Sunteți pe pagina 1din 14

O AMBIENTE R COMO PROPOSTA DE

APOIO AO ENSINO NO
MONITORAMENTO DE PROCESSOS.

ROBERTO CAMPOS LEONI (UNESP)
rcleoni@yahoo.com.br
Antonio Fernando Branco Costa (UNESP)
fbranco@feg.unesp.br



Mtodos estatsticos desempenham um papel central na reduo da
variabilidade de processos e produtos. Uma das tcnicas mais
estudadas o grfico de controle, cujo projeto envolve a determinao
do plano de amostragem, atravs da especificcao do tamanho das
amostras e do intervalo de tempo entre retirada das amostras, e a
determinao dos limites de controle. Discute-se sob a tica do teste de
hipteses, atravs da funo caracterstica de operao (CO) e dos
erros envolvidos (tipo I e tipo II), a determinao dos parmetros
timos para a construo do grfico de atravs das duas principais
medidas de desempenho denominadas Nmero mdio de amostras
(NMA) e Tempo esperado at o sinal (TES). O Ambiente estatstico
denominado linguagem R apresentado como ferramenta de apoio ao
ensino.

Palavras-chaves: controle estatstico de processos (CEP); Ambiente
R; Grficos de controle.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



2


1. Introduo
Mtodos estatsticos desempenham um papel central na reduo da variabilidade de processos
e produtos. A Engenharia da Qualidade procura garantir a qualidade dos produtos com a ajuda
de diversos mtodos estatsticos usados por engenheiros e outros profissionais. Dentre os
mtodos mais utilizados, destacam-se o controle estatstico de processo (CEP) e o
planejamento de experimentos.
Grficos de controle tm sido uma das tcnicas mais estudadas (STOUMBOS et al., 2000;
CLARO et al., 2007; ZOU et al., 2008; COSTA e CLARO, 2008; De MAGALHES et al.,
2008; CLARO et al., 2009; COSTA e CLARO, 2009; COSTA e CASTAGLIOLA, 2010;
LEONI et al., 2010) e seu ensino requer uma ateno especial na abordagem aplicada em sala
de aula. Projetar um grfico de controle envolve a determinao do plano de amostragem,
atravs da especificao do tamanho das amostras e do intervalo de tempo entre retirada das
amostras, e a determinao dos limites de controle. Necessita-se conhecer profundamente as
conseqncias advindas de alargar ou estreitar tais limites, cujo objetivo reduzir o tempo
necessrio para detectar uma condio de processo fora de controle, ou seja, um desvio na
estatstica sob monitoramento (por exemplo: mdia, amplitude, desvio padro e etc.).
O mecanismo que envolve a determinao da distncia dos limites de controle do grfico, em
relao linha central, est estreitamente relacionado com teste de hipteses. Alargar os
limites de controle diminui o risco de erro tipo I, risco de um ponto cair alm dos limites de
controle, com o processo ajustado. No entanto, alargar os limites aumenta o erro tipo II, risco
de um ponto cair dentro dos limites de controle, quando o processo se desajusta.
usual distanciar os limites de controle da linha central do grfico em exatos trs desvios
padres da estatstica que se quer monitorar. Tal medida adotada na prtica, porm no h
uma razo imperativa que nos sujeite a aceit-la.
O objetivo deste artigo discutir sob a tica do teste de hipteses, atravs da funo
caracterstica de operao (CO) e dos erros envolvidos (tipo I e tipo II), a determinao dos
parmetros timos para a construo do grfico de X

atravs das duas principais medidas de
desempenho denominadas Nmero mdio de amostras (NMA) e Tempo esperado at o sinal
(TES). Apresentar-se- como apoio ao ensino o uso do Ambiente estatstico denominado
linguagem R (R CORE DEVELOPMENT TEAM, 2011).
Este artigo est estruturado em cinco sees. Na seo 2, apresenta-se uma analogia entre um
grfico de controle e um teste estatstico de hiptese. Na seo 3, discute-se a relao entre a
curva caracterstica de operao (CO) e as medidas de desempenho em um grfico de
controle. Na seo 4, aborda-se o uso do ambiente estatstico R no apoio prtica do ensino
de conceitos fundamentais relacionados construo de um projeto de grfico de controle e
por fim, a seo 5, apresenta as concluses e consideraes finais.
2. O grfico de controle como um teste estatstico de hipteses
Testar se um processo est ou no em controle faz com que o uso de um grfico de controle
tenha uma estreita relao com teste de hipteses. Com base em uma amostra, pode-se
verifica se h alguma evidncia acerca do parmetro sob estudo. A hiptese a ser testada, H
o
,
rejeitada ou no de acordo com os dados amostrais. Em caso de rejeio, evidenciamos uma
hiptese alternativa H
1
, caso contrrio, evidencia-se H
o.
Podemos anunciar para o grfico X
as hipteses: H
0
:
0
= (processo em controle) e H
1
:
1 0 0
oo = = + (processo fora de

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



3

controle). Na hiptese H
1
, o deslocamento da mdia expresso em unidades o do desvio
padro:

( )
1 0 0
/ o o =

(1)
No controle de um processo, cada subgrupo representa uma amostra que ser testada para
verificao de alguma hiptese de interesse. Os limites de controle ( ;
X X
LIC LSC ) equivalem a
regio de aceitao do teste. Dentro dos limites no h evidncia de H
1
, caso contrrio h.
Como em um teste de hipteses, um projeto de grfico de controle pode ocorrer dois erros
aps a especificao dos limites:
a) Erro tipo I (erro o ) que corresponde a indicar que o processo est fora de controle quando
na ausncia de causas especiais ou perturbaes no processo;
b) Erro tipo II (erro | ) que corresponde a interpretar que um processo sob influncia de
causas especiais est em controle na presena de causas especiais.
Os erros tipo I e II so representados respectivamente pelas expresses de probabilidade
condicional:
( )
0
Pr ou
X X
X LSC X LIC o = > < =

(2)

( )
0
Pr
X X
LIC X LSC | = s s =

(3)
O poder do grfico de controle (Pd) dado pela probabilidade de deteco:
Pd = 1| (4)
O estabelecimento dos limites de controle uma deciso crtica, pois afeta os riscos citados.
Alargar os limites diminui o erro tipo I, porm, aumenta o erro tipo II e vice-versa.
Com o processo isento de causas especiais, o ideal que todos os pontos de X

se situem
dentro dos limites de controle. Entretanto, existe o risco o de surgir um ponto na regio de
ao do grfico, gerando um alarme falso.
O risco o depende da distribuio da varivel aleatria X . A probabilidade de um ponto X

cair na regio de ao do grfico dada por:

( ) ( ) ( )
Pr + Pr Pr Z L Z L Z L o = > < = > (5)
para limites iguais a
0
X
L o
.
O risco de se assumir que o processo est fora de controle, na ausncia de causa especial
(alarme falso), no depende do tamanho do subgrupo, n, apenas de L.
Dada a ocorrncia de um deslocamento da mdia, a probabilidade do surgimento de um ponto
X

acima ou abaixo dos limites de controle :

( ) ( )
1 Pr Pr Pd Z L n Z L n | o o = = s + + s

(6)

Os erros tipo I e tipo II podem ser utilizados para avaliar a eficincia dos grficos de controle.

Quando o processo est fora de controle, a velocidade de deteco medida pelo nmero de
amostras que o grfico requer para sinalizar a causa especial (NAS).
Pr (NAS=d) = p(1-p)
d-1
, d=1,2,.... (7)

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



4

O valor esperado do NAS, conhecido como NMA, um ndice usado para avaliar o
desempenho do grfico de controle e segue uma distribuio geomtrica de parmetro p.
Como a mdia da distribuio geomtrica de parmetro p igual a 1/p , tm-se:

i=1
NMA= Pr[ ] 1/ d NAS d p

= = (8)
Se a hiptese H
0
for verdadeira (o = 0), ento p =o. Se a hiptese H
1
for verdadeira (o > 0),
ento p = Pd
Com o processo em controle desejvel que o NMA seja grande o bastante para que alarmes
falsos demorem a ocorrer. Quando uma causa especial desloca a mdia do processo, ou seja,
0
= , o NMA deve ser pequeno de modo que a deteco da causa especial seja rpida.
O poder de deteco aumenta com o aumento de o e/ou com o aumento da amostra,
consequentemente, o NMA se reduz com o tempo entre a retirada das amostras constante, o
tempo esperado at a deteco tambm se reduz. O investimento em inspeo pelo aumento
da amostra compensado pela reduo do tempo que o grfico requer para sinalizar a causa
especial, isto , o processo permanece menos tempo fora de controle, diminuindo assim o
prejuzo advindo de operar o processo em tal condio.
Com o processo em controle, o NMA chamado de NMA
0
. A Figura 1 apresenta as
expresses do NMA.


Sim


No



Figura 1 Expresses do NMA.
O Tempo Esperado at o Sinal (TES) pode ser til para avaliar o desempenho do grfico. Ele
o tempo mdio entre o instante em que o processo se altera e o instante do alarme. Se h o
intervalo de tempo entre amostras (subgrupos) e Q o intervalo de tempo entre o momento da
retirada da ltima amostra antes da mudana na mdia do processo e o instante da mudana,
ento:
TES = E(h.NAS Q) = h. NMA E(Q) (9)
Supondo que Q tem distribuio uniforme [0,h], ento E(Q) = h/2 e
TES = h.NMA - h/2 (10)
O TES depende da magnitude do deslocamento da mdia (o), do tamanho da amostra (n), do
intervalo de tempo (h) entre retirada de amostras e do fator de abertura dos limites do grfico
(L). utilizado como medida de rapidez de deteco; sendo sempre determinado levando em
conta as restries quanto ao menor TES
0
permitido, isto , menor tempo mdio entre
( ) ( )
1 1
NMA=
Pr Pr
Pd
Z L n Z L n o o
=
s + + s

Determinao do NMA
Processo em
controle?
( )
0
1 1
NMA =
Pr Z L o
=
>


XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



5

ocorrncias de alarmes falsos; se NMA
0
representa o nmero mdio de amostras entre alarmes
falsos, ento TES
0
=h*NMA
0
.
3. A funo caracterstica de operao
As curvas caractersticas de operao (CO) so utilizadas para avaliar a qualidade dos grficos
de controle em detectar mudanas na caracterstica que est sendo monitorada. A construo
da curva CO para o grfico de X requer o valor de | e a magnitude do deslocamento que se
deseja detectar, expressa em unidades o

de desvio padro,

a respeito da caracterstica de
qualidade monitorada, para diferentes tamanhos de amostra (n). Uma ilustrao da CO
apresentada na Figura 2 para diferentes tamanhos de amostras (n=2,3,4,5,10 e15) e desvio da
ordem de o = 0 a 5.
0 1 2 3 4 5
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
OC curves for xbar chart
Process shift (std.dev)
P
r
o
b
.

t
y
p
e

I
I

e
r
r
o
r

n = 2
n = 3
n = 4
n = 5
n = 10
n = 15

Figura 2 Curva CO para tamanhos de amostras n=2,3,4,5,10 e15 e o = 0 a 5.
Quanto mais rpido a curva CO atinge o eixo da abscissa, melhor a capacidade de deteco de
desvio na mdia do processo. Observa que para tamanhos pequenos de amostras, digamos
n=2,3,4 e 5, o grfico de Xno eficiente para detectar pequenos desvios na mdia do
processo.
A Tabela 1 apresenta para amostras de tamanho n=2,3, 4 e 5 o erro tipo II (|), a probabilidade
de se detectar o deslocamento na primeira amostra (1-|), segunda amostra (|(1(|)), terceira
amostra (|
2
(1(|)) e quarta amostra (|
3
(1(|)) aps um desvio na mdia do processo.


n=2

n=3
o

| 1| |(1|) |
2
(1|) |
3
(1|)

| 1| |(1|) |
2
(1|) |
3
(1|)
0,0

0,9973 0,0027 0,0027 0,0027 0,0027

0,9973 0,0027 0,0027 0,0027 0,0027
0,5

0,9890 0,0110 0,0109 0,0108 0,0106

0,9835 0,0165 0,0162 0,0160 0,0157
1,0

0,9436 0,0564 0,0532 0,0502 0,0474

0,8976 0,1024 0,0919 0,0825 0,0741
1,5

0,8102 0,1898 0,1538 0,1246 0,1009

0,6561 0,3439 0,2256 0,1480 0,0971
2,0

0,5681 0,4319 0,2454 0,1394 0,0792

0,3213 0,6787 0,2181 0,0701 0,0225
3,0

0,1070 0,8930 0,0956 0,0102 0,0011

0,0140 0,9860 0,0138 0,0002 0,0000

n=4

n=5
o

| 1| |(1|) |
2
(1|) |
3
(1|)

| 1| |(1|) |
2
(1|) |
3
(1|)
0,0

0,9973 0,0027 0,0027 0,0027 0,0027

0,9973 0,0027 0,0027 0,0027 0,0027
0,5

0,9772 0,0228 0,0223 0,0218 0,0213

0,9701 0,0299 0,0290 0,0281 0,0273

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



6

1,0

0,8413 0,1587 0,1335 0,1123 0,0945

0,7775 0,2225 0,1730 0,1345 0,1046
1,5

0,5000 0,5000 0,2500 0,1250 0,0625

0,3616 0,6384 0,2308 0,0835 0,0302
2,0

0,1587 0,8413 0,1335 0,0212 0,0034

0,0705 0,9295 0,0655 0,0046 0,0003
3,0

0,0013 0,9987 0,0013 0,0000 0,0000

0,0001 0,9999 0,0001 0,0000 0,0000
Tabela 1 - Erro tipo II (|) e probabilidades 1|, |(1(|), |
2
(1(|)) e |
3
(1(|)
Por exemplo, se o desvio da ordem de o=2 e n=4, a probabilidade de no detectar uma
mudana na mdia do processo de |=0,1587 e consequentemente 1-|=0,8413 a
probabilidade de detectar o deslocamento. Entretanto, a probabilidade de se detectar o
deslocamento na segunda amostra de |(1|) = 0,1335, enquanto a probabilidade de
deteco na terceira e quarta amostras so, respectivamente, |
2
(1|)=0,0212 e |
2
(1|)=
0,0034. Apesar de ser baixo o poder de deteco para amostras pequenas, h um argumento
que justifica a adoo de amostras pequenas. Por exemplo, quando n=4 e o=1,0, h uma
chance muito boa de que o deslocamento seja detectado apesar do risco | ser relativamente
grande, pois o NMA=4,4944.
4. Uso do Software R no ensino
O R um ambiente de software livre para realizar anlise estatstica. Permite ao usurio
acrescentar funcionalidades, tornando-o flexvel para gerar anlises e receber contribuies de
diversos pesquisadores atravs de pacotes especficos que esto disponveis livremente em um
repositrio central chamado CRAN (Comprehensive R Archive Network). O R pode ser
obtido diretamente na Internet em: http://www.r-project.org.
Grficos de controle so uma das principais aplicaes da Estatstica na Engenharia.
SCRUCCA (2004) foi o pioneiro no desenvolvimento de funes aplicadas ao CEP no
ambiente R com o pacote denominado qcc (Quality Control Charts). Esta ferramenta pode
proporcionar ao aluno de graduao em Engenharia ou reas afins, profissionais das reas de
engenharia de processo, produo, engenharia de produto e qualidade, aprender conceitos e
utilizar ferramentas de controle estatstico de qualidade. Outros pacotes merecem destaque no
ambiente R: SPC (Statistical Process Control), criado por Knoth (2009); IQCC (Improved
Quality Control Charts) por Recchia, Barbosa e Gonalves (2010) e o qAnalyst, criado por
Spano (2011). Com a adoo destes pacotes no ensino possvel resolver problemas
complexos e dar enfoque interpretao dos resultados obtidos, facilitando a abordagem de
conceitos pelo professor e contribuindo para a aprendizagem do aluno.
Para criar um projeto de grfico de controle necessrio compreender conceitos como: risco
o, risco |, Poder do grfico, magnitude do deslocamento (o) da caracterstica que se quer
monitorar, medidas de desempenho NMA e TES e combinao tima dos parmetros n, h e L.
Prope-se nesta seo o uso do ambiente R como ferramenta de apoio ao processo ensino-
aprendizagem.
Trs atividades so apresentadas nesta seo com o propsito de atingir os seguintes objetivos
educacionais:
a) Explorar os erros cometidos em um teste de hipteses;
b) Mostrar que o erro tipo I (risco o) depende apenas da abertura dos limites de controle;
c) Comprovar que a diminuio do erro tipo I (risco o) aumenta o erro tipo II (risco |) e
vice-versa;
d) Avaliar que o aumento do tamanho da amostra acarreta em maior poder do grfico;
e) Avaliar que a magnitude do deslocamento (o) influencia o poder do grfico de controle;

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



7

f) Descobrir que h uma combinao de n, h e L que minimiza o TES, para uma taxa de
amostragem constante (n/h) e TES
0
=h/o tolervel.

4.1 Atividade 1
Esta atividade prope trabalhar os objetivos a e b. Esta atividade sugere o uso de um exemplo
apresentado em Costa, Epprecht e Carpinetti (2005). O resultado de um julgamento
comparado com um teste de hipteses. A Adaptao desse exemplo para a estatstica
inferencial apresenta algumas dificuldades que sero amenizadas como o uso do ambiente R.
Digamos que u seja a mdia de uma populao representada pelo volume de sacos de leite
cuja mdia igual a 1000 ml e varincia igual a 4,5
2
ml
2
. Vamos usar um teste bilateral: H
0
:
u = 0 x H
1
: u 0. Por analogia, definem-se as regras do julgamento:
a) Toda pessoa inocente at que se prove o contrrio aqui esse fato traduzido pela
hiptese nula, que trata da igualdade da diferena entre a verdadeira mdia e a constante
que queremos testar com o valor zero;
b) Os jurados ainda no conhecem as evidncias que sero apresentadas (os dados), mas j
sabem as possveis hipteses, inocente ou culpado inocente a igualdade e culpado a
diferena.
As hipteses devem ser estabelecidas antes da apresentao das evidncias; Dois equvocos
podem acontecer neste julgamento: absolver um culpado ou condenar um inocente. Tm-se os
erros Tipo II e Tipo I, respectivamente; O pior engano seria condenar um inocente e, por isso,
estabelece-se limite para ele atravs do alfa, que geralmente de 5%, ou seja, at 5% dos
inocentes podem ir para a cadeia. Pode-se considerar a absolvio de um culpado menos
grave, e nos preocuparmos com ele aps a apresentao das evidncias. Estabelecer a
capacidade de, apresentadas as evidncias, ser capaz de provar que um culpado realmente
culpado, depender da qualidade e da quantidade de evidncias apresentadas. Esta capacidade
chama-se de poder do teste (1|) que vai depender da qualidade e quantidade dos dados
coletados.
Com o uso do ambiente R passemos a coleta das evidncias, ou seja, suponha que n=100 seja
uma amostra de sacos de leite com mdia igual a 1000 ml e varincia igual a 4,5
2
ml
2
.
volume.leites<-rnorm(100, mean=1000, sd=4.5)
mean(volume.leites)
sd(volume.leites)
Como no conhecido a priori o valor da varincia populacional para testar o volume mdio
dos sacos de leite, usa-se a amostra para estimar esta estatstica. Atravs da funo t.test() no
R, tem-se:
t.test(volume.leites, mu=1000)
Dependendo dos valores gerados para amostra dos sacos de leite, tem-se:
One Sample t-test; data: volume.leites ; t = -0.4992, df = 99, p-value = 0.6187; alternative hypothesis:
true mean is not equal to 1000 ; 95 percent confidence interval: 998.8492 1000.6881 ; sample
estimates:mean of x 999.7687
Aps as evidncias processadas, o jri dar o veredicto: no condenar o ru, pois h
evidncias de H
0
. E assim o julgamento entra em recesso. No julgamento, estabeleceu-se um
erro mximo como nica garantia para no condenar um inocente, ou seja, no rejeitar a
hiptese H
0
, atravs do o= 5%.

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



8

O poder nada mais do que a probabilidade de rejeitar a hiptese nula, quando de fato ela
falsa, ou seja, a probabilidade de condenar um culpado. o complemento de se absolver um
culpado, ou seja, o complemento do erro tipo II (erro |). Logo, o poder ser a probabilidade
de no cometermos o erro tipo II ou 1|. Ao contrrio da probabilidade de cometer o erro tipo
I, o beta no fixo e ele depende de trs fatores: o prprio alfa, o valor testado na hiptese
alternativa e o tamanho da amostra. Com o auxlio da funo curva.poder apresentada no
Apndice A, gerou-se a Figura 3 que representa o poder do teste. Utilizou-se no exemplo
varincia supostamente conhecida e igual a 20,25 ml, o= 2,5%, 5% e 7,5% e n=50, 75 e 100.
Traando uma linha vertical onde a curva cruza com a linha traada em 80% de poder,
percebe-se que o poder aumenta medida que h aumento no tamanho da amostra, aumento
do risco tipo I (erro o) e desvio em relao hiptese testada. Concluso: algumas vezes
temos que absolver o ru por falta de provas.
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.025 e n=50
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.025 e n=75
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.025 e n=100
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.05 e n=50
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.05 e n=75
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.05 e n=100
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.075 e n=50
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.075 e n=75
Hiptese
Alternativa
P
o
d
e
r
1000 1001 1002 1003 1004 1005
0
.
0
0
.
4
0
.
8
H0:1000, alfa=0.075 e n=100
Hiptese
Alternativa
P
o
d
e
r

Figura 3 Curva poder do teste, o= 2,5%, 5% e 7,5% e n=50, 75 e 100.
4.2 Atividade 2
Esta atividade prope trabalhar os objetivos c, d e e. O mtodo mais comum para determinar
os limites de controle atribuir 3-sigma estatstica exibida no grfico (u ), ou seja, 3
u
u o .
Assume-se distribuio simtrica (normal) e que seria extremamente improvvel ocorrer um
ponto alm dos limites de controle quando no h causas especiais de variao atuando no
processo. Embora seja usual, este mtodo no deveria ser usado automaticamente, pois assim

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



9

no se pondera entre o objetivo de detectar rapidamente um desajuste ou perturbao no
processo e a chance de um alarme falso pequeno.
Um conjunto de dados das medidas dos dimetros internos (mm) dos anis de pisto de
automveis (MONTGOMERY, 2004) com 40 amostras de tamanho n=5 ser usado nesta
atividade atravs do pacote qcc no ambiente R.
library (qcc)
data(pistonrings)
attach(pistonrings)
diameter <- qcc.groups(diameter, sample)
qcc(diameter[1:25,], type="xbar")
qcc(diameter[1:25,], type="xbar", newdata=diameter[26:40,])

xbar Chart
for diameter[1:25, ] and diameter[26:40, ]
Group
G
r
o
u
p

s
u
m
m
a
r
y

s
t
a
t
i
s
t
i
c
s
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
7
3
.
9
9
0
7
4
.
0
0
0
7
4
.
0
1
0
7
4
.
0
2
0
LCL
UCL
CL
Calibration data in diameter[1:25, ] New data in diameter[26:40, ]
Number of groups = 40
Center = 74.00344
StdDev = 0.01191745
LCL = 73.98745
UCL = 74.01943
Number beyond limits = 0
Number violating runs = 0

Figura 4 Grfico de controle de X (dimetros internos (mm) dos anis de pisto de automveis)
Do exemplo apresentado na Figura 4, tem-se uma estimativa da mdia global igual a 74,00 e
desvio padro igual a 0,0119, obtidas a partir das 25 primeiras amostras coletadas. Com este
exemplo, avalia-se o risco | modificando o fator de abertura dos limites de controle, o que
equivalente a modificar o risco o. Os comandos a seguir podem ser utilizados para esta
avaliao.
beta <- oc.curves.xbar(c = seq(0, 3, length=80), qcc(diameter, type="xbar", nsigmas=2.0, plot=FALSE), identify=F,
n=c(3,4,5,15))
beta <- oc.curves.xbar(c = seq(0, 3, length=80), qcc(diameter, type="xbar", nsigmas=2.5, plot=FALSE), identify=F,
n=c(3,4,5,15))
beta <- oc.curves.xbar(c = seq(0, 3, length=80), qcc(diameter, type="xbar", nsigmas=3.0, plot=FALSE), identify=F,
n=c(3,4,5,15))
beta <- oc.curves.xbar(c = seq(0, 3, length=80), qcc(diameter, type="xbar", nsigmas=3.5, plot=FALSE), identify=F,
n=c(3,4,5,15))


XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



10

L=2.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
OC curves for xbar chart
Process shift (std.dev)
P
r
o
b
.

t
y
p
e

I
I

e
r
r
o
r

n = 3
n = 4
n = 5
n = 15
L=2.5
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
OC curves for xbar chart
Process shift (std.dev)
P
r
o
b
.

t
y
p
e

I
I

e
r
r
o
r

n = 3
n = 4
n = 5
n = 15

L=3.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
OC curves for xbar chart
Process shift (std.dev)
P
r
o
b
.

t
y
p
e

I
I

e
r
r
o
r

n = 3
n = 4
n = 5
n = 15
L=3.5
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
OC curves for xbar chart
Process shift (std.dev)
P
r
o
b
.

t
y
p
e

I
I

e
r
r
o
r

n = 3
n = 4
n = 5
n = 15

Figura 5 Risco | para L=2; 2,5;3 e 3,5 e n=3,4,5 e15
Para visualizar os valores de | basta executar o comando:
print(round(beta, digits=4))
Observando a Figura 5, o aumento do tamanho da amostra associado ao aumento do risco o
aumenta o poder do grfico. Outro aspecto importante a ser destacado quanto magnitude
do deslocamento. Por exemplo: suponha que realmente a mdia global seja 74,0034 e o
desvio padro igual a 0,0119. Considere a ocorrncia de dois possveis desvios na mdia do
processo. O primeiro a desloca para
1
=74,0272, apresentando um desvio da ordem de o=2,0.
O segundo a desloca para
1
=74,0153, apresentando um desvio da ordem de o=1,0. O risco |
maior neste segundo caso, pois quanto maior a magnitude do deslocamento, maior ser o
poder do grfico.
4.3 Atividade 3
Esta atividade prope trabalhar o objetivo f. Uma medida de desempenho muito til baseada
no NMA o TES que representa o tempo mdio para alerta de um sinal de deslocamento no
parmetro controlado pelo grfico. conveniente usar o TES para planejar o projeto de um
grfico de controle. Para isso, primeiro define-se a frequncia admissvel de alarme falso
NMA
0
e a taxa de amostragem (n/h). Existe uma infinidade de combinaes de n, L e h que
resultam em uma mesma taxa de amostragem e mesmo NMA
0
. Porm, para uma dada
magnitude de deslocamento (o) do parmetro que se controle possvel encontrar um valor
timo para o TES, ou seja, um valor que minimiza esta estatstica. A funo tes.otimo
apresentada no Apndice A auxilia no projeto de um esquema timo de controle.

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



11

Suponhamos que a frequncia admissvel de alarme falso NMA
0
= 500 e a taxa de
amostragem igual a 8 unidades por hora. No ambiente R vejamos o valor timo para o TES
dado um deslocamento da ordem de o=1,5.
tes.otimo (tx=8, n=2, k=10, nma0=500, delta=1.5)

5 10 15 20
1
.
0
1
.
5
2
.
0
2
.
5
n
T
E
S

n L tes tx delta
[1,] 2 3.481 2.748 8 1.5
[2,] 3 3.371 1.518 8 1.5
[3,] 4 3.291 1.046 8 1.5
[4,] 5 3.227 0.823 8 1.5
[5,] 6 3.175 0.710 8 1.5
[6,] 7 3.130 0.657 8 1.5
[7,] 8 3.090 0.642 8 1.5
[8,] 9 3.055 0.653 8 1.5
[9,] 10 3.023 0.681 8 1.5
[10,] 11 2.994 0.721 8 1.5
[11,] 12 2.968 0.770 8 1.5
[12,] 13 2.943 0.824 8 1.5
[13,] 14 2.920 0.881 8 1.5
[14,] 15 2.898 0.941 8 1.5
[15,] 16 2.878 1.002 8 1.5
[16,] 17 2.859 1.063 8 1.5
[17,] 18 2.841 1.125 8 1.5
[18,] 19 2.824 1.188 8 1.5
[19,] 20 2.807 1.250 8 1.5
[20,] 21 2.791 1.313 8 1.5
Figura 6 - Representao do valor timo do TES
Na Figura 6, observa-se que existe um valor timo para o TES que um ponto de mnimo na
curva apresentada. A combinao que o minimiza n=8 unidades amostradas por hora,
L=3.09 para detectar um deslocamento da ordem de o=1,5. O TES timo resultante 0,642
horas, ou ainda, 38,5 minutos.
5. Concluso
O ambiente R uma extraordinria ferramenta para o ensino de mtodos estatsticos nos
cursos de engenharia. A sua divulgao e aplicao neste meio pode ser ampliada. Tanto para
o discente como para o docente so inmeras as vantagens, pois o ambiente R flexvel e
possui cdigo aberto, facilitando o emprego no meio acadmico.
Apresentaram-se, atravs de quatro atividades propostas para trabalhar com o aluno em sala
de aula, atingir alguns objetivos importantes na prtica do ensino voltado ao CEP, sendo eles:
Explorar os erros cometidos em um teste de hipteses; Mostrar que o erro tipo I (risco o)
depende apenas da abertura dos limites de controle; Comprovar que a diminuio do erro tipo
I (risco o) aumenta o erro tipo II (risco |) e vice-versa; Avaliar que o aumento do tamanho da
amostra acarreta em maior poder do grfico; Avaliar que a magnitude do deslocamento (o)
influencia o poder do grfico de controle; Verificar que superestimar ou subestimar o
0

influencia a magnitude do deslocamento (o) afetando por sua vez o poder do grfico de
controle e o valor esperado de alarme falso (NMA
0
) e descobrir que h uma combinao de n,
h e L que minimiza o TES, para uma taxa de amostragem constante (n/h) e
TES
0
=h/o tolervel.

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



12

Avaliou-se neste artigo os principais conceitos envolvidos no planejamento e construo de
um projeto de grfico de controle. O uso de recursos computacionais mostrou-se til no
processo ensino-aprendizagem, proporcionando grandes benefcios ao aluno, pois possvel
ensinar conceitos com diferentes graus de complexidade de modo simples e dinmico. O
grande benefcio a possibilidade dar maior nfase a interpretao de conceitos e aprofundar
os conhecimentos no tema em questo. O ensino do CEP atravs desta abordagem
proporciona ao acadmico enfrentar os novos desafios diante de constantes mudanas e,
sobretudo, realizar vrias escolhas para aperfeioar suas atividades.



Referncias
ANDREA SPANO (2011). qAnalyst: Control Charts, Capability and Distribution Identification. R package
version 0.6.4. http://CRAN.R-project.org/package=qAnalyst. Acesso em: 28 fev. 2011.
CLARO, F. A.; COSTA, A. F. B. & MACHADO, M. A. G. Grficos de controle de EWMA e de X para
monitoramento de processos autocorrelacionados. Produo, v.17, n.3, p. 536-546, 2007.
CLARO, F. A.; COSTA, A. F. B.; MACHADO, M. A. G. Sampling Xbar control chart for a first order
autoregressive process. Pesquisa Operacional, v.28, p.545-562, 2009.
COSTA, A. F. B.; CASTAGLIOLA, P. Effect of Measurement Error and Autocorrelation on the X-bar Chart.
Journal of Applied Statistics, aceito, 2010.
COSTA, A. F. B.; CLARO, F. A. E. Double sampling X control chart for a first-order autoregressive and
moving average process model. The International Journal of Advanced Manufacturing Technology, v. 39,
p. 521-542, 2008.
COSTA, A. F. B.; CLARO, F. A. E. Economic design of Xbar control charts for monitoring a first order
autoregressive process. Brazilian Journal of Operations and Production Management, v.6, p.07-26, 2009.
COSTA, A. F. B.; EPPRECHT, E. K. & CARPINETTI, L. C. R. Controle Estatstico de Qualidade. So Paulo.
Atlas, 2004. 334 p.
RECCHIA, D. R., BARBOSA, E. P. & GONCALVES , E. J. (2010). IQCC: Improved Quality Control
Charts. R package version 0.5. http://CRAN.R-project.org/package=IQCC. Acesso em: 28 fev. 2011.
De MAGALHES, M. S.; HO, L. L. & COSTA, A. F. B. Controle Estatstico de Processos: a questo da
autocorrelao, dos erros de mensurao e do monitoramento de mais de uma caracterstica de qualidade,
2008. (material do mini curso do Simpsio Brasileiro de Pesquisa Operacional)
HENNING, E.; ALVES, C. C. & VIEIRA,V. O ambiente R como uma proposta de renovao para
aprendizagem e monitoramento de processos em Controle Estatstico de Qualidade. In: SIMPEP - SIMPSIO
DE ENGENHARIA DE PRODUO, Bauru, 2007.
LEONI, R. C., COSTA, A. F. B. & MACHADO, M. A. G. O efeito da autocorrelao no desempenho do grfico
de X e na produo de itens no conformes In: XXX Encontro Nacional de Engenharia de Produo
(ENEGEP), So Carlos, 2010.
MONTGOMERY, D. C. Introduo ao Controle Estatstico da Qualidade. 4a. ed. Rio de Janeiro: LTC, 2004.
R DEVELOPMENT CORE TEAM (2011). R: A Language and Environment for Statistical Computing. R
Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org/.
SCRUCCA, L, (2004). qcc: An R Package for Quality Control Charting and Statistical Process Control. R
News, v.4, n.1, p.11-17. URL http://CRAN.R-project.org/doc/Rnews/. Acesso em: 28 fev. 2011.

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



13

STOUMBOS, Z. G.; REYNOLDS JR. M. R.; RYAN, T. P. & WOODALL, W. H. The State of Statistical
Process Control as We Proceed into the 21st Century. Journal of the American Statistical Association, v.95,
n.451, p.992-998, 2000.
KNOTH, S. (2009). spc: Statistical Process Control. R package version 0.3. http://CRAN.R-
project.org/package=spc. Acesso em: 28 fev. 2011.
ZOU, C.; WANG, Z. & TSUNG, F. Monitoring autocorrelated process using variable sampling schemes at
fixed-times. Quality and Reliability Engineering International, v.24, p.55-69, 2008.






APNDICE A cdigo fonte para gerar a curva poder de um teste no ambiente R e
cdigo fonte para gerar a curva do TES timo no ambiente R.

# Funo: curva.poder
curva.poder <- function(H1, H0, pop.var, alfa, n)
{
a <- length(alfa)
b <- length(n)
par(mfrow=c(a,b))
for (i in 1:a){
for (j in 1:b){
plot(H1,pnorm(qnorm(alfa[i]/2)+abs((H0-H1))/sqrt(pop.var/n[j])), type="l", ylim=c(0,1), ylab="Poder",
xlab="Hiptese Alternativa", main=paste(c("H0:", H0, ", alfa=", alfa[i], " e n=", n[j]), collapse=""))
abline(h=0.8)
} }
par(mfrow=c(1,1)) }

# Aplicao da funo curva.poder:
curva.poder(H1=seq(1000,1005,1.0), H0=1000, pop.var=20.25, alfa=seq(0.025,0.075,0.025),
n=seq(50,100,25))

# Funo: tes.otimo
tes.otimo <- function(tx=8, n=2, k, nma0=500, delta)
{
v.tes <- 0
v.n <- 0
v.tx <- 0
v.L <- 0
v.delta <- 0
for (i in 1:k)
{ # nmero de tes
h=n/tx
L <- -qnorm(h/(2*nma0))

XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Inovao Tecnolgica e Propriedade Intelectual: Desafios da Engenharia de Produo na Consolidao do Brasil no
Cenrio Econmico Mundial
Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.



14

pd <- pnorm(-L+delta*sqrt(n))+pnorm(-L-delta*sqrt(n))
nma <- 1/pd
tes <- nma*h-h/2
v.tes[i] <- tes
v.n[i] <- n
v.tx[i] <- tx
v.L[i] <- L
v.delta[i] <- delta
n=n+1 }
plot(v.n, v.tes, ylab="TES", xlab="n", type="l")
cbind(v.n, v.L, v.tes, v.tx, v.delta ) }

# Aplicao da funo tes.otimo:
tes.otimo (tx=8, n=2, k=10, nma0=500, delta=1.5)