Documente Academic
Documente Profesional
Documente Cultură
Décima Edição
2010
Alexandre Ricardo Pereira Schuler
Departamento de Engenharia Química
Universidade Federal de Pernambuco
CONTROLE ESTATÍSTICO
Décima Edição
2010
Controle Estatístico - Introdução - Alexandre R. P. Schuler.
SUMÁRIO
CAPÍTULO 1 – INTRODUÇÃO, 1
1.1. Histórico, 1
1.2. Definições fundamentais, 1
1.3. Objetivos, 2
1.4. Erros e Incertezas em Química Analítica, 3
2.1. Generalidades, 9
2.2. Regras de arredondamento, 9
2.3. Algarismos significativos, 10
2.4. Operações com números experimentais, 10
3.1. Introdução, 12
3.2. Gráficos de Calibração, 12
3.3. Interpolação e Extrapolação, 13
3.4. Determinação do Ponto de Inflexão, 14
3.5. Regressão Linear, 15
3.6. Gráficos de Barras, 19
4.1. Probabilidade, 20
4.2. Distribuição de probabilidade, 22
4.3. Distribuição binomial, 23
4.4. Distribuição de Poisson, 25
4.5. Distribuição hipergeométrica, 25
4.6. Probabilidade Estatística, 26
4.7. Erros estatísticos, 26
4.8. Distribuição gaussiana, 27
4.9. Estimativa do valor médio, 29
4.10. Estimativa da dispersão, 30
5.1. Introdução, 31
5.2. Parâmetros e Testes Estatísticos, 31
5.3. Estatística Simplificada, 38
Controle Estatístico - Introdução - Alexandre R. P. Schuler.
6.1. Finalidades, 51
6.2. Especificação, 51
6.3. O tamanho da amostra, 53
6.4. Procedimentos de amostragem, 54
6.5. Frequência de amostragem, 55
6.6. Capacidade de um processo e de uma máquina, 56
6.7. Tipos de gráfico de Controle, 57
8.1. Introdução, 73
8.2. Tamanho do Lote, 73
8.3. Nível de Inspeção, 74
8.4. Regime de Inspeção, 74
8.5. Tamanho da Amostra, 74
8.6. Procedimentos de Amostragem, 75
8.7. Escolha do Plano de Amostragem, 79
9.1. Introdução, 82
9.2. Modelos de Gestão, 82
9.3. Estrutura Básica dos Modelos de Gestão, 83
Controle Estatístico - Introdução - Alexandre R. P. Schuler.
BIBLIOGRAFIA CONSULTADA, 97
PREFÁCIO
Boa leitura!
Alexandre Schuler
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 1
1 - INTRODUÇÃO
1.1. Histórico
1
Alguns das referências citadas no final do livro fazem uma boa revisão histórica. É interessante conhecer.
2
As expressões “indivíduo” e “população” são provenientes do uso mais extensivo da Estatística na área das ciências sociais.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 2
Outros termos que serão empregados ao longo deste texto terão sua
definição quando da primeira citação.
1.3. Objetivos
3
Admitindo-se que a temperatura do experimento é constante.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 5
1.4.3. Incerteza
1.4.4.1. Classificação
1. Grosseiro
2. Do operador
3. Do instrumento
(a) (b)
Figura 1.2. Medição de uma grandeza linear.
2 X 0,1 cm
ε2 =
87,2 cm
= 0 , 0023 ou 0,23%
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 7
1.4.4.3. Pesagem
4
Esta tabela é apenas ilustrativa. Cada fabricante deve explicitar a incerteza de seu produto. Vidraria de laboratório
acompanhada dessa informação é bem mais cara e é identificada como vidraria certificada (ver Apêndice 7).
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 8
5
As balanças modernas de laboratório possuem o recurso da tara, em que a balança é zerada antes e após a colocação do
recipiente. Nesse caso, deve ser considerada apenas uma leitura e o erro não é multiplicado por 2.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 9
2.1. Generalidades
Exemplos:
OBS 1: Não são permitidos arredondamentos sucessivos. Para ter apenas um algarismo depois da
vírgula, o número 9,3453 é arredondado para 9,3. Não se deve fazer 9,3453 9,35 9,4.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 10
Exemplos:
Soma ou subtração:
arredondar eliminar
2,719 2,324
14,32 1,13
17,04 3,45
Multiplicação ou divisão:
6
Se os cálculos forem realizados no Excel, lembrar de somente programar arredondamento na célula onde ficar o resultado final.
7
O número 47,12 é obtido a partir da estequiometria da reação.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 12
3.1. Introdução
a) O número de pontos não deve ser muito pequeno, principalmente se não se tem
certeza a respeito da linearidade da correlação8 dos pontos, especialmente nas
8
Ver Seção 3.5, página 20.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 13
A = ε.c.b
Absorvância
Concentração
com maior precaução, posto que a suposta linearidade talvez esteja sendo
obedecida apenas no trecho C1–Cn. Um exemplo disso é a curva de absorção
colorimétrica com soluções concentradas (Fig. 3.2). Observa-se que acima de
uma determinada concentração, a lei de Beer não é obedecida. Na interpolação
(ou extrapolação) numérica, faz-se uso de uma tábua de logaritmos, ou mais
simplesmente, da equação 3.1 (ver Figura 3.3). A interpolação numérica é,
evidentemente, mais precisa que a interpolação gráfica.
( y 2 − y1 )( x '− x 1 )
y' = + y1 (Equação 3.1)
x 2 − x1
ŷ = a.x + b
Onde:
a = (Σx Σy - nΣx.y)/[(Σx)2 - nΣx2]
{ b = (Σy - aΣx) / n
(Equação 3.2a)
(Equação 3.2b)
Ponto no x y x*y x2
1 x1 y1 x1.y1 x12
2 x2 y2 x2.y2 x22
••• ••• ••• ••• •••
••• ••• ••• ••• •••
••• ••• ••• ••• •••
N xn yn xn.yn xn2
Totais Σxi Σyi Σ(xi.yi) Σxi2
Quadro 3.1 - Ordenação dos dados para aplicação do método dos mínimos quadrados.
9
Os valores de regressão somente têm significado se a incerteza dos valores dos “x” for pelo uma ordem de grandeza
inferior à incerteza dos valores de “y”. Nesse caso, eles correspondem a uma “correção” (ajuste) dos valores
experimentais de y.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 17
Coeficiente de regressão
nΣxi.yi - ΣxiΣyi
r= (Equação 3.3)
{[nΣxi - (Σxi) 2 ][nΣyi 2 - (Σyi) 2 ]}1/ 2
2
NOTA: Evidentemente, é possível aproveitar o quadro proposto para o cálculo dos coeficientes da
reta de regressão, bastando acrescentar uma coluna contendo os valores de yi2. Se o valor de r for
negativo, tem-se uma correlação inversa e se r for positivo, tem-se uma correlação direta. Entende-
se por uma boa correlação aquela cujo valor de r se aproxima da unidade (+1 ou –1). A intensidade
de uma correlação pode ser avaliada pelo valor absoluto de r, conforme mostrado no Quadro 3.2.
Valor de r Interpretação
até 0,19 insignificante
0,20 a 0,39 Fraca
0,40 a 0,69 moderada
0,70 a 0,89 Forte
0,90 a 1,00 muito forte
10
Uma correta avaliação estatística (Capítulos 4 e 5 e Apêndice 1) deve substituir essa afirmação empírica.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 18
Coeficiente de determinação
Número de estudantes
6
0
1 2 3 4 5
Intervalos de notas
4. FUNDAMENTOS DA ESTATÍSTICA
4.1. Probabilidade
11
Os exemplos mostrados a seguir pretendem explicar os vários casos (tipos) aqui descritos.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 21
Exemplo 4: No Exemplo 1 foi observado que ao se lançar uma moeda para o alto, há 50% de
probabilidade de dar cara. Se, por hipótese, na primeira tentativa der cara, a
probabilidade de dar de novo cara na segunda tentativa é menor; na terceira
tentativa, é menor ainda, etc. Matematicamente essa propriedade é expressa como:
n!
Px = ⋅ P x ⋅ Qn− x (Equação 4.1)
x!(n − x)!
Onde:
Resolvendo, fica:
2 2− 2
2! 1 1
Px = ⋅ ⋅ = 0,25 = 25%
2!(2 − 2)! 2 2
Exemplo 11: Calcular a probabilidade de dar cara 5 vezes em 12 lançamentos de uma moeda.
Exemplo 12: Recalcular o Exemplo 3 com auxílio da equação 4.1. A probabilidade de ser
selecionado um ás (x = 1) numa única tentativa (n = 1) é:
1 1−1
1! 4 48
Px = ⋅ ⋅ = 0,077 = 7,7%
1!(1 − 1)! 52 52
Exemplo 13: Calcular a probabilidade de ser selecionado, numa única tentativa (n = 1), o ás
de espada (x = 1):
1 1−1
1! 1 51
Px = ⋅ ⋅ = 0,019 = 1,9%
1!(1 − 1)! 52 52
50! 0 20 − 0
Px = ⋅ (0,04) ⋅ (1 − 0,04) = 0,130 = 13,0%
0!(50 − 0)!
b) Probabilidade de um defeituoso:
50! 1 20−1
Px = ⋅ (0,04) ⋅ (1 − 0,04) = 0,270 = 27,0%
1!(50 − 1)!
12
A rigor, a distribuição binomial somente pode ser empregada quando a relação n/N é igual ou menor que 0,1.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 25
50! 2 20−2
Px = ⋅ (0,04) ⋅ (1 − 0,04) = 0,276 = 27,6%
2!(50 − 2)!
13
Além de exigir um n muito grande, a distribuição e Poisson exige um p pequeno e, como a distribuição binomial, uma
relação n/N≤ 0,1.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 26
x =n
F( x ) = ∑ f ( x ) (Equação 4.4)
x =0
Onde:
D! ( N − D)! n!( N − n)!
f ( x) = • • (Equação 4.5)
x!( D − x)! (n − d )![( N − D) − (n − x)]! N!
Lim = 1 / 13
n →∞
di = µ − xi (Equação 4.6)
xo − ( x − µ )2
1
P ( x ≤ xo ) = F ( xo ) =
σ 2π ∫e
−∞
2σ 2
dx (Equação 4.7)
14
Na realidade, a distribuição normal é aplicável a variáveis contínuas, enquanto que as demais são aplicáveis a variáveis discretas.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 28
(x − µ)
z= (Equação 4.9)
σ
15
O parâmetro zσ é de fato uma medida de x (ou µ) em unidades de desvio padrão, ou seja, z mede a quantidade de
desvios padrão existentes no intervalo |x - µ| (ver exercícios de nos 1.1 a 1.5 do Caderno de Exercícios, do Autor).
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 29
Σ xi
X= ≠µ
n
X é a média aritmética dos n valores de xi. Entretanto, X pode
ser considerado uma estimativa de µ. Quando n é realmente muito pequeno, em
vez de X é empregada a mediana, M17. É que no cálculo da média, todos os
valores de xi são utilizados e nos casos onde n é muito pequeno, a influência dos
valores extremos x1 e xn, que poderão estar dotados de erros (desvios) muito
grandes, é grande o bastante para tornar X muito diferente de µ. Por outro lado,
a mediana não sofre influência desses erros, posto que:
16
Nesse momento, o Leitor deve se reportar ao Apêndice 4, para melhor compreender como se chega a essa importante conclusão.
17
Para determinar a mediana, é necessário colocar todos os valores, independentemente de repetição, em ordem
crescente numérica. Ex.: Os valores 2, 4, 2, 1, 1, 3, 5 são assim ordenados: 1, 1, 2, 2, 3, 4, 5. A mediana é 2.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 30
5.1. Introdução
18
Esse tipo de avaliação denomina-se Teste de Normalidade e está discutido no Apêndice 6. Em princípio, um teste
estatístico somente deve ser realizado após confirmação de que o conjunto de dados tem distribuição normal.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 32
x2 − x1
Q1 = (Equação 5.1.a)
R
xn − xn −1
Qn = (Equação 5.1.b)
R
A 10,1 10,2 10,3 10,3 10,3 10,4 10,4 10,4 10,4 10,4 10,5 10,5 10,5 10,6 10,7
B 10,1 10,2 10,3 10,3 10,4 10,4 10,4 10,4 10,4 10,4 10,4 10,5 10,5 10,6 10,7
10
10
9
9
8
8
7
7
(a) (b)
Freqüência
6
Freqüência
6
5
5
4
4
3
3
2
2
1
1
0
0
10,0 10,1 10,2 10,3 10,4 10,5 10,6 10,7
10,0 10,1 10,2 10,3 10,4 10,5 10,6 10,7
Valores de Xi Valores de Xi
s=
∑ x -X
i
(Equação 5.3a)
n -1
s m = s/ n (Equação 5.3b)
2 2 s 2r
Σ y i − y − a 2Σ x i − x sa = 2
sr = Σ xi − x
N-2
2
1 sr 1 1 yc − y
s b = sr sc = + +
(Σx i ) 2 a n N a Σx −x2
2
N− 2 i
Σx i
Exemplo 1: Uma amostra foi analisada por um instrumento cujo sinal é proporcional à concentração do analito. A partir de cinco
soluções de diferentes concentrações do analito obteve-se a curva representada pelo Quadro 5.1 e pela Figura 5.2. Determinar a
concentração da amostra (Ca) e seu respectivo desvio padrão sabendo que a intensidade do seu sinal foi 2,65 (leitura única).
4,5
1 0,35 1,09
3,5
3,0
Sinal
2,0
0,5
Ca = 1,14 ± 0,07%.
P(%)
n-1
90 95 99
3 0,886 0,941 0,988
4 0,679 0,765 0,889
5 0,557 0,642 0,760
6 0,482 0,560 0,698
7 0,434 0,507 0,637
8 0,330 0,390 0,550
9 0,275 0,320 0,490
10 0,230 0,270 0,435
Z .0 .2 .4 .6 .8
0 0,0000 0,1585 0,3108 0,4515 0,5763
1 0,6827 0,7699 0,8385 0,8904 0,9281
2 0,9545 0,9722 0,9836 0,9907 0,9959
3 0,9973 - - - -
OBS: Os algarismos das colunas correspondem ao segundo algarismo significativo de z. Por
exemplo: P = 0,9836 corresponde a z = 2,4. O Apêndice 6 apresenta uma ampliação desta tabela
e os cálculos envolvidos na sua construção.
5.2.3. Teste t
x1 − x 2
t= (Equação 5.5b)
s12 + s 22
n -1
Obs. 1 - Quando é utilizada a Equação 5.5a, procura-se na Tabela 5.3 o valor correspondente a 2n-2,
onde n é o número de medições em paralelo realizadas com cada método.
Obs. 2 - Quando n é o mesmo, utiliza-se a Equação 5.5b; quando n é diferente, utiliza-se a
Equação 5.5a.
Obs. 3 - Nos dois casos (eq 5.4 e Equação 5.5), a interpretação é feita do seguinte modo:
5.2.4. Teste F
19
Na prática é costume considerar apenas a coluna central (P = 95%). Neste caso, se tcalc > ttab, conclui-se que a diferença
é significativa. Caso contrário (tcalc ≤ ttab), a diferença não é significativa.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 37
s2A
F= (Equação 5.6)
s2B
onde sA > sB, permite avaliar a precisão relativa de A e B. O raciocínio é
semelhante ao aplicado no teste t. Se o valor de F calculado for maior que o de F
tabelado, (Tabela 5.4), para um dado número de determinações, é possível afirmar
com 95% de segurança que o método A (maior valor de s) é menos preciso que B.
onde sR é uma segunda estimativa do desvio padrão, Kn é uma constante que varia
com n (ver Tabela 5.5) e R é a amplitude (do inglês “Range”). A última coluna da
Tabela 5.5 mostra a eficiência de sR na estimativa de σ. Na prática, a estatística
simplificada é aplicada quando n ≤ 10.
n Kn eficiência*
2 0,8862 1,00
3 0,5908 0,99
4 0,4857 0,98
5 0,4299 0,96
6 0,3946 0,93
7 0,3698 0,91
8 0,3512 0,89
9 0,3367 0,87
10 0,3249 0,85
(*) eficiência de sR na estimativa de σ.
t.s R 100∆
∆= (eq. 5.8a) e L= (eq. 5.8b)
n µ
20
Essa informação é muito importante. O Autor sugere que nesse momento seja consultado o Apêndice 8.
21
O valor de t é obtido da Tabela 5.3, para cada valor de n.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 40
0,7
1
R= Σ Ri (Equação 5.9)
m
A diferença entre duas medições pode ser aceitável, ou não, a
depender do desvio padrão previamente avaliado a partir de um grande número
de medições realizadas com uma solução padrão. A relação
22
A incerteza de instrumentos de medição pode ser encontrada na Tabela 1.1 ou deduzida do próprio texto (Capítulo 1).
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 44
1) Centrifugação, onde pode haver alguma perda de álcool por evaporação. Como
avaliar essa incerteza (i10)?
2) Filtração, onde também pode haver evaporação (i11).
3) Medição de uma alíquota de 10 mL, com uma incerteza i8.
4) Diluição da amostra (1:10): nessa operação, a incerteza é i9.
A B
17,3 17,0
17,4 17,2
17,4 17,6
17,5 17,8
X= 17,4 17,4
R= 0,2 0,8
sR = 0,097 0,389
F(s) = 19,85
F(sR) = 16,06
Ftab = 9,9
Objetivos:
medição
alíquota
1 2 3 4 5 i1 (%)
a 10,01 10,02 10,00 9,98 9,99 0,48
b 10,09 10,07 10,05 10,06 10,07 0,47
c 9,91 9,95 9,93 9,92 9,93 0,48
d 10,03 10,01 10,04 10,00 10,02 0,48
e 9,95 9,92 9,94 9,93 9,96 0,48
23
Soma da incerteza na pipetagem com a incerteza do balão volumétrico (ver Tabela 1.1, página 7).
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 48
técnica i1 i2 i3 i4 i5 i6 itotal
a 20 0,05 1 0,05 - - 20,10
b 0,02 0,05 1 0,05 1 0,05 2,17
c 0,2 0,05 1 0,05 0,19 0,05 1,54
a ⇒ F1 = 43,76 a ⇒ F1 = 45,06
b b
a ⇒ F2 = 163,53 a ⇒ F2 = 192,27
c c
b ⇒ F3 = 3,74 b ⇒ F3 = 4,27
c c
Ftab = 19
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 49
Os cálculos mostram que apenas entre (b) e (c) existe uma boa
concordância, em termos de precisão (exatamente as técnicas de melhor
precisão). Aplicação do teste t (usando s ou sR e Equação 5.5b), leva à conclusão
que as três técnicas são exatas (ttab = 4,3):
Re = X ± R/2
R R
Re = X ± t.K n . ou Re = M ± t.K n .
n n
6 - GRÁFICOS DE CONTROLE
6.1. Finalidades
6.2. Especificação
a) mercado consumidor;
b) projeto;
c) normas oficiais.
24
O objetivo efetivo é distinguir variações comuns (aleatórias) de variações provocadas por causas especiais.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 52
25
Ver Apêndice 7.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 53
26
Ver Apêndice 11.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 54
onde t é encontrado na Tabela 5.3 (p. 37) para n tendendo para infinito (t=1,96),
s é avaliado com auxílio da Equação 5.3 (p. 33), d é o desvio (relativo à média,
em porcentagem) máximo aceitável e X é a média esperada para a população em
estudo. No caso de controle de processo, deve ser dada importância à frequência
de amostragem. Aqui também são importantes a experiência em controle
estatístico e o conhecimento do processo. Evidentemente, a própria precisão da
técnica de mensuração de um característico influi no tamanho da amostra.
- amostragem simples;
- amostragem dupla;
- amostragem sequencial e
- amostragem múltipla.
27
P é a fração defeituosa do processo (ver Seção 6.7.2a).
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 55
28
normalmente toma-se n2 = 2n1 (nota do Autor).
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 56
Figura 6.2 – Gráfico de Controle. A região dentro dos limites de controle chama-se Zona de Controle.
1
X=
k
[
X1 + X 2 ..... + X k ] (Equação 6.3)
29
Na realidade, trata-se de uma média de várias (k) médias. Portanto, o correto seria empregar a notação X . Mas a outra
notação é mais simples, por isso será adotada neste livro.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 60
LM = c2.σ = s
LC = c2.σ ± 3.σ’,
1
onde: σ' = [ 2( n − 1) − 2 nc22 ] 2 . σ / 2n
Assim:
1
LIC = {c2 − [2(n − 1) − 2nc22 ] 2 ( 3 / 2n )}
e
1
LSC = {c2 + [2(n − 1) − 2nc22 ] 2 (3 / 2n )}
LIC = B1 . σ e LSC = B2 . σ
LC = {1 ± [2(n-1)-2nc22]1/2} s
σ
LM = = d2 . σ
Kn
LC = (d2 ± 3d3).σ
Fazendo:
LC = (1 ± 3 d3 Kn) R
Fazendo:
LIC = p − 3 p / n e LSC = p + 3 p / n
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 63
LC = n p ± 3 [n p (1 - p )]1/2
Σci
u = ,
Σn i
LC = u ± 3 u
Σc
LM = c = ,
k
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 64
LIC = c − 3 c e LSC = c + 3 c
i) Sequências
ii) Tendência
A Fig. 6.4.b ilustra uma tendência, que indica um defeito que está
aumentando gradualmente. A tendência, no caso de alguma alteração introduzida no
processo, mostra a consequência dessa alteração. Na tendência do exemplo, cada ponto
está acima do ponto anterior. Normalmente são necessários sete pontos para
caracterizar uma tendência. Alternativamente, esses pontos poderão estar abaixo da
linha média.
iii) Ciclos
Figura 6.4.a,b – Gráficos de mostrando uma sequência (a) e uma tendência (b). O
número de pontos que caracterizam cada tipo de arranjo é
indicado na Norma.
Se por um lado apenas 0,3% dos pontos podem cair fora da zona
de controle, por outro não é aceitável que um número excessivamente grande de
pontos permaneça próximo a LM, como na Fig. 6.5.b. Entre outras causas,
encontram-se amostragem incorreta ou tendenciosa e mensuração realizada com
instrumentos inadequados (baixa sensibilidade) ou por inspetores inexperientes.
Figura 6.5.a,b – Gráficos de mostrando uma sequência (a) e uma tendência (b). O
número de pontos que caracterizam cada tipo de arranjo é
indicado na Norma.
V) Variabilidade Excessiva
final. Quanto maior for o número de pontos de amostragem, mais fácil fica a
avaliação.
6.7.5. Conclusões
7 - INSPEÇÃO DA QUALIDADE
7.3. Não-conformidade
NÍVEL DE QUALIDADE
RISCO DO PRODUTOR
RISCO DO CONSUMIDOR
Figura 7.2 – Uma CCO típica, com seus parâmetros mais importantes.
1,0
0,4
0,2
0,0
Qualidade do Lotes
1,0
Probabilidade de Aceitação
0,8
N = 100; n = 10
N = 1000; n = 100
0,6 N = 4000; n = 400
0,4
0,2
0,0
0 5 10 15 20
P%
8 – PLANOS DE INSPEÇÃO
8.1. Introdução
Tabela 8.1 - Código de letras dos níveis de inspeção, para uso das Tabelas do Apêndice 17.
Níveis de Inspeção
Tamanho do lote (N)
I II III S-1 S-2 S-3 S-4
000.002 a 000.008 B B B B B B B
000.009 a 000.015 B B C B B B B
000.016 a 000.025 B C D B B B B
000.026 a 000.050 C D E B B B C
000.051 a 000.100 C E F B B C C
000.101 a 000.150 D F G B B C D
000.151 a 000.300 E G H B C D E
000.301 a 000.500 F H J B C D E
000.501 a 001.000 G J K C C E F
001.001 a 003.000 H K L C D E G
003.001 a 010.000 J L M C D F G
010.001 a 035.000 K M N C D F H
035.001 a 150.000 L N P D E G J
150.001 a 500.000 M P Q D E G J
500.001 acima N Q R D E H K
a) Amostragem Simples
31
Também conhecido como Plano de Amostragem.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 76
Inspecionar a amostra
de tamanho n
d≤a d>a
b) Amostragem Dupla
c) Amostragem sequencial
EXEMPLO:
1− β 1− α P2 1 − P1
A = log ; B = log ; g1 = log ; g2 = log
α β P1 1 − P2
B A g2 a n = S. n − m1
m1 = ; m2 = ; S = e
g1 + g2 g1 + g2 g1 + g2
rn = S.n + m2
Defeitos Acumulados
5
Rejeição zona de indecisão
4
3
2
1 zona de aceitação
0
-1 0 15 30 45 60 75 90 105 120 135 150
-2
Ítens Inspecionados
d) Amostragem Múltipla
9.1. Introdução
suas atenções para diferentes objetivos. Assim, por exemplo, até a década de
trinta, o foco era a Produtividade. Na década de quarenta passou para o
Controle, retornando para a Produtividade na década seguinte. Nos anos
sessenta, o foco retornou para o Controle, passando para o Produto Final nos
anos setenta. Nos anos oitenta foi a vez do Processo, passando para o Cliente
nos anos noventa. Da última década do século vinte até os dias atuais o foco
passou a ser o Conhecimento.
Mapeamento do processo
Matriz de prioridade
Análise de dispersão
Planejamento de experimentos
Análise de variância
Análise de Taguchi
32
O Apêndice 15 traz mais detalhes sobre essa técnica estatística.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 89
Programas e Métodos
Programa 5S
Benchmarking
Reengenharia
Kaizen
Just-in-Time
Análise de Valor
Desdobramento da Função Qualidade (DFQ)
Gestão de Cliente
Gestão das relações com o Cliente
• Liberação de espaços
• Reaproveitamento e/ou melhor aproveitamento dos recursos
• Combate ao excesso de burocracia
• Diminuição de custos
• Economia de tempo
• Diminuição do cansaço físico
• Melhoria do fluxo de pessoas e materiais
• Maior facilidade para encontrar objetos e informações
• Bem-estar pessoal
• Conservação de equipamentos
• Prevenção de acidentes
• Sentimento de excelência transmitido aos clientes
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 91
• Praticar os sensos
• Identificar e eliminar fontes de risco e de insalubridade
• Cuidar do corpo e da mente
• Estimular um clima de confiança, amizade e solidariedade
• Embelezar o local de trabalho
• Manter excelentes condições de higiene nas áreas comuns
• Divisão de responsabilidades;
• Um layout adequado;
• Um fluxograma coerente;
• Um bom gerenciamento dos fornecedores.
Kanban (mais matéria-prima para um novo lote somente quando o atual ficar
pronto);
Jidoka (autonomia para o operador parar a produção);
Setup rápido (simplificação e melhoria das ações, capacitação dos operadores, etc.).
Valor de uso
Quanto às necessidades
Valor de status
Valor de custo
Quanto ao preço
Valor de revenda
1) Os requisitos do cliente;
2) A importância de cada requisito;
3) Os requisitos do projeto;
4) O relacionamento dos requisitos do cliente com os do projeto;
5) O relacionamento entre os requisitos do projeto;
6) O benchmarking interno;
7) O benchmarking externo;
8) A quantificação de cada requisito do projeto.
BIBLIOGRAFIA CONSULTADA
14. K. Ishikawa, Controle de Qualidade Total, Editora Campus Ltda., 6a Ed., Rio de
Janeiro, 1993 (trad.).
15. K. Eckschlager, Error, Measurement, and Results in Chemical Analysis, Van
Nostrand Reinhold Company, New York, 1969 (trad. Ingles: R. A. Chalmers,
University of Aberdeen).
16. L. S. Viveiros de Castro, Exercícios de Estatística, 9a Ed. Editora Científica, Rio de
Janeiro, 1964.
17. M. E. Swartz e I. S. Krull, Validação de Métodos Cromatográficos, Pharmaceutical
Technology, junho, 1998.
18. M. V. Rodrigues, Ações para a Qualidade, Qualymark Editora, Ltda., São Paulo, 2004.
19. M. R. Spiegel, Estatística, Editora McGraw-Hill do Brasil Ltda. (Coleção Schaum),
trad. Pedro Cosentino, São Paulo, 1972.
20. Paul G. Hoel, Estatística Matemática, Editora Guanabara Dois, Quarta Edição,
1980 (tradução).
21. R. Kieffer e L. Torbeck, Validação e Condições do Processo, Pharmaceutical
Technology, agosto, 1998.
22. R. C. B. Lourenço Filho, Controle Estatístico de Qualidade, Livros Técnicos e
Científicos Editora, Rio de Janeiro, 1984.
23. S. Vieira e R. Wada, Estatística – Introdução Ilustrada, Editora Atlas, São Paulo, 1986.
24. S. K. Ekambaram, A Base Estatística dos Gráficos de Controle de Qualidade, Editora
Polígono, São Paulo, 1972 (trad. Português: Miguel Cezar Santoro, EPUSP).
25. V. Mirshawka, Controle da Qualidade Industrial, Centro de Desenvolvimento da
Qualidade Industrial, São Paulo, 1986.
26. V. Mirshawka, Testes de Qualidade, Nobel, São Paulo, 1987.
27. V. Mirshawka, Manutenção Preditiva, Makron Books do Brasil Editora Ltda., São
Paulo, 1991.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 99
1. Introdução
2. Faixa de Linearidade
33
No trecho não linear a inclinação tende para zero, diminuindo a sensibilidade da curva em distinguir duas
concentrações diferentes.
34
Limite de Detecção (LD) é a menor quantidade do analito que pode ser detectado. De acordo com a ANVISA
(Resolução - RE nº 899, de 29 de maio de 2003), pode ser estimado com base na relação de três vezes o ruído da linha
de base, com auxílio da relação LD = 3 × DP/b, onde DP é o desvio padrão de a, onde a e b são os coeficientes da
equação da reta de regressão resultante da calibração.
35
O Limite de Quantificação (LQ) é calculado do mesmo modo que o LD, com auxílio da equação LD = 10 × DP/b (também de
acordo com a Resolução - RE nº 899, de 29 de maio de 2003 da ANVISA), constituindo-se na concentração mínima
determinável com precisão e exatidão aceitáveis.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 100
36
A ANVISA (Resolução - RE nº 899, de 29 de maio de 2003) estabelece um valor mínimo de 0,99.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 101
n r Aumento
11 0,9929
10 0,9971 0,42
9 0,9984 0,13
8 0,9995 0,11
7 0,9997 0,02
6 0,9996 n/c
5 0,9999 n/c
4 0,9999 n/c
3 0,9996 n/c
Quadro A1.2 – Dados para uso do
segundo critério do
procedimento 1.
2500
y = 104,15x + 49,526
2000
1500
Sinal
1000
500
0
0 5 10 15 20 25
Concentração
1400
y = 124,71x + 21,457
1200
1000
800
Sinal
600
400
200
0
0 2 4 6 8 10 12
Concentração
800
700 y = 140,95x + 9,7445
600
500
Sinal
400
300
200
100
0
0 1 2 3 4 5 6
Concentração
350
y = 158,57x + 2,8677
300
250
200
Sinal
150
100
50
0
0 0,5 1 1,5 2 2,5
Concentração
180
y = 167x + 1,1592
160
140
120
100
Sinal
80
60
40
20
0
0 0,2 0,4 0,6 0,8 1 1,2
Concentração
100
90 y = 173,33x + 0,4457
80
70
60
Sinal
50
40
30
20
10
0
0 0,1 0,2 0,3 0,4 0,5 0,6
Concentração
40
y = 185,76x - 0,3575
35
30
25
Sinal
20
15
10
5
0
0 0,05 0,1 0,15 0,2 0,25
Concentração
20
18 y = 182,15x - 0,2236
16
14
12
Sinal
10
8
6
4
2
0
0 0,02 0,04 0,06 0,08 0,1 0,12
Concentração
10
9 y = 179,24x - 0,1575
8
7
6
Sinal
5
4
3
2
1
0
0 0,01 0,02 0,03 0,04 0,05 0,06
Concentração
190
185,47
Sinal/Concentração
170
150 148,27
130
110
90
0,01 0,1 1 10 100
Concentração
2 2
Σ yi − y − a 2Σ x i − x
sr = (equação A1.3)
N-2
1
sb = sr (equação A1.4)
(Σx i ) 2
N− 2
Σx i
Σx i Σy
x= e y= i
n n
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 107
sr = 82,60 e sb = 28,94
LC = 49,53 ± 19,44
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 108
4. Melhorando a linearidade
s 2r
sa = 2
Σ xi − x
a = 158,57; sa = 2,06
b = 2,87; sb = 1,68
a: 156,85 a 160,30
b: 1,54 a 4,19
37
Ver textos sobre o assunto na página 12 e na página 16.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 111
a) Origin
b) Excel
1,0
Probabilidade de Aceitação
0,9
0,8
0,7
0,6
0,5 a=0
0,4
a=4
0,3
a = 12
0,2
0,1
0,0
0 5 10 15 20 25
Número de Defeituosos
1,000
PA (probabilidade de
aceitação)
a=0
0,500 a=1
a=2
0,000
0 0,05 0,1 0,15
P (qualidade dos lotes)
c) Statistica
d) MathCad
60
Freqüência
40
20
0
1 2 3 4 5
Variável
1,459
1,458
índice de refração
r = - 0,86
1,457
1,456
1,455
75 80 85 90 95 100 105
12
10
is
Z Ax
1
4
X Axis
5
Figura A.4 – Gráfico de Coluna em 3D.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 117
Repetição Leitura Repetição Leitura Repetição Leitura Repetição Leitura Repetição Leitura
01 9,988 11 9,980 21 9,992 31 9,985 41 9,986
02 9,973 12 9,986 22 9,984 32 9,977 42 9,982
03 9,986 13 9,978 23 9,981 33 9,976 43 9,977
04 9,980 14 9,971 24 9,987 34 9,983 44 9,977
05 9,975 15 9,982 25 9,978 35 9,976 45 9,986
06 9,982 16 9,983 26 9,983 36 9,990 46 9,978
07 9,986 17 9,988 27 9,982 37 9,988 47 9,983
08 9,982 18 9,975 28 9,991 38 9,971 48 9,980
09 9,981 19 9,980 29 9,981 39 9,986 49 9,984
10 9,990 20 9,994 30 9,969 40 9,978 50 9,979
Quadro A4.1 – Sequência cronológica de cinquenta medições de uma grandeza.
30
Freqüência (%)
20
10
0
1 2 3 4 5 6 7 8 9
Intervalos
40
30
Freqüência (%)
20
10
0
1 2 3 4 5 6 7 8 9
Intervalos
40
30
Freqüência (%)
20
10
0
1 2 3 4 5 6 7 8 9
Intervalos
40
30
Freqüência (%)
20
10
0
1 2 3 4 5 6 7 8 9
Intervalos
40
30
Freqüência (%)
20
10
0
1 2 3 4 5 6 7 8 9
Intervalos
Teste de Hipóteses
H0 H1
Deus Réu Inocente Deus Réu Culpado
Júri absolveu condenou Júri absolveu condenou
( X − µ) n (equação A5.1)
z=
σ
(5,75 - 5,60). 5
Logo, z= = 3,36
0,1
38
Entende-se por acerto a concordância entre a informação do teste estatístico e a realidade da população.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 124
Teste de Hipóteses
H0 H1
Deus Amostra diferente da população Deus Amostra pertence à população
Teste confirmou errou Teste errou confirmou
Erro do Tipo I: Sendo verdadeira a hipótese H0, ela pode ser rejeitada. A
probabilidade de isso ocorrer é α.
Erro do Tipo II: Sendo verdadeira a hipótese H1, ela pode ser rejeitada. A
probabilidade de isso ocorrer é β. Consequentemente:
repetições, n, que foi o mesmo para ambos. Para simplificar, os desvios padrão
são iguais nos dois conjuntos. Para tanto, foram imaginadas as seguintes
situações (Quadro A5.1):
Média Média
Situação Desvio padrão n Situação Desvio padrão n
A B A B
1 9,9 10,0 0,02 3 10 9,7 10,0 0,02 3
2 9,9 10,0 0,02 5 11 9,7 10,0 0,02 5
3 9,9 10,0 0,02 7 12 9,7 10,0 0,02 7
4 9,9 10,0 0,2 3 13 9,7 10,0 0,2 3
5 9,9 10,0 0,2 5 14 9,7 10,0 0,2 5
6 9,9 10,0 0,2 7 15 9,7 10,0 0,2 7
7 9,9 10,0 0,5 3 16 9,7 10,0 0,5 3
8 9,9 10,0 0,5 5 17 9,7 10,0 0,5 5
9 9,9 10,0 0,5 7 18 9,7 10,0 0,5 7
Quadro A5.1 – Pares de conjuntos de dados com diferentes valores de desvio padrão,
número de repetições e diferença entre as médias.
Situação tcalculado ttabelado Conclusão (1) Situação tcalculado ttabelado Conclusão (1)
1 9,354 4,303 SIM 10 28,062 4,303 SIM
2 9,354 2,776 SIM 11 28,062 2,776 SIM
3 9,354 2,447 SIM 12 28,062 2,447 SIM
4 0,935 4,303 NÃO 13 2,806 4,303 NÃO
5 0,935 2,776 NÃO 14 2,806 2,776 SIM
6 0,935 2,447 NÃO 15 2,806 2,447 SIM
7 0,374 4,303 NÃO 16 1,122 4,303 NÃO
8 0,374 2,776 NÃO 17 1,122 2,776 NÃO
9 0,374 2,447 NÃO 18 1,122 2,447 NÃO
(1) Sim = diferença significativa; Não = diferença insignificante.
Quadro A5.2 – Resultado do teste t aplicado aos pares de conjuntos de dados do Quadro A4.1.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 128
10
B A
8
0
9 9,5 10 10,5 11
10
B A
8
0
9 9,5 10 10,5 11
10
B A
8
0
9 9,5 10 10,5 11
10
B A
8
0
9 9,5 10 10,5 11
10
B A
8
0
9 9,5 10 10,5 11
10
B A
8
0
9 9,5 10 10,5 11
0
9 9,5 10 10,5 11
Testes de Normalidade
0,4
0,3
0,2
0,1
0
0 3 6 9 12
39
Entende-se por característica uma propriedade (física ou química) do material em análise.
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 131
0
0 3 6 9 12
Frequência Acumulada
Dados Frequência simples
absoluta Relativa
74 1 1 6,3
86 1 2 12,5
88 1 3 18,8
89 1 4 25,0
99 2 6 37,5
104 1 7 43,8
107 2 9 56,3
109 1 10 62,5
110 1 11 68,8
111 1 12 75,0
113 1 13 81,3
115 1 14 87,5
134 1 15 93,8
Quadro A6.1 – Dados para teste de normalidade.
99,5
99
98
(i − 0,5)
g = F(zi) − F0,5 , onde F0,5 = e i é o número da amostra.
n
xi − x
zi =
s
n Dcrítico n Dcrítico
3 0,20904 12 0,20329
4 0,24932 13 0,19379
5 0,24518 14 0,19057
6 0,23857 15 0,18648
7 0,23272 16 0,18263
8 0,22377 17 0,17906
9 0,21671 18 0,17419
10 0,21072 19 0,16963
11 0,20621 20 0,16720
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 136
Tabela A6.2 - ÁREAS A(zo) = P (0 ≤ z ≤ zo) para zo = (x - µ)/σ (ramo positivo da curva)
zo A zo A zo A zo A zo A zo A
0,00 0,0000 0,60 0,2257 1,20 0,3849 1,80 0,4641 2,40 0,4918 3,00 0,4987
0,01 0,0040 0,61 0,2291 1,21 0,3869 1,81 0,4649 2,41 0,4920 3,01 0,4987
0,02 0,0080 0,62 0,2324 1,22 0,3888 1,82 0,4656 2,42 0,4922 3,02 0,4987
0,03 0,0120 0,63 0,2357 1,23 0,3907 1,83 0,4664 2,43 0,4925 3,03 0,4988
0,04 0,0160 0,64 0,2389 1,24 0,3925 1,84 0,4671 2,44 0,4927 3,04 0,4988
0,05 0,0199 0,65 0,2422 1,25 0,3944 1,85 0,4678 2,45 0,4929 3,05 0,4989
0,06 0,0239 0,66 0,2454 1,26 0,3962 1,86 0,4686 2,46 0,4931 3,06 0,4989
0,07 0,0279 0,67 0,2486 1,27 0,3980 1,87 0,4693 2,47 0,4932 3,07 0,4989
0,08 0,0319 0,68 0,2517 1,28 0,3997 1,88 0,4699 2,48 0,4934 3,08 0,4990
0,09 0,0359 0,69 0,2549 1,29 0,4015 1,89 0,4706 2,49 0,4936 3,09 0,4990
0,10 0,0398 0,70 0,2580 1,30 0,4032 1,90 0,4713 2,50 0,4938 3,10 0,4990
0,11 0,0438 0,71 0,2611 1,31 0,4049 1,91 0,4719 2,51 0,4940 3,11 0,4991
0,12 0,0478 0,72 0,2642 1,32 0,4066 1,92 0,4726 2,52 0,4941 3,12 0,4991
0,13 0,0517 0,73 0,2673 1,33 0,4082 1,93 0,4732 2,53 0,4943 3,13 0,4991
0,14 0,0557 0,74 0,2704 1,34 0,4099 1,94 0,4738 2,54 0,4945 3,14 0,4992
0,15 0,0596 0,75 0,2734 1,35 0,4115 1,95 0,4744 2,55 0,4946 3,15 0,4992
0,16 0,0636 0,76 0,2764 1,36 0,4131 1,96 0,4750 2,56 0,4948 3,16 0,4992
0,17 0,0675 0,77 0,2794 1,37 0,4147 1,97 0,4756 2,57 0,4949 3,17 0,4992
0,18 0,0714 0,78 0,2823 1,38 0,4162 1,98 0,4761 2,58 0,4951 3,18 0,4993
0,19 0,0753 0,79 0,2852 1,39 0,4177 1,99 0,4767 2,59 0,4952 3,19 0,4993
0,20 0,0793 0,80 0,2881 1,40 0,4192 2,00 0,4772 2,60 0,4953 3,20 0,4993
0,21 0,0832 0,81 0,2910 1,41 0,4207 2,01 0,4778 2,61 0,4955 3,21 0,4993
0,22 0,0871 0,82 0,2939 1,42 0,4222 2,02 0,4783 2,62 0,4956 3,22 0,4994
0,23 0,0910 0,83 0,2967 1,43 0,4236 2,03 0,4788 2,63 0,4957 3,23 0,4994
0,24 0,0948 0,84 0,2995 1,44 0,4251 2,04 0,4793 2,64 0,4959 3,24 0,4994
0,25 0,0987 0,85 0,3023 1,45 0,4265 2,05 0,4798 2,65 0,4960 3,25 0,4994
0,26 0,1026 0,86 0,3051 1,46 0,4279 2,06 0,4803 2,66 0,4961 3,26 0,4994
0,27 0,1064 0,87 0,3078 1,47 0,4292 2,07 0,4808 2,67 0,4962 3,27 0,4995
0,28 0,1103 0,88 0,3106 1,48 0,4306 2,08 0,4812 2,68 0,4963 3,28 0,4995
0,29 0,1141 0,89 0,3133 1,49 0,4319 2,09 0,4817 2,69 0,4964 3,29 0,4995
0,30 0,1179 0,90 0,3159 1,50 0,4332 2,10 0,4821 2,70 0,4965 3,30 0,4995
0,31 0,1217 0,91 0,3186 1,51 0,4345 2,11 0,4826 2,71 0,4966 3,31 0,4995
0,32 0,1255 0,92 0,3212 1,52 0,4357 2,12 0,4830 2,72 0,4967 3,32 0,4995
0,33 0,1293 0,93 0,3238 1,53 0,4370 2,13 0,4834 2,73 0,4968 3,33 0,4996
0,34 0,1331 0,94 0,3264 1,54 0,4382 2,14 0,4838 2,74 0,4969 3,34 0,4996
0,35 0,1368 0,95 0,3289 1,55 0,4394 2,15 0,4842 2,75 0,4970 3,35 0,4996
0,36 0,1406 0,96 0,3315 1,56 0,4406 2,16 0,4846 2,76 0,4971 3,36 0,4996
0,37 0,1443 0,97 0,3340 1,57 0,4418 2,17 0,4850 2,77 0,4972 3,37 0,4996
0,38 0,1480 0,98 0,3365 1,58 0,4429 2,18 0,4854 2,78 0,4973 3,38 0,4996
0,39 0,1517 0,99 0,3389 1,59 0,4441 2,19 0,4857 2,79 0,4974 3,39 0,4997
0,40 0,1554 1,00 0,3413 1,60 0,4452 2,20 0,4861 2,80 0,4974 3,40 0,4997
0,41 0,1591 1,01 0,3438 1,61 0,4463 2,21 0,4864 2,81 0,4975 3,42 0,4997
0,42 0,1628 1,02 0,3461 1,62 0,4474 2,22 0,4868 2,82 0,4976 3,44 0,4997
0,43 0,1664 1,03 0,3485 1,63 0,4484 2,23 0,4871 2,83 0,4977 3,46 0,4997
0,44 0,1700 1,04 0,3508 1,64 0,4495 2,24 0,4875 2,84 0,4977 3,48 0,4997
0,45 0,1736 1,05 0,3531 1,65 0,4505 2,25 0,4878 2,85 0,4978 3,50 0,4998
0,46 0,1772 1,06 0,3554 1,66 0,4515 2,26 0,4881 2,86 0,4979 3,54 0,4998
0,47 0,1808 1,07 0,3577 1,67 0,4525 2,27 0,4884 2,87 0,4979 3,58 0,4998
0,48 0,1844 1,08 0,3599 1,68 0,4535 2,28 0,4887 2,88 0,4980 3,62 0,4999
0,49 0,1879 1,09 0,3621 1,69 0,4545 2,29 0,4890 2,89 0,4981 3,66 0,4999
0,50 0,1915 1,10 0,3643 1,70 0,4554 2,30 0,4893 2,90 0,4981 3,70 0,4999
0,51 0,1950 1,11 0,3665 1,71 0,4564 2,31 0,4896 2,91 0,4982 3,74 0,4999
0,52 0,1985 1,12 0,3686 1,72 0,4573 2,32 0,4898 2,92 0,4982 3,78 0,4999
0,53 0,2019 1,13 0,3708 1,73 0,4582 2,33 0,4901 2,93 0,4983 3,82 0,4999
0,54 0,2054 1,14 0,3729 1,74 0,4591 2,34 0,4904 2,94 0,4984 3,86 0,4999
0,55 0,2088 1,15 0,3749 1,75 0,4599 2,35 0,4906 2,95 0,4984 3,90 0,5000
0,56 0,2123 1,16 0,3770 1,76 0,4608 2,36 0,4909 2,96 0,4985
0,57 0,2157 1,17 0,3790 1,77 0,4616 2,37 0,4911 2,97 0,4985
0,58 0,2190 1,18 0,3810 1,78 0,4625 2,38 0,4913 2,98 0,4986
0,59 0,2224 1,19 0,3830 1,79 0,4633 2,39 0,4916 2,99 0,4986
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 137
APÊNDICE 7 – METROLOGIA.
Introdução
Procedimentos de validação
Definições
Conceito Definição
Analito Substância objeto da análise (identificação e/ou quantificação).
Amostra Material a ser analisado contendo (ou suspeito de conter) o analito.
Matriz Conjunto de todos os componentes naturais de uma amostra, exceto o analito.
Alíquota Fração idealmente representativa da amostra, retirada para análise (ensaio, exame).
Branco Solução obtida seguindo o mesmo procedimento para a preparação da amostra, sem adicioná-la.
Replicata Cada uma das leituras repetidas de uma amostra.
Exceção (outlier) Em um conjunto de replicatas, um valor suspeito de estar dotado de erro grosseiro.
Precisão Grau de concordância entre medidas de uma mesma amostra.
Repetitividade Precisão medida sob condições idênticas (mesmo analista, mesmo instrumental, mesma ocasião, etc.).
Precisão Intermediária Como a Repetitividade, alterando uma das variáveis (analista, instrumental, ocasião, etc.).
Reprodutibilidade Precisão medida entre diferentes laboratórios.
Exatidão (a) Medida da diferença entre a média aritmética das replicatas e um valor aceito como verdadeiro.
Recuperação (R) Medida da eficiência do procedimento analítico em expor à detecção toda a massa do analito existente na amostra.
Limite de detecção (LD) Menor concentração do analito em uma amostra que pode ser detectada. Existe o limite de detecção do método e do instrumento de medição.
Limite de quantificação (LQ) Menor concentração do analito em uma amostra que pode ser quantificada com a precisão exigida.
Linearidade Habilidade de produzir um sinal diretamente proporcional à concentração do analito.
Faixa de trabalho Faixa de interesse da concentração do analito.
Especificidade Capacidade de medir o analito na presença de outros componentes existentes na matriz (o método não detecta os demais).
Seletividade Capacidade de medir o analito na presença de outros componentes existentes na matriz (o método detecta os demais, mas distingue uns dos outros).
Robustez Capacidade de um método de não sofrer influência de alterações nas condições analíticas.
Sensibilidade Mede a intensidade da variação do sinal (resposta) com a concentração do analito.
Sensitividade Expressão empregada em espectrofotometria, equivalente ao Limite de Detecção.
Coeficiente de correlação (r) Mede a intensidade da correlação entre duas variáveis.
Coeficiente de determinação (r2) Mede a proporção da variabilidade de uma variável que é explicada pela variabilidade de outra.
Material de referência certificado Padrão cuja concentração é certificada por organismos reconhecidos e confiáveis (NIST, etc.).
Incerteza (I) Mede a imprecisão global do método. Associada à média X das replicatas, exprime o Resultado Final (Re = X ± I)
(a) Também denominada Tendência (bias).
Conceito Teste/Parâmetro
Exceção (outlier) Teste Q.
Repetitividade Teste t.
Precisão Intermediária Teste t.
Reprodutibilidade Teste t.
Exatidão Ver Recuperação.
Recuperação (adição de padrão) R (%) = 100 x (C1 – C2)/C3.(a)
Limite de detecção(b) Concentração que gera um sinal igual ao dobro do ruído.
Limite de quantificação(b) Concentração que gera um sinal dez vezes maior que o ruído.
Linearidade Coeficiente de correlação (regressão linear). Ver Apêndice 1.
Faixa de trabalho Não usa estatística.
Especificidade Não usa estatística.
Seletividade Teste t.
Robustez Teste t.
Sensibilidade Coeficiente angular da reta de regressão.
Incerteza t.s/ n
(a) C1 = conc. após adição; C2 = conc. original; C3 = conc. adicionada.
(b) Em alguns instrumentos analíticos não há o registro de uma linha de base com seu
respectivo ruído. Nesses casos, são construídas pelo menos três curvas de
calibração pela leitura de um branco, divide-se o desvio padrão dessas leituras pela
inclinação da curva (coeficiente angular) e multiplica-se o resultado por 3 (LD) ou
por 10 (LQ).
LSE - LIE
Cp = (Equação A9.1)
6σ P
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 143
LSE - µ p µ p - LIE
Cpk = Mín , (Equação A9.2)
3σp 3σp
LSE - LIE
Cpm = (Equação A9.3)
6 σ 2p + (µ E - µ p ) 2
Quadro A9.1 – Valores de ICP para diferentes situações (LIE = 2 e LSE = 8).
40
Esta notação indica que deve ser considerado o termo que corresponder ao menor valor.
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 144
P o r c e n t a g e m d e it e n s n ã o - c o n f o r m e s
1 ,0
0 ,5
0 ,0
-0 ,5
-1 ,0
0 20 40 60 80 100
C pk
2) Caso 2
Amostra X1 X2 X3 X4 X5 média R
01 143 137 145 137 138 140,0 8
02 141 142 147 140 140 142,0 7
03 142 137 145 140 132 139,2 13
04 137 147 142 137 135 139,6 12
05 137 146 142 142 140 141,4 9
06 145 144 146 148 149 146,4 5
07 137 145 144 137 140 140,6 8
08 144 142 143 135 144 141,6 9
09 140 132 144 145 141 140,4 13
10 132 135 136 130 141 134,8 11
11 137 142 142 145 143 141,8 8
12 142 142 143 140 135 140,4 8
13 136 142 140 139 137 138,8 6
14 142 144 140 138 143 141,4 6
15 139 146 143 140 139 141,4 7
16 140 145 142 139 137 140,6 8
17 134 147 143 141 142 141,4 13
18 138 145 141 137 141 140,4 8
19 140 145 143 144 138 142,0 7
20 145 145 137 138 140 141,0 8
Médias 140,76 8,70
LM = 140,76 LM’ = 140,78; Rmédio= 8,78
LIC = 135,74 LIC = 135,71
LSC = 145,78 LSC = 145,85
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 148
1. Introdução
Teste de Hipóteses
H0 H1
( LSC − µ1 ) [ µ0 + kσ 1 − ( µ0 + δσ 0 )]
Como z LSC = = = k −δ n
σ1 σ1
Fica: P[ X > LSC] = k − δ n
Do mesmo modo, deduz-se que z LIC = −k − δ n . Como P[Z>z]
= P[Z<-z] (e, portanto P[Z>LSC] = P[Z<-LIC]), encontra-se:
µ1 − µ 0
onde δ = mede a intensidade do deslocamento da linha média
σ0
(descentralização do processo). A divisão por σ0 visa manter a unidade de
medida em termos de desvio-padrão. Como se vê, Pd depende de δ e de n
(tamanho da amostra).
Resposta: Os valores de z são calculados com auxílio da equação A11.1. Logo, Pd = P[z < -3 +2] + P[z < -3 -
2], ou Pd = P[z < -1] + P[z < -5]. Os valores de Pd são calculados com auxílio do Apêndice 6. No caso de -1
(pode usar +1) encontra-se na tabela o valor 0,3413. Subtraindo 0,3413 de 0,5000 (a área da metade da curva
menos a área da linha média até o ponto z = 1), encontra-se P(z < -1) = 0,1587. Para o outro valor, pode-se
fazer P(z < -5) = 0,0000. A rigor, isso pode ser feito para qualquer valor de P(z < -3,9 ou maior). Logo, Pd =
0,1587. Se z é positivo, o valor encontrado na tabela deve ser somado a 0,5. O Quadro A10.1 apresenta
valores de Pd em função de vários valores de δ e vários valores de n para k42 = 3. Esses dados estão também
representados na Figura A11.3, para melhor visualização da influência de n e de δ sobre o poder do GC.
41
Também conhecido como comprimento médio da corrida (Em inglês: Average Run Lenght - ARL).
42
Até então tem sido usada uma abertura (LSC – LIC) igual a 3σ, mas esse número pode variar. Genericamente, vale k.
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 153
n
δ 2 3 4 5 9 16
z Pd Z Pd z Pd z Pd z Pd z Pd
0,25 2,646 0,004 2,567 0,005 2,500 0,006 2,441 0,007 2,250 0,012 2,000 0,023
0,50 2,293 0,011 2,134 0,017 2,000 0,023 1,882 0,030 1,500 0,067 1,000 0,159
0,75 1,939 0,026 1,701 0,045 1,500 0,067 1,323 0,093 0,750 0,227 0,000 0,500
1,00 1,586 0,056 1,268 0,102 1,000 0,159 0,764 0,222 0,000 0,500 -1,000 0,841
1,25 1,232 0,109 0,835 0,202 0,500 0,308 0,205 0,419 -0,750 0,773 -2,000 0,977
1,50 0,879 0,189 0,402 0,345 0,000 0,500 -0,354 0,638 -1,500 0,933 -3,000 0,999
2,00 0,172 0,432 -0,464 0,677 -1,000 0,841 -1,472 0,929 -3,000 0,999 -5,000 1,000
3,00 -1,243 0,892 -2,196 0,986 -3,000 0,999 -3,708 1,000 -6,000 1,000 -9,000 1,000
1,200
1,000 n=2
0,800 n=3
Poder
n=4
0,600
n=5
0,400 n=9
0,200 n = 16
0,000
1 2 3 4 5 6 7 8
Deslocamento
4. Intervalo de amostragem
Duração da produção;
Custo da inspeção;
Duração da inspeção;
Estabilidade do processo;
Prejuízo por não atuar no processo.
Resposta:
Pd = P[z < -3 + 1,5×1,414] + P[z < -3 - 1,5×1,414], ou Pd = P[z < -0,88] + P[z < -5,12]. Pd = 0,19.
NMA0 = 1/α = 1/0,0027 = 370.
NMA1 = 1/Pd = 1/0,19 = 5,26.
TAS = 0,5 x 5,26 – 0,25 = 2,38 horas ≅ 143 minutos.
A taxa de amostragem (r), nesse caso, é de 4 itens por hora.
Há ocorrência de um alarme falso a cada 0,5/0,0027 ≅ 185 horas.
5. Outros tipos de GC
Gráfico CUSUM
j=i
Si = ∑ (X j − µ 0 ) (Equação A11.3)
j=1
[
C i+ = max 0, x i − (µ 0 + K ) + C i+−1 ] (Equação A11.4)
[
C i− = max 0, (µ 0 − K ) − x i + C i−−1 ] (Equação A11.5)
µ 0 − µ1
C 0+ = C 0− = 0 e K = (Equação A11.6)
2
Gráfico EWMA
Yi = λX i + (1 − λ)Yi -1
λ
σ 2Yi = σ 02
2 - λ
[
1 − (1 − λ)
2i
]
λ
LC = µ 0 ± kσ 0
2 - λ
1 − (1 − λ) [
2i
]
λ
LC = µ 0 ± kσ 0
2-λ
Tabela A11.1 – Dados para construção dos gráficos das Figuras A11.4-6
# Xi Xi-10 Si Yi # Xi Xi-10 Si Yi
1 11,58 1,58 1,58 10,173 26 9,01 -0,99 -0,22 9,929
2 12,23 2,23 3,81 10,343 27 11,05 1,05 0,83 9,837
3 8,82 -1,18 2,63 10,201 28 10,55 0,55 1,38 9,959
4 9,63 -0,37 2,26 10,157 29 8,57 -1,43 -0,05 10,018
5 10,49 0,49 2,75 10,205 30 10,04 0,04 -0,01 9,873
6 9,01 -0,99 1,76 10,085 31 10,82 0,82 0,81 9,890
7 9,48 -0,52 1,24 10,025 32 11,16 1,16 1,97 9,983
8 10,15 0,15 1,39 10,037 33 10,31 0,31 2,28 10,100
9 9,93 -0,07 1,32 10,026 34 11,92 1,92 4,20 10,121
10 9,93 -0,07 1,25 10,017 35 10,73 0,73 4,93 10,301
11 9,04 -0,96 0,29 9,919 36 9,83 -0,17 4,76 10,344
12 10,20 0,20 0,49 9,947 37 11,65 1,65 6,41 10,293
13 10,53 0,53 1,02 10,005 38 10,16 0,16 6,57 10,428
14 9,47 -0,53 0,49 9,952 39 11,44 1,44 8,01 10,402
15 10,32 0,32 0,81 9,989 40 11,39 1,39 9,40 10,505
16 9,29 -0,71 0,10 9,919 41 11,52 1,52 10,92 10,594
17 11,41 1,41 1,51 10,068 42 10,18 0,18 11,10 10,687
18 9,66 -0,34 1,17 10,027 43 11,82 1,82 12,92 10,636
19 11,17 1,17 2,34 10,141 44 13,27 3,27 16,19 10,754
20 10,79 0,79 3,13 10,206 45 10,41 0,41 16,60 11,006
21 11,06 1,06 4,19 10,292 46 12,40 2,40 19,00 10,946
22 7,87 -2,13 2,06 10,050 47 10,59 0,59 19,59 11,092
23 9,49 -0,51 1,55 9,994 48 8,77 -1,23 18,36 11,041
24 8,74 -1,26 0,29 9,868 49 10,28 0,28 18,64 10,814
25 10,48 0,48 0,77 10,173 50 11,26 1,26 19,90 10,761
Esta tabela é na realidade uma cópia de uma planilha elaborada no
Excel, aplicativo que facilita bastante o trabalho.
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 161
14,00
13,00
12,00
11,00
10,00
9,00
8,00
7,00
6,00
1 11 21 31 41 51
25,00
20,00
15,00
10,00
5,00
0,00
1 11 21 31 41 51
-5,00
11,2
11,0
10,8
10,6
EWMA
10,4
10,2
10,0
9,8
9,6
1 11 21 31 41 51
Dados
v. Conclusões.
AM = x i − x i −1
1 i=k
LM = X = ∑ xi
k i =1
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 164
1 i=k
AM = ∑ AM i
k − 1 i =1
3
LC = X ± ⋅ AM
d2
43
É preciso lembrar que AM1=|x2-x1|, logo, o número de amplitudes é k-1.
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 165
Distribuição binomial
onde Q = 1 – P e a ≤ n.
Distribuição de Poisson
Distribuição hipergeométrica
x =a
D N−D N
F( x ) = ∑ × ÷ (Equação A12.4)
x =0 x n − x n
Para facilitar a colocação dos dados, a equação A12.4 pode ser escrita,
invertendo o último termo, como:
x=a
D! ( N − D )! n!( N − n)!
F ( x) = ∑ . . (Equação A12.5)
x =0 x!( D − x)! (n − x)![( N − D ) − (n − x)]! N!
EXEMPLO 1:
O tamanho do lote é N = 1000, o tamanho da amostra é n = 50 e P = 0,04.
Calcular a probabilidade de aceitação e a probabilidade de rejeição da partida,
com a = 2, com a = 3 e com a = 6, usando a distribuição binomial.
Resposta:
A Equação A12.2 é um somatório. Para facilitar, cada termo44 será calculado em
separado:
f(x=0) = 50!/(0!50!) x 0,040 x 0,9650 = 0,130 f(x=4) = 50!/(4!46!) x 0,044 x 0,9646 = 0,090
f(x=1) = 50!/(1!49!) x 0,041 x 0,9649 = 0,271 f(x=5) = 50!/(5!45!) x 0,045 x 0,9645 = 0,035
f(x=2) = 50!/(2!48!) x 0,042 x 0,9648 = 0,276 f(x=6) = 50!/(6!44!) x 0,046 x 0,9644 = 0,011
f(x=3) = 50!/(3!47!) x 0,043 x 0,9647 = 0,184
Efetuando o somatório:
F (2) = 0,677; 1 – F (2) = 0,323
F (3) = 0,861; 1 – F (3) = 0,139
F (6) = 0,997; 1 – F (6) = 0,003
EXEMPLO 2:
Resolver o exemplo 1 com auxílio da distribuição de Poisson.
Resposta:
Aplicando a Equação A12.3 para cada termo e sabendo que e = 2,718 e
P = 0,04 m = n.P = 2, temos:
f(x=0) = 20.e- 0 /0! = 0,135 f(x=4) = 24.e- 4 /4! = 0,090
f(x=1) = 21.e- 1 /1! = 0,271 f(x=5) = 25.e- 5 /5! = 0,036
f(x=2) = 22.e- 2 /2! = 0,271 f(x=6) = 26.e- 6 /6! = 0,012
f(x=3) = 23.e- 3 /3! = 0,180
EXEMPLO 3:
Numa partida de N = 50, com D = 2, qual a probabilidade de aceitação e a
probabilidade de rejeição da partida, inspecionando-se uma amostra com n =
10 e a = 1?
Resposta: Como n/N = 0,20 deve ser aplicada a distribuição hipergeométrica
(Equação A12.5):
Para x = 0, tem-se:
2! (50 − 2)! 10! (50 − 10)!
f ( 0) = . .
0! ( 2 − 0)! (10 − 0)![(50 − 2) − (10 − 0)]! 50!
Para x = 1, tem-se:
2! (50 − 2)! 10!(50 − 10)!
f (1) = . .
1! (2 − 1)! (10 − 1)![(50 − 2) − (10 − 1)]! 50!
Logo:
f(0) = 0,637
f(1) = 0,326
Procedimento:
45
O modelo de Poisson foi escolhido porque n/N < 0,1 e P < 10%.
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 170
Probabilidade de Aceitação
0,8
0,4
0,2
0,0
Inspeção Retificadora
Cláusula 1: Substituir por itens perfeitos todos os defeituosos encontrados na amostra, se o lote
seria aceito (d ≤ a).
Cláusula 2: Realizar inspeção completa, substituindo todos os itens não-conformes, se o lote
houvesse sido rejeitado (d > a).
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 171
QMR = P.Pa.(N-n)/N
QMR = P.Pa
QMR
1,5
1,0
5,0 1,97702 16,0 0,01186
QMRL 6,0 1,55673 17,0 0,00644
0,5 7,0 1,13566 18,0 0,00345
8,0 0,78065 20,0 0,00096
0,0
0 5 10 15 20
9,0 0,51168
P%
1. Diagrama de causa-efeito;
2. Diagrama de Pareto;
3. Histograma;
4. Folha de verificação;
5. Gráfico de dispersão;
6. Fluxograma;
7. Gráfico (ou Carta) de controle.
Empresa:
Unidade/Setor:
Processo:
Lista de Verificação
Verificações
Especificação Desvio Freqüência
5 10 15 20
5
4
LSE 3
2
1
Linha Média 0
-1
-2
LIE -3
-4
-5
Total:
Inspetor:
Data: / / Horário: :
Empresa:
Unidade/Setor:
Processo:
Lista de Verificação
Inspetor:
Data: / /
Horário: :
Σd i2
v=
n −1
SQ = SQd + SQe
46
É comum encontrar-se na Literatura a expressão ANOVA, acrônimo do termo inglês Analysis of Variance.
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 180
s e2 = SQ e /( k − 1) e s d2 = SQ d /( N − k )
onde N = n × k.
s e2
F=
s d2
47
Observe-se a semelhança entre a estatística ANAVA e a estatística F (teste F).
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 181
Valores de xi
Método
x1 x2 x3 x4 x5
1 45,06 45,20 45,08 45,24 45,16
2 44,96 44,80 44,96 44,86 44,90
3 45,14 45,24 45,22 45,30 45,18
Procedimento:
N = k × n = 3 × 5 = 15
Valores de xi
Método
x1 x2 x3 x4 x5
1 0,06 0,20 0,08 0,24 0,16
2 -0,04 -0,20 -0,04 -0,14 -0,10
3 0,14 0,24 0,22 0,30 0,18
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 182
Valores de xi
Método Total
x1 x2 x3 x4 x5
1 0,06 0,20 0,08 0,24 0,16 0,74
2 -0,04 -0,20 -0,04 -0,14 -0,10 -0,52
3 0,14 0,24 0,22 0,30 0,18 1,08
Valores de xi
Método Total
x1 x2 x3 x4 x5
1 0,0036 0,0400 0,0064 0,0576 0,0256 0,1332
2 0,0016 0,0400 0,0016 0,0196 0,0100 0,0728
3 0,0196 0,0576 0,0484 0,0900 0,0324 0,2480
Obs.: Subtrair a soma dos quadrados intermediária da soma total dos quadrados.
Controle Estatístico – Apêndice 12 - Alexandre R. P. Schuler. 183
a) Total = N – 1 = 15 – 1 = 14
b) Intermediário = k – 1 = 2
c) Das Análises Repetidas = (N – 1) – (k – 1) = 12
0,14211
F= = 29,86
0,00476
Grupo Médias
A 45,17
B 44,88
C 45,24
1) Identificação do problema
2) Observação
3) Análise do Processo
4) Plano de Ação
a) Manter;
b) Melhorar.
n A A1 A2 Fórmulas:
2 2,121 3,760 1,880
3 1,732 2,394 1,023 a) Norma conhecida:
4 1,500 1,880 0,729 LM = µ
5 1,342 1,596 0,577 LC = LM + Aσ
6 1,225 1,410 0,483
7 1,134 1,277 0,419 b) Norma desconhecida:
8 1,061 1,175 0,373 LM = X
9 1,000 1,094 0,337 LC = LM + A1. s ou
10 0,949 1,028 0,308 LC = LM + A2. R
n C2 B1 B2 B3 B4 Fórmulas:
2 0,5642 0,000 1,843 0,000 3,267
3 0,7236 0,000 1,858 0,000 2,568 a) Norma conhecida:
4 0,7979 0,000 1,808 0,000 2,266 LM = s = c2.σ
5 0,8407 0,000 1,745 0,000 2,089 LIC = B1.σ
6 0,8686 0,026 1,711 0,030 1,970 LSC = B2.σ
7 0,8882 0,105 1,672 0,118 1,882
8 0,9027 0,167 1,638 0,185 1,815 b) Norma desconhecida
9 0,9139 0,219 1,609 0,239 1,761 LM = s
10 0,9227 0,262 1,584 0,284 1,716 LIC = B3. s
LSC = B4. s
Controle Estatístico – Tabelas úteis - Alexandre R. P. Schuler. 188
N d2 D1 D2 D3 D4
2 1,128 0,000 3,686 0,000 3,267
3 1,693 0,000 4,358 0,000 2,575
4 2,059 0,000 4,698 0,000 2,282
5 2,326 0,000 4,918 0,000 2,115
6 2,534 0,000 5,078 0,000 2,004
7 2,704 0,205 5,203 0,076 1,924
8 2,847 0,387 5,307 0,136 1,864
9 2,970 0,546 5,394 0,184 1,816
10 3,078 0,687 5,469 0,223 1,777
Fórmulas:
⇓ = Empregue o primeiro plano abaixo da seta. Quando o tamanho da amostra (n) for igual ou maior do que o tamanho da partida (N), realize inspeção completa.
⇑ = Empregue o primeiro plano acima da seta.
a = Número de Aceitação.
r = Número de Rejeição.
Controle Estatístico – Tabelas úteis - Alexandre R. P. Schuler. 190
Letra Ordem Tamanho Nível de qualidade aceitável, NQA (% defeituosos ou defeitos por 100 unidades)
de da da amostra 0,10 0,15 0,25 0,40 0,65 1,0 1,5 2,5 4,0 6,5 10,0 15,0 25,0 40,0 65,0 100,0 150,0 250,0 400,0 650,0 1000,0
código Amostra
simples acumul. a r a r a r a r a r a r a r a r a r a r a r a r a r a r a r a r a r a r a r a r a r
A ||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
⇓ * ||
||
||
⇓ * * * * * * * * *
B
1a
2a
2
2
2
4
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
⇓ * ⇑
||
||
⇓
0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
17 22
37 38
25 31
56 57
C
1a
2a
3
3
3
6
||
||
||
||
||
||
||
||
||
||
||
||
||
⇓ * ⇑
||
||
⇓
0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
17 22
37 38
25 31
56 57
⇑
||
|| || || || ||
* ||
a
D
1 5 5 || ⇑ || 0 2 0 3 1 4 2 5 3 7 5 9 7 11 11 16 17 22 25 31 ⇑
2a 5 10 || || || || || ⇓ || ⇓ 1 2 3 4 4 5 6 7 8 9 12 13 18 19 26 27 37 38 56 57 || ||
E
1a
2a
8
8
8
16
||
||
||
||
||
||
||
||
||
⇓ * ⇑
||
||
⇓
0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
17 22
37 38
25 31
56 57
⇑
||
||
||
||
||
F
1a
2a
13
13
13
26
||
||
||
||
||
||
||
⇓ * ⇑
||
||
⇓
0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
⇑
||
⇑
||
⇑
||
||
||
||
||
||
||
G
1a
2a
20
20
20
40
||
||
||
||
||
⇓ * ⇑
|| ⇓
|| 0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
⇑
||
||
||
||
||
||
||
||
||
||
||
||
||
H
1a
2a
32
32
32
64
||
||
||
⇓ * ⇑
||
||
⇓
0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
⇑
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
J
1a
2a
50
50
50
100
||
⇓ * ⇑
||
||
⇓
0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
⇑
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
K
1a
2a
80
80
80
160 * ⇑
||
||
⇓
0
1
2
2
0
3
3
4
1
4
4
5
2
6
5
7
3
8
7
9
5 9
12 13
7 11
18 19
11 16
26 27
⇑
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
||
1a 125 125 ⇑ || 0 2 0 3 1 4 2 5 3 7 5 9 7 11 11 16 ⇑ || || || || || || || || || ||
L
2a 125 250 || ⇓ 1 2 3 4 4 5 6 7 8 9 12 13 18 19 26 27 || || || || || || || || || || ||
1a 200 200 || 0 2 0 3 1 4 2 5 3 7 5 9 7 11 11 16 ⇑ || || || || || || || || || || ||
M
2a 200 400 ⇓ 1 2 3 4 4 5 6 7 8 9 12 13 18 19 26 27 || || || || || || || || || || || ||
1a 315 315 0 2 0 3 1 4 2 5 3 7 5 9 7 11 11 16 ⇑ || || || || || || || || || || || ||
N
2a 315 630 1 2 3 4 4 5 6 7 8 9 12 13 18 19 26 27 || || || || || || || || || || || || ||
1a 500 500 0 3 1 4 2 5 3 7 5 9 7 11 11 16 ⇑ || || || || || || || || || || || || ||
P
2a 500 1000 3 4 4 5 6 7 8 9 12 13 18 19 26 27 || || || || || || || || || || || || || ||
1a 800 800 1 4 2 5 3 7 5 9 7 11 11 16 ⇑ || || || || || || || || || || || || || ||
Q
2a 800 1600 4 5 6 7 8 9 12 13 18 19 26 27 || || || || || || || || || || || || || || ||
1a 1250 1250 2 5 3 7 5 9 7 11 11 16 ⇑ || || || || || || || || || || || || || || ||
R
2a 1250 2500 6 7 8 9 12 13 18 19 26 27 || || || || || || || || || || || || || || || ||
⇓ = Empregue o primeiro plano abaixo da seta. Quando o tamanho da amostra (n) for igual ou maior do que o tamanho da partida (N), realize inspeção completa.
⇑ = Empregue o primeiro plano acima da seta. a = Número de Aceitação. r = Número de Rejeição.
* = Empregue o correspondente plano de amostragem simples, ou o plano duplo imediatamente abaixo, se existir.
Controle Estatístico – Tabelas úteis - Alexandre R. P. Schuler. 191
R
L
Reengenharia – 84, 89, 92
Limites de controle – 56, 58 Regime de inspeção – 73, 74, 169
Limites de especificação – 56, 68, 142 Regras suplementares de decisão – 153
Limites de confiança – 34, 49, 100, 102 Regressão – 15, 33, 87, 106, 111, 141
Linha média de controle – 142 Repetitividade – 140
Linha média de especificação – 142 Reprodutibilidade – 126, 140
Lista de verificação – 174 Risco do consumidor – 69
Risco do produtor – 69
M Robustez – 126, 139, 140
Média – 1, 29 S
Mediana – 29
Metrologia – 50, 52, 137 Sistema de qualidade – 82
Modelos de gestão – 82 Subgrupo racional – 53, 55, 148, 154
N T
Não-conformidade – 69, 83, 149, 155, 170 Tamanho da amostra – 46, 53, 73, 74, 79, 151, 154, 163, 166
Níveis de risco – 69 Tamanho do lote – 73, 75
Nível de inspeção – 73, 74 Tempo até o sinal – 154
Nível de Qualidade – 69 Teste de hipóteses – 122, 148
Controle Estatístico – Tabelas úteis - Alexandre R. P. Schuler. 196
Teste de Kolmogorov-Smirnov – 133, 159
Teste de normalidade – 31, 130
Teste F – 36, 48, 88, 183
Teste Q – 31, 141
Teste t – 36, 37, 46, 49, 127, 130, 141, 180
Tolerância – 52
U
Universo – 1
V
Validação – 49, 139
Valor verdadeiro – 3, 16, 26, 38, 58
Variável contínua – 23, 52
Variável discreta – 23, 52
Z
Zona de ação – 57
Zona de advertência – 57
Zona de controle – 57, 58, 64