seus resultados so consistentes com os
de Davis, Homer e Woodall (1990). Jin e Davis (1991) do um
programa de computador em FORTRAN para a determinao
dos CMSs do grfico de controle de zona.
Champ and Rigdon (1997) tambm comparam o grfico de
controle de zona aos grficos de controle CUSUM e MMEP.
Eles observam que, usando-se um nmero suficiente de regies,
o grfico de controle de zona pode se tornar competitivo com o
CUSUM e o MMEP, de modo que seria uma alternativa vivel
a esses grficos.
S10.4 Mais sobre Grficos de Controle
Adaptativos
A Seo 10.5 do texto discute grficos de controle adaptativos,
isto , grficos de controle nos quais ou o tamanho amostral ou
o intervalo amostral, ou ambos, so mudados periodicamente,
dependendo do valor corrente da estatstica amostral. Alguns
autores se referem a esses esquemas como grficos de controle
de tamanho amostral varivel (TAV) ou de tamanho inter-
valar varivel (TIV). Um procedimento que mudasse ambos
os parmetros seria chamado de um grfico de controle TA/
TIV. A aplicao bem-sucedida desses tipos de grficos requer
alguma flexibilidade da parte da organizao que os utiliza, no
sentido de, ocasionalmente, serem extradas amostras maiores
do que as usuais, ou de uma amostra ser extrada mais cedo do
que rotineiramente programado. No entanto, esquemas adapta-
tivos oferecem vantagens reais na melhoria do desempenho do
grfico de controle.
O livro-texto ilustra um sistema de dois estados ou duas zonas;
isto , o grfico de controle tem uma zona interior na qual se usa
o menor tamanho amostral (ou maior tempo entre amostras), e
uma zona exterior na qual se usa o maior tamanho amostral (ou
menor tempo entre amostras). O livro apresenta um exemplo que
envolve um grfico x , mostrando que possvel uma melhoria de
pelo menos 50% no desempenho do TMA se o intervalo amostral
puder ser adaptado com o uso de um sistema de dois estados. Uma
questo bvia se refere ao nmero de estados: dois estados so
o timo, ou pode haver melhores resultados pelo planejamento
de um sistema com mais de dois estados?
Vrios autores examinaram essa questo. Runger e Montgo-
mery (1993) mostraram que, para o grfico de controle TIV, dois
estados so o timo, se se considerar o desempenho do estado
inicial ou estado zero do grfico de controle (isto , o processo
est fora de controle quando se inicia o grfico de controle). No
entanto, se se considerar o desempenho de estado estacionrio (o
processo muda depois de o grfico de controle estar operando por
um longo tempo), ento um grfico de controle TIV com mais de
dois estados ser o timo. Esses autores mostram que um grfico
de controle TIV de dois estados bem planejado ter desempenho
praticamente to bom quanto o grfico timo, de modo que, na
prtica, pouco se ganha no desempenho operacional com o uso
de mais do que dois estados. Zimmer, Montgomery e Runger
(1998) consideram o grfico de controle TAV e mostram que dois
estados no so o timo, embora as melhorias no desempenho ao
serem usados mais de dois estados sejam modestas, e ocorram
 Introduo ao Controle Estatstico da Qualidade 33

principalmente quando o interesse est na deteco de pequenos Tagaras (1998) tambm d uma boa literatura de reviso do
desvios no processo. principal trabalho na rea at cerca de 1997. Baxley (1995) d um
Zimmer, Montgomery e Runger (2000) resumem o desempe- interessante relato do uso dos grficos de controle TIV na fabrica-
nho de inmeros esquemas de grficos de controle adaptativos, o de nylon. Park e Reynolds (1994) apresentaram um modelo
e oferecem algumas diretrizes prticas para seu uso. Eles obser- econmico do grfico de controle TAV e Prabhu, Montgomery e
vam que, em geral, o desempenho melhora mais rapidamente Runger (1997) estudaram o planejamento econmico-estatstico
pela adaptao do tamanho amostral do que pela adaptao do de esquemas de controle TA/TIV.
intervalo amostral.
Material
Suplementar
para o
Captulo 11

S11.1 Grficos de Controle CUSUM Multivariados

No Captulo 11, o grfico de controle multivariado MMEP (ou MMMEP) apresentado como uma extenso
relativamente direta do grfico univariado MMEP. Observou-se que vrios autores haviam desenvolvido
extenses multivariadas do CUSUM. Crosier (1988) props dois procedimentos CUSUM multivariados.
O que tem melhor desempenho do CMS se baseia na estatstica

{(S + Xi ) 1 (Si 1 + Xi )}
1/2
Ci = i 1

em que
0 se Ci k ,
Si =
(Si 1 + Xi )(1 k / Ci ) se Ci > k ,

com S0 = 0, e k > 0. Gera-se um sinal de fora de controle quando

(Si 1Si )1/2 > H
Yi =

em que k e H so o valor de referncia e o intervalo de deciso para o procedimento, respectivamente.

Duas formas do CUSUM multivariado foram propostas por Pignatiello e Runger (1990). Seu grfico
de controle de melhor desempenho se baseia nos seguintes vetores de somas acumuladas:
i
Di =
j =
i li +1
Xj

e
MC=i max{0,(Di 1Di )1/2 kli }

em que k > 0, li = li1+1 se MCi1 > 0 e li = 1, caso contrrio. Gera-se um sinal de fora de controle se MCi > H.
Esses dois CUSUMs multivariados tm, ambos, melhor desempenho do que o T 2 de Hotelling ou o
grfico de controle qui-quadrado. No entanto, o MMMEP tem desempenho de CMS muito semelhante a
esses dois CUSUMs multivariados e de implementao prtica muito mais fcil, de modo que ele deve
ser preferido.
 Material
Suplementar
para o
Captulo 13

S13.1 Diretrizes para o Planejamento de Experimentos

Coleman e Montgomery (1993) apresentam uma discusso da metodologia e algumas folhas de orien-
taes teis nas fases pr-experimentais do planejamento e realizao de um experimento industrial. As
folhas de orientao so particularmente apropriadas para experimentos complexos, de alto retorno ou
alta consequncia, envolvendo (possivelmente) muitos fatores ou outros problemas que necessitam de
considerao cuidadosa e (possivelmente) muitas respostas. Provavelmente, elas sero mais teis nos
estgios iniciais da experimentao com um processo ou sistema. Coleman e Montgomery sugerem
que as folhas de orientao funcionam mais eficientemente quando so preenchidas por uma equipe
de experimentadores, incluindo engenheiros e cientistas com conhecimento especializado do processo,
operadores e tcnicos, gerentes e (se disponveis) indivduos com treinamento especializado e experincia
em planejamento de experimentos. As folhas se destinam a encorajar discusso e resoluo de problemas
tcnicos e logsticos antes de o experimento ser realmente realizado.
Coleman e Montgomery do um exemplo que envolve a fabricao de propulsores por uma mquina
CNC, que so usados no motor de uma turbina de jato. Para se alcanarem os objetivos desejados de
desempenho, necessrio que as peas sejam produzidas com perfis das lminas que correspondam muito
bem s especificaes da engenharia. O objetivo do experimento era o estudo do efeito de diferentes
vendedores de ferramentas e parmetros da configurao da mquina sobre a variabilidade dimensional
das peas produzidas pelas mquinas CNC.
A Tabela S13.1 a seguir mostra a folha mestra de orientao. Ela contm informao til para o pre-
enchimento das folhas individuais para um experimento particular. A expresso escrita do objetivo do
experimento , em geral, mais difcil do que parece. Os objetivos devem ser no viesados, especficos,
mensurveis e de consequncia prtica. Para que eles sejam no viesados, os experimentadores devem
encorajar a participao de pessoas com conhecimento e interessadas, com perspectivas diversas. bas-
tante fcil planejar-se um experimento muito restrito para se provar uma teoria preferida. Para serem
especficos e mensurveis, os objetivos devem ser bastante detalhados e estabelecidos de forma que fique
claro quando eles so atingidos. Para serem de consequncia prtica, deve haver alguma coisa que ser
realizada de maneira diferente como resultado do experimento, tal como um conjunto de novas condies
de operao para um processo, uma nova fonte de material, ou talvez a realizao de um novo experi-
mento. Todas as partes interessadas devem concordar que foram estabelecidos os objetivos apropriados.
Os antecedentes relevantes devem conter informao de experimentos anteriores, se houver algum,
dados observacionais que podem ter sido coletados rotineiramente pelo pessoal de operao do proces-
so, dados de qualidade e confiabilidade de campo, conhecimento com base em leis ou teorias fsicas, e
opinio de especialistas. Essa informao ajuda na especificao de qual novo conhecimento pode ser
adquirido pelo atual experimento e motiva discusso por todos os membros da equipe. A Tabela S13.2
mostra o incio de uma folha de orientao para o experimento com a mquina CNC.
36Material Suplementar para o Captulo 13
TA B E L A S 1 3 . 1
Folha Mestra de Orientao. Esse guia pode ser usado para ajudar
a planejar e projetar um experimento. Ele serve como uma lista
de verificao para melhorar a experimentao e garante que os
resultados no sejam corrompidos por falta de planejamento cuida-
doso. Note que pode no ser possvel responder-se completamente
a todas as questes. Se conveniente, use folhas suplementares para
os tpicos 4-8
1. Nome do Experimentador e da Organizao:
Breve Ttulo do Experimento:
2. Objetivos do experimento (devem ser no viesados, especficos,
mensurveis e de consequncias prticas):
3. Antecedentes relevantes sobre a resposta e variveis de controle:
(a) relaes tericas; (b) conhecimento/experincia do especialista; (c)
experimentos prvios. Onde esse experimento se encaixa no estudo
do processo ou sistema?:
4. Liste: (a) cada varivel resposta, (b) o nvel normal da varivel
resposta ao qual o processo roda, a distribuio ou amplitude da
operao normal, (c) a preciso ou amplitude qual ela pode ser
medida (e como):
5. Liste: (a) cada varivel de controle, (b) o nvel normal da varivel
de controle ao qual o processo rodado, e a distribuio ou amplitude
da operao normal, (c) a preciso ou amplitude qual pode ser
estabelecido (para o experimento, no para operaes ordinrias de
fbrica) e a preciso com que pode ser medido, (d) os contextos das
variveis de controle propostas, e (e) os efeitos preditos (pelo menos,
qualitativos) que os contextos tero sobre cada varivel resposta:
6. Liste: (a) cada fator a ser mantido constante no experimento,
(b) seu nvel desejado e s ou amplitude de variao permissveis, (c)
a preciso ou amplitude qual pode ser medido (e como), (d) como
pode ser controlado, e (e) seu impacto esperado, se algum, sobre
cada uma das respostas:
7. Liste: (a) cada fator de perturbao (talvez, que varie com o
tempo), (b) preciso da medida, (c) estratgia (isto , formao de
blocos, aleatorizao ou seleo), e (d) efeito antecipado:
8. Liste e rotule interaes conhecidas ou suspeitas:
9. Liste restries sobre o experimento, como, por exemplo, facilidade
de troca de variveis de controle, mtodos de aquisio de dados,
materiais, durao, nmero de rodadas, tipo de unidade experimental
(necessidade de um planejamento subdividido), regies experimentais
ilegais ou irrelevantes, limites de aleatorizao, ordem das rodadas,
custo da mudana de uma varivel de controle, etc.:
10. Fornea preferncias de planejamento atuais, se alguma, e razes
para a preferncia, incluindo formao de blocos e aleatorizao:
11. Se possvel, proponha tcnicas de anlise e apresentao, por
exemplo, grficos, ANOVA, regresso, testes t etc.:
12. Quem ser responsvel pela coordenao do experimento?
13. Devem ser realizadas rodadas de teste? Por qu/ por que no?
As variveis resposta vm logo mente para a maioria dos
experimentadores. Quando h uma escolha, devem ser selecio-
nadas respostas contnuas, porque, em geral, dados binrios e
ordinais carregam muito menos informao e respostas contnuas,
medidas em uma escala numrica bem definida, so tipicamente
de mais fcil anlise. Por outro lado, h muitas situaes em que
uma contagem de defeituosos, uma proporo, ou mesmo uma
classificao subjetiva devem ser usadas como resposta.
TA B E L A S 1 3 . 2
Incio da Folha de Orientao para o Estudo da Mquina CNC
l. Nome do Experimentador e Organizao: John Smith, Process
Eng. Group
Ttulo Breve do Experimento: Estudo da Mquina CNC
2. Objetivos do experimento (devem ser no viesados, especficos,
mensurveis, e de consequncia prtica):
Para forjas de titnio por mquina, quantifique os efeitos do vendedor
de ferramentas; mudanas no eixo a, eixo x, eixo y e eixo z; velocidade
do eixo; altura da fixao; taxa de alimentao; e posio do eixo na
mdia e variabilidade no perfil da lmina para classe X de propulsores,
tal como mostrado na Figura 1.
3. Antecedentes relevantes sobre as variveis resposta e de controle:
(a) relaes tericas; (b) conhecimento/experincia do especialista; (c)
experimentos prvios. Onde esse experimento se encaixa no estudo
do processo ou sistema?
(a) Devido geometria da ferramenta, espera-se que mudanas no
eixo x produzam lminas mais finas, uma caracterstica no desejvel
do aeroflio.
(b) Essa famlia de peas tem sido produzida por mais de 10 anos.
Experincia histrica indica que ferramentas retificadas externamente
no funcionam to bem como as do vendedor interno (nossa prpria
operao de retfica).
(c) Smith (1987) observou em um estudo de engenharia de processo
interno que as velocidades atuais do eixo e as taxas de alimentao
funcionam bem na produo de peas que esto no perfil nominal
exigido pelos desenhos da engenharia mas nenhum estudo foi feito
sobre a sensitividade a variaes nos parmetros estabelecidos
Resultados desse experimento sero usados na determinao dos
parmetros de configurao da mquina para a usinagem de propulsores.
desejvel um processo robusto, isto , desempenho no alvo e de baixa
variabilidade, independentemente de qual vendedor de ferramenta se use.
A preciso da medida um aspecto importante da seleo das
variveis resposta em um experimento. altamente desejvel
garantir-se que o processo de medida esteja em um estado de
controle estatstico. Isto , idealmente h um sistema bem es-
tabelecido para a garantia tanto da preciso quanto da exatido
dos mtodos de medida a serem usados. A quantidade de erro na
medida decorrente dos medidores usados deve ser entendida. Se
o erro do medidor for grande em relao mudana na varivel
resposta que se deve detectar, ento o experimentador desejar
saber isso antes da realizao do experimento. Algumas vezes,
medidas repetidas podem ser feitas em cada unidade experimental
ou espcime de teste para se reduzir o impacto do erro de medida.
Por exemplo, ao se medir o nmero do peso molecular mdio de
um polmero com um cromatgrafo de permeao em gel (CPG),
cada amostra pode ser testada vrias vezes e a mdia das leituras
desses pesos moleculares pode ser relatada como a observao
para aquela amostra. Quando a preciso da medida inaceit-
vel, pode ser realizado um estudo de capacidade de sistemas de
medida para melhorar o sistema. Esses estudos so, em geral,
experimentos planejados bastante complicados. O Captulo 8
apresenta um exemplo de um experimento fatorial usado para o
estudo da capacidade de um sistema de medida.
O propulsor envolvido nesse experimento mostrado na Fi-
gura S13.1. A Tabela S13.3 lista a informao sobre as variveis
resposta. Note que, aqui, h trs variveis resposta.

Figura S13.1 Propulsor de motor a jato (viso lateral). O eixo z vertical, o eixo x horizontal, o eixo y perpendicular pgina. 1 =
altura da hlice, 2 = dimetro da hlice, 3 = altura da lmina do indutor, 4 = altura da lmina do exdutor, 5 = altura z da lmina.
TA B E L A S 1 3 . 3
Variveis Resposta
Varivel resposta Nvel e amplitude normais de
(unidade) operao
Perfil da lmina Nominal (alvo)
(polegadas) 1 10 polegadas a 2 10
3 3
polegadas em todos os pontos
Acabamento da superfcie Lisa a spera (exigindo
acabamento mo)
Contagem de defeitos na Tipicamente, 0 a 10
superfcie
Assim como com as variveis resposta, a maioria dos ex-
perimentadores pode gerar facilmente uma lista de candidatos
a fatores de planejamento a serem estudados no experimento.
Coleman e Montgomery os chamam de variveis de controle.
No texto, muitas vezes os chamamos de variveis controlveis,
fatores do planejamento ou variveis do processo. Variveis
de controle podem ser contnuas ou categricas (discretas).
A capacidade dos experimentadores para medir e estabelecer
esses fatores importante. Geralmente, pequenos erros na ca-
pacidade de estabelecer, manter ou medir os nveis de variveis
de controle so de consequncia relativamente pequena. Algu-
mas vezes, quando o erro de medida ou de estabelecimento
uma grande varivel de controle numrica, como temperatura,
dever ser tratada como uma varivel de controle categrica
(temperatura baixa ou alta). Alternativamente, h modelos
estatsticos de erros em variveis que podem se empregados,
embora seu uso esteja alm do escopo deste livro. A Tabela
S13.4 mostra informao sobre variveis de controle para o
exemplo da mquina CNC.
Fatores mantidos constantes so variveis de controle cujos
efeitos no so de interesse no experimento. As folhas de orien-
Introduo ao Controle Estatstico da Qualidade 37
Preciso e exatido das
medidas Relao da varivel resposta
como saber? com o objetivo
E 1 105 polegadas Estimar diferena mdia absoluta
De um estudo coordenado da do alvo e desvio-padro
capacidade da mquina de
medio
Critrio visual Deve ser to lisa quanto possvel
(comparar com padro)
Critrio visual No deve ser excessivo em
(comparar com padro) nmero ou grandeza
tao podem forar discusses significativas sobre quais fatores
so adequadamente controlados, e se alguns fatores potencial-
mente importantes (para os objetivos do experimento atual) esto
sendo mantidos constantes inadvertidamente, quando deveriam
ser includos como variveis de controle. Algumas vezes, espe-
cialistas no assunto escolhero manter constantes muitos fatores
e, como resultado, deixaro de identificar informao nova til.
Em geral, essa informao est na forma de interaes entre
variveis do processo.
No experimento da CNC, essa planilha ajudou os experimen-
tadores a reconhecerem que a mquina precisava estar comple-
tamente aquecida antes de cortar qualquer forja de lmina. O
procedimento real usado foi o de montar as matrizes de corte
na mquina e faz-la funcionar durante um ciclo de 30 minutos
sem acionar a ferramenta de corte. Isso permitiu que todas as
peas da mquina e o lubrificante atingissem temperatura normal
de estado estvel de operao. O uso de operador tpico (isto ,
nvel mdio) e o uso de um lote de decises sobre produtos de
forja contriburam para a segurana experimental. A Tabela
S13.5 mostra os fatores mantidos constantes para o experimento
de usinagem.
38Material Suplementar para o Captulo 13

TA B E L A S 1 3 . 4
Variveis de Controle
Preciso e
estabelecimento do erro Contextos propostos,
Varivel de controle Nvel ou amplitude de medio como com base em efeitos Efeitos preditos (para
(unidades) normal saber? preditos vrias respostas)
Mudana do eixo x* 0-0,020 polegada 0,001 polegada 0; 0,015 polegada Diferena
(polegadas) (experincia)
Mudana no eixo y* 0-0,020 polegada 0,001 polegada 0; 0,015 polegada Diferena
(polegadas) (experincia)
Mudana no eixo z* 0-0,020 polegada 0,001 polegada ? Diferena
(polegadas) (experincia)
Vendedor da ferramenta Interno, externo Interno, externo Externo mais varivel
Mudana no eixo a* 0-0,030 graus 0,001 grau 0; 0,030 grau Desconhecido
(graus) (adivinhao)
Velocidade do eixo 85-115% ~1% 90%, 110% Nenhum?
(% do nominal) (indicador no painel de
controle)
Altura da fixao 0-0,025 polegada 0,002 polegada 0; 0,015 polegada Desconhecido
(adivinhao)
Taxa de alimentao (% ~1% 90%, 110% Nenhum?
do 90-110% nominal) (indicador no painel de
controle)
* Os eixos x, y e z so usados em referncia pea e mquina CNC. O eixo a se refere apenas mquina.

TA B E L A S 1 3 . 5
Fatores Mantidos Constantes
Nvel experimental
Fator desejado e amplitude Preciso da medida Como controlar (no
(unidades) permissvel como saber? experimento) Efeitos antecipados
Tipo de fluido de corte Tipo padro No tem certeza, mas Use um tipo quando a Nenhum
considerado adequado mquina estiver aquecida
Temperatura do fluido de 100-100F 1-2F (estimativa) Faa rodadas quando a Nenhum
corte (graus F) quando a mquina estiver mquina tiver atingido
aquecida 100F
Operador Vrios operadores Use um operador de Nenhum
trabalham normalmente nvel mdio
no processo
Forjas de titnio Propriedades do material Preciso dos testes de Use um lote (ou bloco do Leves
podem variar de uma para laboratrio desconhecida lote de forja, apenas se
outra unidade necessrio)

Fatores de perturbao so variveis que, provavelmente,
tm algum efeito sobre a resposta, mas que so de pouco ou ne-
nhum interesse para o experimentador. Eles diferem dos fatores
mantidos constantes no sentido de que no podem ser mantidos
constantes, ou no podem ser controlados de modo algum. Por
exemplo, se fossem necessrios dois lotes de peas forjadas para
a realizao do experimento, ento as diferenas potenciais lote
a lote no material seriam uma varivel de perturbao que no
poderia ser mantida inteiramente constante. Em um processo qu-
mico, em geral, no podemos controlar a viscosidade (digamos)
do fluxo de alimentao do material de entrada ele pode variar
continuamente ao longo do tempo. Nesses casos, variveis de
perturbao devem ser consideradas ou no planejamento, ou na
anlise do experimento. Se uma varivel de perturbao puder ser
controlada, ento usamos uma tcnica de planejamento chamada
formao de blocos para eliminar seu efeito. Se a varivel de
perturbao no pode ser controlada, mas pode ser medida, ento
podemos reduzir seu efeito por uma anlise tcnica chamada
anlise de covarincia. Montgomery (2012) d uma introduo
anlise de covarincia.
A Tabela S13.6 mostra as variveis de perturbao identifi-
cadas no experimento de usinagem CNC. Nesse experimento,
 Introduo ao Controle Estatstico da Qualidade 39

TA B E L A S 1 3 . 6
Fatores de Perturbao
Fator de perturbao
(unidades)
Viscosidade do fluido de
corte
Temperatura ambiente (F)
Eixo
Vibrao da mquina
durante a operao
Estratgia (por exemplo,
Preciso da medida aleatorizao, formao
como saber? de blocos etc.)
Viscosidade-padro Mea a viscosidade no
incio e no fim
1-2F Faa rodadas abaixo de
por termmetro no 80F
ambiente
Forme blocos ou aleatorize
em relao ao eixo da
mquina
? No mova objetos pesados
no galpo da mquina CNC
Efeitos antecipados
Nenhum a leve
Leve, a menos que haja
tempo muito quente
Variao eixo a eixo
poderia ser grande
Vibrao forte pode
introduzir variao dentro
do propulsor

o nico fator de perturbao com potenciais efeitos srios foi
o eixo da mquina. A mquina tem quatro eixos, e finalmente
decidiu-se rodar o experimento em quatro blocos. Os outros
fatores foram mantidos constantes em nveis abaixo dos quais
se poderiam encontrar problemas.
Coleman e Montgomery tambm acham til a introduo de
uma folha para interao. O conceito de interao entre variveis
do processo no intuitivo, mesmo para engenheiros e cientistas
bem treinados. Portanto, no realista pensar-se que os experi-
mentadores possam identificar todas as interaes importantes no
incio do processo de planejamento. Na maioria das situaes, os
experimentadores realmente no sabem quais efeitos principais
so provavelmente importantes, de modo que pedir-lhes que
tomem decises sobre interaes impraticvel. No entanto,
algumas vezes os membros de uma equipe estatisticamente
treinada podem usar isso como uma oportunidade para ensinar
outros sobre o fenmeno interao. Quando se sabe mais sobre
o processo, pode ser possvel usar-se a folha de orientao para a
motivao de questes como h certas interaes que devem ser
estimadas? A Tabela S13.7 mostra os resultados desse exerccio
para o exemplo da mquina CNC.
Duas observaes finais: Primeira, um experimentador sem
um coordenador provavelmente fracassar. Alm disso, se algo
pode dar errado, provavelmente dar, de modo que o coordenador
ter realmente uma responsabilidade significativa na verificao
para garantir que o experimento esteja sendo realizado como
planejado. Segunda, relativamente s rodadas de teste, isso
sempre uma boa ideia particularmente se esse for o primeiro
em uma srie de experimentos, ou se o experimento tiver grande
significncia ou impacto. Uma rodada de teste pode consistir
em um ponto central em um fatorial ou uma pequena parte do
experimento talvez um dos blocos. Como muitos experimentos
envolvem pessoas e mquinas fazendo algo que nunca fizeram
antes, alguma prtica uma boa ideia. Outra razo para rodadas
de teste que podemos us-las para obter uma estimativa da
magnitude do erro experimental. Se o erro experimental muito
maior do que o antecipado, ento isso pode indicar a necessidade
de replanejamento de parte significativa do experimento. As ro-
dadas de teste tambm so uma boa oportunidade para garantir
que as medidas e sistemas de aquisio de dados ou de coleta
esto operando como previsto. A maioria dos experimentadores
nunca se arrepende de rodadas de teste.

TA B E L A S 1 3 . 7
Interaes
Varivel de Mudana Mudana Mudana
controle em y em z Vendedor em a Velocidade Altura Alimentao
Mudana em x P
Mudana em y - P
Mudana em z - - P
Vendedor - - - P
Mudana em a - - - -
Velocidade - - - - - F, D
Altura - - - - - -
NOTA: Variveis resposta so P = diferena de perfil, F = acabamento da superfcie e D = defeitos da superfcie.
40Material Suplementar para o Captulo 13

Folhas de Orientao em Branco, de Coleman e Montgomery (1993)

Variveis Resposta
Varivel resposta Nvel & amplitude normais de Preciso e exatido da medida Relao da varivel resposta
(unidades) operao Como saber? com o objetivo

Variveis de Controle
Preciso e exatido da
Varivel resposta Nvel & amplitude medida Contextos propostos, com Efeitos preditos (para
(unidades) normais de operao Como saber? base nos efeitos preditos vrias respostas)

Fatores Mantidos Constantes

Fator Nvel experimental desejado Preciso da medida Como controlar (no
(unidades) & amplitude permissvel Como saber? experimento) Efeitos antecipados

Fatores de Perturbao

Fator de perturbao Preciso da medida Estratgia (por exemplo,

(unidades) Como saber? aleatorizao, formao de blocos etc.) Efeitos antecipados

Interaes
Var. control 2 3 4 5 6 7 8
1
2 -
3 - -
4 - - -
5 - - - -
6 - - - - -
7 - - - - - -

Outras Ajudas Grficas para o Planejamento de Experimentos
Alm das tabelas no artigo Technometrics de Coleman e Mon-
tgomery, h um nmero de recursos grficos teis para o pla-
nejamento pr-experimental. Talvez a primeira pessoa a sugerir
mtodos grficos para o planejamento de um experimento tenha
sido Andrews (1964), que props um diagrama esquemtico do
sistema, muito parecido com a Figura 13-1 no livro-texto, com
entradas, variveis experimentais, e resposta, tudo claramente
rotulado. Esses diagramas podem ser muito teis para se focar
a ateno nos aspectos amplos do problema.
Barton (1997) (1998) (1999) discutiu vrios recursos grficos
teis no planejamento de experimentos. Ele sugeriu o uso de dia-
gramas IDEF0 para a identificao e classificao de variveis.
IDEF0 significa Linguagem de Identificao de Produo Inte-
grada com Ajuda de Computador, Nvel 0 (em ingls, Integrated
Computer Aided Manufacturing Identification Language, Level
0). A Fora Area Americana desenvolveu-a para representar as
sub-rotinas e funes de sistemas complexos de programas de
computador. O diagrama IDEF0 um diagrama de bloco que se
parece com a Figura 13.1 do livro-texto. Diagramas IDEF0 so
hierrquicos, isto , o processo ou sistema pode ser decomposto
em uma srie de passos de processo ou sistemas, e representado
como uma sequncia de caixas de nvel mais baixo dentro do
bloco principal do diagrama.
Barton sugere que diagramas de causa-e-efeito tambm
podem ser teis na identificao e classificao de variveis em
um problema de planejamento experimental. Esses diagramas
so muito teis na organizao e realizao de encontros de
brainstorming ou outros encontros para soluo de problemas,
nos quais as variveis do processo e seus potenciais papis no
experimento so discutidos e decididos.
Ambas essas tcnicas so muito teis na revelao de vari-
veis intermedirias. Essas so variveis que, geralmente, so
confundidas com variveis do processo diretamente ajustveis.
Por exemplo, a taxa de queima de um propulsor de foguete pode
ser afetada pela presena de vazios no material propulsor. No
entanto, os vazios so o resultado de misturas de tcnicas, tem-
peratura de tratamento e outras variveis do processo, de modo
que o experimentador no pode controlar os vazios diretamente.
Alguns outros artigos teis sobre planejamento de experi-
mentos incluem Bishop, Petersen e Trayser (1982), Hahn (1977)
(1984) e Hunter (1977).
S13.2 Uso do Teste t para Deteco da
Curvatura
Na Seo 13.5.4 do livro-texto, discutimos o acrscimo de pontos
centrais a um planejamento fatorial 2k. Essa uma ideia muito
til, pois permite uma estimativa do erro puro a ser obtido,
embora os pontos do planejamento fatorial no sejam replicados,
e permite que o experimentador obtenha uma avaliao da ade-
quao do modelo em relao a certos termos de segunda ordem.
Especificamente, apresentamos um teste F para as hipteses
H 0 : 11 + 22 + kk =
0 Em muitos problemas experimentais, necessrio planejar-se o
H1 : 11 + 22 + kk 0
Introduo ao Controle Estatstico da Qualidade 41
Uma estatstica t equivalente tambm pode ser empregada
para o teste dessas hipteses. Alguns programas de computador
relatam o teste t em vez do (ou alm do) teste F. No difcil
desenvolver-se o teste t e mostrar-se que equivalente ao teste F.
Suponha que o modelo apropriado para a resposta seja um
polinmio quadrtico completo e que o experimentador tenha
realizado um planejamento fatorial 2k completo no replicado
com nF pontos de planejamento, mais nC pontos centrais. Sejam
yF e yC as mdias das respostas nos pontos fatoriais e centrais,
respectivamente. Tambm, seja 2 a estimativa da varincia
obtida com o uso dos pontos centrais. fcil mostrar-se que
E ( yF ) = 1
(nF 0 + nF 11 + nF 22 + + nF kk ) = 0 + 11 + 22 + + kk
nF
e
E ( yC )
= (nC 0 ) 0
=
1
nC
portanto,
E ( yF yC ) = 11 + 22 + + kk
e assim v-se que a diferena nas mdias yF yC um estimador
no viesado da soma dos parmetros do modelo quadrtico puro.
Agora, a varincia de yF yC
1 1
) 2 +
V ( yF yC=
nF nC
Consequentemente, um teste das hipteses acima pode ser
realizado com o uso da estatstica
yF yC
t0 =
1 1
2 +
nF nC
que, sob a hiptese nula, segue uma distribuio t com nC 1
graus de liberdade. Rejeitaramos a hiptese nula (isto , nenhuma
curvatura quadrtica pura) se | t0 |> t /2,n 1 .
C
Esse teste t equivalente ao teste F dado no livro. Para ver
isso, eleve ao quadrado a estatstica t acima:
( yF yC ) 2 nF nC ( yF yC ) 2
=t02 =
1 1 (nF + nC ) 2
2 +
nF nC
Essa razo idntica ao teste F apresentado no livro-texto.
Alm disso, sabemos que o quadrado de uma varivel aleatria
t com v graus de liberdade uma varivel aleatria F com 1 e
v graus de liberdade no numerador e denominador, respectiva-
mente, de modo que o teste t para efeitos quadrticos puros ,
na verdade, equivalente ao teste F.
S13.3 Blocos em Experimentos Planejados
experimento de modo que a variabilidade que surge dos fatores de
perturbao possa ser controlada. Como um exemplo, considere
 42Material Suplementar para o Captulo 13

a fora de resistncia de sacolas de papel de mercearia descrita A hiptese nula de nenhuma diferena no nvel do fator ou
no livro. Relembre que as sequncias devem ser realizadas em mdias dos tratamentos testada pela estatstica
uma fbrica piloto. Suponha que cada sequncia leve cerca de SQFator / (a 1) MQFator
duas horas para ser completada, de modo que, no mximo, qua- =F =
SQE / (a 1)(b 1) MQE
tro sequncias possam ser realizadas em um dia. certamente
possvel que as operaes da fbrica piloto no sejam completa- Para ilustrar o procedimento, reconsidere os dados do expe-
mente consistentes de um para outro dia, devido a variaes nas rimento da fora de resistncia na Tabela 4.6, e suponha que o
condies ambientais e materiais, operao do equipamento de experimento tenha sido realizado como um PBCA. As colunas
teste para fazer as medies da fora de resistncia, mudanas da Tabela 4.6 (correntemente, rotuladas como Observaes)
no pessoal de operao, e assim por diante. Todas essas fontes seriam rotuladas blocos ou dias. O Minitab realizar a anlise
de variabilidade podem ser combinadas em uma nica fonte de PBCA, e a sada dada a seguir.
variabilidade de perturbao chamada tempo.
Um mtodo simples pode ser usado para se evitar que a varia-
bilidade associada a uma varivel de perturbao tenha impacto ANOVA: resist versus conc, dia
sobre os resultados experimentais. A cada dia, ou, em geral, a
Factor Type Levels Values
cada possvel nvel da varivel de perturbao, teste todos os
conc fixed 4 5 10 15 20
tratamentos ou nveis de fator de interesse. Em nosso exemplo, dia fixed 6 1 2 3 4 5 6
isso consistiria no teste de todas as quatro concentraes de Analysis of Variance for resist
madeira de lei que so de interesse, em um nico dia. Em cada Source DF SS MS F P
dia, os quatro testes so realizados em ordem aleatria. Esse conc 3 382,792 127,597 25,03 0,000
tipo de planejamento experimental chamado de planejamento dia 5 53,708 10,742 2,11 0,121
em blocos completamente aleatorizado ou PBCA. No PBCA, Error 15 76,458 5,097
o tamanho do bloco deve ser grande o bastante para abranger Total 23 512,958
todos os tratamentos. Se essa condio no for satisfeita, ento
um planejamento em bloco incompleto dever ser usado. Esse
Note que o fator concentrao significante, isto , h evidncia
tipo de planejamento discutido em alguns livros-texto de
de que a mudana na concentrao de madeira de lei afeta a fora
planejamento experimental. Veja, por exemplo, o Captulo 4 de
de resistncia mdia. A razo F para blocos ou dias pequena, su-
Montgomery (2012). gerindo que a variabilidade associada aos blocos era pequena. H
Em geral, para um PBCA com a tratamentos, realizaremos alguns problemas tcnicos associados ao teste estatstico dos efeitos
uma rplica completa desses tratamentos em cada um dos b dos blocos veja discusso em Montgomery (2102, Captulo 4).
blocos. A ordem na qual as sequncias so feitas em cada bloco O princpio dos blocos pode ser estendido a experimentos com
completamente aleatria. O modelo estatstico para o PBCA estruturas mais complexas de tratamento. Por exemplo, na Seo
i = 1,2,..., a 13.5.5, observamos que, em um experimento fatorial replicado, cada
yij = + i + j + ij replicao poderia ser rodada em um nico bloco. Assim, um fator
j = 1,2,..., b de perturbao pode ser acomodado em um experimento fatorial.
em que uma media global, i o io efeito de tratamento, j Como ilustrao, considere o experimento do roteador (Exem-
o jo efeito do bloco, e ij um ermo erro aleatrio, considerado plo 13.6 no texto). Suponha que cada uma das replicaes tenha
NID(0, 2 ). Pensaremos nos tratamentos como fatores fixos. A sido rodada em uma nica placa de circuito impresso. Conside-
definio dos efeitos de tratamentos e de blocos como desvios rando placas (ou replicaes) como blocos, podemos analisar
em relao a uma mdia global leva ao teste da igualdade esse experimento como um fatorial 22 em quatro blocos. Segue
das mdias de tratamentos como equivalentes a um teste das a anlise do Minitab. Note que ambos os efeitos principais e a
interao so importantes. H, tambm, alguma indicao de que
hipteses de que
os efeitos de bloco sejam significantes.
H 0 : =
1 =
2 =
a 0 versus H1 : pelo menos um i 0 .

A anlise da varincia (ANOVA) pode ser adaptada para a Fractional Factorial Fit: Vibra versus A, B
anlise do PBCA. A igualdade fundamental da ANOVA se torna
Estimated Effects and Coefficients for Vibra (coded units)
a b a b a b Term Effect Coef SE Coef T P
( yij y.. )=2 b ( yi. y.. )2 + a ( y. j y.. )2 + ( yij yi. y. j + y.. )2
=i 1 =j 1 =i 1 =j 1 =i 1 =j 1
Constant
Block 1
23.831
1.744
0.4359
0.7550
54.67
2.31
0.000
0.046
2 1.494 0.7550 1.98 0.079
3 2.156 0.7550 -2.86 0.019
ou A 16.638 8.319 0.4359 19.08 0.000
B 7.538 3.769 0.4359 8.65 0.000
SQT =SQFator + SQBlocos + SQE A*B 8.712 4.356 0.4359 9.99
Analysis of Variance for Vibra (coded units)
0.000

Source DF Seq SS Adj SS Adj MS F P

O nmero de graus de liberdade associado a essas somas de Blocks
Main Effects
3
2
44.36 44.36 14.787 4.86 0.028
1334.48 1334.48 667.241 219.48 0.000
quadrados 2-Way Interactions 1 303.63 303.63 303.631 99.88 0.000
Residual Error 9 27.36 27.36 3.040
ab 1 = (a 1) + (b 1) + (a 1)(b 1) Total 15 1709.83
 Introduo ao Controle Estatstico da Qualidade 43

S13.4 Mais sobre Mdias Quadrticas Portanto,

Esperadas na Anlise da Varincia SQA
E ( MQA ) = E
a 1
O Modelo de Efeitos Fixos de Dois Fatores 1
= E ( SQA )
Na Seo 13.4, descrevemos um experimento fatorial de dois a 1
fatores e apresentamos a anlise da varincia para o caso de 1 a

= abn 2 + bn i2 + a 2 (abn 2 + 2 )
efeitos fixos. Observamos que, dividindo-se o efeito principal a 1 i =1
e as mdias quadrticas da interao pela mdia quadrtica do 1 2 a

erro, forma-se a estatstica de teste adequada. Pelo exame das = (a 1) + bn i2
a 1
mdias quadrticas esperadas pode-se verificar isso. i =1
a
Considere o modelo de dois fatores de efeitos fixos bn i2
i = 1,2,,a = 2 + i =1
a 1
yij = + i + j + ( )ij + ijk j = 1,2,, b
k = 1,2,, n As outras mdias quadrticas esperadas so deduzidas de

modo anlogo. Em geral, para o modelo de efeitos fixos, os va-
dado como Equao (13.2) no livro-texto. relativamente lores esperados das mdias quadrticas para os efeitos principais
fcil o desenvolvimento das mdias quadrticas esperadas pela e interao so iguais varincia do erro 2 mais um termo que
aplicao direta do operador esperana. envolve o efeito fixo correspondente. O termo efeito fixo ser
Como ilustrao, considere a determinao do valor esperado zero se as mdias de tratamento forem zero, ou se os efeitos da
para uma das mdias quadrticas do efeito principal, digamos interao forem desprezveis. O valor esperado da mdia qua-
SQA 1 drtica do erro 2, de modo que a razo da mdia quadrtica
E
= ( MQA ) E= E ( SQA )
a 1 a 1 do termo do modelo para a mdia quadrtica do erro resulta
em um teste unilateral superior. O uso da distribuio F como
em que SQA a soma quadrtica do fator linha. Como
distribuio de referncia segue da hiptese e normalidade em
1 a 2 y2 relao varivel resposta.
SQA
=
bn i =1
yi
abn
1 a
y2 O Modelo de Efeitos Aleatrios
E( SQA )
= E yi2 E
bn i =1 abn Na Seo 8.7.2, discutimos brevemente o uso dos mtodos da
anlise da varincia para estudos da capacidade de sistemas
Lembre que, = 0 , = 0 , ( ) j = 0 , ( )i = 0 e ( ) = 0 , de medida. Admite-se que o modelo fatorial de dois fatores de
em que o subscrito ponto indica soma ao longo de todos os efeitos aleatrios seja apropriado para o problema. O modelo
valores daquele subscrito. Agora,
i = 1,2,,a
b n
yij = + i + j + ( )ij + ijk j = 1,2,, b
yi = y
=j 1 =
k 1
ijk = bn + bn i + n + n( )i + i
k = 1,2,, n

= bn + bn i + i
conforme dado na Seo 8.7.2 do livro-texto. Listamos as m-
e
1 a
1 a dias quadrticas esperadas para esse modelo na Equao (8.26),
= E y
2
i E (bn ) 2 + (bn) 2 i2 + i2 + 2(bn) 2 i + 2bn i + 2bn i i mas no as desenvolvemos formalmente. relativamente fcil
bn
=i 1 =i 1bn
1 a
o desenvolvimento das mdias quadrticas pela aplicao direta
= a(bn ) 2 + (bn) 2 i2 + abn 2 do operador esperana.
bn i =1
a Por exemplo, considere a determinao de
=abn 2 + bn i2 + a 2
i =1 SQA 1
E
= ( MQA ) E=
E ( SQA )
Alm disso, podemos mostrar facilmente que a 1 a 1
= y abn +
em que SQA a soma quadrtica do fator linha. Lembre que os
de modo que componentes do modelo i, j e ()ij so distribudos normal e
independentemente, com mdias zero e varincias 2 , 2 e
1 1 2 respectivamente. A soma quadrtica e sua esperana so
= E ( y2 ) E (abn + ) 2
abn abn ,
definidas como
1 1 a 2 y2
= E (abn ) 2 + 2 + 2abn
abn = SQA
bn i =1
yi
abn
1
= E (abn ) 2 + abn 2 1 a
y2
abn E ( SQA )
= E yi2 E
bn i =1 abn
= abn 2 + 2
 44Material Suplementar para o Captulo 13

Agora, Agora, podemos coletar os componentes do valor esperado

b n das somas quadrticas para o fator A e achar a mdia quadrtica
yi = y
=j 1 =
k 1
ijk
= bn + bn i + n + n( )i + i esperada como segue:

e E ( MQA ) = bn 2 + n 2 + 2
a a
1 1
= E yi2 E (bn ) 2 + (bn) 2 i2 + i2 + 2(bn) 2 i + 2bn i + 2bn i i
bn
=i 1 =i 1 bn Em algumas situaes, h apenas um conjunto especfico de
1 operadores que realizam as medies em um estudo de medi-
= a (bn ) 2 + a (bn) 2 2 + abn 2 2 + abn 2 2 + abn 2
bn
dor R & R, de modo que no podemos pensar nos operadores
= abn 2 + abn 2 + an 2 + a 2
como selecionados de uma grande populao. Assim, seria
Alm disso, podemos mostrar que apropriado um modelo de ANOVA que envolva peas esco-
lhidas aleatoriamente e efeitos fixos de operador. Esse um
y = abn + bn + an. + n( ) +
modelo misto da ANOVA. Para detalhes sobre o uso de modelos
de modo que o segundo termo no valor esperado de SQA se torna mistos em estudos da capacidade de sistemas de medida, veja
Montgomery (2012), Burdick, Borror e Montgomery (2003) e
1 1
E (=
y2 ) (abn ) 2 + a (bn) 2 2 + b(an) 2 2 + abn 2 2 + abn 2 Dolezal, Burdick e Birch (1998). Montgomery (2012) discute a
abn abn
estimao do componente da varincia no modelo misto usando
= abn 2 + bn 2 + an 2 + n 2 + 2
o mtodo REML.
 Material
Suplementar
para o
Captulo 14

S14.1 Planejamentos de Superfcie de Resposta

O Exemplo 14.2 introduz o planejamento composto central (PCC), talvez o planejamento mais amplamente
usado para o ajuste do modelo de superfcie de resposta de segunda ordem. O PCC muito atrativo por
vrias razes: (1) requer menos rodadas do que alguns de seus competidores, como o fatorial 3k, (2) pode
ser construdo a partir de um planejamento de primeira ordem (o 2k) pelo acrscimo das rodadas axiais,
e (3) o planejamento tem boas propriedades, tais como a propriedade de rotabilidade discutida no texto.
As rodadas fatoriais no PCC so importantes na estimao dos efeitos de primeira ordem (ou efeitos
principais) no modelo, bem como as interaes ou termos de produto cruzado. As rodadas axiais contri-
buem para a estimao dos termos quadrticos puros, alm de contriburem para a estimao dos efeitos
principais. Os pontos centrais contribuem para a estimao dos termos quadrticos puros. O PCC pode,
tambm, ser rodado em blocos, com a poro fatorial do planejamento mais pontos centrais formando
um bloco e as rodadas axiais mais alguns pontos centrais adicionais formando o segundo bloco. Para as
estratgias de formao de blocos envolvendo PCCs, consulte Montgomery (2012) ou Myers, Montgo-
mery e Anderson-Cook (2009).
Alm do PCC, h alguns outros planejamentos que podem ser teis para o ajuste de modelos de super-
fcie de resposta de segunda ordem. Alguns desses planejamentos foram criados como alternativas para
se superarem algumas objees ao PCC.
Uma crtica muito comum a de que o PCC requer 5 nveis para cada fator do planejamento, enquanto
o nmero mnimo de nveis requerido para o ajuste de um modelo de segunda ordem 3. fcil modificar-
se o PCC para conter 3 nveis de cada fator, estabelecendo-se a distncia axial = 1. Isso coloca as ro-
dadas axiais no centro de cada face do cubo, resultando em um planejamento chamado de cubo de face
centralizada. O planejamento Box-Behnken tambm um planejamento de segunda ordem, com todos
os fatores em 3 nveis. Nesse planejamento, as rodadas se localizam nos centros das arestas do cubo, e
no nos vrtices.
Outra crtica ao PCC que, embora os planejamentos no sejam grandes, eles esto longe de ser mni-
mos. Por exemplo, um PCC em k = 4 fatores de planejamento requer 16 rodadas fatoriais, 8 rodadas axiais,
mais nC > 1 pontos centrais. Isso resulta em um planejamento com, pelo menos, 25 rodadas, enquanto o
modelo de segunda ordem em k = 4 fatores de planejamento tem apenas 15 parmetros. Obviamente, h
situaes em que seria desejvel a reduo do nmero de rodadas necessrias.
Uma abordagem o uso de um fatorial fracionado no cubo. No entanto, o fracionado deve ser ou de
resoluo V, ou de resoluo III* (efeitos principais com aliases em interaes de dois fatores, mas ne-
nhuma interao de dois fatores alias de outra). Um planejamento de resoluo IV no pode ser usado,
porque resultaria em interaes de dois fatores aliases umas das outras, de modo que os termos de produto
cruzado no modelo de segunda ordem no poderiam ser estimados. Um planejamento composto pequeno
um PCC com frao de resoluo III* no cubo. Para o exemplo com k = 4 fatores de planejamento, isso
46Material Suplementar para o Captulo 14
envolveria o estabelecimento do operador D = AB para metade
da frao (a resoluo-padro IV de frao meio usa D = ABC). se desejamos medir uma resistncia desconhecida, podemos usar
Isso resulta em um pequeno planejamento composto com um
mnimo de 17 rodadas. Planejamentos hbridos so outro tipo
de planejamento de superfcie de resposta pequeno, que so, de
muitas maneiras, superiores ao composto pequeno. Esses e outros
tipos de planejamentos de superfcie de resposta so apoiados
por vrios pacotes de programas estatsticos. Esses planejamen-
tos so discutidos extensivamente em Myers, Montgomery e
Anderson-Cook (2009)
S14.2 Mais sobre Planejamentos Robustos
e Estudos de Robustez de Processos
Nos Captulos 13 e 14 enfatizamos a importncia do uso de
experimentos planejados para melhoria de produtos e proces-
sos. Hoje, muitos engenheiros e cientistas esto expostos aos
princpios de experimentos estatisticamente planejados como
parte de sua educao tcnica formal. No entanto, durante o
perodo 1960-1980, os princpios do planejamento experimental
(e mtodos estatsticos, em geral) no eram amplamente usados
como o so hoje.
No incio da dcada de 1980, Genichi Taguchi, um engenheiro
japons, introduziu a abordagem do planejamento experimental para
1. Planejamento de produtos ou processos de modo a serem
robustos em relao s condies.
2. Planejamento/desenvolvimento de produtos de modo a serem
robustos em relao variao de componentes.
3. Minimizao da variao em torno de um valor-alvo.
Taguchi chamou isso de problema de planejamento de par-
metro robusto. No Captulo 14, estendemos a ideia um pouco,
de modo a incluir no apenas planejamento de produto robusto,
mas estudos de robustez do processo.
Taguchi definiu problemas significativos de engenharia e a
filosofia que ele recomendou slida. No entanto, ele defendeu
alguns mtodos novos de anlise estatstica de dados e algumas
abordagens ao planejamento de experimentos que um exame
mais detalhado revelou serem desnecessariamente complicados,
ineficientes e, algumas vezes, ineficazes. Nesta seo, daremos
uma rpida viso geral da filosofia de Taguchi, relativa enge-
nharia da qualidade e ao planejamento experimental. Apresen-
taremos alguns exemplos de sua abordagem para planejamento
de parmetro robusto, e usaremos esses exemplos para reforar
os problemas com seus mtodos tcnicos. possvel combinar
seus conceitos slidos de engenharia com planejamento experi-
mental mais eficiente e eficaz e anlise baseada nos mtodos de
superfcie de resposta, como fizemos nos exemplos de estudos
de robustez de processo no Captulo 14.
A Filosofia de Taguchi
Taguchi defendia uma filosofia da engenharia da qualidade que
amplamente aplicvel. Ele considera trs estgios no desen-
volvimento de produto (ou processo): planejamento do sistema,
planejamento do parmetro e planejamento da tolerncia. No pla-
nejamento do sistema, o engenheiro usa princpios de engenharia
para determinar a configurao bsica do sistema. Por exemplo,
nosso conhecimento de circuitos eltricos para determinar que o
sistema bsico deva ser configurado como uma ponte de Wheats-
tone. Se estivermos planejando um processo para montagem de
placas de circuito impresso, determinaremos a necessidade de tipos
especficos de mquinas de insero axial, mquinas de montagem
de superfcie, mquinas de fluxo de solda, e assim por diante.
No estgio de planejamento do parmetro, os valores es-
pecficos para os parmetros do sistema so determinados. Isso
envolveria a escolha dos valores do resistor nominal e fonte de
energia para a ponte Wheatstone, o nmero e tipo de mquinas
de colocao de componentes para a placa de circuito impresso, e
assim por diante. Usualmente, o objetivo a especificao desses
valores dos parmetros nominais tais que a variabilidade transmi-
tida de variveis no controlveis ou de rudo seja minimizada.
O planejamento da tolerncia usado para a determinao das
melhores tolerncias para os parmetros. Por exemplo, na ponte de
Wheatstone, os mtodos de planejamento de tolerncia revelariam
quais componentes no planejamento eram mais sensveis e em que
ponto as tolerncias deveriam ser estabelecidas. Se um componente
no tem muito efeito sobre o desempenho do circuito, ele pode ser
especificado com uma tolerncia mais ampla.
Taguchi recomenda que mtodos estatsticos de planejamento
experimental sejam empregados para auxiliar nesse processo,
particularmente durante o planejamento dos parmetros e pla-
nejamento da tolerncia. Vamos focalizar o planejamento dos
parmetros. Mtodos de planejamento experimental podem ser
usados para se encontrar o melhor produto ou processo, em que
por melhor queremos dizer um produto ou processo que seja ro-
busto ou insensvel a fatores no controlveis que influenciaro
o produto ou processo, uma vez que esteja em operao de rotina.
A noo de planejamento robusto no nova. Engenheiros
sempre tentaram planejar produtos de modo que eles funcionem
bem sob condies no controlveis. Por exemplo, aeronaves de
transporte comercial voam to bem em uma tempestade como
em cu claro. Taguchi merece reconhecimento pela compreenso
de que o planejamento experimental pode ser usado como parte
formal do processo de planejamento de engenharia para ajudar
na obteno desse objetivo.
Um componente-chave da filosofia de Taguchi a reduo da
variabilidade. Em geral, a caracterstica do desempenho de cada
produto ou processo ter um valor alvo ou nominal. O objetivo
reduzir-se a variabilidade em torno desse valor-alvo. Taguchi
modela os afastamentos que podem ocorrer em relao a esse valor
alvo com uma funo perda. A perda se refere ao custo em que
incorre a sociedade quando o consumidor usa um produto cujas
caractersticas de qualidade diferem do nominal. O conceito de
perda social uma diferena em relao ao pensamento tradicional.
Taguchi impe uma funo quadrtica de perda da forma
L(y) = k(y T)2
mostrada na Figura S14.1 a seguir. Claramente, esse tipo de fun-
o penalizar mesmo pequenos afastamentos de y em relao a
T. Novamente, isso uma diferena em relao ao pensamento
tradicional, que usualmente associa penalidades apenas a casos
em que y est fora dos limites de especificao superior e inferior
(digamos y > LSE ou y < LIE na Figura S14.1). No entanto, a
 Introduo ao Controle Estatstico da Qualidade 47

filosofia de Taguchi relativa reduo da variabilidade e n-
fase na minimizao de custos inteiramente consistente com a
filosofia de melhoria continuada de Deming e Juran.
Em resumo, a filosofia de Taguchi envolve trs ideias centrais:
1. Produtos e processos devem ser planejados de modo a serem
robustos contra fontes externas de variabilidade.
2. Mtodos de planejamento experimental so uma ferramenta
de engenharia para ajudar na consecuo desse objetivo.
3. Operao no alvo mais importante do que conformidade
com especificaes.
sobre o problema, consulte o artigo original em Quality Progress,
dezembro de 1987 (veja The Taguchi Approach to Parameter
Design, de D. M. Byrne e S. Taguchi, Quality Progress, Decem-
ber 1987, pp. 19-26). O experimento envolve a determinao de
um mtodo para montagem de conector elastomrico e um tubo
de nylon que daria o necessrio desempenho de retrao para uso
adequado em uma aplicao em motor de automvel. O objetivo
especfico do experimento a maximizao da fora de retrao.
Identificaram-se quatro fatores controlveis e trs fatores de rudo
no controlveis. A Tabela S14.1 a seguir mostra esses fatores.
Desejamos encontrar nveis dos fatores controlveis que sejam
menos influenciados pelos fatores de rudo e que forneam a
mxima fora de retrao. Note que, embora os fatores de rudo
sejam no controlveis durante operaes de rotina, eles podem
ser controlados para um teste. Cada fator controlvel testado
em trs nveis, e cada fator de rudo testado em dois nveis.

TA B E L A S 1 4 . 1
Nveis e Fatores para o Exemplo do Planejamento de
Parmetros de Taguchi
Fatores Controlveis Nveis
A = Interferncia Baixo Mdio Alto
Figura S14.1 Funo Quadrtica de Perda de Taguchi
B = Espessura da parede do conector Fina Mdia Grossa
Esses so conceitos slidos, e seu valor deve ser prontamente C = Insero, profundidade Rasa Mdia Funda
aparente. Alm disso, como vimos no livro-texto, mtodos de D = Percentual de adesivo no
Baixo Mdio Alto
planejamento experimental podem desempenhar um papel prin- conector antes da imerso
cipal na traduo dessas ideias para a prtica. Fatores No Controlveis Nveis
Agora, passamos a uma discusso dos mtodos especficos E = Tempo de condicionamento 24 h 120 h
que Taguchi recomenda para aplicao de seu conceito na prtica.
F = Temperatura de condicionamento 72F 150F
Como veremos, sua abordagem ao planejamento experimental e
anlise de dados pode ser melhorada. G = Umidade relativa no
25% 75%
condicionamento

Mtodos Tcnicos de Taguchi Na metodologia de planejamento de parmetro de Taguchi,

Um Exemplo um planejamento experimental selecionado para os fatores
controlveis e outro planejamento experimental selecionado
Usaremos um exemplo de fora de retrao de conector para para os fatores de rudo. Esses planejamentos so mostrados na
ilustrar os mtodos tcnicos de Taguchi. Para mais informao Tabela S14.2. Taguchi se refere a eles como arranjos ortogo-

TA B E L A S 1 4 . 2
Planejamento para os Fatores Controlveis e No Controlveis
(a) Arranjo Ortogonal L9 para os Fatores Controlveis (b) Arranjo Ortogonal L8 para os Fatores No Controlveis
Varivel Varivel
Rodada A B C D Rodada E F EF G EG FG e
1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 2 2 2 1 1 1 2 2 2 2
3 1 3 3 3 3 1 2 2 1 1 2 2
4 2 1 2 3 4 1 2 2 2 2 1 1
5 2 2 3 1 5 2 1 2 1 2 1 2
6 2 3 1 2 6 2 1 2 2 1 2 1
7 3 1 3 2 7 2 2 1 1 2 2 1
8 3 2 1 3 8 2 2 1 2 1 1 2
9 3 3 2 1
48Material Suplementar para o Captulo 14

nais, e representa os nveis do fator com inteiros 1, 2 e 3. Nesse
caso, os planejamentos selecionados so exatamente os fatoriais
fracionados padro 23 e um 34-2. Taguchi os chama de arranjos
ortogonais L8 e L9, respectivamente.
Os dois planejamentos so combinados como mostra a Tabela
S14.3. Isso se chama de um planejamento de arranjo pro-
duto ou cruzado, composto do arranjo interior, que contm
os fatores controlveis, e do arranjo exterior, que contm os
fatores de rudo. Literalmente, cada uma das 9 rodadas no arranjo
interior testada ao longo das 8 rodadas do arranjo exterior, para
um tamanho amostral total de 72 rodadas. A fora de retrao
observada relatada na Tabela S14.3.

TA B E L A S 1 4 . 3
Planejamento dos Parmetros com Arranjos Interno e Externo
Arranjo Externo (L4) E 1 1 1 1 2 2 2 2
F 1 1 2 2 1 1 2 2
G 1 2 1 2 1 2 1 2
Arranjo Interno (L9) Respostas
Rodada A B C D y SRL
1 1 1 1 1 15,6 9,5 16,9 19,9 19,6 19,6 20,0 19,1 17,525 24,025
2 1 2 2 2 15,0 16,2 19,4 19,2 19,7 19,8 24,2 21,9 19,475 25,522
3 1 3 3 3 16,3 16,7 19,1 15,6 22,6 18,2 23,3 20,4 19,025 25,535
4 2 1 2 3 18,3 17,4 18,9 18,6 21,0 18,9 23,2 24,7 20,125 25,904
5 2 2 3 1 19,7 18,6 19,4 25,1 25,6 21,4 27,5 25,3 22,825 26,908
6 2 3 1 2 16,2 16,3 20,0 19,8 14,7 19,6 22,5 24,7 19,225 25,326
7 3 1 3 2 16,4 19,1 18,4 23,6 16,8 18,6 24,3 21,6 19,850 25,711
8 3 2 1 3 14,2 15,6 15,1 16,8 17,8 19,6 23,2 24,2 18,338 24,852
9 3 3 2 1 16,1 19,9 19,3 17,3 23,1 22,7 22,6 28,6 21,200 26,152

Anlise de Dados e Concluses quanto possvel. Nveis de fatores que maximizam a razo SR
apropriada so timos.
Os dados desse experimento podem, agora, ser analisados. Tagu-
Nesse problema, usaramos SRL porque o objetivo a maxi-
chi recomenda a anlise da resposta mdia para cada rodada no
mizao da fora de retrao. As duas ltimas colunas da Tabela
arranjo interior (veja a Tabela S14.3), e tambm sugere a anlise
S14.3 contm valores de y e SRL para cada uma das nove rodadas
da variao usando-se uma razo sinal-rudo (SR) escolhida de
do arranjo interior. Os usurios que se orientam por Taguchi
modo apropriado. Essas razes sinal-rudo so deduzidas a partir
em geral se utilizam da anlise da varincia para determinar os
da funo quadrtica de perda, e trs delas so consideradas pa-
fatores que influenciam y e fatores que influenciam a razo si-
dro e amplamente aplicveis. Elas so definidas como segue:
nal-rudo. Empregam, tambm, grficos das mdias marginais
1. Nominal o melhor: de cada fator, tais como as mostradas nas Figuras S14.2 e S14.3.
A abordagem usual examinarem-se os grficos e escolher-se o
y2 vencedor. Nesse caso, os fatores A e C tm efeitos maiores do
SRT = 10log 2
S que B e D. Em termos de maximizao de SRL, selecionaramos
AMdio, CFunda, BMdia e DBaixa. Em termos de maximizao da fora
2. Quanto maior melhor: mdia de retrao y , escolheramos AMdia, CMdia, BMdia e DBaixa.
1 n 1 Note que quase no h diferena entre CMdia e CFunda. Isso implica
SRL = 10log 2 que essa escolha de nveis maximizar a fora mdia de retrao
n i =1 yi e reduzir a variabilidade dessa fora.
3. Quanto menor melhor: Taguchi defende a afirmativa de que a razo SR geralmente
elimina a necessidade do exame de interaes especficas entre
1 n fatores controlveis e de rudo, embora, algumas vezes, esse exame
SRS = 10log yi2
n i =1 possa melhorar a compreenso do processo. Os autores desse estudo
descobriram que as interaes AG e DE eram grandes. A anlise
Note que as razes SR so expressas em uma escala de dessas interaes, mostrada na Figura S14.4, sugere que AMdia
decibis. Usaramos SRT se o objetivo fosse a reduo da varia- melhor. (Ela d a maior fora de retrao e uma inclinao prxima
bilidade em torno de um alvo especfico, SRL, se o sistema for de zero, o que indica que, se escolhermos AMdia, o efeito da umidade
otimizado quando a resposta for to grande quanto possvel, e relativa minimizado.) A anlise sugere, tambm, que DBaixa fornece
SRS se o sistema for otimizado quando a resposta for to pequena a maior fora de retrao, independentemente da condio de tempo.
 Introduo ao Controle Estatstico da Qualidade 49

percebia-se que CMdia originava menos variabilidade do que CFunda.)

21 21 Como essa combinao no foi rodada nas tentativas originais
20 20 do arranjo interior, cinco testes adicionais foram feitos para esse
conjunto de condies como um experimento de confirmao.
y

19 19
Para esse experimento de confirmao, os nveis usados para as
18 18
variveis de rudo foram EBaixa, FBaixa e GBaixa. Os autores relataram
B M A B M A que bons resultados foram obtidos do teste de confirmao.
A (interferncia) B (espessura da parede)
Crtica Estratgia e aos Planejamentos
Experimentais de Taguchi
21 21
Os defensores da abordagem de Taguchi ao planejamento de
20 20
parmetro utilizam os planejamentos de arranjo ortogonal, dois
y

19 19 dos quais (o L8 e o L9) foram apresentados no exemplo anterior.

18 18 H outros arranjos ortogonais: L4, L12, L16, L18 e L27. Esses pla-
nejamentos no foram desenvolvidos por Taguchi. Por exemplo,
B M A B M A
o L8 um fatorial fracionado 27III4 , o L9 um fatorial fracionado
C (profund. insero) D (percentual adesivo)
34III2 , o L12 um planejamento de Plackett-Burman, o L16 um
Figura S14.2 Os Efeitos dos Fatores Controlveis sobre cada fatorial fracionado 215III11 , e assim por diante. Box, Bisgaard e
Resposta
Fung (1988) rastreiam a origem desses planejamentos. Alguns
deles tm estruturas de aliases muito complexas. Em particular,
27 27 o L12 e todos os planejamentos que usam fatores de trs nveis
envolvero aliases parciais de interaes de dois fatores com
SRL

26 26
25 25 efeitos principais. Se quaisquer interaes de dois fatores so
24 24
grandes, isso pode levar a uma situao na qual o experimentador
no obtm a resposta correta. Para mais detalhes sobre aliases
B M A B M A nesses tipos de planejamentos, veja Montgomery (2012).
A (interferncia) B (espessura da parede) Taguchi argumenta que no precisamos considerar explici-
tamente as interaes de dois fatores. Ele afirma que possvel
a eliminao dessas interaes, ou pela especificao correta da
27 27 resposta e fatores do planejamento, ou pelo uso da abordagem
Amdia de contexto deslizante para a escolha dos nveis dos fatores.
SRL

26 26 21
25 25 Aalta
Como um exemplo dessa ltima abordagem, considere os dois
20 fatores presso e temperatura. A variao independente de um
24 24
y
desses fatores certamente produzir um efeito de interao. No
R M F
19
B M A entanto, se os nveis de temperatura forem escolhidos de acordo
C (profund. insero) Abaixa
18 D (percentual adesivo)
com os nveis de presso, ento o efeito de interao poder ser
minimizado. Na prtica, essas duas abordagens so, em geral,
Figura S14.3 Os Efeitos dos Fatores No Controlveis
25% 75% sobre de difcil implementao, a menos que tenhamos um nvel in-
a Razo Sinal-Rudo G
comum de conhecimento do processo. A falta de proviso para
Dbaixa se lidar adequadamente com potenciais interaes entre fatores
23
controlveis do processo a principal fraqueza da abordagem
22
Dalta de Taguchi para o planejamento do parmetro.
21 Em vez de planejar o experimento para a investigao de po-
Amdia Dmdia
21 y tenciais interaes, Taguchi prefere usar os fatores de trs nveis
20
Aalta para estimar a curvatura. Por exemplo, no planejamento de arranjos
20
y
19 interior e exterior usado por Byrne e Taguchi, todos os quatro
19 18 fatores controlveis foram rodados nos trs nveis. Sejam x1, x2, x3
e x4 os rtulos dos fatores controlveis e z1, z2, e z3 os trs fatores
Abaixa 17
18 de rudo. Lembre que os fatores de rudo foram rodados em dois
24 h 120 h nveis em um planejamento fatorial completo. O planejamento que
25% 75%
G E eles usaram nos permite ajustar o seguinte modelo:
4 4 3 3 3 4
Figura S14.4 AsDInteraes AG e DE 0 + j x j + jj x 2 j + j z j +
23 baixa y=
j=
1 j=
1 j=
1 i< j

j=
2
z z j + ij zi x j +
ij i
i=
1 j=
1
Quando22 custo e outros fatores so levados em considerao, os
Dalta
experimentadores nesse exemplo finalmente decidiram usar AMdia, Note que podemos ajustar os efeitos linear e quadrtico dos
21
BFinay , CMdia e DBaixa (BFina era muito menos cara do que BMdia, e
Dmdia fatores controlveis, mas no suas interaes de dois fatores (que
20

19
50Material Suplementar para o Captulo 14

so aliases dos efeitos principais). Podemos ajustar, tambm,
os efeitos lineares dos fatores de rudo e todas as interaes
de dois fatores que envolvem os fatores de rudo. Finalmente,
podemos ajustar as interaes de dois fatores que envolvem os
fatores controlveis e os fatores de rudo. Pode parecer insensato
ignorarem-se as interaes potenciais nos fatores controlveis.
Essa uma estratgia um tanto estranha, uma vez que in-
terao uma forma de curvatura. Uma estratgia muito
mais segura a identificao de potenciais efeitos e interaes
que possam ser importantes e considerao, ento, apenas da
curvatura nas variveis importantes, se houver evidncia de
que a curvatura seja importante. Isso levar, em geral, a menos
experimentos, interpretao mais simples dos dados, e melhor
compreenso geral do processo.
Outra crtica abordagem de Taguchi ao planejamento do
parmetro que a estrutura de arranjo cruzado leva a um ex-
perimento muito longo. Por exemplo, na aplicao anterior, os
autores usaram 72 testes para investigar apenas sete fatores e,
ainda assim, no puderam estimar qualquer das interaes de
dois fatores entre os quatro fatores controlveis.
H vrios planejamentos experimentais alternativos que seriam
superiores ao mtodo de arranjo interior e exterior usado nesse
exemplo. Suponha que rodemos todos os sete fatores em dois nveis
na abordagem de planejamento de arranjo combinado discutido
no livro-texto. Considere o planejamento fatorial fracionado 27IV2 .
As relaes de aliases para esse planejamento so mostradas na me-
tade superior da Tabela S14.4. Note que esse planejamento requer
apenas 32 rodadas (em comparao com 72). Na metade inferior
da Tabela S14.4, so dados dois esquemas diferentes possveis
da associao das variveis controlveis e das variveis de rudo
do processo s letras A at G. O primeiro esquema de associao
permite que todas as interaes entre fatores controlveis e fatores
de rudo sejam estimadas, e permite que as estimativas dos efeitos
principais sejam feitas de modo a serem livres das interaes de
dois fatores. O segundo esquema de associao permite que os
efeitos principais dos fatores controlveis e suas interaes de dois
fatores sejam estimados; permite que todos os efeitos principais
dos fatores de rudo sejam estimados livres de interaes de dois
fatores; e faz aliases apenas de trs interaes entre fatores contro-
lveis e fatores de rudo com uma interao de dois fatores entre
dois fatores de rudo. Ambos os esquemas apresentam relaes de
aliases muito mais claras do que as obtidas no planejamento de
parmetro de arranjo interior e exterior, que tambm requer mais
do dobro de rodadas.
Em geral, a abordagem de arranjo cruzado desnecessria.
Uma estratgia melhor o uso do planejamento de arranjo
combinado discutido no livro-texto. Essa abordagem, quase sem-
pre, levar a uma drstica reduo no tamanho do experimento e,
ao mesmo tempo, produzir informao que tem mais chance de
melhorar a compreenso do processo. Para mais discusso dessa
abordagem, veja Myers, Montgomery e Anderson-Cook (2009).
Podemos, tambm, usar um planejamento de arranjo combinado
que permita ao experimentador modelar diretamente os fatores de
rudo como uma expresso quadrtrica completa e ajustar todas
as interaes entre fatores controlveis e fatores de rudo, como
demonstrado no Captulo 14 do livro-texto.
Outro possvel problema com o planejamento de arranjos in-
teriores e exteriores de Taguchi se relaciona com a ordem em que
so feitas as rodadas. Sabemos que, para a validade experimental,
as rodadas em um experimento planejado devem ser realizadas

TA B E L A S 1 4 . 4
Um Planejamento de Parmetro Alternativo
Frao um quarto de 7 fatores em 32 rodadas. Resoluo IV.
I = ABCDF = ABDEG = CEFG.
Aliases
A AF = BCD CG = EF
B AG = BDE DE = ABG
C = EFG BC = ADF DF = ABC
D BD = ACF = AEG DG = ABE
E = CFG BE =ADG ACE = AFG
F = CEG BF = ACD ACG = AEF
G = CEF BG = ADE BCE = BFG
AB = CDF = DEG CD = ABF BCG = BEF
AC = BDF CE = FG CDE = DFG
AD = BCF = BEG CF = ABD = EG CDG = DEF
AF = BDG
Esquemas de Atribuio dos Fatores
1. Fatores controlveis so associados s letras C, E, F e G. Fatores de rudo so associados s letras A, B e D. Todas as interaes entre fatores
controlveis e fatores de rudo podem ser estimadas. E todos os efeitos principais dos fatores controlveis podem ser estimados livres de
interaes de dois fatores.
2. Fatores controlveis so associados s letras A, B, C e D. Fatores de rudo so associados s letras E, F e G. Todos os efeitos principais
dos fatores controlveis e interaes de dois fatores podem ser estimados; apenas as interaes CE, CF e CG so aliases de interaes dos
fatores de rudo.

em ordem aleatria. No entanto, em muitos experimentos de
arranjo cruzado, possvel que a ordem no seja aleatria. Em
alguns casos, seria mais conveniente fixar-se cada linha no arran-
jo interior (isto , estabelecer os nveis dos fatores controlveis)
e rodarem-se todas as tentativas do arranjo exterior. Em outros
casos, pode ser mais conveniente fixar-se cada coluna no arranjo
exterior e rodar-se cada uma das tentativas no arranjo interior
naquela combinao de fatores de rudo. Qual estratgia deve
ser seguida algo que, provavelmente, depende de qual grupo
de fatores mais fcil de ser mudado, o de fatores controlveis
ou o de fatores de rudo. Se os testes so realizados em qualquer
das maneiras descritas anteriormente, ento uma estrutura
split-plot foi introduzida no experimento. Se isso no levado
em conta na anlise, ento os resultados e concluses podem ser
enganosos. No h evidncia de que Taguchi defenda o uso de
mtodos split-plot. Alm disso, como Taguchi frequentemente
minimiza a importncia da aleatorizao, provvel que muitos
experimentos reais de arranjos interiores e exteriores tenham sido
realizados, inadvertidamente, como planejamentos split-plot e,
talvez, analisados incorretamente. Montgomery (2012) discute
planejamentos subdivididos e suas anlises. Box e Jones ofere-
cem uma boa discusso de planejamentos split-plot em estudos
de robustez de processo.
Um aspecto final do planejamento de parmetro de Taguchi
o uso de grficos lineares para associar os fatores s colunas
do arranjo ortogonal. Um conjunto de grficos lineares para o
planejamento L8 mostrado na Figura S14.5. Nesses grficos,
cada nmero representa uma coluna no planejamento. Um
segmento de reta no grfico corresponde a uma interao entre
os ns que ele conecta. Para associar variveis s colunas no
arranjo ortogonal, associe primeiro as variveis aos ns e, ento,
quando os ns tiverem todos sido usados, associe as variveis
aos segmentos de reta. Quando voc associar variveis aos ns,
esboce qualquer segmento de reta que corresponda a interaes
que possam ser importantes. Os grficos lineares na Figura S14.5
implicam que a coluna 3 no planejamento L8 contm a interao
entre as colunas 1 e 2, a coluna 5 contm a interao entre as
colunas 1 e 4, e assim por diante. Se tivssemos quatro fatores,
ns os associaramos s colunas 1, 2, 4 e 7. Isso garantiria que
cada efeito principal ficasse livre de interaes de dois fatores.
O que no claro a estrutura de aliases das interaes de dois
fatores. Se os efeitos principais esto nas colunas 1, 2, 4 e 7, ento
a coluna 3 contm a interao 1-2 e a interao 4-7, a coluna 5
contm a interao 1-4 e a interao 2-7, e a coluna 6 contm a
interao 1-7 e a interao 2-4. Isso claramente o caso, porque
quatro variveis em oito rodadas um planejamento de resoluo
IV, com todos os pares de interaes de dois fatores como aliases.
Para entender completamente os aliases para interaes de dois
fatores, Taguchi enviaria o planejador do experimento para uma
tabela suplementar de interao.
Taguchi (1986) fornece grficos lineares para cada um de
seus planejamentos recomendados de arranjos ortogonais. Esses
grficos lineares parecem ter sido desenvolvidos heuristicamente.
Infelizmente, seu uso pode levar a planejamentos ineficazes. Para
exemplos, veja seu experimento de motor de carro [Taguchi e
Wu (1980)] e seu experimento de ferramenta de corte [Tagu-
chi (1986)]. Ambos os experimentos so planejamentos de 16
Introduo ao Controle Estatstico da Qualidade 51
rodadas que ele estabelece como planejamentos de resoluo
III nos quais os efeitos principais so aliases das interaes de
dois fatores. Mtodos convencionais para a construo desses
planejamentos teriam resultado em planejamentos de resoluo
IV nos quais os efeitos principais so livres de interaes de
dois fatores. Para o experimentador que simplesmente deseja
gerar um bom planejamento, a abordagem do grfico linear pode
no produzir o melhor resultado. Uma melhor abordagem o
uso de uma tabela que apresente o planejamento e sua estrutura
completa de aliases. Essas tabelas so de fcil construo e so
rotineiramente apresentadas por vrios programas de computador
no muito caros e de ampla disponibilidade.
2
3
4
1 5
6
7
1
7
3 5
2 6 4
Figura S14.5 Grficos Lineares para o Planejamento L8.
Crtica aos Mtodos de Anlise de Dados de
Taguchi
Vrios dos mtodos de anlise de dados de Taguchi so ques-
tionveis. Por exemplo, ele recomenda algumas variaes da
anlise da varincia que se sabe produzirem resultados esprios,
e ele prope, tambm, alguns mtodos nicos para a anlise de
dados de atributos e teste de vida. Para uma discusso e crtica
desses mtodos, consulte Myers, Montgomery e Anderson-Cook
(2009) e as referncias ali contidas. Nesta seo, focalizamos trs
aspectos de suas recomendaes referentes anlise de dados: o
uso de grficos de mdias marginais para otimizar os contextos
de fatores, o uso de razes sinal-rudo, e alguns de seus usos da
anlise da varincia.
Considere o uso de grficos de mdias marginais e a otimi-
zao associada pegue o vencedor demonstrada anteriormente
no problema da fora de retrao. Para manter simples a situa-
o, suponha que tenhamos dois fatores A e B, cada um em trs
nveis, como mostrado na Tabela S14.5. Os grficos de mdias
marginais so mostrados na Figura S14.6. A partir do exame
desses grficos, selecionaramos A3 e B1 como combinao
tima, supondo que desejemos maximizar y. No entanto, essa
a resposta errada. Inspeo direta da Tabela S14.5 ou do grfico
da interao AB na Figura S14.7 mostra que a combinao de
A3 e B2 produz o valor mximo de y. Em geral, jogar-se pegue
o vencedor com mdias marginais nunca pode garantir que se
produza o timo. Ento, os defensores de Taguchi recomendam
52Material Suplementar para o Captulo 14

que seja rodado um experimento de confirmao, embora isso Essa razo seria usada se desejssemos minimizar a variabili-
tambm no oferea qualquer garantia. Podemos estar confirman- dade em torno de um valor-alvo fixado. Foi sugerido por Taguchi
do uma resposta que difere drasticamente do timo. A melhor que prefervel trabalhar como SRT em vez do desvio-padro
maneira de se encontrar um conjunto de condies timas com porque, em muitos casos, a mdia e o desvio-padro do processo
o uso de mtodos de superfcie de resposta, como discutido e so relacionados. ( medida que aumenta, tambm aumenta,
ilustrado no Captulo 14 do livro-texto. por exemplo.) Em tais casos, ele argumenta que no podemos
minimizar diretamente o desvio-padro e, ento, trazer a mdia
TA B E L A S 1 4 . 5 para o alvo. Taguchi afirma que descobriu empiricamente que
Dados para os Grficos de Mdias Marginais na Figura o uso da razo SRT junto com um procedimento de otimizao
S14.6 de dois estgios levaria a uma combinao de nveis de fator
Fator A em que o desvio-padro minimizado e a mdia fica no alvo.
Mdias de B O procedimento de otimizao consiste em (1) encontrar-se o
1 2 3
conjunto de fatores controlveis que afete SRT, chamado de
1 10 10 13 11,00
fatores de controle, e o estabelecimento deles em nveis que
Fator B 2 8 10 14 9,67 maximizem SRT, e (2) encontrar-se o conjunto de fatores que
3 6 9 10 8,33 tenha efeitos significantes sobre a mdia, mas no influencie a
Mdias de A 8,00 9,67 11,67 razo SRT, chamado de fatores de sinal, e o uso desses fatores
para levar a mdia para o alvo.
Uma vez que essa partio dos fatores seja possvel, SRT
12 12 um exemplo de medida de desempenho independente de
ajuste (MDIA) [veja Leon et al., (1987)]. Os fatores de sinal
y
11
y
11
seriam os fatores de ajuste. A motivao por detrs da razo
10 10
sinal-rudo a separao dos efeitos de localizao e disperso.
Pode-se mostrar que o uso de SRT equivalente a uma anlise
9 9 do desvio-padro do logaritmo dos dados originais. Assim, o uso
de SRT implica que uma transformao log sempre separar os
8 8 efeitos de localizao e disperso. No h garantia de que isso
1 2 3 1 2 3 acontea. Uma abordagem mais segura a investigao de qual
A B tipo de transformao apropriada.
Figura S14.6 Grficos de Mdias Marginais para os dados na Note que podemos escrever a razo SRT como
Tabela S14.5. y2
=SRT 10log
= 2 10log( y ) 10log( S )
2 2

S

B2
14 Se a mdia fixada em um valor-alvo (estimado por y ),
B1 ento a maximizao da razo SRT equivalente minimizao
12 de log(S2). O uso de log(S2) exigiria menos clculos, teria mais
B1 . B2 apelo intuitivo, e forneceria uma compreenso mais clara das
10 B1 B3 relaes de fator que influenciam a variabilidade do processo
em outras palavras, forneceria melhor compreenso do processo.
8 B3
B2 Alm disso, se minimizamos log(S2) diretamente, eliminamos o
risco de obter respostas erradas da maximizao de SRT se algum
6
B3 dos fatores manipulados levarem a mdia y para cima em vez
1 2 3 de levarem S2 para baixo. Em geral, se a varivel resposta pode
A ser expressa em termos do modelo
y = ( xd , xa ) ( xd )
Figura S14.7 Grfico da Interao AB para os Dados na Tabela
S14.5. em que xd o subconjunto de fatores que orientam os efeitos
da disperso e xa o subconjunto de ajustes que no afetam a
As razes sinal-rudo de Taguchi so suas medidas de desem- variabilidade, ento a maximizao de SRT ser equivalente
penho recomendadas em uma grande variedade de situaes. minimizao do desvio-padro. Considerando os outros pro-
Maximizando-se a razo SR adequada, ele afirma que a varia- blemas potenciais que envolvem SRT, provavelmente mais
bilidade minimizada. seguro o trabalho direto com o desvio-padro (ou seu logaritmo)
Considere primeiro que a razo sinal-rudo para o alvo seja como uma varivel resposta, como sugerido no livro-texto. Para
o melhor caso mais discusso, consulte Myers, Montgomery e Anderson-Cook
(2009).
y2
SRT = 10log 2 As razes SRL e SRS so menos problemticas. Essas quan-
S tidades podem ser completamente ineficazes na identificao dos
 Introduo ao Controle Estatstico da Qualidade 53

efeitos de disperso, embora possam servir para a identificao ria da qualidade de cabos de velocmetros. Especificamente, o
dos efeitos de localizao, isto , fatores que orientam a mdia. objetivo era a reduo do encolhimento no material plstico de
O motivo para isso relativamente fcil de se ver. Considere a revestimento. (Encolhimento excessivo torna os cabos barulhen-
razo SRS (quanto menor, melhor): tos.) O experimento usou um arranjo ortogonal L16 (o planeja-
15 11
mento 2III ). Os valores de encolhimento para quatro amostras
1 n
SRS = 10log yi2 extradas de comprimentos de 3000 ps de produto fabricado em
n
i =1 cada um dos conjuntos de condies de teste foram medidos e
as respostas y e SRS foram calculadas.
A razo motivada pela hiptese de uma funo quadrtica de
Quinlan, seguindo a abordagem de Taguchi anlise de dados,
perda com y no negativo. A funo de perda para tal caso seria
usou uma SRS como varivel resposta em uma anlise da vari-
1 n 2 ncia. A mdia quadrtica do erro foi formada pela combinao
L=C yi
n i =1 das mdias quadrticas associadas aos sete efeitos que tinham
as menores magnitudes em valor absoluto. Isso resultou em que
em que C uma constante. Agora, todos os oito fatores restantes tinham efeitos significantes (em
ordem de magnitude: E, G, K, A, C, F, D, H). O autor no notou
1 n
=
log L log C + log yi2 que E e G eram os mais importantes.
n
i =1 A combinao das mdias quadrticas como nesse exemplo
um procedimento que h muito se sabe produzir vis considervel
e
nos resultados de teste da ANOVA. Para ilustrar o problema,
SRS 10log C 10log L
= considere os 15 nmeros aleatrios NID(0, 1) mostrados na co-
luna 1 da Tabela S14.6. O quadrado de cada um desses nmeros,
de modo que a maximizao de SRS minimizar L. No entanto, mostrado na coluna 2 da tabela, uma mdia quadrtica de um
fcil mostrar-se que nico grau de liberdade correspondente aos nmeros aleatrios
1 n 2 1 n n 1 2 observados. Os sete menores nmeros aleatrios esto marca-
=
yi =
n i 1=
y 2 + yi2 ny 2 =
n i 1
y2 +
n
S dos com um asterisco na coluna 1 da Tabela S14.6. As mdias
quadrticas correspondentes so combinadas para formar uma
Portanto, o uso de SRS como uma varivel resposta confunde mdia quadrtica para o erro, com sete graus de liberdade. Essa
os efeitos de localizao e disperso. quantidade
O confundimento dos efeitos de localizao e disperso 0,5088
foi observado na anlise da razo SRL no exemplo da fora de MQE
= = 0,0727
7
retrao. Nas Figuras S14.2 e S14.3, note que os grficos de y
e SRL versus cada fator tm aproximadamente a mesma forma, TA B E L A S 1 4 . 6
o que implica que ambas as respostas medem a localizao. Combinao de Mdias Quadrticas
Alm disso, como as razes SRS e SRL envolvem y2 e 1/y2, elas Mdias
so muito sensveis a valores atpicos ou a valores prximos de Nmeros Aleatrios Quadrticas com
F0
zero, e no so invariantes transformao linear da resposta NID(0,1) Um Grau de
original. Recomendamos fortemente que as razes sinal-rudo Liberdade
no sejam usadas. 0,8607 0,7408 10,19
Uma melhor abordagem para isolarem-se os efeitos de locali- 0,8820 0,7779 10,70
zao e disperso o desenvolvimento de modelos separados de 0,3608* 0,1302
superfcie de resposta para y e log(S2). Se nenhuma replicao
0,0227* 0,0005
estiver disponvel para a estimao da variabilidade em cada
0,1903* 0,0362
rodada do planejamento, podero ser usados mtodos para an-
lise de resduos. Outra abordagem bastante eficaz se baseia no 0,3071* 0,0943
uso do modelo de resposta, como demonstrado no livro-texto e 1,2075 1,4581 20,06
em Myers, Montgomery e Anderson-Cook (2009). Lembre que 0,5641 0,3182 4,38
isso permite que sejam obtidas uma superfcie de resposta para 0,3936* 0,1549
a varincia e uma superfcie de resposta para a mdia a partir de
0,6940 0,4816 6,63
um nico modelo que contm tanto os fatores controlveis do
0,3028* 0,0917
planejamento quanto as variveis de rudo. Os mtodos-padro
de superfcie de resposta podem ser usados para a otimizao 0,5832 0,3401 4,68
da mdia e da varincia. 0,0324* 0,0010
Finalmente, passamos a algumas aplicaes da anlise da 1,0202 1,0408 14,32
varincia recomendadas por Taguchi. Como um exemplo para 0,6347 0,4028 5,54
discusso, considere o experimento relatado por Quinlan (1985)
em um simpsio sobre os mtodos de Taguchi, patrocinado pelo Finalmente, a coluna 3 da Tabela S14.6 apresenta a razo F
American Supplier Institute. O experimento se referia melho- formada pela diviso de cada uma das oito mdias quadrticas
54Material Suplementar para o Captulo 14
restantes por MQE. Agora, F0,05,1,7 = 5,59, e isso implica que cinco
dos oito efeitos seriam considerados significantes ao nvel 0,05.
Relembre que, como os dados originais so provenientes de
uma distribuio normal com mdia zero, nenhum dos efeitos
diferente de zero.
Mtodos de anlise como esse virtualmente garantem con-
cluses erradas. O grfico de probabilidades normais dos efeitos
evita essa combinao invlida de mdias quadrticas e fornece
um mtodo de anlise simples, de fcil interpretao. Box (1988)
d uma anlise alternativa dos dados de Quinlan que revela corre-
tamente que E e G so importantes, junto com outros resultados
no aparentes na anlise original.
importante notar que a anlise de Taguchi identificou
fatores desprezveis como sendo significantes. Isso pode ter
profundo impacto sobre nosso planejamento experimental para
reforar o conhecimento do processo. Mtodos de planejamento
experimental devem tornar o ganho de conhecimento do processo
mais fcil, no mais difcil.
Algumas Observaes Finais
Nesta seo, dirigimos algumas importantes crticas aos m-
todos especficos de planejamento experimental e anlise de
dados usados na abordagem de Taguchi para o planejamento de
parmetro. Lembre que esses comentrios focaram problemas
tcnicos, e que a filosofia mais ampla recomendada por Taguchi
intrinsecamente slida.
Por outro lado, enquanto a controvrsia Taguchi estava no
auge, muitas companhias relataram sucesso com os mtodos de
planejamento de parmetro de Taguchi. Se os mtodos so falhos,
por que produzem resultados de sucesso? Os defensores de Ta-
guchi em geral refutam as crticas com a observao de que eles
funcionam. Devemos lembrar que os mtodos melhor palpite
e um fator por vez tambm funcionaro e, ocasionalmente,
produziro bons resultados. Isso no razo para se afirmar que
eles so bons mtodos. A maioria das aplicaes bem-sucedidas
dos mtodos tcnicos de Taguchi foram na indstria, em que no
havia histria de boa prtica de planejamento experimental. Pla-
nejadores e desenvolvedores estavam usando os mtodos melhor
palpite e um fator por vez (ou outras abordagens no estrutura-
das), e como a abordagem de Taguchi se baseia no conceito de
planejamento fatorial, em geral se obtinham melhores resultados
do que pelos mtodos que eles substituam. Em outras palavras, o
planejamento fatorial to poderoso que, mesmo quando usado
de maneira ineficiente, ele funcionar bem.
Como apontado antes, a abordagem de Taguchi ao planeja-
mento de parmetro em geral leva a experimentos grandes,
extensos, com 70 ou mais rodadas. Muitas das aplicaes bem-
sucedidas dessa abordagem foram em indstrias caracterizadas
por um ambiente de alto volume e baixo custo de produo. Em
tais situaes, planejamentos grandes podem no ser um proble-
ma, se realmente no for mais difcil fazerem-se 72 rodadas do
que 16 ou 32 rodadas. Por outro lado, em indstrias caracteriza-
das por baixo volume e/ou alto custo de produo (tais como a
indstria aeroespacial, indstrias qumicas e de processamento,
fabricao de eletrnicos e semicondutores, e assim por diante),
essas ineficincias metodolgicas podem ser significantes.
Um ponto final se refere ao processo de aprendizagem. Se a
abordagem de Taguchi para o planejamento de parmetro fun-
ciona e produz bons resultados, podemos ainda no saber o que
causou o resultado devido aos aliases de interaes crticas. Em
outras palavras, podemos ter resolvido o problema (um sucesso
de curto prazo), mas no ganhamos compreenso do processo,
o que seria de valor inestimvel em futuros problemas.
Em resumo, devemos apoiar a filosofia de Taguchi da enge-
nharia da qualidade. No entanto, devemos confiar em mtodos
mais simples, mais eficientes, que sejam mais fceis de aprender
e aplicar, para levar sua filosofia para a prtica. A estrutura de
modelagem de superfcie de resposta apresentada no Captulo
14 do livro-texto a abordagem ideal otimizao do processo
e, como demonstramos, totalmente adaptvel ao problema de
planejamento de parmetro robusto e aos estudos de robustez
do processo.
 Material
Suplementar
para o
Captulo 15

S15.1 Planejamento Amostral (PADL) para Conformidade de Lotes

Nesta seo, descrevemos brevemente um plano de amostragem que particularmente til em testes de
conformidade, ou amostragem para propsitos relacionados com a segurana do produto. O procedimento ,
tambm, muito til em qualquer situao em que so exigidos tamanhos mnimos de amostra. Desenvolvido
por Schilling (1978), o plano fornece a rejeio do lote se quaisquer defeituosos so encontrados na amos-
tra. Ele se baseia em uma relao bem definida entre o plano amostral e o tamanho dos lotes submetidos
inspeo. O procedimento de amostragem d a proporo do lote que deve ser amostrada para se garantir,
com probabilidade de 0,90, que a frao de defeituosos no lote seja menor do que um limite prescrito. Isto
, para um PADL especificado, a probabilidade de aceitao do lote 0,10. Tamanhos amostrais se baseiam
na distribuio hipergeomtrica. Schilling d uma tabela para ajudar na implementao do procedimento.
Em geral, um plano de amostragem de aceitao com nmero de aceitao zero tem uma forma muito
indesejvel para baixas fraes de no conformes. Como esses planos de conformidade de lotes tm c =
0, o processo do fabricante deve operar em um nvel mdio de qualidade que menor do que cerca de 5%
do PADL, para haver uma probabilidade razoavelmente pequena de um bom lote ser rejeitado. Se a mdia
do processo estiver mais prxima do que isso do PADL, um plano com c = 0 no ser uma boa escolha, e
um planejamento PADL Dodge-Romig seria prefervel. No entanto, esses planos tm tamanhos amostrais
muito maiores do que os planos de Schilling.

S15.2 Considerao do Erro de Inspeo

Uma hiptese bsica na construo de planos de amostragem de aceitao que o processo de inspeo
seja livre de erro. No entanto, isso em geral no ocorre nas atividades de inspeo; na verdade, muitos
processos de inspeo so conhecidos como propensos ao erro. Enquanto esses erros so usualmente no
intencionais, eles tm o efeito de distorcer (algumas vezes, de modo srio) as medidas de desempenho
do plano de inspeo ou de amostragem de aceitao que tenha sido adotado. Em atividades de inspeo
complexas, taxas de erro de 20-30% no so incomuns. Nesta seo, ilustramos alguns dos efeitos do erro
de inspeo em planos de amostragem nica para atributos.
Dois tipos de erros so possveis na inspeo de atributos. Um item que bom pode ser classificado
como defeituoso (esse um erro tipo I), ou um item que defeituoso pode ser classificado como bom
(esse um erro tipo II). Defina
E1 = evento em que um item bom classificado como defeituoso
E2 = evento em que um item defeituoso classificado como bom
A = evento em que um item defeituoso
B = evento em que um item classificado como defeituoso
56Material Suplementar para o Captulo 15

Ento, Se os defeituosos descobertos no forem substitudos, ento

P( B) P( A) P( E2 ) + P( A) P( E1 )
= ITM = n + (1 Pa ( e ) )( N n)

Definindo-se as quantidades O projeto de um plano amostral , em geral, feito pela escolha

p = P(A) a verdadeira frao de defeituosos
pe = P(B) a frao aparente de defeituosos
e1 = P(E1) a probabilidade de que seja feito um erro tipo I
e2 = P(E2) a probabilidade de que seja feito um erro tipo II
a expresso para a frao aparente de defeituosos pode ser
escrita como
pe = p (1 e2 ) + (1 p )e1
A curva CO para um plano amostral plota a probabilidade de
aceitao do lote versus a frao de defeituosos do lote. Quando
o erro de inspeo est presente, a probabilidade
de um conjunto de parmetros para o plano tal que a curva CO
passa por dois pontos, normalmente nos nveis de qualidade
NQA e PADL. Quando h um erro de inspeo, as probabilidades
de aceitao no tm mais os valores que seriam obtidos com
inspeo perfeita. No entanto, possvel modificar-se o proce-
dimento do planejamento, forando a curva CO real a se ajustar
aos pontos desejados.
Para ilustrar esse processo, suponha que desejemos que a cur-
va CO coincida com os pontos (AQL, 1 ) e (LTPD, ). Ento,
ao se projetar o plano amostral, precisamos usar
NQA
= e NQA(1 e2 ) + (1 NQA)e1
PADL
= PADL(1 e2 ) + (1 PADL)e1
e

nc
=Pa ( e ) ped (1 pe ) nd Se a curva CO observada se ajusta a esses pontos, ento a
d =0 d curva CO real se ajustar aos pontos desejados.
Para ilustrar, suponha que NQA = 0,01, 1 = 0,95, PADL =
Assim, a curva CO de um plano amostral quando erro de
0,06, = 0,1. O plano de amostragem nica sem quaisquer
inspeo est presente pode ser facilmente obtida.
consideraes de erro de inspeo tem n = 89, c = 2. Agora,
Agora, considere como o erro de inspeo impacta a QSM
suponha que haja um erro de inspeo e e1 = 0,01, e2 = 0,15.
e a ITM. Para inspeo livre de erro, a QSM para amostragem
Ento, podemos calcular
nica para atributos
AQL
= e AQL(1 e2 ) + (1 AQL)e1
( N n) pPa
QSM = = 0,01(1 0,15) + (1 0,01)0,01
N
= 0,0184
Se os itens defeituosos forem substitudos, e se a inspeo
das substituies tambm envolver erro de inspeo, ento a e
QSM se tornar PADL
= e PADL(1 e2 ) + (1 PADL)e1
npe2 + p ( N n)(1 pe ) Pa ( e ) + p ( N n)(1 Pa ( e ) )e2 = 0,06(1 0,15) + (1 0,06)0,01
QSM =
N (1 pe ) = 0,0604

Se os defeituosos descobertos no forem substitudos, ento
npe2 + p ( N n) Pa ( e ) + p ( N n)(1 Pa ( e ) )e2
QSM =
N npe (1 P( e ) )( N n) pe
A ITM com a hiptese de inspeo livre de erro e 100% de
varredura de lotes rejeitados
ITM = n + (1 Pa )( N n)
A ITM correspondente quando os defeituosos descobertos
so substitudos e o processo de reposio sujeito a erro de
inspeo
O plano de amostragem nica que tem uma curva CO que passa
pelos pontos (0,0184, 0,95), (0,0604, 0,10) tem os parmetros
n = 150, c = 5. Note que o efeito do erro de inspeo aumentar
o tamanho amostral exigido para a obteno da proteo desejada
nos pontos especificados sobre a curva CO.
O erro de inspeo tem um efeito sobre NQA. Classificao
incorreta de um item bom reduz NQA porque ocorre mais inspe-
o de varredura. Classificao incorreta de um item defeituoso
resulta em valores mais altos de NQA, porque reduz a verossi-
milhana de que os lotes sejam varridos. O impacto geral de um
erro de inspeo tipo I aumentar a ITM, enquanto um erro de
inspeo tipo II diminui a ITM.

n + (1 Pa ( e ) )( N n)
ITM =
1 pe