Livro Estatistica PDF

Alexandre Schuler
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
CAPÍTULO 2 – OPERAÇÕES COM NÚMEROS EXPERIMENTAIS, 9
2.1. Generalidades, 9
2.2. Regras de arredondamento, 9
2.3. Algarismos significativos, 10
2.4. Operações com números experimentais, 10
CAPÍTULO 3 – O USO DE GRÁFICOS EM QUÍMICA ANALÍTICA, 12
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
CAPÍTULO 4 – FUNDAMENTOS DA ESTATÍSTICA, 20
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
CAPÍTULO 5 – CONTROLE DE QUALIDADE ANALÍTICA, 31
5.2. Parâmetros e Testes Estatísticos, 31
5.3. Estatística Simplificada, 38
5.4. Número Ideal de Medições, 38

5.5. Diferença Máxima Permitida entre duas medições, 40
5.6. Avaliação estatística de um método analítico, 42
5.7. Avaliação estatística de uma amostra, 46
5.8. Avaliação estatística na preparação de soluções, 47
5.9. Confiabilidade analítica, 49
5.10. A expressão do resultado analítico, 49
5.11. Laboratórios de referência, 50
CAPÍTULO 6 – GRÁFICOS DE CONTROLE, 51
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
CAPÍTULO 7 – INSPEÇÃO DA QUALIDADE, 6 8
7.1. Inspeção completa versus inspeção por amostragem, 68

7.2. Inspeção de atributos e inspeção de variáveis, 68
7.3. Não-conformidade, 69
7.4. Níveis de risco, 69
7.5. Números e percentuais de aceitação e de rejeição, 70
7.6. A Curva Característica de Operação, 70
CAPÍTULO 8 – PLANOS DE INSPEÇÃO, 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
CAPÍTULO 9 – GESTÃO PARA A QUALIDADE, 82
9.2. Modelos de Gestão, 82
9.3. Estrutura Básica dos Modelos de Gestão, 83
BIBLIOGRAFIA CONSULTADA, 97
APÊNDICE 1 – AVALIAÇÃO DO FINAL DA REGIÃO LINEAR, 99
APÊNDICE 2 – AUXÍLIO DO COMPUTADOR, 111
APÊNDICE 3 – DESENHANDO GRÁFICOS NO COMPUTADOR, 115
APÊNDICE 4 – APROXIMANDO A BINOMIAL DA GAUSSIANA, 117
APÊNDICE 5 – ENTENDENDO A ESTATÍSTICA, 122
APÊNDICE 6 – TESTE DE NORMALIDADE, 130
APÊNDICE 7 – METROLOGIA, 137
APÊNDICE 8 – VALIDAÇÃO DE MÉTODOS ANALÍTICOS, 139
APÊNDICE 9 – QUANTIFICANDO A CAPACIDADE DE UM PROCESSO, 142
APÊNDICE 10 – GC: ESTUDO DE CASOS, 145
APÊNDICE 11 – GC’s: UMA ANÁLISE MAIS DETALHADA, 148
APÊNDICE 12 – MAIS DETALHES SOBRE A CCO, 165
APÊNDICE 13 – UMA PLANILHA EXCEL PARA CCO, 172
APÊNDICE 14 – AS SETE FERRAMENTAS DA QUALIDADE, 174
APÊNDICE 15 – ANÁLISE DE VARIÂNCIA, 179
APÊNDICE 16 – TQM versus GEIQ, 185
APÊNDICE 17 – TABELAS ÚTEIS, 187
ÍNDICE DE ASSUNTOS, 194

PREFÁCIO
Tudo começou com um curso de extensão, oferecido para estudantes e técnicos

das indústrias da Região Metropolitana do Recife. No início era uma pequena apostila, com cerca
de vinte páginas. Com a criação da disciplina Controle Estatístico de Qualidade para o curso de
engenharia química e mais tarde da disciplina Controle Estatístico para o curso de química
industrial, o presente texto foi crescendo gradativamente (atualizado a cada semestre letivo). Hoje
chega a cerca de duzentas páginas, enriquecido com exercícios de aplicação (num volume
suplementar, intitulado Caderno de Exercícios), extraídos, em sua grande maioria, das provas
realizadas ao longo desses anos, todos eles resolvidos. Mas, como no controle estatístico, nunca se
chega ao fim. O Autor pretende estar sempre atualizando o texto, solicitando para esse fim
sugestões e a crítica construtiva de seus Leitores, ao mesmo tempo em que espera que a leitura
seja útil para aqueles que se iniciam no controle estatístico, em qualquer uma de suas inúmeras
aplicações. Entretanto, é altamente recomendado o aprofundamento de cada detalhe através da
leitura adicional dos importantes textos citados nas Referências Bibliográficas, os quais serviram
de base para a construção deste livro. O Autor recomenda fortemente a leitura do livro de Paul G.
Hoel (Matemática Estatística, Ref. 20), que apresenta uma elegante dedução para a maioria das
equações empregadas ao longo do presente livro. Os Capítulos 1 a 4 discutem as bases estatísticas
para os demais capítulos. O Capítulo 5 trata do Controle de Qualidade Analítica. O Capítulo 6
trata do Controle de Processos, com ênfase nos Gráficos de Controle. Os Capítulos 7 e 8 tratam
da Inspeção de Qualidade e o Capítulo 9 da Gestão da Qualidade. Finalmente, os Apêndices 1 a
16 trazem informações complementares aos diversos temas abordados neste livro e o Apêndice 17
traz um conjunto de tabelas que auxiliam na resolução da maioria dos problemas relacionados
com o texto. Para facilitar, essas tabelas também se encontram no suplemento Caderno de
Exercícios, que acompanha o livro texto. A intenção do Autor com os inúmeros apêndices foi
compactar o texto básico (Capítulos 1 a 9), de modo a tornar sua leitura mais agradável e
objetiva.
Boa leitura!
Alexandre Schuler
Controle Estatístico – Apêndice 9 - Alexandre R. P. Schuler. 1
1 - INTRODUÇÃO
1.1. Histórico
O conceito de controle estatístico de qualidade foi introduzido na

década de 1920 por Shewhart, que na época era o responsável pela inspeção de
componentes para centrais telefônicas produzidas pela empresa americana Bell
Telephone. Desde aquela época e até o início da 2a Guerra Mundial, menos de 20
empresas americanas haviam adotado a idéia de Shewhart1. Foi o Japão o primeiro
país a adotar, em larga escala, os conceitos próprios do controle estatístico. Em
pesquisa realizada em 1977, Saniga e Shirland (Ref. 5) verificaram que apenas cerca
de 70% das empresas americanas empregavam métodos de controle estatístico e
ainda assim, utilizando apenas as técnicas mais simples, como a "amostragem
simples" e o "gráfico da média". Segundo pesquisa não oficial, realizada em 1990,
cerca de 80% das empresas brasileiras não utilizavam a informática e 54% das
empresas entrevistadas desconheciam totalmente o assunto.
1.2. Definições fundamentais
Qualidade – Qualidade é algo difícil de definir. Para os propósitos deste

livro pode significar “adequação ao uso” ou ainda “atender a alguma
especificação” ou “atender às expectativas do consumidor”.
Universo - São todos os indivíduos de uma população2, entendendo-se por
indivíduo um item de produção ou uma grandeza desse item; e por população
todas as peças de um dado lote ou da produção anual, por exemplo.
Amostra - É uma pequena porção do universo, tomada a partir de
critérios pré-estabelecidos, na esperança de ser representativa daquele.
Média - É o valor numérico que melhor representa uma população, em
termos quantitativos. Normalmente é a média aritmética dos indivíduos
que a compõem.
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.
Dispersão - É o grau de espalhamento dos diversos indivíduos de uma

população (ou de uma amostra).
Desvio padrão - É uma forma de expressar quantitativamente a dispersão.
Amplitude – Outra forma de expressar a dispersão, amplitude é a diferença
entre o valor maior e o valor maior, dentre um conjunto de valores
numéricos.
Frequência - É o número de indivíduos com igual valor numérico da
propriedade medida, numa população ou numa amostra.
Outros termos que serão empregados ao longo deste texto terão sua
definição quando da primeira citação.
1.3. Objetivos
O controle estatístico é exercido com várias finalidades.

Inicialmente há necessidade de ser mais bem entendido o significado da palavra
"controle". O controle pode ser definido como uma atividade caracterizada pelo
ajuntamento de certa quantidade de informações com o objetivo de compreender
um determinado fenômeno. Aí, tem-se o controle analítico. A interpretação dessas
informações à luz da Estatística denomina-se controle estatístico, e pode levar à
decisão de se exercer influência sobre o fenômeno, visando alterações em seu
comportamento. Ao conjunto de ações que alteram um fenômeno, dá-se o nome de
controle operacional. Nesta monografia, toda a atenção será dirigida para o
segundo tipo de controle, o Controle Estatístico, o qual pode ser:
a) Controle Estatístico de Qualidade

b) Controle Estatístico de Processo
O Controle Estatístico de Processo ou Controle Estatístico de

Fabricação tem como objetivo acompanhar passo a passo o processo de
fabricação de um determinado produto. Evidentemente, essa atitude, por avaliar
antes de se chegar ao produto final, tem uma componente preventiva e por isso
mesmo tem um reflexo positivo sobre os custos de fabricação.
Controle Estatístico de Qualidade, numa indústria que realiza o

Controle de Processo, tem um caráter mais de confirmação. Sua maior
importância, portanto, decorre da utilização por parte do comprador do produto,
com a finalidade de evitar eventuais problemas em seu próprio processamento,
em função de características indesejáveis no produto em questão.
Finalmente, o Controle Estatístico de Qualidade é utilizado com o

objetivo de avaliar a precisão e a exatidão (ver a seguir) com que estão sendo
realizadas as diversas técnicas analíticas, de modo a garantir a confiabilidade
dos dados experimentais, sob pena de ocorrerem falsas interpretações que
consequentemente conduzem a decisões errôneas. Isso pode ocorrer em um
Laboratório Industrial, mas também em qualquer outro laboratório, como por
exemplo, um Laboratório de Análises Clínicas. Nesse caso particular
(Laboratórios), dá-se o nome de Controle de Qualidade Analítica.
1.4. Erros e Incertezas em Química Analítica
1.4.1. Precisão e exatidão
Quando alguém se propõe a repetir várias vezes uma determinada

medição, os resultados individuais não serão numericamente iguais, mas estarão
dispersos dentro de um determinado intervalo. Entende-se por precisão o grau
de dispersão de um conjunto de resultados da medição de uma mesma grandeza:
quanto maior a dispersão, menor será a precisão, ou seja, maior será a incerteza
da medida. Por outro lado, o valor verdadeiro da grandeza poderá (ou não)
estar incluído nesse conjunto de resultados, ou seja, mesmo havendo uma grande
precisão na medição, o resultado poderá ser bastante diferente do valor
verdadeiro (real). Nesse caso, diz-se que a medição foi inexata. Portanto,
exatidão pode ser entendida como o grau de aproximação entre a medição
experimental e o valor real. A avaliação da precisão e da exatidão é o objetivo
geral do controle de qualidade analítica. A Figura 1.1 exemplifica: o conjunto de
dados (a) é preciso e inexato; o conjunto de dados (b) é impreciso e inexato e o
conjunto de dados (c) é preciso e exato. A quarta possibilidade (d) sugere um
conjunto impreciso e exato. Mas deve ser enfatizado que isso é apenas uma
coincidência. De fato, é difícil aceitar que algo impreciso seja exato.

Futuramente (Capítulo 4) esse assunto será melhor explorado.
Figura 1.1 – Diferença entre precisão e exatidão.
1.4.2. Origem dos erros experimentais
Os erros de medição (precisão e exatidão) podem agora ser melhor

discutidos. Os erros são classificados genericamente como erros indeterminados
ou erros estatísticos, quando a sua ocorrência obedece a uma distribuição aleatória
(ou estatística), como será visto mais adiante (Capítulo 4) e estão relacionados com
a precisão do procedimento de medição. Os erros estatísticos não são dotados de
sinal, isto é, tanto podem ser positivos, como negativos. Eles não podem ser
evitados ou corrigidos, tão somente minimizados. Ao lado dos erros estatísticos,
ocorrem outros, denominados erros determinados, que ao contrário dos primeiros,
são dotados de sinal, ou seja, ou são positivos, ou são negativos. Os erros
determinados podem ser quantificados e, portanto, corrigidos. Exemplo de um erro
determinado, também denominado erro sistemático, é a leitura feita com um
instrumento que não esteja devidamente calibrado. O resultado será sempre inferior
(ou sempre superior) ao valor real. O erro sistemático está relacionado com a
exatidão da medição. Os erros sistemáticos podem ser de dois tipos: aditivos e
proporcionais. Se no decorrer de um procedimento analítico um material é
submetido à lavagem com um volume fixo de água, a perda por solubilização,
qualquer que seja a quantidade de precipitado, será constante3. Essa perda é um erro
aditivo. Por outro lado, numa titulação com uma solução cuja concentração
indicada é diferente da real, a magnitude do erro dependerá do volume gasto na
titulação, resultando em um erro proporcional.
3
Admitindo-se que a temperatura do experimento é constante.
1.4.3. Incerteza
Na seção anterior foram discutidos os conceitos de precisão e

exatidão. Modernamente, por ter havido muita confusão no emprego desses
termos (muita gente ainda confunde precisão com exatidão), os órgãos
normalizadores (ver Apêndices 7 e 8), a expressão erro estatístico foi
substituída por incerteza, enquanto que a expressão erro sistemático foi
substituída por erro.
1.4.4. Medições usadas em Química Analítica
1.4.4.1. Classificação
Os métodos analíticos são classificados em dois tipos gerais:

a) métodos químicos (via úmida);
b) métodos físico-químicos (instrumentais)
Inerentes a cada método, os erros podem ser de três tipos:
1. Grosseiro
2. Do operador
3. Do instrumento
O erro grosseiro, devido à falta de atenção ou de treinamento

adequado, será objeto de estudo no capítulo 5. O erro do operador aqui referido é o
erro decorrente de características físicas do operador. Por exemplo, numa titulação a
detecção do ponto de viragem é feita com auxílio do olho humano. Portanto,
dependendo da acuidade visual do operador, esse ponto poderá ser observado com
maior ou menor antecedência. Quanto aos erros dos instrumentos, serão discutidos
aqui, especificamente, os erros de leitura, que estão relacionados com a precisão
(incerteza) do instrumento.
Em qualquer medição que se faça fatalmente será cometido um

erro, seja grande ou pequeno, devido a limitações do instrumento, do método
empregado, ou do próprio analista. Tome-se como exemplo a medição de uma

grandeza linear, a ser realizada com auxílio de uma régua (Figura 1.2.a)
graduada em centímetros (menor divisão igual a 1 cm). Com ela se pode ler 87
cm. Com uma imagem ampliada dessa régua (e do objeto) poder-se-ia observar
que o comprimento é ligeiramente maior que 87 cm. De fato, com outra régua
(Figura 1.2.b), graduada em décimos de centímetro (0,1 cm), obter-se-ia, por
exemplo, 87,2 cm, mas fazendo uma ampliação dessa nova situação poderia ser
observado que o comprimento real é algo maior (ou menor) que 87,2 cm.
(a) (b)
Figura 1.2. Medição de uma grandeza linear.
Na realidade, a leitura será sempre uma aproximação (ou

arredondamento) do valor verdadeiro, ou seja, uma estimativa do mesmo.
Consequentemente, o último algarismo será sempre duvidoso.
1.4.4.2. Erro absoluto
O erro de um instrumento, como compreendido no parágrafo

anterior, é igual à menor divisão de sua escala. Vale dizer que se trata aqui do erro
máximo, total (isto é, indeterminados + determinados) e absoluto. Por outro lado,
o erro relativo (agora não é propriamente do instrumento, mas da medição
realizada com ele) é igual ao erro absoluto dividido pela grandeza da medida. No
exemplo acima, o erro relativo da régua (a) é:
2 X 1 cm
ε1 =
87 cm
= 0 , 023 ou 2,3%
Para a medição realizada com a segunda régua (b) fica:
2 X 0,1 cm
ε2 =
87,2 cm
= 0 , 0023 ou 0,23%
1.4.4.3. Pesagem
Numa pesagem, normalmente é preciso pesar inicialmente o

recipiente (tarar) e depois o conjunto (material + recipiente). Por diferença
obtém-se o peso do material. O erro máximo relativo associado à pesagem de
10g de um material, com uma balança de 1g será:
2 x1
ε2 = = 0,2 ou 20%
10
Pergunta: Por que o erro absoluto é multiplicado por 2 (nos dois exemplos)?
1.4.4.4. Medição de volume
Na medição de um volume o erro máximo é calculado do mesmo

modo. Se o instrumento é uma pipeta graduada ou uma bureta, o erro absoluto
será também multiplicado por dois. Excetuam-se, obviamente, as pipetas de uma
marca, os balões volumétricos, etc. A Tabela 1.1 mostra o erro absoluto (εabs) de
vários recipientes usados em medição de volume. O erro relativo é calculado
dividindo-se o erro absoluto pelo volume medido.
Tabela 1.1 - Erro absoluto4 (incerteza) de vários recipientes.

RECIPIENTE CAPACIDADE(mL) εabs (mL) RECIPIENTE CAPACIDADE (mL) εabs (mL)
25 0,050 5 0,015
Bureta Pipeta graduada
50 0,100 10 0,025
1 0,010 25 0,050
2 0,020 50 0,075
Pipeta volumétrica 5 0,014 100 0,120
Balão volumétrico
(1 marca) 10 0,019 250 0,180
25 0,031 500 0,350
50 0,037 1000 0,500
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).
Resposta à pergunta da página anterior:
O erro é multiplicado por 2 (dois) porque na realidade são

realizadas duas leituras. De acordo com a teoria da propagação dos erros, o erro
total é a soma dos erros de cada operação. O Leitor verá mais detalhes nas
Seções 5.6, 5.7 e 5.8. Como visto nos exemplos anteriores, isso acontece
também na pesagem5 e na medição de volume em pipetas de duas marcas, por
exemplo.
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.
2. OPERAÇÕES COM NÚMEROS EXPERIMENTAIS
2.1. Generalidades
Como visto no capítulo anterior, a precisão de uma medição

depende do instrumento empregado. Para que um resultado não seja expresso
com um número que sugira uma precisão maior que a precisão real, alguns
conhecimentos básicos devem ser considerados.
2.2. Regras de arredondamento
Quando é preciso fazer arredondamento em um resultado

numérico (ver seção seguinte), procede-se como a seguir:
I. Se o último algarismo for menor que 5, mantém-se o

penúltimo algarismo;
II. Se o último algarismo for maior que 5, acrescenta-se uma
unidade ao penúltimo algarismo;
III. Se o último algarismo for igual a 5:
a) mantém-se o penúltimo se este for par, ou
b) acrescenta-se uma unidade se este for ímpar.
OBS 1: Se o 5 a ser arredondado não é o último algarismo, o procedimento da regra III.a só é válido
se os algarismos seguintes ao 5 eram zeros. Se, entretanto, o algarismo 5 precedia algarismos
diferentes de zero, a regra III.b deve ser obedecida, mesmo quando o algarismo a ser mantido for par.
Exemplos:
2,324 2,32 3,725 3,72 4,2652 4,27

2,478 2,48 3,715 3,72 4,2153 4,22
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.
2.3. Algarismos significativos
Quando um número representa um resultado experimental, fala-se

em algarismos significativos. Algarismo significativo é todo e qualquer
algarismo de um número, exceto os zeros anteriores ao primeiro algarismo
diferente de zero, os quais são usados apenas para indicar a posição da vírgula.
Exemplos:
Número Algarismos significativos No de algarismos significativos

2,14 todos 3
0,013 1e3 2
20,710 todos 5
Para se operar com números experimentais, é preciso ter em

mente que:
a) O último algarismo é duvidoso;

b) Após o último algarismo não se põem zeros;
c) O número que possui o menor número de algarismos significativos é o
menos preciso.
2.4. Operações com números experimentais
Soma ou subtração:
arredondar eliminar
2,719 2,324
14,32 1,13
17,04 3,45
Observação: Os valores mais precisos devem ser arredondados até se igualarem

ao de menor número de algarismos significativos após a vírgula.
Multiplicação ou divisão:
3,137 x 7,2 = 22,5864 23
15, 3 7 8 ÷ 2,4 = 6,4075 6,4
Obs.: Arredondar apenas no final6, deixando o resultado com o mesmo número

de algarismos significativos que o número de menor precisão.
O exemplo a seguir ilustra o que foi discutido:
Para determinar o fator de uma solução de HCl 0,1M foi

realizada uma titulação com 2,500 g (balança com sensibilidade de 0,001 g) de
carbonato de sódio, empregando-se uma bureta de 50 mL (consultar a Tabela
1.1; página 7). Foram gastos 48,2 mL da solução. Existe mais de um modo de
cálculo, mas todos resultam na seguinte divisão:
f = 48,2/47,177 = 1,0218 1,02
Esse exemplo mostra que o costume de sempre representar f com

quatro dígitos após a vírgula é totalmente errôneo. Caso a bureta empregada
tivesse dois algarismos após a vírgula, seria então possível escrever um fator
com quatro algarismos significativos, mas não necessariamente quatro
algarismos significativos após a vírgula.
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.
3. O USO DE GRÁFICOS EM QUÍMICA ANALÍTICA
3.1. Introdução
O uso de gráficos em Química Analítica é bastante disseminado, em

razão de suas múltiplas utilidades. O gráfico auxilia na compreensão de um
fenômeno, na ordenação de informações experimentais e na sua visualização
imediata. Os exemplos apresentados a seguir constituem uma lista não exaustiva,
mas demonstram de uma maneira clara a sua importância.
3.2. Gráficos de Calibração
Na Química Analítica, muitas vezes a concentração de um

material é determinada em função de uma grandeza física ou físico-química,
como pH, absorvância, condutividade elétrica ou térmica, etc. Nesses casos,
emprega-se a relação C = f(x), onde C é a concentração e x é a grandeza
medida. Na maioria das vezes, essa relação pode ser representada graficamente.
Se a relação não é linear, é preferível retificar a curva experimental. Tais
gráficos são denominados “Curvas de Calibração” (Apêndice 1). Uma outra
concepção para as curvas de calibração é a correção de valores experimentais
para valores padronizados. Talvez o exemplo mais comum para este enfoque
seja a curva de calibração do termômetro de um aparelho para determinação do
ponto de fusão (Figura 3.1). Este gráfico é construído registrando-se na abscissa
o valor experimental, obtido com aquele termômetro, para o ponto de fusão de
uma série de padrões (substâncias puras e que apresentam um ponto de fusão
bem definido). Na ordenada é registrado o ponto de fusão “real”, obtido da
literatura (de um “Handbook”, por exemplo). O ponto de fusão de um
desconhecido é então “corrigido”, procurando na ordenada o valor
correspondente àquele encontrado experimentalmente e selecionado na abscissa.
Na construção de um gráfico, deve-se ter em conta que:
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.
proximidades de um máximo (ou mínimo) ou de um ponto de inflexão (Seção

3.4). No caso de uma reta, serão suficientes 5 a 6 pontos.
b) Além do erro da leitura de x no instrumento, existem os erros na preparação dos
padrões (ver Seção 5.8).
c) O gráfico mais legível é aquele cuja reta forma um ângulo de 45o com os eixos. Esse
ângulo pode ser conseguido com uma adequada seleção das escalas, mas observando
o item (d) abaixo.
d) A precisão na leitura do gráfico é limitada pelo papel: com um papel milimetrado, o
erro absoluto é de 0,25 mm. É preciso, portanto, selecionar uma escala cuja precisão,
em unidades de y (e de C), não seja maior (nem menor) que a real.
Ponto de fusão real (corrigido)

Ponto de fusão experimental
Figura 3.1 – Gráfico de calibração.
3.3. Interpolação e Extrapolação Gráficas e Numéricas
Num gráfico C = f (x), denomina-se interpolação a determinação

de um valor dentro do intervalo conhecido (C1 < Cx < Cn), mas diferente de
qualquer um dos valores de Ci utilizados na construção do gráfico (Figura 3.1).
Nos casos onde a relação é linear, o erro na interpolação é mínimo, sendo
função apenas dos erros citados na seção anterior.
A = ε.c.b
Absorvância
Concentração
Figura 3.2 – Comportamento da lei de Beer.
Ao contrário da interpolação, a extrapolação é a determinação de

um valor de Ci maior que Cn ou menor que C1. A extrapolação deve ser feita
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.
Figura 3.3 – Interpolação gráfica.
( y 2 − y1 )( x '− x 1 )
y' = + y1 (Equação 3.1)
x 2 − x1
3.4. Determinação do Ponto de Inflexão
Curvas com ponto de inflexão (Fig. 3.4) são comuns a vários

fenômenos físicos e físico-químicos. A determinação do ponto de inflexão é
importante em muitos casos, como na titulação potenciométrica. No ponto de
inflexão a derivada primeira e a derivada segunda são iguais a zero.
Figura 3.4 – Curva com ponto de inflexão.

Graficamente, o ponto de inflexão é determinado traçando-se uma

tangente à curva ou, mais simplesmente, uma reta como se vê na Fig. 3.4, onde as
áreas A e A’ são iguais. Alguns instrumentos, como o espectrômetro de
ressonância magnética nuclear, fazem essa operação automaticamente. Com
esses instrumentos, numa primeira corrida é traçada a curva “a” (Fig. 3.5), sendo a
curva “b” traçada numa segunda corrida. Como a curva “b” é a integral de “a”, a
altura do patamar (h) é uma medida da área relativa do “pico” (curva “a”). Uma
perpendicular passando pelo máximo da curva “a” corta a curva “b” pelo seu
ponto de inflexão.
Figura 3.5 – Ponto de inflexão.
3.5. Regressão Linear
Como foi visto, o emprego de gráficos é muitas vezes bastante útil.

Também foi visto que cinco pontos são suficientes para se construir uma reta.
Entretanto, devido aos erros estatísticos, dificilmente os cinco pontos estarão, todos,
exatamente sobre esta reta (Figura 3.6a). É necessário, portanto, procurar a melhor
reta, que é a reta que, simultaneamente, corresponde a um desvio mínimo de cada
ponto. Mais exatamente, o trabalho consiste em procurar uma reta que
corresponda a um valor mínimo para a soma dos quadrados dos desvios. É o
método dos mínimos quadrados. Quando não é exigida uma alta precisão, esta
tarefa pode ser realizada graficamente, como mostra a Figura 3.6. Procura-se a
metade da distância entre o ponto 1 e o ponto 2 (marca-se a); procura-se a
metade da distância entre a e o ponto 3 (marca-se b); etc. A última marca é
representada por um X e é um dos pontos da reta (Figura 3.6b). Repete-se a
operação no sentido contrário, até o outro ponto X (Figura 3.6c). A melhor reta
passa por esses dois pontos X (Figura 3.6d). A Figura 3.6e é uma reprodução da
Figura 3.6d realizada com auxílio do software Origin (Apêndice 2).
Figura 3.6 – Método gráfico dos mínimos quadrados.
O método numérico é mais preciso e consiste em resolver um

sistema de equações, onde a e b são os coeficientes da equação de regressão (a
melhor reta chama-se reta de regressão e este procedimento é denominado
Regressão Linear). A equação da reta é:
ŷ = a.x + b
Onde:
a = (Σx Σy - nΣx.y)/[(Σx)2 - nΣx2]
{ b = (Σy - aΣx) / n
(Equação 3.2a)
(Equação 3.2b)
Os valores de ŷ são conhecidos como valores de regressão9. Para

facilitar os cálculos, é construído o Quadro 3.1. Se a equação ŷ = ax + b
representa a relação entre um resultado experimental (x) e o valor verdadeiro
(y), como no caso da calibração de um termômetro (página 12), a regressão
linear permite verificar a existência de erros sistemáticos, identificando-os e
quantificando-os.
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.
Em conclusão, a regressão linear elimina automaticamente os

erros estatísticos (através do método dos mínimos quadrados) e mede os erros
sistemáticos aditivos (coeficiente linear, b) e os erros proporcionais (coeficiente
angular, a). Para fins práticos, no caso, por exemplo, de uma curva de
calibração de um termômetro (Figura 3.1), é usual estabelecer10 que:
a) se b < 0 + 0,04 não existe erro aditivo e
b) se a < 1 + 0,04 não existe erro proporcional.
Coeficiente de regressão
A correlação entre dois grupos de dados pode ser direta (quando

ambos crescem numa proporção direta), ou inversa, quando, aumentando um
deles, ocorre diminuição do outro (são inversamente proporcionais). É possível
também avaliar quantitativamente o grau (ou intensidade) da correlação. Para
tanto, calcula-se o coeficiente de regressão (também conhecido como índice de
correlação ou coeficiente de correlação). O coeficiente de regressão (r) é
calculado com auxílio da equação (3.3):
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
Quadro 3.2 – Comparação entre r e grau de correlação.
10
Uma correta avaliação estatística (Capítulos 4 e 5 e Apêndice 1) deve substituir essa afirmação empírica.
Esses valores são bastante arbitrários, servindo apenas como uma

orientação inicial. De fato, o valor de r também depende de n. O quadro 3.3 apresenta
valores críticos para r. Dentro desse critério, se encontrado, por exemplo, r = 0,60
para um experimento realizado de modo a construir uma reta com dez pontos, isso
deve ser interpretado como correspondendo a uma correlação fraca. Mas na realidade
tudo vai depender do fenômeno em estudo e do objetivo do estudo. Por exemplo, em
cromatografia é muito comum um coeficiente de regressão superior a 0,99. Assim,
um resultado inferior (por exemplo, r = 0,97), certamente indicará algum problema
no instrumento ou talvez algum erro na preparação das amostras ou ainda que não se
esteja operando na faixa linear do equipamento (ver Figura 3.2, na página 13 e o
próximo parágrafo). O coeficiente de regressão somente deve ser considerado quando
se tratar, de fato, de um comportamento linear. Mais ainda: alguns fenômenos
somente apresentam um comportamento linear em uma faixa finita de valores. Em
espectrofotometria e em cromatografia, por exemplo, acima de uma determinada
concentração, a relação desta com a leitura do instrumento deixa de ser linear. Nesse
caso, é útil o cálculo do coeficiente de regressão para verificar quando termina a
linearidade (o Apêndice 1 traz uma análise mais aprofundada sobre o assunto). Caso
contrário, amostras com concentrações mais altas seriam quantificadas erroneamente
(seria encontrada uma concentração menor que a real), resultando em um erro
grosseiro.
Número de pares de dados (x,y) Valor Crítico de r

5 0,88
6 0,82
7 0,76
8 0,71
9 0,67
10 0,64
11 0,61
12 0,58
Quadro 3.3 – Valores Críticos do Coeficiente de Correlação r
Coeficiente de determinação
O coeficiente de determinação (r2) mede a proporção da variabilidade

de uma variável que é explicada pela variabilidade de outra. Considere-se, por
exemplo, que o coeficiente de correlação para um par x,y seja 0,97. Neste caso, 94%
(0,972) da variabilidade de y são explicados pela variabilidade de x. O restante, 4%, é

determinado por outros fatores desconhecidos. Mais adiante (Capítulo 5 e Apêndice
8) serão apresentados mais detalhes sobre essa importante questão.
3.6. Gráficos de Barras
Os gráficos de barras (horizontais ou verticais) são empregados

para mostrar a importância relativa dos vários itens de um conjunto, como, por
exemplo, o número de notas acima de 8 numa turma de 20 estudantes (Figura
3.7). Os grupos 1 a 5 correspondem, respectivamente, aos seguintes intervalos
de notas: 8 - 10; 6 - 8,9; 4 - 5,9; 2 - 3,9 e 0 - 1,9. O gráfico de barras muitas
vezes é empregado para registrar uma distribuição de frequências (ver seção
4.2). Nesse caso as barras são unidas (sem espaçamento) e o gráfico é
denominado histograma. Nos próximos capítulos serão apresentadas outras
aplicações dos histogramas. Os Apêndices 2 e 3 discutem alguns softwares que
podem desenhar esses e outros tipos de gráficos, os quais calculam
automaticamente os coeficientes da equação e o coeficiente de correlação.
Número de estudantes
6
0
1 2 3 4 5
Intervalos de notas
Figura 3.7 – Um histograma.

4. FUNDAMENTOS DA ESTATÍSTICA
4.1. Probabilidade
Na Seção 1.2 foi definido o conceito de população. Neste capítulo a

população, em termos quantitativos, vai ser representada por n. Quando uma
experiência qualquer (particularizando para os objetivos do livro, uma análise
química) é realizada, alguns resultados numéricos podem ser encontrados.
Exemplificando: Se a concentração de um analito é X, onde X é um número dentro
do intervalo X ± Z, apenas valores dentro desse intervalo podem ser encontrados.
Ao conjunto desses valores possíveis dá-se o nome de espaço amostral. O resultado
de cada experimento (leitura ou determinação) denomina-se evento. Do mesmo
modo, é denominado evento favorável aquele pertencente ao espaço amostral e
evento desfavorável aquele que não pertence ao espaço amostral. O número de
eventos favoráveis, x, encontrados após n leituras, onde 0 ≤ x ≤ n é de suma
importância para o químico e é o objeto da discussão que se segue.
Entende-se por probabilidade , no conceito clássico, a relação

P = x/n, onde x é um número conhecido, igual ou inferior a n, que é finito,
sendo x o número de eventos favoráveis, dentre n eventos quaisquer.
Os eventos podem ser classificados em vários tipos11:
a) Eventos equiprováveis são aqueles que possuem igual probabilidade de

ocorrerem.
Exemplo 1: Ao ser lançada para o alto, uma moeda tem 50% de chance de cair com a cara
para cima e 50% de chance de cair com a coroa para cima.
Exemplo 2: Ao se lançar um dado para o alto, cada face tem a mesma chance de cair virada
para cima (1/6 ≅ 16,7%).
Exemplo 3: Ao se retirar uma carta de um baralho, a probabilidade de ser um ás é 4/52 = 7,7%.
b) Eventos com probabilidade condicional são aqueles em que a chance
do segundo evento ocorrer depende da ocorrência do segundo evento.
11
Os exemplos mostrados a seguir pretendem explicar os vários casos (tipos) aqui descritos.
Considere-se P+ a probabilidade de um evento positivo (cara, no

exemplo anterior). É fácil observar que à medida que n cresce, P+ decresce.
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:
P = 1/2 X 1/2 = 1/4 = 0,25 = 25% (para duas tentativas)
Em outras palavras, se n = 2, como podem ocorrer quatro situações (cara/cara, cara/coroa,

coroa/cara e coroa/coroa), cada uma delas com iguais chances de ocorrer, fica:
Pcara/cara = 1/4 = 25%
Exemplo 5: A probabilidade de ser retirado um ás numa primeira tentativa é 4/52 (número

de ases dividido pelo número total de cartas de um baralho) e a probabilidade
de outro ás ser retirado na segunda tentativa é 4/52 x 3/51 = 0,45%. Neste caso,
os ases são retirados sem reposição.
Exemplo 6: Se o primeiro ás voltasse para o baralho (experimento com reposição), o
segundo evento seria do tipo independente e a probabilidade de ocorrer seria
4/52 x 4/52 = 0,59%, como no exemplo 4.
c) Eventos independentes são aqueles que ocorrem de um modo
totalmente independente.
Exemplo 7: No lançamento de dois dados, a probabilidade de se obter o 1 em um dado e o 5
no outro dado é o produto das duas probabilidades: 1/6 X 1/6 = 1/36 = 2,8%.
d) Eventos mutuamente exclusivos são assim denominados quando a
realização de um exclui a realização do outro.
Exemplo 8: No lançamento de uma moeda, a probabilidade de se obter cara é 1/2 = 50%
(ver Exemplo 1).
Exemplo 9: Em um lote de 100 peças existem 5 defeituosas. Ao se retirar uma peça, a
probabilidade de se obter uma peça defeituosa é P1 = 5/100 = 5%. Logo, a
probabilidade de se obter uma peça sem defeito é P2 = 95/100 = 95%. Observe-
se que P1 + P2 = 100%.
4.2. Distribuição de Probabilidade
Examinando a produção de um dia numa fábrica de veículos, os

inspetores de qualidade encontraram os seguintes resultados:
No de defeitos por veículo (d) No de veículos (v)

1 42
2 9
3 5
4 3
5 1
15 60
O título da segunda coluna do quadro pode ser substituído pela

expressão frequência, com o significado atribuído na Seção 1.2 (página 2). Na
última linha estão os totais. Por outro lado, se esse dia é representativo de um
período maior de produção (um mês, um ano, etc.), essa tabela passa a
representar uma distribuição de probabilidades (os valores na segunda coluna
correspondem à probabilidade de ocorrência de veículos com determinado
número de defeitos; P = v/Σv):
No de defeitos por veículo (d) Probabilidade (P)

1 0,70
2 0,15
3 0,08
4 0,05
5 0,02
15 1,00
A construção dessa tabela implica em uma relação matemática

entre o número de defeitos (valores da variável experimental) e os valores da
outra variável (probabilidade). Essa relação pode ser traduzida através de uma
função onde os valores di formam o domínio da função e os valores Pi o seu
conjunto imagem.
Quando a grandeza medida é uma variável contínua (ex.: uma

massa ou a pureza de um produto), os valores do domínio da função apresentam
uma distribuição contínua de probabilidade. Por outro lado, quando a grandeza
pode assumir apenas alguns valores (como no exemplo acima: número de
defeitos), diz-se que se trata de uma variável discreta. Nesse caso, os valores do
domínio da função apresentam uma distribuição discreta de probabilidade. Tais
distribuições discretas podem ser representadas por modelos matemáticos, dos
quais, como úteis para o Controle Estatístico, destacam-se a distribuição
binomial, a distribuição de Poisson e a distribuição hipergeométrica.
4.3. Distribuição Binomial
A distribuição binomial descreve um fenômeno do tipo eventos

mutuamente exclusivos (Seção 4.1.d; página 21). Nesse caso, as restrições são:
a) O teste é dicotômico (sim ou não, cara ou coroa, sucesso ou insucesso,

etc.); seus dois possíveis resultados são mutuamente excludentes;
b) Os testes repetidos são independentes (um resultado não afeta os demais);
c) As probabilidades de sucesso (P) e de insucesso (Q) são constantes,
sendo P + Q = 100%.
A equação que descreve a distribuição binomial é:
n!
Px = ⋅ P x ⋅ Qn− x (Equação 4.1)
x!(n − x)!
Onde:
x = número de eventos favoráveis ≤ n = número total de eventos.

n! = 1 x 2 x 3 x ... x (n-1) x n
P = probabilidade de algo ocorrer
Q = probabilidade de algo não ocorrer = 1 – P
Exemplo 10: Recalcular o exemplo 4 (probabilidade de dar cara 2 vezes em 2 lançamentos de

uma moeda) utilizando a equação 4.1.
Resposta: Nesse caso, x = 2, n = 2, P = 0,5 (pois P = Q e P + Q = 1).
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.
Resposta: Nesse caso, x = 5, n = 12, P = 0,5. Resolvendo, fica:

5 12−5
12! 1 1
Px = ⋅  ⋅  = 0,18%
5!(12 − 5)!  2   2 
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 
Exemplo 14: Em um lote de produção de tamanho N = 1000, admite-se que há 4% de itens

defeituosos. Foram retirados desse lote n = 50 itens12, sem reposição. Calcular
a probabilidade de serem encontrados x = 2 itens defeituosos:
a) Probabilidade de nenhum item defeituoso:
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.
b) Probabilidade de dois defeituosos:
50! 2 20−2
Px = ⋅ (0,04) ⋅ (1 − 0,04) = 0,276 = 27,6%
2!(50 − 2)!
Resultado: P = 13,0 + 27,0 + 27,6 = 67,6%
Como pode ser facilmente observado com base neste último

exemplo, nos casos em que vários itens são retirados de um conjunto com n
itens, sem reposição, a probabilidade de sucesso (o que quer que isso signifique)
na retirada do n-ésimo item é dada por um somatório:
x=n
n!
Px = ∑ ⋅ P x ⋅ Q n− x (Equação 4.2)
x =0 x!(n − x)!
4.4. Distribuição de Poisson
No lugar da distribuição binomial pode ser empregada a distribuição

de Poisson, cuja expressão matemática é mostrada na equação 4.3. De fato, a
distribuição de Poisson é aplicável a eventos raros, ou seja, é necessário um n muito
grande13 para que se possa observar um sucesso. Portanto, a rigor, a distribuição de
Poisson é uma aproximação da distribuição binomial (que por sua vez pode ser
considerada uma aproximação da distribuição normal ou gaussiana; Seção 4.8).
x=n
mx (Equação 4.3)
Px = ∑ m
x = 0 (e .x!)
A constante e da equação 4.3 vale 2,718 e m = n.P.
4.5. Distribuição Hipergeométrica
A distribuição hipergeométrica é aplicada quando n/N > 0,1.

Nesse caso, emprega-se a equação 4.4:
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.
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!
Obs.: O Apêndice 12 apresenta uma detalhada discussão da aplicação

desses modelos de distribuição à Inspeção de Qualidade.
4.6. Probabilidade Estatística
O conceito de probabilidade estatística é diferente do conceito

clássico de probabilidade, o qual sugere, por exemplo, que em cada conjunto de
treze tentativas de se selecionar um ás, uma (e somente uma) será favorável, com
certeza. Entretanto, na primeira série de tentativas, poderão ser selecionados dois
ases; na segunda, talvez nenhum; etc. O valor médio, X , que é o número total de
eventos favoráveis (obtenção de um ás), x, dividido pela quantidade de séries de
treze tentativas (n) não é necessariamente igual a 1/13; mas, no limite ( n → ∞ ), X é
igual a 1/13, ou seja:
Lim = 1 / 13
n →∞
4.7. Erros Estatísticos
Os erros estatísticos (ou indeterminados), já definidos na seção

1.4.2, são medidos como desvios do valor verdadeiro (µ):
di = µ − xi (Equação 4.6)
O termo xi representa genericamente os diversos valores

individuais obtidos na medição de µ, os quais, na ausência de erros
determinados (ver seção 1.4.2), distribuem-se simetricamente em torno de µ.
Não considerando a magnitude do desvio, observam-se alguns

elementos do conjunto xi aos quais estão associados desvios positivos (di > 0),
enquanto outros apresentam desvio negativo (di < 0).
4.8. Distribuição Gaussiana
Os modelos de distribuição vistos nas seções anteriores

representam uma aproximação para a distribuição Gaussiana dos erros
estatísticos14. A distribuição Gaussiana é, portanto, o caso limite, quando n → ∞ .
A Fig. 4.1 mostra a curva que representa a distribuição Gaussiana dos erros
estatísticos. Sempre admitindo a inexistência de erros determinados, o valor de xi
que tem maior frequência (maior probabilidade de ocorrência) é igual a µ (valor
verdadeiro) e os diversos valores de xi são distribuídos simetricamente em torno
de µ. A distância do ponto de inflexão (a) ao máximo da curva, expressa em
unidades de x, é o desvio padrão (σ; página 32), que é usado como medida da
dispersão de xi e, portanto, da precisão (ou incerteza). A Equação 4.7 é a
expressão analítica da curva de distribuição, onde F(x) é a função de distribuição
normal.
xo − ( x − µ )2
1
P ( x ≤ xo ) = F ( xo ) =
σ 2π ∫e
−∞
2σ 2
dx (Equação 4.7)
A função de probabilidades dessa curva (que mede a frequência,

cujos valores são registrados na ordenada) é:
−( x − µ )2
1 2σ 2
(Equação 4.8) f ( x) = e
σ 2π
Figura 4.1 – Curva de distribuição Gaussiana.
14
Na realidade, a distribuição normal é aplicável a variáveis contínuas, enquanto que as demais são aplicáveis a variáveis discretas.
A equação 4.8 pode ser modificada fazendo
(x − µ)
z= (Equação 4.9)
σ
Essa modificação corresponde a uma simples mudança de

escala15 e resulta na distribuição normal reduzida (Equação 4.10):
1 −z2 (Equação 4.10)

f ( z) = e 2
σ 2π
A curva da Fig. 4.1 tem as seguintes propriedades:
µ é o valor de xi de maior frequência e, portanto:

Σ xi (Equação 4.11)
lim =µ
n→∞ n
Quanto maior for o desvio di, menor será a frequência de xi;

A curva é simétrica, isto é:
a) O total de desvios positivos é igual ao total dos desvios negativos;
b) O total de desvios positivos de uma determinada magnitude é
igual ao total de desvios negativos de mesma magnitude.
Figura 4.2a – Diferentes exatidões Figura 4.2b – Diferentes precisões
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).
As Fig. 4.2.a e 4.2.b ilustram as duas principais aplicações da

distribuição Gaussiana. Na Fig. 4.2.a, sendo µ1 ≠ µ2, conclui-se que as duas curvas
referem-se a diferentes populações. Em termos práticos: a) se são dois métodos
analíticos diferentes aplicados a uma mesma amostra, um dos métodos está dotado de
erro sistemático (erro), ou, mais genericamente, ambos estão dotados de erros
sistemáticos de diferentes magnitudes; portanto, a exatidão de um é estatisticamente
diferente da exatidão do outro; b) se é o mesmo método, aplicado a amostras diferentes,
estas diferem em teor16. Na Fig. 4.2.b, chega-se à conclusão inversa da anterior, em
relação à exatidão. Por outro lado, os valores de σ sendo diferentes, a precisão
(incerteza) não é a mesma, em cada caso, ou seja: um conjunto de valores (σ maior) é
menos preciso (mais disperso) que o outro.
4.9. Estimativa do Valor Médio
Foi dito anteriormente que o valor médio é igual a µ quando n

tende para infinito (Equação 4.11), na ausência de erros sistemáticos. Entretanto,
na prática, n é muito pequeno: normalmente efetuam-se duas a três medições em
paralelo. Nessas condições, nem ao menos é possível traçar a curva, quanto mais
aceitar que o valor médio seja igual a µ. Neste texto o valor médio será
representado por X . Assim:
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.
a) Se n é ímpar, M é o valor central;

b) Quando n é par, M é a média aritmética dos dois valores centrais.
Uma diferença muito grande entre X e M indica a existência de erros
grosseiros. Entretanto, usando a mediana, algumas informações a respeito do
fenômeno são perdidas. É por isso que, na medida em que n cresce, a eficiência de M
como estimativa de µ decresce:
N 2 3 4 5 6 7 8 9 10 ∞
Eficiência de M 1,00 0,74 0,84 0,70 0,78 0,68 0,74 0,67 0,72 0,64
O exemplo analisado a seguir mostra a importância da mediana. Uma solução
padrão contendo 10,025% de zinco foi analisada por um método titulométrico. Foram realizadas
quatro medições, obtendo-se os resultados a seguir, à esquerda. Foram calculadas a média ( X ),
a mediana (M) e a amplitude (R), que é a diferença xn-x1.
Xi Xi A diferença grande observada entre M e X pode

10,018 10,018 ser atribuída a um erro grosseiro (consumo da solução titulante após
10,025 10,025 a viragem; valor realçado em amarelo). Foi realizada uma nova
10,030 10,030 leitura, encontrando-se 10,045. Este valor entrou em substituição ao
10,460 10,045
X = 10,133 X’= 10,030 dado suspeito (10,460). Novos valores foram calculados para X, M
M = 10,028 M’= 10,028 e R (dados da direita). Desta vez, a diferença entre X e M foi bem
R = 0,442 R’= 0,027 menor (o R também diminuiu bastante).
4.10. Estimativa da Dispersão
Ao se realizar repetidas leituras de uma mesma grandeza,

encontram-se valores (indivíduos, itens) que diferem entre si, numericamente, em
maior ou menor grau. Essa dispersão (ver definição na página 2) pode ser medida
através da amplitude (R = valor maior – valor menor). No próximo capítulo serão
conhecidas outras estimativas para a dispersão. Desse modo, a medição de uma
propriedade (por exemplo, uma concentração) a partir de um conjunto de dados
(vale dizer: leituras repetidas de uma mesma amostra) fica completamente definida
com o conhecimento dos parâmetros valor médio e dispersão. A dispersão mede a
incerteza na estimativa do valor médio.
5. CONTROLE DE QUALIDADE ANALÍTICA
5.1. Introdução
A confiabilidade de uma análise é algo de extrema importância,

independente de seu objetivo. No caso particular de seu uso como ferramenta
(fonte de informação) para o Controle de um Processo Industrial, uma falha
analítica pode levar à decisão de interferir desnecessariamente no processo,
acarretando problemas de grandes proporções (grande prejuízo financeiro). Essa
tomada de decisão (interferir no processo) precisa de informações bastante
confiáveis. Procedimentos de laboratório confiáveis são o resultado de um
trabalho que se costuma denominar de Controle de Qualidade Analítica.
5.2. Parâmetros e Testes Estatísticos
Para se realizar uma avaliação estatística de um conjunto de

dados experimentais, torna-se necessário, preliminarmente, realizar duas
operações (na ordem indicada):
1) Verificar se algum dos dados é dotado de erro grosseiro;

2) Verificar se o conjunto de dados obedece18 a uma distribuição
normal ou equivalente (Poisson, etc.).
5.2.1. Eliminação de Erros Grosseiros. O Teste Q.
Na Seção 4.9 foi observado que uma diferença entre a média e a

mediana pode indicar a existência de um erro grosseiro. Aplicação do teste Q
para aqueles dados resultaria em rejeição do valor 10,460. O emprego do teste Q
é realizado do seguinte modo: o valor de Q calculado é comparado com o tabelado,
para um dado número de medições (n). Logicamente, os valores suspeitos são x1 e
xn. Assim, calculam-se Q1 e Qn:
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.
x2 − x1
Q1 = (Equação 5.1.a)
R
xn − xn −1
Qn = (Equação 5.1.b)
R
Nas equações acima, R é a amplitude. Se Q1 ou Qn for maior que

o valor tabelado (Tabela 5.1), o dado correspondente (x1 ou xn) deve ser
excluído. No exemplo em discussão, o valor de Qcalc = Qn = 0,973 e o Qtab (para
n = 4) vale 0,941 (para P = 95%; ver obs. 3b na página 36). A amplitude é uma
estimativa um tanto grosseira da dispersão. Os gráficos de barras verticais das
Figuras 5.1a e 5.1b demonstram claramente a incapacidade da amplitude em
mostrar as diferenças entre os dois conjuntos de dados abaixo (A e B). Em
ambos, a amplitude é a mesma, mas os gráficos mostram que as duas
distribuições são diferentes.
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
Figura 5.1 – Distribuição de frequência dos dados A (a) e B (b)
Para melhor representatividade emprega-se o desvio padrão:

2
∑ di (Equação 5.2)
σ=
n
onde di = |xi - µ| e n é o número de dados. Esse é o desvio padrão da população.
Entretanto, quando se trabalha com uma amostra, o desvio padrão é substituído
por sua estimativa, s:
s=
∑ x -X
i
(Equação 5.3a)
n -1
A equação 5.3a fornece o desvio padrão de n leituras de uma

única replicata (alíquota ou porção da amostra). Quando várias replicatas são
analisadas, a equação 5.3b (desvio padrão de uma média; sm) deve ser aplicada.
s m = s/ n (Equação 5.3b)
Como medida da dispersão (ou incerteza) também são

empregados o coeficiente de variação (CV = s/ X ) e a variância (s2). O conceito
de desvio padrão também é aplicado a curvas de calibração (Seção 3.2). Podem
ser calculados os desvios padrão dos coeficientes da reta de regressão
(coeficiente angular, a e coeficiente linear, b) e da própria reta (r). Além disso, é
possível também determinar o desvio padrão da leitura de uma amostra feita
com auxílio da reta de regressão (sc), onde N é o número de pontos da reta. O
exemplo a seguir ilustra a situação.
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
Ponto % Analito Sinal 4,0
1 0,35 1,09
3,5
3,0
2 0,80 1,78 2,5
Sinal
2,0
3 1,08 2,60 1,5

r = 0,994; r2 = 0,988
4 1,38 3,03 1,0
0,5
5 1,75 4,01 0,0

0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8 2,0
Quadro 5.1 – Dados para construção da Curva de Calibração. Concentração
Figura 5.2 – Curva de Calibração

Aplicação do método dos mínimos quadrados forneceu os seguintes valores

para os parâmetros da reta: a = 2,09; b = 0,26 e sr = 0,14. Aplicando o valor 2,65 à equação da
reta e calculando o desvio padrão sc de acordo com a correspondente equação, fica:
Ca = 1,14 ± 0,07%.
Tabela 5.1 - Valores máximos de Q, para uso da Equação 5.1.
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
5.2.2. Intervalo de Confiança
Denomina-se intervalo de confiança a faixa compreendida entre µ

+ zσ e µ - zσ, estes denominados limites de confiança. Por exemplo, para z = 3,
99,73% dos valores de x estão no intervalo µ + 3σ (vide Tabela 5.2). Quando se
utiliza s em vez de σ e X em vez de µ, o coeficiente z é substituído por t. Para
t = 3 (vide Tabela 5.3), exprimindo de outra forma o mesmo que foi dito para z,
há aproximadamente 99% de probabilidade de µ estar na faixa X + 3s, se foram
realizadas 14 determinações. Se o número de determinações for reduzido para 4, a
probabilidade cai para 95% e se n for igual a 3, P = 90 %, aproximadamente.
Tabela 5.2 - Valores da integral f (xi) = P (probabilidade de frequência),

para alguns valores de z, onde z = (xi - µ)/σ
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
A principal e mais direta aplicação da distribuição Gaussiana foi

desenvolvida em 1908, pelo químico inglês William Sealey Gosset (1876-1937),
sob o pseudônimo de Student (estudante em inglês). O teste t é empregado para
avaliação da exatidão de um procedimento analítico. O coeficiente t, definido na
seção anterior, pode ser calculado, a partir dos dados experimentais, com auxílio
das equações 5.4 ou 5.5. Como pode ser notado, a Equação 5.4 permite avaliar a
exatidão com que X estima o valor de µ, posto que, com auxílio da Tabela 5.3,
pode ser verificado se a diferença X - µ é (ou não) maior que a permitida, para
um dado valor de n. Em outras palavras, se t calculado (tcalc) é maior que t tabelado
(ttab), deve-se concluir que houve um desvio maior que o estatisticamente permitido.
O valor de t tabelado é procurado na Tabela 5.3 para (n - 1). É sugerido ao leitor
comparar esse tipo de interpretação com aquele empregado para o teste Q.
X−µ n
t= (Equação 5.4)
s
A Equação 5.5, por outro lado, permite avaliar duas médias.
Utilizando a Tabela 5.3 do mesmo modo que no caso anterior, é possível decidir se:
a) trata-se de amostras diferentes (em teor), ou não, quando é o

mesmo método aplicado a duas amostras.
b) trata-se de métodos analíticos de diferente exatidão (ou não),

quando são dois métodos aplicados à mesma amostra.
x1 − x 2
t= (Equação 5.5a)
1 1 (n1 - 1)s12 + (n2 - 1)s 22
+
n1 n 2 n1 + n2 - 2
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:
a) localiza-se t calculado na Tabela 4.3.

b) observa-se19 que:
- se P ≥ 99% → a diferença é altamente significativa.

- se 95% ≤ P < 99% → a diferença é significativa (ainda).
- se P < 95% → a diferença é estatisticamente insignificante.
5.2.4. Teste F
O teste F, em contraposição ao teste t, é empregado para avaliação

da precisão relativa de dois métodos analíticos. O parâmetro s é uma medida da
precisão. Entretanto, o simples conhecimento do valor numérico de s é de pouco
auxílio para o analista, enquanto que o cálculo de F, a partir da equação:
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.
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.
William Sealey Gosset

William Sealey Gosset nasceu no dia 13 de junho de 1876 in Canterbury
(Inglaterra) e foi educado em Winchester. Estudou Química e Matemática e foi
como químico que obteve um emprego em 1899 na Cervejaria Guinness em Dublin
(Escócia). Como parte de seu trabalho, ele tinha que resolver problemas de custo de
fabricação e para tal, aproveitando seus conhecimentos de matemática, inventou o
teste t para amostras pequenas. Este e outros trabalhos estatísticos foram publicados
com o pseudônimo de Student, daí algumas pessoas referirem-se ao "teste do
estudante". Um detalhe interessante: um acidente de trânsito (ele bateu com o carro
num poste) levou-o a um repouso forçado que durou três meses, o que permitiu o
desenvolvimento de seu trabalho sobre o teste t. Em 1935 Gosset foi transferido
para uma recém construída destilaria Guinness em Londres. Student morreu em 16
de outubro de 1937, em Beaconsfield (Inglaterra).
Tabela 5.3 - Valores máximos de t para vários níveis de significância

P(%) P(%)
n–1 n–1
90 95 99 90 95 99
1 6,314 12,706 63,657 13 1,771 2,160 3,012
2 2,920 4,303 9,925 14 1,761 2,145 2,977
3 2,353 3,182 5,841 15 1,753 2,131 2,947
4 2,132 2,776 4,608 16 1,746 2,120 2,921
5 2,015 2,571 4,032 17 1,740 2,110 2,891
6 1,943 2,447 3,707 18 1,734 2,101 2,878
7 1,895 2,365 3,499 19 1,729 2,093 2,861
8 1,860 2,306 3,355 20 1,725 2,086 2,845
9 1,833 2,262 3,250 25 1,708 2,060 2,787
10 1,812 2,228 3,169 30 1,697 2,042 2,750
11 1,796 2,201 3,106 ∞ 1,645 1,960 2,576
12 1,782 2,179 3,055
Tabela 5.4 - Valores máximos de F.

(n - 1) PARA O MÉTODO A (numerador)
1 2 3 4 5 8 6 7
9 10
(n -1) para o método B (denominador)

1 161/4052 200/4999 216/5403 225/5625 230/5764 234/5859 237/5928 239/5981 242/6056 242/6056
2 18,5/98,5 19,0/99,0 19,2/99,2 19,2/99,2 19,3/99,3 19,3/99,3 19,4/99,4 19,4/99,4 19,4/99,4 19,4/99,4
3 10,1/34,1 9,6/30,8 9,3/29,5 9,1/28,7 8,9/28,9 8,9/27,9 8,9/27,7 8,8/27,5 8,8/27,2 8,8/27,2
4 7,7/21,2 6,9/18,0 6,6/16,7 6,4/16,0 6,2/15,5 6,2/15,2 6,1/15,0 6,0/14,8 6,0/14,5 6,0/14,5
5 6,6/16,3 5,8/13,3 5,4/12,1 5,2/11,4 5,1/11,0 5,0/10,7 4,9/10,5 4,8/10,3 4,8/10,1 4,7/10,1
6 6,0/13,7 5,1/10,9 4,8/9,8 4,5/9,2 4,4/8,8 4,3/8,5 4,2/8,3 4,2/8,1 4,1/7,9 4,1/7,9
7 5,6/12,2 4,7/9,6 4,4/8,4 4,1/7,8 4,0/7,5 3,9/7,2 3,8/7,0 3,7/6,8 3,6/6,6 3,6/6,6
8 5,3/11,3 4,5/8,6 4,1/7,6 3,8/7,0 3,7/6,6 3,6/6,4 3,5/6,2 3,4/6,0 3,4/5,8 3,4/5,8
9 5,1/10,6 4,3/8,0 3,9/7,0 3,6/6,4 3,5/6,1 3,4/5,8 3,3/5,6 3,2/5,5 3,1/5,3 3,1/5,3
10 5,0/10,0 4,1/7,6 3,7/6,6 3,5/6,0 3,3/5,6 3,2/5,4 3,1/5,2 3,1/5,1 3,0/4,8 3,0/4,8
12 4,8/9,3 3,9/6,9 3,5/6,0 3,3/5,4 3,1/5,1 3,0/4,8 2,9/4,6 2,8/4,5 2,8/4,4 2,8/4,3
Observação: Em cada quadrícula, o primeiro número corresponde a 95% de Probabilidade e o segundo número
a 99% de Probabilidade.
5.3. Estatística Simplificada
Foi visto anteriormente (Seção 4.9, p. 29) que quando n é muito

pequeno utiliza-se a mediana (M), em lugar da média, X , para se estimar o valor
verdadeiro, µ. Nesses casos, é útil empregar-se a amplitude (R = xn-x1) para
avaliação da precisão, em lugar do desvio padrão. Mais exatamente, a precisão é
avaliada através da equação 5.7:
sR = Kn.R (Equação 5.7)
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.
5.4. Número Ideal de Medições
Um número muito pequeno de medições pode conduzir a erros

excessivamente grandes. Por outro lado, um número muito grande de medições
exigirá um tempo de análise maior que o necessário, sem, contudo, trazer
vantagens concretas em termos de exatidão e/ou precisão. A cada método
analítico corresponde um número ideal de medições (ou repetições) em paralelo.

Quando um método novo vai ser empregado, o analista deve inicialmente
verificar qual é esse número, o que pode ser feito com auxílio das equações 5.8a
e 5.8b.
Tabela 5.5 - Valores de Kn para uso da Equação 5.7.
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
O exemplo mostrado a seguir ilustra o raciocínio a ser empregado.

Duas amostras foram analisadas com 8 repetições (8 replicatas20), calculando-se21 a
segunda estimativa do desvio padrão (sR; Equação 5.7). Os dados são organizados
no Quadro 5.2, para facilitar a interpretação. Na última coluna é indicada a
diferença entre o valor de L atual e o da linha anterior. No momento em que a
diferença (vale dizer, a diminuição na dispersão dos valores, ou ainda o aumento na
precisão) fica (a critério do analista) desprezível, este adota o número anterior como
sendo o número ideal de medições. No caso da amostra A, este número é 3,
enquanto que no caso B vale 2; conclui-se daí que o número ideal de medições
depende, entre outros fatores, da concentração da amostra.
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.
AMOSTRA A 1,04 1,03 0,98 1,02 0,96 1,02 1,03 1,05

AMOSTRA B 15,10 14,90 14,95 15,05 14,94 15,02 14,97 14,99
sAR = 0, 029 e sBR = 0, 065
amostra A: µ = 1% amostra B: µ = 15%

n √n t
∆ L Diferença ∆ L Diferença
2 1,414 12,706 0,260 26,0 - 0,584 3,9 -
3 1,732 4,303 0,072 7,2 18,8 0,161 1,1 2,8
4 2,000 3,182 0,046 4,6 2,6 0,103 0,7 0,4
5 2,236 2,776 0,036 3,6 1,0 0,081 0,5 0,2
6 2,449 2,571 0,030 3,0 0,6 0,068 0,4 0,1
Quadro 5.2 - Determinação do número ideal de medições.
A Figura 5.3 mostra a diminuição do erro com o número de

repetições.
Número ideal de repetições
0,7
erro relativo percentual

0,6
0,5
0,4 conc 1%
0,3 conc 15%
0,2
0,1
0
0 2 4 6 8
número de repetições
Figura 5.3 – Variação do erro em função do número de repetições.
5.5. Diferença Máxima Permitida entre duas Medições
A diferença máxima permitida entre duas medições em paralelo, para

um dado método, é determinada realizando-se um número m de grupos de medições.
Os grupos podem ser de dois (pares), três ou mais (n). A partir da amplitude das
medições de cada grupo, Ri, é calculada a amplitude média, R , pela equação 5.9.
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
Rmáx = a.σ (Equação 5.10.a)
onde a é encontrado na Tabela 5.6, na prática não é utilizada porque não se

conhece o valor de σ. Entretanto, σ pode ser estimado a partir de sua estimativa
(s; Equação 5.7) ou da segunda estimativa, sR = Kn. R . A segunda estimativa é
mais indicada porque n é muito pequeno (normalmente empregam-se pares de
dados; logo, n = 2). Fazendo b = a.Kn, fica:
Rmáx = b. R (Equação 5.10.b)
Para a determinação de Rmáx, o analista tem que utilizar uma

solução padrão ou uma amostra, tomando muitas alíquotas (replicatas, m),
analisá-las e agrupá-las (o tamanho do grupo é n). De posse dos dados, é só
calcular a amplitude em cada grupo, Ri e em seguida, a partir da equação 4,
calcular a média das amplitudes. Depois, basta aplicar a Equação 5.b para obter o
valor de Rmax. Ao analisar uma amostra qualquer, não será necessário realizar
uma terceira medição, caso a diferença entre as duas primeiras seja igual ou
menor que Rmáx.
Tabela 5.6 - Valores de a e de b para vários valores de n, com P = 95%.
n a b
2 2,77 2,46
3 3,31 1,96
4 3,63 1,76
5 3,86 1,66
5.6. Avaliação Estatística de um Método Analítico
Inicialmente torna-se necessário definir o que se entende por

“Método Analítico”: um conjunto de operações efetuadas com o objetivo de
determinar uma característica (normalmente física ou química) de um dado
material. Por essa definição, a “incerteza global do método”, que é o somatório
das incertezas de todas as operações, pode variar grandemente, de um
laboratório para outro, ao contrário do que se costuma apregoar. O exemplo
mostrado a seguir, não pretendendo (nem conseguiria!) mostrar todos os fatores que
contribuem para a incerteza global, visa, mais exatamente, discutir a forma de
abordar a questão.
A determinação do teor de álcool etílico produzido na

fermentação alcoólica é importante, numa destilaria de álcool, pois permite
quantificar o rendimento e a eficiência do processo fermentativo.
A prática usual é a seguinte:
a) SOLUÇÃO PADRÃO: 0,5 % (v/v) de álcool etílico em água

destilada (essa concentração foi escolhida considerando que o
teor, em geral, varia entre 4 % e 7 % e por permitir o uso de
pipeta volumétrica, mais precisa que graduada; ver seção 1.4).
A concentração é 0,5% em vez de 5 % porque a amostra vai ser
diluída na proporção de 1:10, pelas razões expostas a seguir;
b) AMOSTRA: diluem-se em água (em balão de 100 mL) 10 mL

do vinho (mosto fermentado), previamente centrifugado e
filtrado (ou então destilado). Essa diluição é necessária pelas
seguintes razões:
1) A incerteza na medição do volume de uma solução mais

concentrada é proporcionalmente maior;
2) O gás carbônico dissolvido no vinho forma micro-bolhas que

provocam erro na medição do volume;
c) ANÁLISE CROMATOGRÁFICA: a solução padrão e a

amostra são injetadas em um cromatógrafo a gás, dotado de
um detector de ionização de chama.
DISCUSSÃO: Observa-se que aparentemente existem 4 operações: preparação

da solução padrão, preparação da amostra e análise de cada uma das soluções.
Na realidade se têm aqui quatro etapas. Analisando detalhadamente cada etapa,
é possível reconhecer que cada uma envolve mais de uma operação.
A etapa intitulada “preparação da solução padrão” exige a

medição de um volume (5 mL) de álcool etílico em uma pipeta volumétrica.
Aqui surgem duas incertezas:
i1 = incerteza na medição do volume na pipeta (5 mL)22;
i2 = incerteza na medição prévia da pureza do álcool etílico. Observe-

se, ainda, que essa medição é feita com auxílio de um densímetro
(i3) e de um termômetro (i4), num determinado laboratório.
Enquanto isso, outro laboratório utiliza álcool etílico anidro (e
ignora a incerteza i5 devido ao fato de um álcool anidro ainda
conter 0,1 - 0,2 % de água) e um terceiro laboratório, por exemplo,
poderia medir a pureza com auxílio de um cromatógrafo ou um
densímetro digital (i6 ou i6’). Assim, i2 = i3 + i4 ou i2 = i5 ou i2 = i6
ou ainda i2 = i6’, lembrando que i6 pode (deve) ser um somatório
tão grande quanto o do caso em discussão.
Ainda nessa primeira etapa ocorrem mais três incertezas:
i7 = aferição do balão de 100 mL. Aliás, mesmo num único

laboratório, a capacidade de um balão pode não ser exatamente
igual à de outro, aparentemente idêntico. Acrescente-se aqui a
incerteza na aferição da pipeta.
22
A incerteza de instrumentos de medição pode ser encontrada na Tabela 1.1 ou deduzida do próprio texto (Capítulo 1).
i8 = medição de uma alíquota de 10 mL (além da aferição da pipeta).

i9 = diluição da primeira solução, em outro balão de 100 mL, para se
chegar à concentração desejada (0,5 %). Observe que i9 = i7.
PRIMEIRA PERGUNTA: Que aconteceria se fosse medido um volume de 0,5

mL, de modo a diminuir o número de operações?
Na segunda etapa têm-se 4 operações:
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 terceira etapa (injeção da solução padrão), além de envolver

mais de uma operação, é onde mais facilmente o resultado pode diferir entre
dois laboratórios:
• Com auxílio de uma microseringa, o analista mede 5 microlitros,

injetando-os no cromatógrafo (i12).
• A temperatura de análise, as vazões dos três gases utilizados no
equipamento e o estado de uso do detector são apenas alguns dos fatores
que influem no resultado (i13).
• O sinal gerado no detector é registrado, sob a forma de um pico (fig. 3.5, p. 15).
Existem várias técnicas para a medição da área desse pico, a qual

conduz ao resultado final. Evidentemente, cada técnica conduz também a uma
incerteza (i14), de magnitude diferente em cada caso. Na quarta e última etapa (injeção
da amostra), equivalente à terceira, surgem as incertezas i15 = i12, i16 = i13 e i17 = i14.
Examinando mais atentamente, é possível encontrar-se outras fontes

de incerteza. É possível também quantificar a todas e, somando-as, encontrar a
incerteza global. O leitor é convidado a quantificar o maior número dessas fontes

de incerteza, bem como a responder à . . .
SEGUNDA PERGUNTA: Como minimizar a incerteza analítica?
Para responder completamente, bem como não omitir nenhuma

fonte de incerteza, ao relacioná-las durante a avaliação de uma metodologia
analítica, evidentemente é necessário (é primordial!) conhecer profundamente
toda a fundamentação teórica (além de todos os detalhes experimentais) do
método em estudo. Uma vez relacionadas todas as fontes de incerteza, o passo
seguinte é realizar um determinado número de experimentos (ver Seções 5.4 e 5.5),
em um dado conjunto de condições, para depois alterar uma variável de cada vez,
repetindo após cada alteração, o mesmo número de medições.
EXEMPLO: Os conjuntos de dados A e B apresentados abaixo se referem a duas

situações diferentes: em A, o volume injetado (ver incerteza i12 da terceira etapa do
exemplo anterior) foi de 5 µL e em B, foi de 3 µL. O valor de F é calculado a partir
da Equação 5.6.
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
Como n é muito pequeno (4), pode-se pensar em utilizar sR no

lugar de s. Os valores de F, em qualquer caso, são maiores que o valor tabelado
(Tabela 5.4). Assim, qualquer que seja o critério a empregar, pode ser afirmado,
com bastante segurança, que a injeção de 3 µL resulta em uma incerteza que é,
estatisticamente, maior que no outro caso (injeção de 5 µL). Agindo assim em
relação a todas as demais variáveis do procedimento analítico, é possível
quantificar a incerteza associada e ao mesmo tempo estabelecer a norma que

permitirá a minimização da incerteza global.
5.7. Avaliação Estatística de uma Amostra
Objetivos:
• Definição da técnica de amostragem;

• Definição do tamanho da amostra;
• Definição dos procedimentos para um eventual tratamento da amostra.
Ao tomar várias amostras de um dado lote, procede-se à análise

das mesmas, com o número de repetições previamente definido (Seção 5.5).
Aplicação do teste t confirmará imediatamente se as amostras são todas elas
estatisticamente iguais ou não. Em caso afirmativo, concluir-se-á que sua
homogeneidade simplifica a tarefa de amostragem. Em caso contrário, a amostra
será objeto de avaliação quanto à melhor maneira de garantir a sua
homogeneização. A Associação Brasileira de Normas Técnicas (ABNT) tem
normas em relação ao assunto. A avaliação da eficiência da técnica de
homogeneização é feita exatamente como a verificação da homogeneidade
natural da amostra. O tamanho da amostra (n) é bastante variável, em função de
(ATENÇÃO! TAMANHO É DIFERENTE DE QUANTIDADE):
- grau de homogeneidade da amostra;

- tipo de amostra (peça, líquido, etc.);
- rigor exigido na avaliação.
Existem vários critérios para definição do tamanho da amostra, os

quais serão estudados com mais detalhes em capítulos subsequentes. Idealmente,
a amostra não sofre tratamento, pois qualquer que seja este tratamento, sempre
haverá probabilidade de ser alterada alguma característica (conferir o exemplo
da seção anterior). Além disso, ao se diluir (ou concentrar) uma amostra,
acrescenta-se uma operação e consequentemente uma incerteza.
EXEMPLO: Seja a amostra uma solução contendo 10 % do material em análise.

Foram tomadas 5 alíquotas de 10 mL e diluídas em balão de 100 mL. Cada
solução resultante foi analisada com 5 repetições (5 leituras de uma única
replicata). Os resultados, apresentados no quadro abaixo, mostram que à incerteza
de medição (i 1 = 0,48 %) foi incorporada a incerteza de diluição23 (i2 = 0,31 %):
0,48 + 0,31 = 0,79%
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
A incerteza média das medições é 0,48 %. As médias das alíquotas

são 10,00; 10,07; 9,93; 10,02 e 9,94. Sua média geral é 9,99. A incerteza média
global, portanto, é de 0,75 %, muito próximo do calculado (0,79%).
5.8. Avaliação Estatística na Preparação de Soluções
Essa avaliação será ilustrada com a preparação de uma solução

contendo 1 µg/L, dispondo-se de uma balança analítica (s = 0,0001 g).
Evidentemente, existem inúmeras maneiras de se preparar essa solução. Serão
aqui consideradas apenas três delas:
a) Pesagem de 1 mg (i1) seguida de uma diluição em 100 mL (i2), tomada de

uma alíquota de 1 mL (i3) e outra diluição em 100 mL (i4 = i2);
b)Pesagem de 1 g (i1), seguida de uma diluição em 1000 mL (i2) e dois pares de
tomadas de alíquotas de 1 mL (i3 e i5)/diluição em 1000 mL (i4 e i6);
c) Pesagem de 100 mg (i1), diluição em 1000 mL (i2), tomada de alíquota de
1 mL (i3), diluição em 1000 mL (i4), tomada de alíquota de 10 mL (i5) e
23
Soma da incerteza na pipetagem com a incerteza do balão volumétrico (ver Tabela 1.1, página 7).
diluição em 1000 mL (i6). As incertezas máximas permitidas estão

tabeladas:
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
Observe-se que no caso (a) a incerteza na pesagem predomina

(99,50% da incerteza total), ao contrário do caso (b), onde predomina a incerteza
da diluição (99,08% do total). No caso (c) há uma diminuição de ambas,
conseguindo-se com isso, uma incerteza total mais baixa. Se o analista preparasse
três soluções por meio de cada técnica e procedesse à sua análise em duplicata,
encontraria, por exemplo, os resultados abaixo, que confirmariam a afirmação
acima.
solução 1 solução 2 solução 3

Técnica
X1 X2 X X1 X2 X X1 X2 X
a 0,809 0,811 0,810 0,968 0,970 0,969 1,161 1,161 1,162
b 1,023 1,021 1,022 1,005 1,007 1,006 0,971 0,969 0,970
c 1,012 1,009 1,010 0,986 0,983 0,984 0,988 0,991 0,990
X a = 0,980; Ra = 0,352; sa = 0,1763; saR = 0,208

X b = 0,999; Rb = 0,052; sb = 0,0266; sbR = 0,031
X c = 0,995; Rc = 0,026; sc = 0,0136; scR = 0,015
Aplicando o teste F, fica:
com s: com sR:
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
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):
ta = 0,20; tb = 0,06; tc = 0,64
5.9. Confiabilidade Analítica
O conceito de limites de confiança (p. 34) implica na aceitação de

uma ocorrência inevitável dos erros estatísticos (incertezas). Todo o trabalho do
analista consiste em utilizar uma metodologia que minimize essa incerteza. A
confiabilidade da análise é demonstrada através da forma com que é representado o
resultado. Para segurança do laboratório, é aconselhável a auto-avaliação permanente
do trabalho na sua rotina (Controle de Qualidade Analítica). Essa avaliação
normalmente é efetuada com auxílio de uma ferramenta simples, mas poderosa e
eficiente: o gráfico de controle (Capítulo 6). Mas o ideal é a realização de uma
avaliação estatística completa, denominada Validação de Métodos Analíticos
(Apêndice 8).
5.10. A Expressão do Resultado Analítico
Para explicitar o grau de confiabilidade em uma análise, é

necessário indicar os limites de confiança. Na prática, no lugar da expressão X
+ 3σ, é comum os limites serem definidos a partir da amplitude. Assim, um
resultado Re é representado como:
Re = X ± R/2
De acordo com esse procedimento, o conjunto de dados A do

exemplo apresentado na página 45 deve ser expresso como 17,4 + 0,1. Do
mesmo modo, o conjunto de dados B deve ser expresso como 17,4 + 0,4.
Entretanto, caso o método tenha sido submetido a uma avaliação estatística
completa, recomenda-se o uso da expressão geral ( t.Kn.R / n em vez de R),
onde n é o número de replicatas.
R R
Re = X ± t.K n . ou Re = M ± t.K n .
n n
5.11. Laboratórios de Referência
Grandes empresas, proprietárias de inúmeros laboratórios, como

a Petrobrás, e consórcios de empresas, como as do Sistema Eletrobrás,
costumam avaliar as diversas unidades de controle a partir de um Laboratório
Central (CENPES, no caso da Petrobrás), denominado Laboratório de
Referência, ou através de uma Comissão Técnica (como no caso do Sistema
Eletrobrás). Os Laboratórios Centrais (Lacen) das Secretarias Estaduais de
Saúde são avaliados pelo Instituto Nacional de Controle de Qualidade da Saúde
(INCQS). Unidade da Fundação Oswaldo Cruz (Fiocruz). Outro exemplo é a
Fundação Centros de Referência em Tecnologias Inovadoras (Fundação Certi),
que entre outras atividades presta serviços de consultorias e capacitação para
empresas e laboratórios. Esse tipo de instituição é acreditado pelo Inmetro
(Instituto Nacional de Metrologia, Normalização e Qualidade Industrial), que é
uma autarquia federal, vinculada ao Ministério do Desenvolvimento, Indústria e
Comércio Exterior. A instituição avaliadora distribui periodicamente amostras
padronizadas, que são analisadas pelas unidades sob controle. Através de uma
avaliação estatística, as unidades recebem pontuação (Controle Interlaboratorial;
ver Apêndice 8) quanto ao seu desempenho: exatidão, precisão, capacidade (ver
Seção 6.6), etc.
6 - GRÁFICOS DE CONTROLE
6.1. Finalidades
O Gráfico de Controle é um instrumento simples, sob o ponto de

vista de elaboração e utilização, além de prático. Entretanto, pela quantidade de
informações que ele fornece, é uma arma eficiente e poderosa para o controle de
um processo. Realmente, a simples visualização de um GC permite verificar se
o objeto em avaliação está “sob controle” ou não24.
6.2. Especificação
Antes de montar um GC, obviamente é necessário estabelecer os

critérios de controle. Esses critérios podem ser oriundos de:
a) mercado consumidor;
b) projeto;
c) normas oficiais.
O mercado consumidor divide-se em dois grupos: as indústrias de

processamento intermediário (ex.: fábrica de artefatos de borracha) e o
consumidor final. Este último, embora o mais atingido pela falta de controle, é
quem menos se faz ouvir, por causas várias, tais como falta de comunicação,
falta de organização, cultura, etc., muitas delas mantidas pelo próprio sistema,
seja ele entendido como o poder público ou como o setor produtivo. O setor
público não o faz, por desinteresse, entre outras razões. A indústria, como um
todo (o leitor deve aqui se reportar à Seção 1.1), por acreditar que controle de
qualidade significa custo adicional, embora na realidade este resulte em
aumento da lucratividade.
O próprio projeto de uma fábrica implica em uma especificação.

Melhor dizendo: por mais perfeito que seja o controle, há uma limitação que é
24
O objetivo efetivo é distinguir variações comuns (aleatórias) de variações provocadas por causas especiais.
inerente ao projeto. Para atingir uma determinada especificação que o projeto

não previra, há que se promover sua alteração, redimensionando-o.
Normas oficiais podem ser emanadas de diferentes órgãos, como

as instituições encarregadas da preservação do meio-ambiente, da saúde pública
e de metrologia25.
Embora tudo isso exista no Brasil, a contribuição maior para a

especificação ainda é a do próprio produtor, que a faz atendendo a seus
interesses próprios, visando tão somente à redução dos custos de fabricação. Ele
não consegue compreender que essa redução dos custos pode ser conseguida de
outro modo.
Entende-se por especificação um conjunto de dados (norma) que

estabelecem as “magnitudes dos característicos de um produto, necessários e
suficientes para que sua qualidade seja satisfatória, adequada, fidedigna e
econômica, do ponto de vista daqueles a quem a norma interesse.” (Shewhart).
Associado à especificação, como parte integrante da norma, vem

o conceito de tolerância, que é uma medida da variabilidade na magnitude de
cada característico.
Característico é uma denominação genérica de qualquer

propriedade da amostra. O característico pode ser de dois tipos: atributo ou
variável.
Entende-se por atributo uma qualidade, ou a sua ausência.

Atributo é uma variável discreta (página 23). Por outro lado, variável é uma
propriedade que possui um caráter quantitativo (uma variável contínua,
conforme definida na página 23). Exemplo de um atributo é uma falha na
pintura de uma superfície; exemplo de variável é a área dessa superfície.
25
Ver Apêndice 7.
A propósito, é importante lembrar que “qualidade do projeto” não é

o objetivo do controle, mas sim a “qualidade de conformidade”, que é o grau de
fidelidade com que o produto atende à especificação. O objetivo do controle é
prevenir, para atender à especificação com um mínimo de rejeição, garantindo
assim uma redução nos custos de fabricação.
Foi dito acima que a ausência de uma qualidade é um atributo. Esse

tipo de atributo chama-se “defeito”. Os defeitos podem ter importâncias (pesos)
diferentes, dentro de uma norma. O produto da multiplicação aritmética do peso
pela quantidade de um determinado tipo de defeito é uma forma de quantificar
atributos, posto que o gráfico de controle lida com números. Os pesos aqui referidos
fazem, portanto, parte da norma.
6.3. O Tamanho da Amostra
Os gráficos de controle podem ser construídos com dados de

observações individuais26. Entretanto, é mais comum se considerar uma amostra
como um pequeno conjunto de indivíduos, de modo que o dado colocado no
gráfico é um valor médio dos n indivíduos dessa amostra. Essa grandeza n é o
“tamanho da amostra”. Este deve ser tal que dentro da amostra as variações
sejam devidas apenas a causas aleatórias. Se por um lado deseja-se um n grande,
para maior precisão da avaliação, um n muito grande poderá permitir a inclusão
de indivíduos que estejam sujeitos a variações do processo (causas acidentais),
que assim ficariam ocultas, além de onerar o procedimento. Os indivíduos de
um conjunto com um n ideal constituem um “subgrupo racional”.
O tamanho da amostra pode ser inferido a partir de gráficos (ver

Seção 8.5) ou de tabelas (Apêndice 17). A experiência na área de controle, aliada a
um profundo conhecimento do processo, é primordial para a escolha do tamanho
ideal da amostra. Em alguns casos, costuma-se usar a seguinte fórmula:
n = (t.s) / (d. X )
26
Ver Apêndice 11.
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.
Segundo Ruy de C. B. Lourenço Filho (Ref. 22), “um critério

satisfatório é adotar n próximo de 10/P27”.
Conforme será visto nos próximos capítulos, o tipo de plano de

amostragem, o nível (severidade) de inspeção, a relação entre os riscos do
produtor e do consumidor e a relação entre precisão e o custo do controle
ajudam a estabelecer o tamanho da amostra.
6.4. Procedimentos de Amostragem
O material a ser controlado é dividido (segregado, estratificado) em

lotes (ou partidas), de onde é retirada uma pequena porção (amostra). Foge aos
objetivos desta monografia descrever técnicas de homogeneização do lote. Entende-
se aqui por procedimento de amostragem, o plano de inspeção do lote.
Os planos de inspeção normalmente empregados utilizam:
- amostragem simples;
- amostragem dupla;
- amostragem sequencial e
- amostragem múltipla.
A inspeção por amostragem simples é a avaliação de todo um

lote, a partir de uma única amostra. Na inspeção por amostragem dupla, será
avaliada uma segunda amostra de tamanho n2, se a primeira, de tamanho n1,
27
P é a fração defeituosa do processo (ver Seção 6.7.2a).
houver sido rejeitada28. A rejeição da segunda amostra implicará na rejeição de

todo o lote. A inspeção por amostragem múltipla é semelhante à dupla. O
número de amostras é maior que 2 e a decisão de aceitar ou rejeitar um lote é
tomada após avaliação de cada amostra. Na amostragem sequencial, é tomado
um único item (amostra com n = 1) para inspeção. A decisão de aceitar ou
rejeitar um lote ou ainda de prosseguir na inspeção é tomada após a inspeção de
cada item. Observe o leitor que a própria redação do texto desta seção mostra
que se trata aqui de controle de qualidade, mais que controle de processo. Na
Seção 6.5 serão apresentados critérios mais próprios do controle de processo. Os
Capítulos 7 e 8 são totalmente dedicados aos planos de inspeção, quando então
serão discutidos com mais detalhes.
6.5. Frequência de Amostragem
Na seção anterior foi discutida brevemente a importância do

conceito de subgrupo racional. No caso de um processo em andamento, é
necessário também o estabelecimento da frequência de amostragem. É óbvio
que a uniformidade do processo (UP) e a velocidade de fluxo (VF) do produto
(capacidade de produção) estabelecerão a frequência de amostragem (FA).
Também é óbvio que a máxima frequência é limitada pelo tempo necessário à
realização da inspeção (vejam a importância do tempo de uma análise!). Por outro
lado, quanto menor a frequência, mais deficiente é o controle. Além disso, alta
frequência implica também em custo (C) mais elevado. Assim, é importante
conhecer a frequência de amostragem, que pode ser definida pela relação
abaixo:
VF
FA =
UP × C
Na prática, inicia-se com a frequência máxima e a própria avaliação
do gráfico de controle resultante, em conjunto com a experiência que se tenha em
relação ao processo em estudo, indicará a frequência mínima (exigida pelo custo do
controle) para que se trabalhe com segurança.
28
normalmente toma-se n2 = 2n1 (nota do Autor).
6.6. Capacidade de um Processo e de uma Máquina
A variação de qualquer característico entre dois indivíduos pode

ter causa aleatória ou acidental. A característica básica de um gráfico de controle
é a capacidade de discernimento entre uma variação aleatória e uma variação
acidental. Ao estabelecer uma amplitude de 6σ (ver Fig. 4.1, p. 27), o analista
está incluindo 99,73 % das medições.
Fig. 6.1 – Limites de Especificação
A especificação deverá ser tal que toda a curva de distribuição do

processo esteja dentro dos limites da mesma, como mostra a Figura 6.1. Caso
isso não ocorra, estando o processo sob controle, haverá necessidade de um
estudo de Engenharia, para modificar o projeto. Em geral, isso implica em
aumento do custo de fabricação. Caso o projeto seja mantido, o índice de
rejeição do produto será maior. Caberá à administração da empresa a decisão de
qual medida deve ser adotada, qualquer uma resultando em redução da
lucratividade. Caso o processo esteja fora de controle, é necessário identificar as
causas e corrigi-las. Se isso resultar na situação mostrada na Fig. 6.1, o controle do
processo terá atingido seu objetivo maior, que é a redução dos custos, ou melhor, a
otimização do processo. Diz-se que um processo (e por extensão uma máquina) é
“capaz” se os seus limites de controle são mais estreitos (menor amplitude) que
os da especificação.
No Apêndice 9 o estudo da capacidade de um processo será

aprofundado.
6.7. Tipos de Gráfico de Controle
Um gráfico de controle (abreviadamente GC) é um dispositivo

para o registro permanente de informações sobre os diversos característicos do
objeto de controle. Melhor dizendo, deve haver um GC para cada característico.
Mais ainda, cada característico deve possuir mais de um GC, para que se tenha
uma avaliação completa da situação.
Figura 6.2 – Gráfico de Controle. A região dentro dos limites de controle chama-se Zona de Controle.
Podem ser construídos GC’s para variáveis e para atributos. Na

abscissa fica registrada a cronologia da amostragem e na ordenada o valor medido a
partir da amostra (normalmente, a média dos n itens da amostra). Três valores
particulares da ordenada são especiais e estão indicados na Fig. 6.2. São o limite
inferior (LIC) e o limite superior (LSC) de controle e a linha média (LM). Os limites
de controle definem a capacidade do processo (Seção 6.6) e correspondem a um
intervalo de LM ± 3σP, onde σP é o desvio padrão do processo em questão.
O GC mostrado na Fig. 6.2 é conhecido como gráfico do Sistema

Americano. Existe ainda o Sistema Inglês, cuja característica é a existência de
dois limites superiores e dois limites inferiores (Fig. 6.3), de modo a caracterizar
uma “zona de advertência”. Os limites mais próximos da linha média (LSC 1 e
LIC 1) são definidos por 1,96 σP (95%) e os extremos correspondem a 3,09 σP
(99,8%). Além deles, tem-se a “zona de ação”. Um ponto nessa zona exige uma
ação corretiva imediata. Neste livro será utilizado o Sistema Americano. A
seguir, serão detalhados os sete tipos de gráficos relacionados no Quadro 6.1.
Figura 6.3 – Gráfico de controle (Sistema Inglês).
Como afirmado acima, a Zona de Controle nos gráficos do

Sistema Americano, é sempre igual a 6σP/ n , de modo que os Limites de
Controle são sempre definidos por:
LIC = LM - 3σP/ n e LSC = LM + 3σP/ n (Equação 6.1a,b)
onde LM é o valor verdadeiro (µP) da grandeza sob controle e σp é a medida da
dispersão dessa grandeza. Doravante, para simplificação, será omitido o índice (p).
Tipo de característico Tipo de gráfico (grandeza da ordenada)

média ( X )
variável desvio padrão ( s )
amplitude ( R )
fração defeituosa ( p )
número de defeituosos (n p )
atributo
no de defeitos por unidade ( u )
no de defeitos em uma amostra ( c )
Quadro 6.1 - Tipos de Gráficos de Controle.
6.7.1. Gráficos de Variáveis
a) Gráfico de Controle da Média ( X )
No gráfico da média (Gráfico X ), a linha média é definida pela

grandeza medida e os limites de controle são definidos pelas equações 6.1.a e 6.1.b.
Quando não se conhece o valor de µ, usa-se a média X . Não sendo conhecido a
priori o valor de σ, é empregada a sua estimativa (s ou sR). Como normalmente
o número de itens (n) é menor que 10, é utilizada a segunda estimativa, sR.
Desse modo, os limites de controle são definidos por:
LC = X + 3.sR/ n (Equação 6.2)
onde LC é o limite de controle (inferior e superior). Para o cálculo de X ,

normalmente empregam-se k = 25 amostras de n = 4 itens ou k = 20 amostras de
n = 5 itens. O valor de X 29 é calculado com auxílio da equação 6.3:
1
X=
k
[
X1 + X 2 ..... + X k ] (Equação 6.3)
onde X i é a média aritmética dos n itens de cada amostra. A estimativa s do

desvio padrão só e recomendada quando n > 10. Como n = 4 ou n = 5, utiliza-se
sR, calculado com auxílio da Equação 5.7 e da Tabela 5.5 (p. 39). A Tabela
A17.1 mostra os valores de 3.Kn/ n = A2 para n = 2 a 10, bem como A = 3/ n
(para uso da Equação 6.1) e A1 = 3/c2. n (para uso de s), onde c2 é um fator de
correção (Tabela A17.2).
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.
Neste GC é registrada a média. Se a capacidade de processo

diminuiu, como consequência do aumento da dispersão, isto não ficará
evidenciado. Para tanto, é necessário analisar este GC em conjunto com o GC do
desvio padrão ou da amplitude.
b) Gráfico de Controle do Desvio Padrão s
Neste gráfico, a linha média LM é dada pela relação:
LM = c2.σ = s
onde σ é o desvio padrão constante da especificação. Quando não há especificação,

a linha média é calculada a partir de um conjunto de amostras (como no caso do
gráfico da média), determinando-se o desvio padrão de cada amostra e em seguida o
desvio padrão médio s .
No primeiro caso (σ conhecido), os limites de controle são:
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 )}
O termo entre colchetes depende exclusivamente de n, podendo

ser tabelado (Tabela A17.2). Desse modo, fica:
LIC = B1 . σ e LSC = B2 . σ
No segundo caso (σ desconhecido), LM é calculada a partir das

amostras disponíveis, resultando em:
LC = {1 ± [2(n-1)-2nc22]1/2} s
Igualmente como B1 e B2, são tabelados aqui os valores entre

colchetes (Tabela A17.2):
LIC = B3 . s e LSC = B4 . s e a linha média é LM = s .
Para agilizar os cálculos, em lugar do gráfico do desvio padrão,

usa-se o gráfico da amplitude. Até porque, normalmente, o tamanho da amostra
(n) é igual a 4 ou 5. Portanto, justifica-se o emprego da estatística simplificada
(Seção 5.3).
c) Gráfico de Controle da Amplitude
Além de mais simples, o gráfico da amplitude é bastante

satisfatório, desde que n < 10. Conhecido fosse o valor de σ , ter-se-ia:
σ
LM = = d2 . σ
Kn
onde Kn já é conhecido e d2 = 1/Kn encontra-se já tabelado (Tabela A17.3). Pode ser

deduzido que:
LC = (d2 ± 3d3).σ
Fazendo:
d2 - 3d3 = D1 e d2 + 3d3 = D2, fica:

LIC = D1 . σ e LSC = D2 . σ
onde D1 e D2 são encontrados na Tabela A17.3. Quando σ não é conhecido, faz-

se uso da Equação 5.7 e da Tabela 5.5 (p. 39) e LM fica igual a R.
Consequentemente,
LC = (1 ± 3 d3 Kn) R
Fazendo:
1 - (3.d3 . Kn) = D3 e 1 + (3.d3.Kn) = D4, fica:
LIC = D3. R e LSC = D4 . R
D3 e D4 também se encontram na Tabela A17.3.
6.7.2. Gráficos de Atributos
a) Gráfico de Controle da Fração Defeituosa
Feita a amostragem, procede-se à contagem dos itens defeituosos

(d) na amostra. A fração defeituosa p é igual a d/n.
Inicialmente, havendo uma norma, verifica-se o valor de P por ela

estabelecido (P é a fração defeituosa média admitida). A sua variância é Vp =
P(1 - P)/n. Não havendo especificação prévia, utiliza-se a estimativa de P, p:
Σd
p = ,
Σn
para um conjunto de pelo menos 20 amostras de tamanho n. Neste caso, o valor

de n deve ser bem maior (50, por ex.). A linha média LM será p e os limites de
controle serão
LIC = p - 3 [p(1-p)/n]1/2 e LSC = p + 3 [p(1-p)/n]1/2
Se for encontrado LIC < 0, faz-se LIC = 0. Se p for menor que

0.1, os limites ficam simplificados para:
LIC = p − 3 p / n e LSC = p + 3 p / n
b) Gráfico de Controle do Número Total de Defeituosos
Se for estabelecido um valor constante para n, p pode ser substituído

por np. Os limites de controle ficam:
LC = n p ± 3 [n p (1 - p )]1/2
c) Gráfico de Controle do Número de Defeitos por Unidade
O chamado gráfico u é usado quando p é muito grande. Como o

número de defeitos numa única peça é muito pequeno, utiliza-se a distribuição
de Poisson, onde média e variância são iguais a:
Σci
u = ,
Σn i
onde Σci é o número total de defeitos em todos os n itens das i amostras de

tamanho k, onde i = 1, 2, 3, ..., k. Os limites de controle são:
LC = u ± 3 u
d) Gráfico de Controle do Número de Defeitos por Amostra ( c )
O Gráfico c é uma simplificação do Gráfico u , quando n é

constante. Neste caso, LM é dada por:
Σc
LM = c = ,
k
onde Σc é o total de defeitos em todas as n unidades das k amostras. Os limites de

controle são:
LIC = c − 3 c e LSC = c + 3 c
Como se vê, houve apenas uma mudança na escala da ordenada, em

relação ao gráfico u . Se houver interesse em utilizar o gráfico c mesmo quando n é
variável, calcula-se inicialmente o valor de u . Depois, basta calcular o valor de u .n e
u.n ± 3 u. n para cada valor de n.
6.7.3. Montagem dos Gráficos de Controle 30
Qualquer que seja o gráfico, procede-se à sua montagem inicial

(Fase 1) a partir de um grande número de amostras. Uma vez calculados e plotados
os limites de controle e a linha média, os vários pontos disponíveis são também
plotados. Caso algum ponto caia fora da zona de controle, procede-se à sua rejeição e
são calculados novos limites e linha média. Com o conseqüente estreitamento da zona
de controle, outros pontos poderão cair fora dela. Nesse caso, os valores de LCI, LSC
e LM são novamente recalculados. Quando não houver mais pontos fora da zona de
controle, está concluído o trabalho inicial e tem início a Fase 2 (rotina).
6.7.4. Interpretação dos GC’s
A informação mais direta que se obtém de um GC surge quando

um ou mais pontos caem fora da zona de controle. O conhecimento do processo,
a experiência adquirida desde a implantação do Sistema de Controle e a
flexibilidade admitida, são fatores que influirão na decisão quanto ao número
máximo de pontos adjacentes, que num dado período de tempo, poderá cair fora
da zona de controle (ver item d abaixo). Mesmo assim, deve ser feita uma
pesquisa sobre possíveis causas acidentais.
Em adição, a distribuição dos pontos no gráfico, na ausência de causas

acidentais, deve ser aleatória. Entretanto, a experiência permitirá a identificação de
30
O Apêndice 10 apresenta alguns exemplos práticos.
alguns arranjos (distribuição não aleatória) e novamente, o conhecimento do processo

permitirá a identificação da causa e sua conseqüente correção.
O conhecimento da distribuição estatística permite afirmar que:
a) A maioria dos pontos está próxima da Linha Média.

b) Os pontos devem se distribuir simetricamente acima e abaixo da Linha Média.
c) Alguns pontos poderão estar próximos a LIC e a LSC.
d) Apenas uma pequena fração (∼ 0,3%) dos pontos poderá cair fora da zona de
controle (e ainda assim ser investigado).
Os arranjos mais comuns são:
i) Sequências
Uma sequência de pontos de um mesmo lado da linha média num

gráfico X (Fig. 6.4.a) indica situação indesejável, que se complica, caso os mesmos
pontos, no gráfico R, estejam acima de LM. Por outro lado, pontos abaixo de LM no
gráfico R indicam melhoria no processo. Mas também é importante averiguar-se a
causa, para que ela permaneça.
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
A Fig. 6.5.a mostra o padrão produzido por ciclos. No gráfico da

média eles indicam causas periódicas, como fatores sazonais, enquanto que no
Gráfico da Amplitude podem indicar desajuste de ferramentas, por exemplo.
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.
iv. Falta de Variabilidade
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
Ao contrário do caso anterior, a variabilidade excessiva (o oposto

daquele) indica uma diminuição na capacidade do processo. As causas podem
ser as mais variadas e todo o processo deve ser prontamente examinado. É por
essa razão, também, que não se deve realizar tão somente o controle do produto
final. Quanto maior for o número de pontos de amostragem, mais fácil fica a
avaliação.
6.7.5. Conclusões
Como se pode observar tanto a confecção de um gráfico de

controle, quanto a sua interpretação, são tarefas de fácil realização.
Evidentemente os detalhes da especificação ficam por conta de cada usuário. No
Apêndice 11, outros modelos mais avançados de gráficos de controle são
discutidos.
7 - INSPEÇÃO DA QUALIDADE
7.1. Inspeção Completa versus Inspeção por Amostragem
A Inspeção de Qualidade tem como principal objetivo julgar um

produto visando a sua aquisição (Inspeção para Aceitação). Existem casos em
que é necessária a inspeção completa (de todos os itens do lote ou partida),
também denominada inspeção 100%. Incluem-se entre esses poucos casos,
aqueles em que não se consegue evitar a heterogeneidade do lote. Entretanto,
além de onerosa, a inspeção completa não pode ser realizada quando o teste é
destrutivo.
A Inspeção por Amostragem, por sua vez, além de ser mais

barata, é mais rápida. Admitindo-se a possibilidade de falha humana na Inspeção
Completa, pode-se dizer que uma Inspeção por Amostragem bem planejada
pode ser tão eficiente quanto a Inspeção Completa, em termos de evitar a
aceitação de produtos defeituosos.
7.2. Inspeção de Atributos e Inspeção de Variáveis
A Inspeção de Qualidade para aceitação pode ser feita avaliando-

se variáveis ou atributos, a depender do produto.
A inspeção de variáveis pode ser realizada com auxílio de um

Gráfico de Controle, substituindo-se os limites de controle pelos
correspondentes limites de especificação (ver Fig. 6.1, p. 56) e registrando-se
nesse gráfico a média de n amostras do lote em exame.
Entretanto, tanto a inspeção de variáveis quanto a inspeção de

atributos podem ser realizadas através de um procedimento mais simples, com
auxílio de tabelas específicas (Apêndice 17). O uso dessas tabelas será objeto de
estudo no Capítulo 8.
Inicialmente, é importante a definição de alguns conceitos

básicos.
7.3. Não-conformidade
Se um item de produção, ao ser avaliado, seja na verificação de

uma variável, seja de um atributo, apresentar-se fora de especificação, será
considerado não-conforme. A existência de itens não-conformes caracteriza uma
não-conformidade. O objetivo da inspeção de qualidade é exatamente
quantificar essa não-conformidade.
7.4. Níveis de Risco
NÍVEL DE QUALIDADE
Ao contrário do que esse termo poderá sugerir, o Nível de

Qualidade é medido em termos de Fração Defeituosa P (= d/n; ver Seção 6.7.2).
Normalmente, o Nível de Qualidade é dado em porcentagem, P%. Portanto,
Nível de Qualidade mais alto significa qualidade mais baixa. Para evitar
confusão, será adotado o parâmetro d como o número real de defeitos (não-
conformidades), correspondente a uma determinada qualidade do produto.
RISCO DO PRODUTOR
Como nem mesmo com Inspeção Completa é possível se ter

garantia de eliminação de todos os defeituosos, é necessário fixar um “risco do
produtor” (α), que é definido como a probabilidade de uma partida de boa
qualidade ser rejeitada (por falha da inspeção). Nível de Qualidade Aceitável
(NQA) é a qualidade de um lote considerado “de boa qualidade”. Às vezes, é
representado por P1.
RISCO DO CONSUMIDOR
Pelas mesmas razões expostas acima, define-se também um “risco

do consumidor” (β), como a probabilidade de ser aceita uma partida de má
qualidade, também por falha da inspeção. Qualidade Limite (QL) é a qualidade de
um lote considerado “de má qualidade”. Às vezes é representada por P2 e também
denominada Nível de Qualidade Inaceitável (NQI).
7.5. Números e percentuais de Aceitação e de Rejeição
O número de aceitação (a) é o valor de P (nível de qualidade)

máximo aceitável. Em outras palavras, a corresponde à qualidade mínima
aceitável e corresponde ao número máximo de defeitos (ou defeituosos) que se
permite, na amostra de tamanho n. Equivalentemente ao Número de Aceitação,
o Número de Rejeição (r) corresponde a uma qualidade inferior à mínima
aceitável (NQI).
7.6. A Curva Característica de Operação
Figura 7.1 – CCO ideal.
Idealmente, um plano de inspeção deveria discriminar

perfeitamente as partidas de boa e de má qualidade. Em tal plano os riscos do
consumidor e do produtor seriam nulos e os números de aceitação (a) e de
rejeição (r) seriam iguais entre si e, portanto iguais também a d, que mede a
qualidade real do lote. Desse modo, nenhum lote com mais de d defeitos (ou
defeituosos) seria aceito e nenhum lote com menos de d defeitos (ou
defeituosos) seria rejeitado. A Curva Característica de Operação (CCO) desse
plano ideal (hipotético) está representada na Fig. 7.1. Na prática, os valores de a,
d e r são diferentes (a < r e idealmente d < a) bem como os riscos α e β não são
nulos. Assim, definem-se Probabilidade de Aceitação (PA) e Probabilidade de
Rejeição (PR = 1 - PA), onde PA é calculada pela distribuição binomial, de Poisson
ou Hipergeométrica, dependendo dos valores adotados para os parâmetros n e a.
No Apêndice 12 o leitor encontrará mais detalhes, com exercícios de aplicação e
no Apêndice 13 uma planilha Excel para facilitar os cálculos. Sugere-se a leitura
do assunto na Literatura especializada, indicada na Bibliografia.
Uma CCO pode ser construída a partir de dois pares de dados:

P1/α e P2/β. A Fig. 7.2 mostra uma CCO típica, com os diversos parâmetros.
Outra forma de construir uma CCO é a partir da pré-seleção de n e de a. Com
esses valores, pode-se calcular PA (ver acima), em função da qualidade P (ou
P%). A partir dessa curva, é possível determinar os valores de P1/α e P2/β. Por
comparação com a forma da curva ideal (Fig. 7.1), compreende-se que quanto
mais íngreme for a CCO real, mais eficiente ela será ao distinguir lotes de boa
qualidade de lotes de má qualidade. Diz-se “maior poder discriminante”.
Figura 7.2 – Uma CCO típica, com seus parâmetros mais importantes.
1,0
Probabilidade de Aceitação (PA)

0,8 (a) n = 100; a = 4
(b) n = 15; a = 0
(c) n = 100; a = 0
0,6
0,4
0,2
0,0
0,00 0,05 0,10 0,15 0,20
Qualidade do Lotes
Figura 7.3 – Efeito de a/n sobre a CCO.

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%
Figura 7.4 – Crítica à Regra dos 10%.
A Fig. 7.3, por sua vez, mostra a influência de n e de a sobre o poder

discriminante da CCO. Por comparação entre as várias CCO’s, pode ser verificado
que: a) quanto maior for n, tanto maior será o poder discriminante da CCO e b)
quanto maior for a, tanto menor será esse poder discriminante. Apesar do exposto,
um aumento de n pode permitir que se trabalhe com um a também maior e ainda
assim se tenha uma CCO com maior poder discriminante. A Fig. 7.4 mostra que a
“regra de ouro” de se tomar, por exemplo, 10% do lote, apesar de correntemente
empregada, não é correta. Quando N = 100 e n = 10 (10%) é obtida uma CCO com
menor poder discriminante do que quando N = 1000 e n = 100 (10% também). Com
N = 4000 e n = 400, o poder discriminante é ainda maior.
8 – PLANOS DE INSPEÇÃO
8.1. Introdução
Entende-se por plano de inspeção um conjunto de ações que

visam avaliar um produto (normalmente um lote de produção), com a finalidade
de aceitação. Tais planos de aceitação são regidos, no Brasil, por normas
emanadas da ABNT – Associação Brasileira de Normas Técnicas. Constam
desses planos as seguintes informações:
a) Tamanho do Lote (N);

b) Nível de inspeção;
c) Tamanho da Amostra (n);
d) Regime de inspeção;
e) Procedimento de Amostragem;
f) Nível de Qualidade Aceitável (NQA);
g) Número de Aceitação (a);
h) Curva Característica de Operação (CCO);
i) Outras ações complementares, descritas mais adiante.
O NQA, a CCO e o número de aceitação (a) já foram descritos no

capítulo anterior.
8.2. Tamanho do Lote
O Tamanho do Lote é definido em função de fatores como:

capacidade de produção por parte do fabricante (no caso de produção em
batelada, cada batelada será um lote) e capacidade de consumo por parte do
comprador; um lote para fins de transporte pode ser parte de um lote para fins de
compra, por exemplo. Entretanto, para fins de inspeção para aceitação, a ABNT
(Norma NBR 5429/1985) define o lote como sendo um “conjunto de unidade de
produto a ser amostrado para verificar conformidade com as exigências de
aceitação”, podendo diferir de um lote de produção, de um lote de remessa. Mas
“cada lote deve ser constituído de unidade de produto de um único tipo, grau,
classe, forma e composição, fabricado, essencialmente, sob as mesmas
condições e no mesmo período”. Isso significa que nos processos em batelada as

unidades constituintes de um lote de inspeção não podem ser provenientes de
diferentes bateladas.
8.3. Nível de Inspeção
Entende-se por nível de inspeção o rigor com que a mesma é

realizada. O nível de inspeção fixa a relação entre tamanho da amostra (n) e
tamanho do lote (N). Existem dois tipos de nível de inspeção:
a) Níveis gerais – classificados como I, II e III.

b) Níveis especiais – classificados como S-1, S-2, S-3 e S-4.
Os níveis gerais são usados em inspeção não-destrutiva, enquanto

que os níveis especiais são usados em inspeção destrutiva ou de custo elevado.
A seleção do nível apropriado é feita por análise da CCO, do conhecimento
prévio do processo (sua capacidade e estabilidade), dentre outros fatores
indicados nas Normas legais (ABNT) e declarados no contrato de fornecimento.
8.4. Regime de Inspeção
O regime de inspeção, também denominado severidade da

inspeção, está relacionado com a magnitude do número de aceitação e é
classificado como:
a) Inspeção atenuada (a menor);

b) Inspeção normal (a intermediário);
c) Inspeção severa (a maior).
8.5. Tamanho da Amostra
O tamanho da amostra (n) é obtido com o uso de tabelas. Na

Tabela 8.1, em função do nível de inspeção e do tamanho do lote, é definida a
letra de código. A letra de código é a chave de acesso às Tabelas do Apêndice 17.
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
8.6. Procedimento de Amostragem31
a) Amostragem Simples
A inspeção por amostragem simples consiste basicamente em se

tomar uma única amostra de tamanho n e verificar o número de defeitos (ou de
defeituosos), d, comparando-o com a (em amostragem simples, r = a + 1),
conforme se vê no Esquema 8.1:
31
Também conhecido como Plano de Amostragem.
Inspecionar a amostra
de tamanho n
d≤a d>a
Aceitar o Lote Rejeitar o Lote
Figura 8.1 – Plano de inspeção com amostragem simples.
Este é o esquema básico do plano de amostragem simples.

Entretanto, conforme será discutido mais adiante (Seção 8.7), existem várias
formas de procedimento, todas seguindo o esquema acima, mas variando n, a e
NQA. Por variação de n, por exemplo, altera-se o nível (rigor) da inspeção, o
mesmo acontecendo por alteração de a ou NQA.
b) Amostragem Dupla
Como o próprio nome revela, a amostragem dupla consiste em se

tomar duas amostras, de tamanhos não necessariamente iguais e fazendo a1 o
número de aceitação da primeira amostra (de tamanho n1) e a2 o número de
aceitação total das duas amostras (n2 é o tamanho da segunda amostra). O
Esquema 8.2 explica o procedimento para aceitação de lotes por amostragem
dupla. As variações citadas no item anterior são válidas também para a
amostragem dupla, bem como para as demais técnicas.
c) Amostragem sequencial
A amostragem sequencial é semelhante à amostragem dupla. A

diferença básica é que não se definem a priori os tamanhos das várias amostras. O
número de amostras, isto é, a extensão da sequência também é definida a posteriori.
Os cálculos matemáticos são menos elementares que os utilizados até aqui.
Entretanto, existe um método gráfico que embora simples, é bastante útil. O
exemplo mostrado a seguir exemplifica a técnica de elaboração do gráfico
(Esquema 8.3) e de utilização do mesmo.
Figura 8.2 – Plano de inspeção com amostragem dupla.
EXEMPLO:
Plano: P1 = 0,10; α = 0,02; P2 = 0,30 e β = 0,04.
Faz-se uso das equações:
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
Fazendo x = no de ordem do item e arredondando-se x - m1 para o

inteiro imediatamente inferior, tem-se an (no de aceitação para n itens
inspecionados). Arredondando-se m2 + x para o inteiro imediatamente superior,

tem-se o número de rejeição rn. Após os cálculos, tem-se:
A = 1,6813; B = 1,3891; g1 = 0,4771; g2 = 0,1091; m1 = 2,37

m2 = 2,868; S = 0,186; an = 0,186.n - 2,370; rn = 0,186.n + 2,868
7
6 zona de rejeição
Aceitação
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
Figura 8.3 – Plano de inspeção com amostragem sequencial.
Com os dados acima, traçam-se os eixos coordenados, colocando-

se na abscissa o número de itens inspecionados e na ordenada o número de itens não
conformes. Em seguida, traçam-se as retas correspondentes às equações de an e
de rn. Para aplicação do gráfico, o inspetor vai simplesmente plotando os valores
acumulados de d. Enquanto o tracejado (interligação dos pontos plotados) permanecer
na região entre as duas retas (indecisão), prossegue-se com a inspeção. Quando um
ponto cair fora dessa região, interrompe-se a inspeção, rejeitando-se (ou aceitando-se) o
lote, dependendo do ponto cair na região superior (de rejeição) ou na região
inferior (de aceitação).
d) Amostragem Múltipla
A amostragem múltipla também é uma extensão da amostragem

dupla, tomando-se oito (8) amostras. O Esquema 8.4 ilustra bem a metodologia.
Figura 8.4 – Plano de inspeção com amostragem múltipla.
8.7. Escolha do Plano de Amostragem
8.7.1. Critérios Para Escolha
Como exposto nas seções anteriores, podem ser empregados 4

tipos de planos de amostragem, cada um deles podendo ser aplicado em
diferentes “níveis”, mediante variação do tamanho da amostra (n). Além disso, a
inspeção poderá ser Atenuada, Normal ou Severa, dependendo do valor de NQA
adotado (às vezes, é feita uma mudança no valor de n também).
Na escolha do plano de amostragem devem ser tomadas em

consideração as seguintes observações:
- Acordo entre produtor e consumidor em relação aos níveis de risco de

ambos (α e β);
- Avaliação prévia do produto (por ex.: determinação da capacidade do processo -
do produtor);
- Custo da inspeção (inclui treinamento de inspetores, etc.).
O plano selecionado deverá ser avaliado, por comparação com

outros, através das respectivas CCO’s, de modo a garantir a escolha de um plano
com elevado poder de discriminação (ver Apêndice 12).
8.7.2. Níveis de Inspeção
Os níveis de inspeção são definidos, para um plano, em função do

tamanho da amostra, para cada tamanho de lote, conforme se vê na Tabela 8.1
(p. 75). Como o poder discriminante aumenta com n, mas também aumenta o
custo da inspeção, existe um compromisso entre esses dois parâmetros.
8.7.3. Uso de Tabelas
No Apêndice 17 são apresentadas tabelas para aplicação dos planos

de inspeção.
A Tabela A17.4 é empregada para Inspeção Simples, enquanto

que a Tabela A17.5 é empregada para a Inspeção Dupla. Finalmente, as Tabelas
A17.6.a, A17.6.b e A17.6.c são empregadas para Inspeção Múltipla. Como visto
(seção 8.6.c), não há necessidade de tabela para aplicação da Inspeção
Sequencial. Essas tabelas correspondem à inspeção normal. Existem tabelas
equivalentes para a inspeção atenuada e para a inspeção severa.
Em todos os casos (exceto Inspeção Sequencial), o procedimento é o

seguinte:
1) Selecionar na Tabela 8.1 o nível de inspeção (letra de código).

Geralmente é empregado o nível II.
2) Procurar na tabela correspondente ao seu plano (A17.4 a A17.6),
na linha da letra de código escolhida, o (s) valor (es) de n e na
coluna do NQA estabelecido, o (s) valor (es) de a e de r
procurados.
8.7.4. Inspeção Normal, Atenuada e Severa.
Como o próprio nome indica, a forma de inspeção normal é a

usualmente empregada. As outras duas são empregadas em casos de alterações
na qualidade do produto que está sob controle: se a qualidade cai, passa a ser
adotada a inspeção severa. Em caso contrário, pode ser empregada a inspeção
atenuada.
Para passar de normal para severa, pode ser utilizado um NQA

menor ou um n maior. Como aumento de n significa custo, a primeira opção é a
escolhida. No caso contrário, isto é, para passar de normal para atenuada, em
geral é diminuído o tamanho da amostra, pela mesma razão acima. No entanto,
as normas brasileiras trabalham com diferentes valores de a.
Deve-se passar para inspeção severa quando cerca de 40% dos

lotes estiverem sendo rejeitados. Deve-se permanecer na inspeção severa
enquanto não acontecer de cinco lotes consecutivos ser aceitos.
Deve-se passar para inspeção atenuada quando no máximo 10% dos

lotes forem rejeitados. Deve-se permanecer na inspeção atenuada enquanto não
acontecer de dez lotes consecutivos apresentarem a < d < r.
Os números referidos nos dois últimos parágrafos devem ser

considerados apenas uma sugestão. O contrato de fornecimento deve explicitar
os valores específicos de cada caso.
9 – GESTÃO PARA A QUALIDADE
9.1. Introdução
A Gestão da Qualidade pode ser entendida de duas diferentes

formas:
a) Gestão da Qualidade – Administração da Qualidade:

obtenção, análise e arquivamento de dados obtidos com as
chamadas Ferramentas da Qualidade.
b) Gestão para a Qualidade – Gestão Empresarial Global: a
administração da empresa é totalmente voltada para a
Qualidade, vista como a única forma de garantir sua
sobrevivência.
No segundo caso, que será o foco deste capítulo, o Gerente da

Qualidade está no mesmo nível hierárquico (ou até acima) do Gerente Industrial.
Agora, não existe tão somente um Sistema de Garantia de Qualidade (SGQ),
mas um modelo de gestão, que tem o SGQ como uma de suas bases.
9.2. Modelos de Gestão
Ao longo dos anos, muitos modelos de gestão têm sido oferecidos

ao mercado, cada um com seus méritos e suas deficiências. De fato, o modelo
mais apropriado para uma empresa não é necessariamente o melhor para outra.
A escolha do modelo de gestão depende do porte da empresa, de sua estrutura
administrativa, de seus objetivos, dentre outros fatores, havendo casos em que é
necessária uma completa reestruturação de uma empresa para que algum modelo
possa ser implantado e atingir os seus objetivos. Como dito acima, a visão atual
é a de que a Sobrevivência de uma empresa é totalmente dependente de sua
Produtividade e que esta somente é atingida plenamente através de um bom
Sistema de Qualidade. A idéia é garantir o interesse do consumidor (sua
fidelidade), através da qualidade agregada ao produto oferecido.
Dentro dessa concepção, surgiram vários modelos de gestão. O

mais tradicional é o TQM (Total Quality Management). O TQM é gerenciado
pelo gerente, dentro daquela filosofia tradicional. Altamente tecnicista, o TQM
tem como foco as não-conformidades, operando em um baixo nível estratégico.
Em contraposição, surgiu em anos mais recentes (início do século

XXI) a Gestão Integrada para a Qualidade (GEIQ). Em seu bojo, a metodologia
6-Sigma (ou Seis Sigma), criada no final da década de 1980. Esta metodologia
tem como direcionador o Ciclo DMAIC (um desmembramento do Ciclo PDCA,
empregado pelo TQM). O Apêndice 16 discute com mais detalhe o tema TQM
versus GEIQ.
A seguir será apresentada uma descrição da estrutura básica dos

modelos de gestão da qualidade, seus objetivos, suas estratégias e suas
ferramentas.
9.3. Estrutura básica dos Modelos de Gestão
Um modelo ou programa de gestão de qualidade total é

estruturado sobre três pilares:
a) Máquina – investimento (aporte de capital) seguro, com

rápido, embora pequeno, retorno financeiro.
b) Homem – investimento (aporte de conhecimento), com o uso
de programas de treinamento contínuo, menos seguro, lento e
gradual, mas com grande retorno financeiro.
c) Método – o processo (tecnologia). Investimento em novas
tecnologias passa necessariamente pelo investimento no
pessoal.
O sucesso de um Programa de Gestão de Qualidade depende da

habilidade do Gestor em administrar (compatibilizar) os investimentos nas
diversas áreas (os pilares da empresa) com os objetivos e a saúde financeira da
empresa. Em épocas distintas, os gestores de qualidade orientaram o foco de
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.
Paralelamente às diversas tentativas de “ajuste do foco”, outras

ferramentas foram aos poucos sendo desenvolvidas (não ferramentas estatísticas,
mas gerenciais). Na década de trinta havia sido introduzido nos Estados Unidos
o conceito de Controle Estatístico de Processo. Nos anos cinquenta e sessenta
foram introduzidos novos conceitos, como 5 “S”, “zero defeito”, círculos de
qualidade, Ciclo PDCA e just-in-time. A partir da década de oitenta, surgiu a
primeira versão da ISO 9000 e junto com ela os conceitos de Benchmarking,
Reengenharia, Manutenção Produtiva, Produção Celular e Times de Trabalho.
Nos anos noventa foi feita a sistematização e a integração dos conceitos de
Estratégia, Estrutura, Comprometimento, Processos Produtivos e Mercado. Os
conceitos de Análise de Valor em Processos de Qualidade e de Cadeia de
Suprimento, juntamente com a utilização da Tecnologia da Informação e a
segunda versão da ISO 9000, fizeram nos anos noventa uma verdadeira
revolução na área Industrial. Finalmente, na era do Conhecimento, uma visão
inovadora: a integração, na Cadeia de Suprimento, do trinômio
Fornecedor/Empresa/Consumidor. Para completar o quadro, a ISO 14000 veio
solidificar a preocupação do homem contemporâneo com a questão ambiental.
Surgiu a ISO 17025 e com ela a tendência de utilização do conhecimento
interdisciplinar e interdepartamental para integração da organização. Nos anos
mais recentes, as metodologias de gestão perderam a conceituação generalista,
com a implantação de modelos específicos para as necessidades de cada
empresa, o chamado modelo personalizado (customizado).
Um modelo de gestão de qualidade deve ser estruturado em

quatro etapas (ações):
a) Ações Estratégicas: definição das estratégias corporativas;

b) Ações Estruturais: adaptação da estrutura organizacional;

c) Ações Comportamentais: revisão da política e das ações com
as pessoas;
d) Ações Operacionais: Projeto/Reprojeto do Processo.
Na etapa (a) a organização define o que ela deseja fazer (qual o

produto que será o “carro-chefe” da empresa), como ela pretende abordar o
mercado, etc. Na etapa (b), se necessário, o organograma da empresa será
alterado. Na etapa (c) a empresa revê seu relacionamento com as pessoas
(Clientes internos ou externos), planeja seu aporte de conhecimento e estuda
com garantir a fixação de seu pessoal. A etapa (d) é a fase de operacionalização
do Processo (o projeto de reestruturação global da empresa). Nesta etapa serão
empregadas todas as ferramentas disponíveis para avaliação e ajuste do
desempenho global. Tais ferramentas são:
1. Fluxograma e Mapeamento do processo

2. Lista ou Folha de verificação
3. Histograma
4. Aplicações das principais medidas estatísticas
5. Gráfico de controle
6. Capacidade de um processo
7. Diagrama de Pareto
8. Matriz de prioridade
9. Brainstorming
10. Diagrama de Causa e Efeito
11. Análise de dispersão
12. Planejamento de experimentos
13. Análise de variância
14. Análise de Taguchi
15. Confiabilidade, Análise e Prevenção de Falhas
16. Programas e Métodos
As ferramentas de números 2, 3, 4, 5, 6, 7, 9 e 10 já foram

estudadas ou o serão no Apêndice 14 (As sete ferramentas da Qualidade). A
seguir, serão discutidas as demais ferramentas.
Mapeamento do processo
O início de um trabalho de mapeamento de um processo

produtivo é a elaboração de um fluxograma, onde as diversas etapas desse
processo são interligadas numa sequência lógica. A Figura 9.1 é um exemplo de
fluxograma.
Figura 9.1 – Um fluxograma de processo
A partir do fluxograma é construído o Mapa do Processo, que

nada mais é que o fluxograma enriquecido com informações detalhadas de cada
etapa, ou seja: o Mapa do Processo é uma representação gráfica sequencial com
informações operacionais e administrativas, que permitirão, com o auxílio dos
conceitos de entrada, processo e saída, a elaboração dos procedimentos
específicos de controle de cada etapa.
Matriz de prioridade
Problemas detectados com auxílio de ferramentas tais como os

gráficos de controle podem ser submetidos a uma avaliação econômica (custo do
risco), com auxílio de uma ferramenta de cálculo denominada matriz de
prioridade (Figura 9.2). Valores são atribuídos para os diversos aspectos
relacionados com eventuais prejuízos financeiros (critérios). O cálculo final
(coluna produto) estabelece a ordem de prioridade no enfrentamento de cada
causa. Esses critérios podem ser, por exemplo, perdas diretas (redução da
produção, retrabalho, etc.), perdas indiretas (desvalorização do nome da empresa

por atraso na entrega, devolução de lotes, etc.), além de outros.
Problema Critério 1 Critério 2 Critério 3 Produto

A 5 3 4 60
B 2 3 5 30
C 4 2 3 24
Análise de dispersão
Esta ferramenta tem como objetivo avaliar a intensidade da

correlação entre duas variáveis (causa e efeito). A variável independente (causa)
é colocada na abscissa e a variável dependente (efeito) é colocada na ordenada.
A Figura A3.2 do Apêndice 3 mostra um gráfico de dispersão. Uma forte
correlação (ver coeficiente de regressão, na página 17) fortalece a idéia de que a
causa em estudo deve ser de fato a causa do problema. Maiores detalhes serão
discutidos no Apêndice 14.
Planejamento de experimentos
Essa ferramenta é extremamente útil, na medida em que auxilia

na minimização do número de experimentos necessários para a obtenção de
informação útil. Tais procedimentos estatísticos permitem, através da realização
de experimentos programados, a análise de vários fatores, seus níveis de
importância e seus efeitos em um processo com muitas variáveis. A
Quimiometria, nos dias de hoje, já se constitui em um ramo da Química
Analítica.
Análise de variância
A Análise de Variância é uma técnica estatística que permite

comparar vários grupos de variáveis em relação às suas médias e suas
variâncias. Ela tem como objetivo a identificação das variáveis que influenciam
no resultado de um processo (pode ser considerada uma alternativa ao
Planejamento de Experimentos). É uma extensão do Teste F, aplicado a mais de

dois conjuntos de dados32.
Análise de Taguchi
Emprega uma combinação de Planejamento de Experimentos

com Análise de Variância e objetiva minimizar a variabilidade e quantificar o
custo da perda de qualidade. Para tanto, utiliza a Função Perda de Taguchi, a
qual se baseia na Série de Taylor. A análise de Taguchi classifica as perdas em
três tipos:
1. Perdas Internas (variação no desempenho do trabalhador, do

equipamento ou ferramenta).
2. Perdas Externas (variação nas condições ambientais e outras variáveis
que influem no processo).
3. Perdas Variacionais (variabilidade das ações, componentes ou
insumos).
Confiabilidade, Análise e Prevenção de Falhas
Trata-se de um conjunto de procedimentos com o objetivo de

identificar e minimizar falhas para aumentar a Confiabilidade do processo.
Através da classificação de falhas em prematuras ou de partida, aleatórias e
causais, essa técnica é realizada em cumprimentos às seguintes etapas:
Definir o processo a ser analisado;

Definir uma equipe com visão multidisciplinar;
Definir a não-conformidade a ser analisada;
Identificar seus efeitos;
Identificar a causa básica;
Hierarquizar as falhas;
Desenvolver ações de prevenção
32
O Apêndice 15 traz mais detalhes sobre essa técnica estatística.
Uma importante ferramenta é a árvore de falhas, cuja análise

permite mapear qualquer processo na busca de falhas potenciais, empregando
uma apresentação gráfica que facilita a visualização das falhas. Esse
procedimento obedece às seguintes etapas:
Definição e análise do processo;

Construção da árvore de acordo com a sequência efeito/causa;
Utilização da lógica Booleana;
Interpretação e análise (qualitativa e quantitativa) da árvore.
Programas e Métodos
A gestão para a qualidade pode ser estruturada em programas e

métodos específicos, tais como:
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
O Programa 5S é mais que um programa, é um estilo de vida.

Pode ser considerada a primeira etapa para quem inicia um programa de gestão
para a qualidade. Esse programa tem como base a aplicação de cinco sensos,
identificados por seus nomes em japonês. Para manter o significado “S”, foi
acrescida a expressão senso de à palavra portuguesa correspondente a cada senso:
SEIRI Senso de Utilização

SEITON Senso de Ordenação
SEISOU Senso de Limpeza
SEIKETSU Senso de Saúde
SHITSUKE Senso de Autodisciplina
O seiri classifica os recursos materiais do local de trabalho de

acordo com a necessidade, a especificação e adequação ao uso, tendo como
objetivo:
• Liberação de espaços
• Reaproveitamento e/ou melhor aproveitamento dos recursos
• Combate ao excesso de burocracia
• Diminuição de custos
O seiton classifica os recursos em função da frequência de uso,

definindo o local de guarda dos mesmos, trazendo para o usuário os seguintes
benefícios:
• Economia de tempo
• Diminuição do cansaço físico
• Melhoria do fluxo de pessoas e materiais
• Maior facilidade para encontrar objetos e informações
O seisou assim esquematiza os procedimentos de limpeza:
• Educar para não sujar

• Limpar o que está sujo
• Inspecionar enquanto limpa
• Descobrir e eliminar as fontes de sujeira
• Distribuir amplamente recipientes de coleta de lixo
Os objetivos alcançados são:
• Bem-estar pessoal
• Conservação de equipamentos
• Prevenção de acidentes
• Sentimento de excelência transmitido aos clientes
O seiketsu é adotado no sentido de garantir as melhores condições

favoráveis à saúde. Para tanto, preceitua os seguintes procedimentos:
• 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
Os benefícios esperados são:
• Local de trabalho agradável

• Redução de acidentes e doenças
• Empregados saudáveis e bem dispostos
O shitsuke exige comprometimento com padrões éticos e

técnicos. Para atingi-lo, as seguintes ações devem ser estimuladas:
• Compartilhar visão, missão, etc.

• Reconhecer o esforço e incentivar a criatividade
• Melhorar as comunicações em geral
• Atribuir responsabilidades e dar autoridade
• Educar-se e educar continuamente, sem tréguas
• Ter paciência e persistência na educação e treinamento
Como consequência da sua prática, espera-se alcançar os

seguintes objetivos:
• Previsibilidade dos resultados

• Auto-inspeção e autocontrole
• Melhoria contínua em nível pessoal e organizacional
Os principais benefícios do Programa 5S são:

• Promoção da participação em todos os níveis da organização;

• Desenvolvimento de equipes e lideranças;
• Incentivo à criatividade;
• Melhoria do ambiente do trabalho;
• Redução do absenteísmo e da rotatividade do pessoal;
• Compreensão da necessidade de mudar;
• Preparação do ambiente para a qualidade total: produtividade, qualidade
e sobrevivência.
Benchmarking é uma prática que tem como objetivo analisar as

práticas internas de uma organização e compará-las com as dos melhores
concorrentes. Os benefícios esperados são:
• Identificação das melhores práticas;

• Identificação dos fatores críticos;
• Obtenção de informações para criação de valor;
• Aumento do desempenho relativo.
A estratégia do Benchmarking consiste na coleta de informações

úteis através de:
• Matérias publicadas na mídia especializada;

• Idéias obtidas em Seminários;
• Conversas com especialistas, clientes e fornecedores;
• Análise de relatórios de outras organizações;
• Informações pelo correio ou correio eletrônico;
• Contatos telefônicos específicos;
• Visitas técnicas.
O neologismo Reengenharia significa “mudar a metodologia de

processamento”. O pioneiro da reengenharia foi Ford, criador da produção em
série. Mas essa denominação é recente e é traduzida como “o repensar
fundamental e a reestruturação radical dos processos empresariais que visam
alcançar drásticas melhorias em indicadores críticos e contemporâneos de
desempenho, tais como custos, qualidade, atendimento e velocidade”.
O Kaizen é a versão oriental da Reengenharia. Ao contrário

daquela, radical e revolucionária, o Kaizen é contínuo e gradual.
O Just-in-Time (JIT) tem o foco no processo e redefine o conceito

de fluxo de produção, buscando a redução do tempo de produção com uma
reação rápida às mudanças. O JIT busca minimizar a utilização do capital com
estoques, identificando os problemas em tempo real. Seu objetivo maior é a
diminuição dos custos da produção. Para sua implementação é necessário:
• Divisão de responsabilidades;
• Um layout adequado;
• Um fluxograma coerente;
• Um bom gerenciamento dos fornecedores.
São considerados métodos do JIT:
Kanban (mais matéria-prima para um novo lote somente quando o atual ficar
pronto);
Jidoka (autonomia para o operador parar a produção);
Manufatura celular (agrupamento de produtos em famílias de acordo com

aspectos comuns aos mesmos, quando da utilização de componentes similares,
equipamentos, ferramentas ou atividades dos operadores);
Setup rápido (simplificação e melhoria das ações, capacitação dos operadores, etc.).
Análise de Valor é uma técnica que tem foco no produto e como

objetivo aumentar a competitividade através de:
• Diminuição dos custos;

• Aumento da qualidade percebida pelo cliente;
• Adaptação das funções do produto às necessidades e expectativas do cliente.
A análise de valor em função do produto leva à seguinte

classificação:
Função de uso Função de Status

Quanto às necessidades
Função necessária Função desnecessária
Quanto à hierarquização Função principal Função secundária
Em relação ao custo de um produto, pode ser estabelecido que:
Quanto à variação Custo fixo Custo variável

Custo do material
Custo de impostos e taxas
Custo da mão-de-obra
Quanto aos elementos Custo financeiro
Custo de depreciação
Custos diversos
Custo de amortização
Custo global Custo médio
Quanto à dimensão
Custo unitário Custo de reposição
Custo de aquisição Custo de manutenção
Quanto à natureza Custo de estoque Custo de divulgação
Custo de produção Custo de comercialização
Em relação ao valor de um produto (Vp), pode ser estabelecido que:
Valor de uso
Quanto às necessidades
Valor de status
Valor de custo
Quanto ao preço
Valor de revenda
Obs.: Vp = Funções percebidas e valorizadas pelo cliente/custos do produto.
Para a Análise de Valor é necessário cumprir as seguintes etapas:
1. Planejamento (definir o problema, as metas e a metodologia);

2. Pesquisa (coleta de informações);
3. Análise das funções e dos custos;
4. Análise Prospectiva (novas funções, etc.);
5. Avaliação das soluções;
6. Implantação (planejar, desenvolver o plano de ação, corrigir onde
necessário e monitorar os resultados).
Entende-se por Desdobramento da Função Qualidade (DFQ) um

procedimento que tem como objetivo priorizar e assegurar a qualidade como o
consumidor identifica. Sua estratégia é ouvir o Consumidor. Tendo como
origem os estaleiros da Mitsubishi, nos anos 1970, o DFQ visa identificar o que,
como e quanto o Cliente deseja e em que etapa do processo esse atributo pode
ser realizado ou melhorado com o menor custo. Uma ferramenta interessante é a
Casa da Qualidade, que é uma matriz com 8 informações básicas:
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.
Para a construção da Casa cada correlacionamento é quantificado

em um dos quatro níveis seguintes:
1) Correlação forte e positiva;

2) Correlação forte e negativa;
3) Correlação positiva;
4) Correlação negativa.
Na Gestão de Cliente é adotada a seguinte estratégia:
1) Identificar as necessidades e expectativas do Cliente;

2) Mapear o que a organização quer e pode fazer pelo Cliente;
3) Relacionar os desejos do Cliente com os potenciais benefícios do
produto;
4) Procurar exceder às expectativas do Cliente.
Para fins desse procedimento, Cliente é todo e qualquer membro

da cadeia de suprimento, que inclui desde o produtor primário, até o
consumidor final, passando por todos os intermediários (transportadores,
vendedores e revendedores).
Finalmente, a Gestão das Relações com o Cliente (GRC) tem

como objetivo básico a manutenção das relações com os Clientes. Sua estratégia
consiste em conhecer os Clientes, atrair novos Clientes e criar produtos
personalizados (“customizados”). O suporte básico para a GRC é:
1) A orientação para o Cliente;

2) O Marketing de Relações;
3) A Tecnologia da Informação (TI);
4) Uso de softwares especializados.
BIBLIOGRAFIA CONSULTADA
Abaixo é apresentada uma lista de livros que serviram de fonte de

consulta na elaboração deste texto.
1. A. F. Branco Costa, E. K. Epprecht e L. C. R. Carpinetti, Controle Estatístico de

Qualidade, 2a Ed. Editora Atlas S. A. São Paulo, 2005.
2. A. I. Vogel, A Text-book of Quantitative Inorganic Analysis, including Elementary
Instrumental Analysis, 3a Ed. Longman Group Limited, London, 1961.
3. A. J. Duncan, Quality Control and Industrial Statistics, 4a Ed. Richard D. Irwin,
Inc. USA, 1974.
4. D. A. Skoog, D. M. West e F. J. Holler, Fundamentals of Analytical Chemistry, 7a
Ed. Thomson Learning Inc. USA, 1996.
5. E. M. Saniga e L. E. Shirland, “Quality Control in Practice: A survey”, Quality
Progress, 1977 May, pp 30-33.
6. E. P. Paladini et al., Gestão da Qualidade – Teoria e Casos, Editora
Campus/Elsevier, São Paulo, 2006.
7. E. W. Clurczak, Validação de Métodos em Espectroscopia para Análises
Farmacêuticas, Pharmaceutical Technology, junho, 1998.
8. F. P. Gomes, Curso de Estatística Experimental, Escola Superior de Agricultura
Luiz de Queiroz, Piracicaba, S. Paulo, 1973.
9. G. Bendolan, Validação de Métodos Cromatográficos, São Paulo, 2000.
10. H. Kume, Métodos Estatísticos para Melhoria da Qualidade, 6a Ed. Editora Gente,
São Paulo, 1993 (trad.).
11. H. G. Brittain, Validação de Métodos Analíticos não Cromatográficos,
Pharmaceutical Technology, junho, 1998.
12. INMETRO – INSTITUTO Nacional de Metrologia, Normalização e Qualidade
Industrial, Orientações sobre Validação de Métodos e Ensaios Químicos (DOQ-
CGCRE-008), Revisão 01, março de 2003.
13. J. C. Miller e J. N. Miller, Statistics for Analytical Chemistry, Ellis Horwood
Limited, West Sussex, England, 1984.
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.
APÊNDICE 1 – AVALIAÇÃO DO FINAL DA REGIÃO LINEAR
1. Introdução
Em Química Analítica (particularmente na Análise Instrumental)

é comum a necessidade de construção de uma curva de calibração, que é um
gráfico de dispersão, onde uma propriedade física do analito é correlacionada
com a sua concentração. Muito embora em alguns instrumentos se trate de fato
de uma curva, muitas vezes (e isso é desejável33) o comportamento é de fato
linear. Entretanto, mesmo nesses casos, a linearidade só é obedecida em um
intervalo de concentração. A seguir são abordados alguns procedimentos
relacionados com a confiabilidade de tais curvas.
2. Faixa de Linearidade
O intervalo onde o comportamento é linear, denominado Faixa de

Linearidade ou Região Linear, tem início no Limite de Detecção34 (ou,
preferencialmente, já que o objetivo é uma quantificação, no Limite de
Quantificação35). O limite superior do intervalo linear, assim como o Limite de
Detecção/Quantificação, deve ser alvo de avaliação periódica. É que esses
limites variam, para um mesmo analito, em função de características do
instrumento que por sua vez também variam com o tempo. Exemplo disso é um
espectrofotômetro, cujo desempenho depende, entre outros fatores, do tempo de
uso da lâmpada.
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.
3. Determinação do fim da região linear
A determinação do limite superior da região linear pode ser

realizada por três diferentes procedimentos:
a) Pela medição do coeficiente de correlação (r);

b) Pela avaliação dos resíduos (ver definição a seguir);
c) Pela confirmação do ponto zero.
Pelo primeiro procedimento, o coeficiente de correlação é pré-

estabelecido (primeiro critério), quando já se tem um histórico do instrumento
ou da técnica analítica associada. Por exemplo, em Cromatografia é muito
comum se obter um coeficiente de correlação igual ou superior a 0,99936. Assim,
o analista constrói um gráfico a partir de um grande número de pontos e calcula
o coeficiente de correlação. Se este for inferior ao valor pré-estabelecido, retira-
se o último ponto, correspondente à solução mais concentrada e o coeficiente de
correlação para os pontos restantes é calculado. Essa operação é repetida até que
seja encontrado um coeficiente de correlação igual ou maior que o valor pré-
estabelecido. Alternativamente, caso não haja um valor pré-estabelecido, o
procedimento de retirar os pontos de maior concentração é repetido até que o
aumento no valor do coeficiente de correlação seja considerado insignificante
(segundo critério).
Pelo segundo procedimento, os valores de yi (a propriedade física

medida) dividido por xi são colocados em um gráfico (na ordenada), colocando-
se na abscissa o logaritmo da concentração correspondente (xi). Também são
registrados nesse gráfico os limites de confiança da mediana. A escolha da
mediana (dos valores yi/xi) em vez da média justifica-se: se algum ponto estiver
fora da linearidade, ele influenciará a média, mas não a mediana. O exemplo
mostrado a seguir, ao qual são aplicados os três critérios, ilustra o descrito.
36
A ANVISA (Resolução - RE nº 899, de 29 de maio de 2003) estabelece um valor mínimo de 0,99.
# Conc. Sinal Sinal/Conc.

01 0,01 1,720 172,00
02 0,02 3,314 165,70
03 0,05 8,833 176,66
04 0,10 18,026 180,26
05 0,20 36,909 184,54
06 0,50 86,405 172,81
07 1,00 166,870 166,87
08 2,00 316,130 158,06
09 5,00 701,160 140,23
10 10,00 1229,750 122,98
11 20,00 2025,150 101,26
Quadro A1.1 – Dados para curva de calibração.
O Quadro A1.1 contém os dados referentes a onze soluções do

analito, com concentrações variando entre 0,01 mg/L e 20 mg/L. Na última
coluna estão os valores do sinal (leitura da propriedade física medida pelo
instrumento analítico) dividido pela concentração. Esses valores serão
empregados no segundo procedimento. Os gráficos das Figuras A1.1-9
representam a correlação entre a concentração e o sinal, sendo o primeiro com
todos os onze dados e os demais obtidos por remoção sucessiva do valor mais
alto. O Quadro A1.2 apresenta o valor do coeficiente de correlação
correspondente a cada gráfico. Observe-se que o gráfico da Figura A1.4, obtido
por remoção dos 3 maiores valores, apresenta um coeficiente de correlação
superior a 0,999. De acordo com o primeiro critério do primeiro procedimento, a
concentração de 2 mg/L (ponto 8) seria o final (limite superior) da região linear.
De acordo com o segundo critério, ainda do primeiro procedimento, a região
linear terminaria também no mesmo ponto, pois a remoção desse ponto
resultaria em um aumento desprezível no valor do coeficiente de correlação
(0,02% contra 0,11%; Quadro A1.2).
Para aplicar o segundo procedimento, deve ser calculado o

coeficiente angular da “reta” (Sinal/Conc; Quadro A1.1). Teoricamente, o valor
encontrado dividindo-se qualquer sinal pela respectiva concentração deveria ser
o mesmo. Entretanto, devido ao erro experimental, os valores podem variar
discretamente. Uma variação anormalmente grande seria, nesse caso, um
indicativo de afastamento da linearidade. Em seguida, é calculada a mediana.

Ordenando os onze valores de Sinal/Conc encontra-se a mediana (o valor
central, 166,87). O desvio padrão desses onze valores é 27,69. O valor de t (de
Student), para n – 1 = 10, ao nível de confiança de 95%, é 2,228. A partir desses
valores calcula-se a incerteza t.s/ n = 18,60. Consequentemente, os limites de
confiança (mediana ± incerteza) são: 148,27 e 185,47. Finalmente, constrói-se o
gráfico (Sinal/Conc) × Conc, estabelecendo uma escala logarítmica para o eixo
dos x (Conc) e traçam-se as linhas paralelas a esse eixo correspondentes aos
limites de confiança (Figura A1.10). O primeiro ponto abaixo do limite inferior
indica o início da região não linear. Portanto, a região linear, empregando-se
este segundo procedimento, termina no ponto de no 8 (concentração de 2 mg/L).
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
Figura A1.1 – Curva com 11 pontos.

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
Figura A1.10 – Gráfico para aplicação do segundo procedimento.

Pelo terceiro procedimento, o analista assume que o coeficiente

linear b (da equação y = ax + b) deve ser igual zero. Se algum ponto estiver fora
da região linear, a reta de regressão, além de apresentar um coeficiente de
correlação muito diferente da unidade, terá sua inclinação diminuída, deixando
de passar pela origem. Então, ao determinar o desvio padrão do coeficiente
linear calculado, ele deve observar se o intervalo de confiança expresso como
b ± t.sb/ n inclui o zero. Seja ainda o exemplo inicial. As equações A1.1 e
A1.2 permitem calcular o valor de b e as equações A1.3 e A1.4 permitem
calcular o desvio padrão de b. O cálculo é exatamente o mesmo implícito na
discussão do primeiro procedimento.
a = (nΣx.y − Σx.Σy)/[ nΣx2 – (Σx)2] (equação A1.1)
b = (Σy – aΣx) / n (equação A1.2)
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
Os termos x e y são, respectivamente, as médias aritméticas dos

valores de xi e dos valores de yi, ou seja:
Σx i Σy
x= e y= i
n n
Tabulando os dados, tem-se:
# xi yi xi.yi xi2 |xi - x | 2 |yi - y | 2

1 0,01 1,720 0,02 0,0001 12,4224 173006,6130
2 0,02 3,314 0,07 0,0004 12,3520 171683,1351
3 0,05 8,833 0,44 0,0025 12,1421 167140,0363
4 0,10 18,026 1,80 0,0100 11,7961 159707,8426
5 0,20 36,909 7,38 0,0400 11,1192 144971,8086
6 0,50 86,405 43,20 0,2500 9,2085 109730,2966
7 1,00 166,870 166,87 1,0000 6,4239 62895,9433
8 2,00 316,130 632,26 4,0000 2,3548 10308,4701
9 5,00 701,160 3505,80 25,0000 2,1476 80371,8892
10 10,00 1229,750 12297,50 100,0000 41,8021 659489,1345
11 20,00 2025,150 40503,00 400,0000 271,1112 2584022,0542
Σ 38,88 4594,267 57158,34 530,3030 392,8799 4323327,2234
Média 3,53 417,66
Quadro A1.3 – Dados para uso do terceiro procedimento.
As equações A1.1 e A1.2 fornecem, respectivamente: a = 104,15

e b = 49,526. As equações A1.3 e A1.4 fornecem, respectivamente, o desvio
padrão da reta (sr) e o desvio padrão de b (sb):
sr = 82,60 e sb = 28,94
Aplicando o valor de s b à expressão b ± t.s b/ n ,

considerando o valor de t (Student) para n – 1 = 10 e um nível de
confiança de 95% (2,228), os Limites de Confiança de b são dados por:
LC = 49,53 ± 19,44
Logo, o intervalo de confiança é (30,09  68,97), no qual se

observa que o valor zero (0,00) não está incluído. Consequentemente, a reta não
passa pela origem (Figura A1.1). O Leitor é convidado a refazer os cálculos por
eliminação sucessiva dos pontos, como feito com o primeiro procedimento. Esse
terceiro procedimento tem a vantagem adicional de mostrar se o procedimento
analítico como um todo foi aplicado corretamente. Se uma reta com r ≥ 0,999 não
passar pela origem, algo está errado: ou no instrumento analítico, ou na preparação
das soluções. Nas análises em que se usa um branco, este pode ser o provável
responsável (considera-se erro grosseiro não realizar com o branco as mesmas
operações realizadas com a amostra; diluição, por exemplo).
4. Melhorando a linearidade
Foram discutidos no Capítulo 3 os conceitos de coeficiente de

correlação e de determinação. Ali ficou claro que se a variável dependente y é
influenciada por mais de uma variável independente, o valor de r2 fica baixo e
consequentemente o valor de r também. Portanto, o pesquisador deve examinar
isoladamente o efeito de cada variável independente sobre a variabilidade de y.
A isso se denomina estratificação. O exemplo mostrado a seguir ilustra bem o
assunto. Num grupo de pessoas de mesma faixa etária foram registrados a altura
e o número do sapato, encontrando-se os valores indicados no quadro A1.4. O
gráfico da Figura A1.11 mostra que a correlação não ficou muito boa.
Entretanto, quando se separaram os dados pelo sexo (rapazes e moças), os
resultados foram bem melhores (Figuras A1.12 e A1.13).
ident número do pé altura sexo
1 35 1,65 M
2 37 1,65 F
3 36 1,68 M
4 38 1,68 F
5 38 1,70 M
6 39 1,70 F
7 38 1,72 M
8 40 1,72 F
9 40 1,75 M
10 42 1,75 F
Quadro A1.5 – Número do sapato e altura (m) de rapazes (M) e moças (F).
Figura A1.11 – Gráfico Altura X Número do sapato de rapazes e moças.
Figura A1.12 – Gráfico Altura X Número do sapato de rapazes.
Figura A1.11 – Gráfico Altura X Número do sapato de moças.
5. Avaliação estatística da equação
A equação final encontrada no exemplo em estudo, conforme se vê

na Figura A1.4 (y = 158,57x – 2,8677) foi posteriormente submetida a uma análise
estatística para aplicação do terceiro procedimento, quando foram calculados o
desvio padrão da reta (sr) e do coeficiente linear b (sb). É possível também calcular
o desvio padrão do coeficiente angular a (sa), através da equação:
s 2r
sa = 2
Σ xi − x
Aplicando os dados extraídos do Quadro A1.3, para n = 8,

encontra-se (t7 = 2,365):
a = 158,57; sa = 2,06
b = 2,87; sb = 1,68
Finalmente, a equação pode ser escrita como:
y = (158,57 ± 1,72) x + (2,87 ± 1,32)
Observe-se que os limites de confiança de a e de b são:
a: 156,85 a 160,30
b: 1,54 a 4,19
Interpretação: O coeficiente a chama-se fator de resposta e está relacionado com

a sensitividade do instrumento analítico em relação ao analito. Em relação ao
coeficiente b, observa-se que o ZERO não se encontra dentro de seus limites de
confiança. Caso contrário, a equação poderia ser simplificada para y = 158 x.
Caso se tratasse de um outro tipo de curva de calibração, como a curva de
calibração de um termômetro37, a interpretação seria algo diferente: se os limites
de confiança de a incluem a unidade (1), não há erro proporcional (página 4); se
os limites de confiança de b incluem o ZERO, não há erro aditivo (página 4).
37
Ver textos sobre o assunto na página 12 e na página 16.
APÊNDICE 2 – AUXÍLIO DO COMPUTADOR
Atualmente, muitos softwares encontram-se disponíveis para

simplificação do trabalho de tabulação e tratamento dos dados estatísticos, seja
na aplicação dos testes estatísticos, na construção de gráficos os mais variados,
assim como na construção e tomada de decisão da melhor CCO. Dentre esses,
serão considerados aqui os seguintes (com exemplos):
a) Origin
O Origin é um aplicativo da OriginLab Corporation,

representada no Brasil pela empresa PIC Informática (www.picinfo.com.br).
Atualmente encontra-se na versão 7.5. Entre outras funções, o Origin elabora
gráficos (barra, torta, linha, etc.) em uma, duas e três dimensões, a cores, com
edição de texto; histogramas e curvas de distribuição; gráficos de média e
amplitude; realiza exportação/importação com outros aplicativos (ex.: Excel);
faz análise de regressão linear, múltipla e polinomial, calculando
automaticamente r e r2; faz predição de limites de confiança; realiza testes t e F,
entre outros. Também opera funções de interesse nas áreas de análise
instrumental (cromatografia e espectroscopia), farmacologia, engenharia, etc.
A seguir é apresentado um exemplo de análise de regressão

(Fig. A.2.1), de gráfico de controle (Fig. A.2.2) e de CCO (Fig. A.2.3).
b) Excel
O Excel é um aplicativo da família Microsoft Office (Windows).

Trata-se de uma planilha eletrônica que fornece ferramentas para efetuar
cálculos através de fórmulas e funções e para a análise desses dados. Podem ser
criados bancos de dados, os quais podem ser posteriormente manipulados.
Permite acrescentar gráficos diretamente na planilha. A figura A.2.4 mostra uma
CCO construída no Excel. A propósito, no Apêndice 13 há uma planilha para
cálculo de CCO.
Figura A.2.1 - Gráfico de Regressão/Correlação obtido com o Origin.
Figura A.2.2 - Gráfico de Controle obtido com o Origin.

1,0
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
Figura A.2.3 – Curva Característica de Operação (CCO) obtida com o Origin.
Curva Característica de Operação
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)
Figura A.2.4 – CCO com Excel

c) Statistica
O Statistica é um aplicativo da StatSoft Brasil

(www.statsoft.com.br). A nova versão 6.0 apresenta as seguintes características:
1. Múltiplas possibilidades de exportação/importação;

2. Cartas X - Bar e ou /R;
3. Gráfico de Pareto
4. Capacidade de Processamento e Índices de
Desempenho
5. Análise preditiva, etc.
d) MathCad
O MathCad 12.1 é um aplicativo da Mathsoft Engineering &

Education Inc. (www.mathsoft.com) que realiza trabalhos de engenharia com a
tecnologia CAD, que implica em precisão gráfica.
APÊNDICE 3 – DESENHANDO GRÁFICOS NO COMPUTADOR
Além dos gráficos apresentados no Apêndice 2, vários outros

tipos de gráficos podem ser construídos com auxílio daqueles aplicativos, todos
de interesse para a área de Controle Estatístico. São os gráficos de coluna
(Figura A3.1), de dispersão (Figura A3.2) e de setores, este último também
conhecido como gráfico de pizza (Figura A3.3), além de vários outros. É
possível também construir esses gráficos em três dimensões (Figura A3.4), além
de muitas outras opções. Nos exemplos, os gráficos foram construídos com
auxílio do Origin.
60
Freqüência
40
20
0
1 2 3 4 5
Variável
Figura A3.1 – Gráfico de Coluna.
1,459
1,458
índice de refração
r = - 0,86
1,457
1,456
1,455
75 80 85 90 95 100 105
% ésteres metílicos totais
Figura A3.2 – Gráfico de Dispersão.

Figura A3.3 – Gráfico de Setores (Gráfico de Pizza).
12
10
is
Z Ax
1
4
X Axis
5
Figura A.4 – Gráfico de Coluna em 3D.
APÊNDICE 4 – APROXIMANDO A BINOMIAL DA GAUSSIANA
Os gráficos apresentados a seguir mostram como a distribuição

binomial (aplicada à análise de uma solução), gradativamente, vai se
aproximando da distribuição normal, com o aumento do número de eventos (n =
grupos de dez leituras). A intenção é mostrar também, ao mesmo tempo, como
organizar os dados para a construção de gráficos e como os mesmos auxiliam na
visualização de certos fenômenos. No exemplo discutido a seguir, foram
realizadas ao todo cinquenta leituras de uma mesma grandeza, obtendo-se os
resultados apresentados no Quadro A4.1.
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.
Os dados, registrados acima na ordem em que foram obtidos,

foram transcritos no Quadro A4.2, dessa vez em grupos (na ordem: as leituras de
1 a 10, de 1 a 20, de 1 a 30, de 1 a 40 e de 1 a 50):
Repetições X M s Máx. Mín. Amplitude

1 – 10 9,982 9,982 0,0054 9,990 9,973 0,017
1 – 20 9,982 9,982 0,0059 9,994 9,971 0,023
1 – 30 9,982 9,982 0,0060 9,994 9,969 0,025
1 – 40 9,982 9,982 0,0060 9,994 9,969 0,025
1 – 50 9,982 9,982 0,0056 9,994 9,969 0,025
Quadro A4.2 – Grupos de dados extraídos do Quadro A4.1, com
seus respectivos parâmetros estatísticos (média,
mediana, desvio-padrão, valor maior, valor menor e
amplitude).
A avaliação é realizada com auxílio de um histograma (diagrama

de frequência). A construção de um histograma é feita em quatro etapas:
a) Ordenamento dos dados (ordem crescente numérica);

b) Agrupamento em classes;
c) Contagem do número de dados em cada classe;
d) Cálculo do percentual de dados em cada classe.
Como o objetivo é mostrar a evolução da distribuição binomial,

será a seguir construído um histograma para cada um dos cinco grupos
apresentados no Quadro A4.2. O agrupamento em classes implica no
estabelecimento do tamanho de cada classe. Um número excessivo de classes,
conquanto seja o ideal para uma distribuição normal, pode levar a uma grande
diluição dos dados. Por outro lado, um reduzido número de classes poderá não
mostrar corretamente o fenômeno. Para este exemplo foi escolhida uma faixa de
0,003. Desse modo, o primeiro intervalo do primeiro grupo (dados de 1 a 10) é
9,973 a 9,975 (o dado 9,973 é o valor menor – Min). Os Quadros A4.3 a A4.7
mostram os intervalos e as frequências (absolutas e percentuais) de cada grupo
de dados.
Intervalo Itens no Intervalo % no Intervalo

9,973-9,975 2 20,0
9,976-9,978 0 0,0
9,979-9,981 2 20,0
9,982-9,984 2 20,0
9,985-9,987 2 20,0
9,988-9,990 2 20,0
Total 10 100,0
Quadro A4.3 – Intervalos de classes do grupo 1 (Dados de 1 a 10).


9,971-9,973 2 10,0
9,974-9,976 2 10,0
9,977-9,979 1 5,0
9,980-9,982 7 35,0
9,983-9,985 1 5,0
9,986-9,988 5 25,0
9,989-9,991 1 5,0
9,992-9,994 1 5,0
Total 20 100,0

9,969-9,971 2 6,7
9,972-9,974 1 3,3
9,975-9,977 2 6,7
9,978-9,980 5 16,7
9,981-9,983 9 30,0
9,984-9,986 4 13,3
9,987-9,989 3 10,0
9,990-9,992 3 10,0
9,993-9,995 1 3,3
Total 30 100,0

9,969-9,971 3 7,5
9,972-9,974 1 2,5
9,975-9,977 5 12,5
9,978-9,980 6 15,0
9,981-9,983 10 25,0
9,984-9,986 6 15,0
9,987-9,989 4 10,0
9,990-9,992 4 10,0
9,993-9,995 1 2,5
Total 40 100,0

9,969-9,971 3 6,0
9,972-9,974 1 2,0
9,975-9,977 7 14,0
9,978-9,980 9 18,0
9,981-9,983 12 24,0
9,984-9,986 9 18,0
9,987-9,989 4 8,0
9,990-9,992 4 8,0
9,993-9,995 1 2,0
Total 50 100,0
A partir dos Quadros A4.3 a A4.7 são construídos os respectivos

histogramas (Gráficos A4.1 a A4.5).
40
30
Freqüência (%)
20
10
0
1 2 3 4 5 6 7 8 9
Intervalos
Figura A4.1 – Diagrama de frequência dos dados 1 a 10.
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
Os gráficos das Figuras A4.1 a A4.5 evidenciam, de uma forma

muito clara, que à medida que o número de dados aumenta, a distribuição
binomial assemelha-se cada vez mais com a distribuição gaussiana.
APÊNDICE 5 – ENTENDENDO A ESTATÍSTICA
O teste de hipóteses é uma ferramenta lógica que trabalha com

duas hipóteses (H0 e H1), as quais possuem um caráter mutuamente excludente:
sim ou não, um ou zero, culpado ou inocente, certo ou errado, etc. O teste de
hipótese pode ser esquematizado como mostrado na Figura A5.1, aplicando-se a
um caso judicial hipotético.
Teste de Hipóteses
H0 H1
Deus Réu Inocente Deus Réu Culpado
Júri absolveu condenou Júri absolveu condenou
Decis ão Decisão Decisão Decis ão

Correta Errada Errad a Correta
Parabéns! Erro Tipo I Erro Tipo II Parabéns!

(1-α) (α) (β) (1-β)
Falha da Justiça Falha da Justiça
Figura A5.1 – Teste de hipótese
De acordo com a figura A5.1, o réu é sabidamente inocente (Deus

sabe tudo!). Esta é a hipótese H0. Se o júri o absolve, fez-se justiça (o júri
acertou). Entretanto, se o júri o condenar, estará cometendo um erro. Este é o
erro tipo I (α). Do mesmo modo, se o réu é de fato culpado (hipótese H1), se o
júri o absolver estará cometendo um erro tipo II (β).
Para os objetivos deste livro, pretende-se com o emprego desse

teste verificar se uma informação obtida a partir de um conjunto de dados
experimentais com auxílio de um teste estatístico fornece uma conclusão correta
sobre uma população. O procedimento básico é o seguinte: a hipótese H0
estabelece como verdadeira uma afirmação sobre a população. Se a informação
fornecida pelos dados corrobora esta mesma afirmação, o teste foi positivo. Em
caso contrário, a informação do teste foi falha. Por outro lado, a hipótese H1
estabelece que a hipótese H0 é falsa. Do mesmo modo, o teste estatístico poderá

confirmar ou não esta segunda hipótese. Tais hipóteses estão associadas a erros:
H0: erro do tipo I (risco do teste não confirmar essa hipótese).

H1: erro do tipo II (risco do teste não confirmar essa hipótese).
O risco correspondente ao erro do tipo I é chamado risco α

enquanto o risco correspondente ao erro do tipo II é chamado risco β.
Evidentemente, a probabilidade de o teste confirmar a hipótese H0, ou seja, a
probabilidade de acerto38 é (1-α) e se o teste confirmar a hipótese H1, a
probabilidade de acerto é (1-β).
Entende-se por significância de um teste a probabilidade de que

uma informação resulte falsa. Em outras palavras: se o resultado de um teste
informa que a diferença entre duas médias (por exemplo) é estatisticamente
significativa, a probabilidade de que isto não seja verdade é o nível de
significância do teste. Pode-se compreender facilmente que o nível de
significância é o tamanho do erro (α ou β).
Como exemplo, considere-se a informação de que uma amostra de

tamanho n = 5, cuja média X = 5,75 estima a média µ = 5,60 de uma população
que possui um desvio padrão σ = 0,10. Em outras palavras, pretende-se verificar
se a diferença (5,75 – 5,60 = 0,15) é estatisticamente significativa. Para tanto,
admite-se que a população tem uma distribuição normal. Neste momento é
sugerido ao Leitor familiarizar-se com o uso da Tabela de distribuição normal
(Apêndice 6). Por se tratar de uma média, a equação A6.1 (Apêndice 6) toma a
forma da equação A5.1:
( 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.
Como o valor 5,75 está distante de 5,60 em mais de 3σ,

conclui-se que a diferença d = 5,75 – 5,60 = 0,15 mm, para n = 5, é
estatisticamente significativa. De fato, consultando a Tabela A5.1, observa-se
que a probabilidade de o valor 5,75 pertencer àquela população é muito baixa
(P<0,04%). Neste caso, o teste estatístico forneceu uma informação correta: a
amostra é estatisticamente diferente da população.
O exemplo acima pode ser aplicado ao esquema da Figura A5.1,

substituindo algumas denominações:
Teste de Hipóteses
H0 H1
Deus Amostra diferente da população Deus Amostra pertence à população
Teste confirmou errou Teste errou confirmou
X fora X dentro X fora X dentro

dos Limites dos Limites dos Limites dos Limites
Parabéns! Erro Tipo I Erro Tipo II Parabéns!

(1-α) (α) (β) (1-β)
Em resumo, pode-se dizer que:
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:
a) Probabilidade de H0 verdadeira ser assim compreendida = (1 - α)

b) Probabilidade de H1 verdadeira ser assim compreendida = (1 - β)
Para melhor compreensão do princípio de funcionamento dos

testes estatísticos discutidos no Capítulo 5 e ao mesmo tempo para ilustrar como
é importante o emprego de gráficos na interpretação dos fenômenos, será
discutido a seguir o procedimento para comparação entre duas médias.
Comparação entre duas médias
Um procedimento analítico (na nomenclatura oficial, um ensaio)

é constituído de muitas variáveis, a saber:
a) Um operador (analista);
b) Um instrumento analítico;
c) Os materiais (reagentes, vidraria, a própria amostra, etc.);
d) Um método;
e) Um conjunto de condições ambientais (temperatura, pressão, umidade,
pH, etc.).
Alteração em qualquer uma dessas variáveis pode resultar em
alteração estatisticamente significativa no resultado analítico. Em outras
palavras: se em um determinado conjunto de variáveis o resultado foi exato,
alguma modificação poderá (embora não necessariamente) traduzir-se em erro
sistemático. Para avaliar a influência de uma determinada alteração, o analista
necessita reproduzir o ensaio várias vezes. Esse número de repetições (n) é
muito importante (ver Seção 5.4). Em Química Analítica, é comum o uso da
expressão amostra para designar o material a ser analisado. Se apenas uma
porção da amostra é retirada para análise, outras porções podem ser retidas para
futuros ensaios. Nesse caso, denomina-se replicata, cada porção retirada para
análise.
Dois conjuntos de dados experimentais podem ser comparados quando:
1) São repetições de uma mesma replicata da amostra, realizadas pelo

mesmo analista com dois diferentes instrumentos;
mesmo analista por dois diferentes métodos analíticos;

mesmo analista em duas diferentes ocasiões;
mesmo analista alterando qualquer variável (condição experimental) do
método;
5) São repetições de uma mesma amostra, realizadas pelo mesmo analista a
partir de duas diferentes replicatas da amostra;
6) São repetições de duas diferentes amostras, realizadas pelo mesmo
analista, com o mesmo instrumento, pelo mesmo método analítico, nas
mesmas condições experimentais;
7) São repetições de uma mesma amostra, realizadas por dois diferentes
analistas.
Em qualquer das situações acima, é avaliada a diferença de

exatidão. Nos casos (1) e (2) é avaliada a exatidão relativa do instrumento e do
método. No caso (3) é avaliada a precisão intermediária. No caso (4) é avaliada
a robustez do método, visando determinar suas condições de contorno. No caso
(5) é avaliada a eficiência da técnica de homogeneização. No caso (6) é avaliada
a diferença em conteúdo (do analito) nas duas amostras. No caso (7) é avaliada a
exatidão relativa dos analistas (reprodutibilidade). Neste último caso, é
necessário ter certeza da homogeneidade da amostra, através de um teste como
referido no caso (6).
Em qualquer caso, o que se avalia é a probabilidade de serem

estatisticamente diferentes as médias aritméticas dos dois conjuntos de dados.
Esta diferença, representada por X A − X B , pode ser significativa ou não,
dependendo de dois fatores:
a) Seus desvios padrão;
b) O número de repetições.
Para exemplificar serão avaliados os dois conjuntos de dados
representados por suas médias e seus respectivos desvios padrão e o número de
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.
O Quadro A5.2 resume o resultado da aplicação do teste t a cada

situação. Nele observa-se que um aumento no desvio padrão exige um aumento
na diferença entre as médias para que seja observada uma diferença significativa
entre elas. Por outro lado, um maior número de repetições permite que seja mais
facilmente observada significância na diferença entre as médias. As figuras
apresentadas em seguida, representando o gráfico “frequência X valores de Xi”,
ilustram cada situação, para melhor compreensão dessas conclusões.
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.
10
B A
8
0
9 9,5 10 10,5 11
Figura A5.1 – Situações 1, 2 e 3.
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
Agora é possível pensar em estabelecer diferentes valores para o

desvio padrão de cada conjunto de dados. Considere-se, por exemplo, na situação
15, o desvio padrão de A sendo mantido (0,2) e o de B aumentado para 0,3. Nesse
caso, o tcalculado seria diminuído de 2,806 para 1,474 e não seria possível concluir que
a diferença é significativa, o mesmo ocorrendo em relação à situação 14. Ou seja:
quanto mais disperso for o conjunto de dados, maior tem que ser a diferença (ou o
número de leituras) para que a mesma seja estatisticamente significativa. A Figura
A5.7 deve ser comparada com a Figura A5.5, onde se vê claramente que a
probabilidade de B ser diferente de A diminuiu bastante.
10
B A
8
0
9 9,5 10 10,5 11
Figura A5.7 – Situação 15 modificada.

APÊNDICE 6 – TESTE DE NORMALIDADE
Na página 136 está uma forma estendida da Tabela 5.2,

apresentada na página 35. Essa tabela (Tabela A6.2) permite acompanhar a
solução dos problemas resolvidos constantes do Caderno de Exercícios que
acompanha o presente livro. Também com auxílio dessa tabela serão discutidos
dois procedimentos para verificar se um conjunto de dados experimentais
obedece a uma distribuição normal.
Testes de Normalidade
Na literatura encontram-se vários procedimentos para realização

do chamado teste de normalidade. Esse teste tem como objetivo verificar se a
característica39 em estudo de uma amostra obedece a uma distribuição normal.
Esse tipo de teste tem como hipótese H0 que a característica obedece à
distribuição normal. Neste texto serão apresentados dois testes. Se um conjunto
de dados experimentais obedecer a uma distribuição normal, poderá ser
representado pelo gráfico da Figura A6.1:
0,5
0,4
0,3
0,2
0,1
0
0 3 6 9 12
Figura A6.1 – Gráfico da distribuição normal (função de probabilidade).
A curva da função de distribuição de uma normal tem a forma

apresentada na Figura A6.2:
39
Entende-se por característica uma propriedade (física ou química) do material em análise.
0
0 3 6 9 12
Figura A6.2 – Gráfico da função de distribuição normal.
A título de exemplo, considere-se o seguinte conjunto de dados:

109, 89, 99, 99, 107, 111, 86, 74, 115, 107, 134, 113, 110, 88, 104. Esses dados,
após ordenação, sem repetição, estão no Quadro A6.1, juntamente com as
respectivas frequências simples e acumuladas (absolutas e relativas). A
frequência acumulada absoluta é calculada, como o próprio nome indica,
somando as frequências anteriores (por acumulação). A frequência acumulada
relativa é calculada pela fórmula 100 × frequência acumulada absoluta/(n + 1).
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.
Os valores da coluna “Dados” são colocados na abscissa e os

valores da coluna “Frequência acumulada relativa” são colocados na ordenada
do papel de probabilidade normal, um papel especial que contém uma escala
(na ordenada) que lineariza a função de distribuição normal, cujo

comportamento está descrito na Figura A6.2. Com a linearização, o
comportamento fica como mostrado na Figura A6.3. Este papel pode ser obtido,
no formato .pdf, no endereço http://www.prd.usp.br/disciplinas/docs/pro2711-
2006-Alberto/PapelProbabilidade.PDF. O gráfico também pode ser construído
diretamente no Origin (gráfico de dispersão; Figura A6.4).
Figura A6.3 – Papel de probabilidade normal

99,5
99
98
Freqüência cumulativa relativa

95
90
80
70
60 y = 0,0577x - 5,90421
50
40 r = 0,97397
30
20
10
5
2
1
0,5
60 70 80 90 100 110 120 130 140 150

Dados
Figura A6.4 – Teste de linearidade no Origin.
O teste acima descrito limita-se a uma avaliação visual. Quando

muito, se pode inferir algo quantitativo a partir o valor do coeficiente de
correlação r. Como um segundo exemplo, pela sua praticidade, foi escolhido o
teste de Kolmogorov-Smirnov. Para a realização deste teste seguem-se as
seguintes etapas:
i) Escolher o nível de significância (α);

ii) Calcular a estatística Dmax;
iii) Comparar Dmax com Dcrítico (Tabela A6.1).
O nível de significância normalmente escolhido é 0,05 (5%). O

teste baseia-se na maior diferença absoluta entre a função de distribuição normal
acumulada F(zi) e a frequência relativa observada acumulada e ajustada F0,5. O
valor de Dmax é dado por:
1
D max = g max +
2n
onde gmax é o maior valor calculado de g e n é o número de dados. Os valores de

g são calculados a partir da relação:
(i − 0,5)
g = F(zi) − F0,5 , onde F0,5 = e i é o número da amostra.
n
Os valores de zi são calculados pela expressão:
xi − x
zi =
s
Para facilitar os cálculos preenche-se o Quadro A6.2 abaixo. Os

dados são os mesmos do exemplo anterior, agora dispostos com repetição.
i Dados zi F(zi)a F0,5 g

1 74 -1,99 0,0594 0,03 0,03
2 86 -1,17 0,1469 0,10 0,05
3 88 -1,03 0,2177 0,17 0,05
4 89 -0,96 0,2546 0,23 0,02
5 99 -0,27 0,3783 0,30 0,08
6 99 -0,27 0,6217 0,37 0,26
7 104 0,07 0,7704 0,43 0,34 ⇐ gmax
8 107 0,27 0,8264 0,50 0,33
9 107 0,27 0,8770 0,57 0,31
10 109 0,41 0,8869 0,63 0,25
11 110 0,48 0,8869 0,70 0,19
12 111 0,55 0,8869 0,77 0,12
13 113 0,69 0,8869 0,83 0,05
14 115 0,82 0,8869 0,90 0,01
15 134 2,13 0,8869 0,97 0,08
x = 103; s = 14,6
Quadro A6.2 – Dados para teste de normalidade pelo
método de Kolmogorov-Smirnov.
(a) As probabilidades são obtidas da Tabela A6.2, a partir dos
valores de zi. Com valores de zi negativos subtrair o valor tabelado
de 0,5. Para valores de zi positivos, somar 0,5 ao valor tabelado.
O valor de Dmax é 8,0631. Na Tabela A6.1 encontra-se o valor de

Dcrítico para α = 0,05 (0,18648). Como Dmax é maior que Dcrítico, conclui-se que a
hipótese H0 é falsa. Logo, a característica em estudo não obedece à distribuição
normal.
Tabela A6.1 – Valores de Dcrítico para aplicação do Teste

de Kolmogorov-Smirnov.
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
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
APÊNDICE 7 – METROLOGIA.
A Metrologia é a ciência das medições. Seu objetivo é assegurar a

necessária precisão do processo produtivo, de modo a garantir a qualidade de
produtos e serviços. Para tanto, exige a correta calibração de instrumentos de
medição e a conseqüente confiabilidade dos ensaios. Evidentemente, a
Metrologia também exige o conhecimento dos pesos e medidas e dos sistemas
de unidades. Desse modo, a Metrologia é a base da Confiabilidade Analítica,
preconizada pelas normas ISO 9000 e ISO 17025.
A Metrologia está dividida em três grandes áreas:
A Metrologia Científica, que utiliza instrumentos

laboratoriais, pesquisas e metodologias científicas que
têm por base padrões de medição nacionais e
internacionais com o objetivo de atingir altos níveis de
qualidade.
A Metrologia Industrial cujos sistemas de medição

controlam processos produtivos industriais e são
responsáveis pela garantia da qualidade dos produtos
acabados.
A metrologia Legal, que está relacionada a sistemas de

medição usados nas áreas de saúde, segurança e meio
ambiente.
Calibração é a comparação entre os valores indicados por um

instrumento de medição e os indicados por um padrão (equipamento de classe
superior). A calibração dos equipamentos de medição é função importante para
a qualidade no processo produtivo e deve ser uma atividade normal de produção
que proporciona uma série de vantagens tais como:
a) Garante a rastreabilidade das medições;

b) Permite a confiança nos resultados medidos;

c) Reduz a variação das especificações técnicas dos produtos;
d) Previne defeitos;
e) Compatibiliza as medições.
Através dos ensaios é possível verificar se os produtos ou

processos de fabricação estão de acordo com determinadas normas e
especificações técnicas para, em casos de falhas, as empresas procederem às
necessárias correções.
APÊNDICE 8 – VALIDAÇÃO DE MÉTODOS ANALÍTICOS
Introdução
Validação de um método analítico é um conjunto de ensaios realizados

com o objetivo de assegurar a confiabilidade analítica. Em outras palavras, a
validação objetiva garantir, à luz da Estatística, que os resultados analíticos
obtidos com o emprego daquele método são fidedignos, do ponto de vista
qualitativo e quantitativo.
Procedimentos de validação
A validação exige um trabalho prévio denominado calibração.

Calibração, no sentido aqui empregado, consiste em garantir o desempenho
correto de todos os instrumentos de medição envolvidos no ensaio. Somente então
pode ser de fato iniciado o processo de validação. Atenção especial deve ser dada
às condições de contorno do método: aplicabilidade (tipo de amostra e faixa de
concentração do analito) e robustez são características importantíssimas. As
diversas etapas de um procedimento analítico devem ser documentadas,
constituindo um Procedimento Operacional Padrão (POP). Do mesmo modo, todo
o planejamento da validação e seus experimentos devem ser documentados. Um
método validado deve receber um acompanhamento permanente, para garantir a
manutenção da qualidade. Uma ferramenta útil para tal é o gráfico de controle,
através da realização periódica de ensaios com uma amostra padrão.
Definições
A seguir (Quadro A8.1) são definidos os conceitos envolvidos no

processo global. O Quadro A8.2 relaciona os testes estatísticos aplicáveis em
cada operação.
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).
Quadro A8.1 – Conceitos envolvidos no processo de validação de um método analítico.

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).
Quadro A8.2 – Testes aplicáveis à comparação entre dois métodos

APÊNDICE 9 – QUANTIFICANDO A CAPACIDADE DE UM PROCESSO
A Capacidade de um processo (e por extensão, de uma máquina,

de um procedimento analítico, etc.) foi avaliada, graficamente, na Seção 6.6 (p.
56), por comparação entre os limites de controle e de especificação. Quanto
mais estreitos os limites de controle, em relação aos limites de especificação,
mais capaz é o processo. Isso pode ser quantificado. Para tanto, emprega-se o
conceito de Índices de Capacidade (ICP). Existem três índices (Cp, Cpk e Cpm),
os quais são discutidos a seguir.
Considerem-se as seguintes possibilidades (admitindo o processo

sob controle):
a) Os Limites de Controle são mais largos que os Limites de

Especificação;
b) Os Limites de Controle são mais estreitos que os Limites de
Especificação.
No primeiro caso, pouco pode ser feito a respeito, exceto alguma

possível modificação no projeto. O processo atual não é absolutamente capaz.
No segundo caso, podem ocorrer duas situações:
1. O processo está centrado;

2. O processo não está centrado.
No primeiro caso, a linha média de controle (µP) é igual à linha

média de especificação (µE). Nesse caso, está tudo bem, principalmente se o
desvio-padrão do processo (σP) é muito menor que o da especificação
(representado na equação A9.1 pela diferença LSE-LIE). Então a capacidade do
processo pode ser medida em função de Cp:
LSE - LIE
Cp = (Equação A9.1)
6σ P
Entretanto, esse índice não pode ser empregado quando o

processo não está centrado (caso 1). Então se emprega o Cpk40 ou o Cpm:
 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
Da equação A9.2 deduz-se que, se µP estiver fora dos limites de

especificação, (casos a e b.2 acima), o Cpk é negativo, indicando uma forte
descentralização. Existem processos em que a especificação é unilateral, isto é,
somente é considerado um dos limites (LIE ou LSE). A esses casos não pode ser
aplicada a Equação A891 nem a Equação A9.3, mas o Cpk pode ser aplicado. O
Quadro A9.1 resume ao mesmo tempo em que exemplifica o que foi discutido
acima.
Situação µP σP Cp Cpk Com PFE (a)

1 5 1 1 1,000 1,000 0,27
2 6 1 1 0,667 0,707 2,27
3 7 1 1 0,333 0,447 15,87
4 8 1 1 0,000 0,316 50,00
5 9 1 1 - 0,333 0,243 84,13
6 10 1 1 - 0,667 0,196 97,73
7 7 0,5 2 0,667 0,485 2,27
8 6 0,5 2 1,333 0,894 0,00
(a) PFE = Porcentagem de itens Fora de Especificação.
Quadro A9.1 – Valores de ICP para diferentes situações (LIE = 2 e LSE = 8).
Do Quadro A9.1 extraem-se as seguintes conclusões:
40
Esta notação indica que deve ser considerado o termo que corresponder ao menor valor.
Nos casos 1 a 6 o valor do Cp foi o mesmo, apesar dos

valores de PFE serem diferentes. O mesmo acontece entre
os casos 7 e 8;
Nos casos 5 e 6 o Cpk é negativo, indicando processos
altamente descentralizados (ver os respectivos valores de PFE);
Nos casos 2 e 7 o PFE é o mesmo (2,27%), mas os
valores de Cpm são bem diferentes (0,707 e 0,485). Isso
demonstra que o Cpm não se preocupa com PFE, mas
apenas com a descentralização do processo;
Nos casos 3, 4 e 7 os valores de PFE são bastante
diferentes (15,87%, 50,00% e 2,27%), mas os respectivos
valores de Cpm são próximos (0,447; 0,316 e 0,485),
confirmando a conclusão anterior;
Apesar de algumas incoerências na relação Cpm X PFE, os
casos 1 e 8, com baixíssimos valores de PFE, são os que
apresentam maiores valores de Cpm,, comprovando mais
uma vez que o Cpm se preocupa apenas com a
descentralização do processo;
O Cpk é o único índice que apresenta uma razoável
correlação com o PFE, conforme se vê na Figura A9.1:
1 ,5
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
Figura A9.1 – Relação entre PFE e Cpk.

APÊNDICE 10 – GC: ESTUDO DE CASOS
Os exemplos discutidos a seguir pretendem complementar o

estudo do Controle Estatístico e encorajar pesquisadores iniciantes a validar seus
estudos com as inúmeras ferramentas hoje disponíveis. Como suplemento a este
livro, é oferecido um Caderno de Exercícios, que apresenta uma coletânea de
exercícios resolvidos e comentados. O Autor recomenda fortemente a sua leitura
após o estudo de cada capítulo do livro.
1) Caso 1
O quadro abaixo apresenta um conjunto de dados obtidos a partir de
10 amostras de uma mesma população, analisadas, cada uma, com cinco repetições
(itens). Na última coluna encontra-se a média aritmética de cada amostra.
A média aritmética dessas médias (5,601), de acordo com a

Equação 6.2 (p. 59), é a linha média (LM). Para calcular os limites de controle
(LIC e LSC), também com auxílio da Equação 5.2, é necessário calcular antes a
dispersão média. Como n ≤ 10 (p. 38), a dispersão é calculada a partir da
amplitude média. A média das amplitudes das 10 amostras (0,22; 0,46; 0,30;
0,21; 0,23; 0,26; 0,28; 0,27; 0,12 e 0,10) vale 0,245. Então, os limites de
controle são:
LC = 5,601 ± 3.sR. 10
Como sR = Kn.R e Kn vale 0,3249 (Tabela 5.5; p. 39), tem-se,

finalmente:
LSC = 6,36 e LIC = 4,84
Examinando o quadro dos dados, verifica-se que todos os pontos
médios estão dentro do intervalo (4,84 – 6,36). Consequentemente, o processo
(ou procedimento analítico) está sob controle. O gráfico de controle
correspondente está na Fig. A10.1.
Figura 10.1 – Gráfico de Controle da média do Caso 1.
2) Caso 2
Um determinado laboratório de cromatografia realiza análises

para a quantificação do conteúdo do princípio ativo de um medicamento,
empregando como método de cálculo a padronização externa. Como parte de
seu programa de controle o laboratório deve monitorar a exatidão do
instrumento analítico. O procedimento pode ser resumido assim:
Uma solução padrão de procedência confiável e dentro de seu
prazo de validade deve ser injetada periodicamente e o resultado deve ser
inserido no gráfico de controle. Esse gráfico de controle pode ser construído,
nesse caso, a partir de um dado número de injeções da solução padrão, no início
do programa de monitoramento. O quadro a seguir apresenta os dados obtidos a
partir dessas injeções, num total de 100, realizadas em 20 diferentes ocasiões,
cada uma com 5 repetições. Do mesmo modo como no caso anterior, foram
calculados a linha média (LM) e os limites de controle (LIC e LSC). Quando as

médias dos 20 conjuntos de dados foram colocadas no gráfico assim obtido, dois
pontos (6 e 10) ficaram fora da zona de controle, indicando assim algum problema
operacional. Eliminando-se esses dois pontos, foram calculados novos valores
para LM, LIC e LSC. Dessa vez, todos os pontos permaneceram dentro da região
de controle. Esses novos valores passam a constituir a norma do processo.
Doravante, sempre que for analisada uma solução padrão, seu resultado deverá
recair dentro dos limites de controle. Independentemente disso, é aconselhável
repetir, também periodicamente, todo esse procedimento, de modo a atualizar os
limites e a linha média. Se a linha média é expressa em unidades de concentração,
a recalibração será imediatamente realizada. Entretanto, um analista experiente
deverá também concluir que houve uma queda na sensibilidade do equipamento,
que será posteriormente diagnosticada, por exemplo, como queda na intensidade
da lâmpada de UV, por exemplo. Nesse caso, o analista estará também realizando
um trabalho de manutenção preditiva.
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
APÊNDICE 11 – GC’s: UMA ANÁLISE MAIS DETALHADA.
1. Introdução
No Capítulo 6 foram estudados os diversos tipos de gráficos de

controle e as informações que deles podem ser extraídas a respeito do processo.
Foi visto que pontos na região de ação indicam uma não-conformidade
(processo fora de controle momentaneamente) e que algumas distribuições não
aleatórias (arranjos) auxiliam na interpretação e conseqüente correção da causa
do problema, em caráter preventivo. Nas próximas seções será realizada uma
abordagem mais detalhada dos gráficos de controle, visando a uma melhor
avaliação do seu poder, ou seja, da sua capacidade real de detecção de
problemas.
2. Poder do Gráfico de Controle
O teste de hipóteses, discutido no Apêndice 5, será aplicado aos

gráficos de controle. Considerando que µp é a Linha Média do Processo tem-se:
H0 = processo sob controle (µp = µ0)
H1 = processo fora de controle (µp ≠ µ0)
De acordo com esse raciocínio, se a hipótese H0 é verdadeira

todos os valores de X (um subgrupo racional; um ponto do gráfico) devem cair
dentro dos Limites de Controle. Do mesmo modo, se a hipótese H1 é verdadeira
um ou mais valores de X devem cair fora dos Limites de Controle. Em
conclusão:
a) Ocorre um erro α se o processo estiver sob controle (H0 verdadeira)

e o GC registrar um ponto fora dos limites de controle;
b) Ocorre um erro β se o processo estiver fora de controle (H1
verdadeira) e o GC registrar um ponto dentro dos limites de controle;
Em vista do exposto, podem ser consideradas as seguintes

possibilidades:
1) O GC informa que o processo está fora de controle.
Nesse caso, duas situações podem ocorrer:
a) O processo está de fato sob controle (H0 verdadeira). Nesse caso,

ocorreu um erro Tipo I, que corresponde a uma probabilidade α
de o GC errar, produzindo um alarme falso.
b) O processo está na realidade fora de controle (H1 verdadeira).
Nesse caso, o GC acertou. Essa probabilidade de acerto vale (1 -
β) e denomina-se Poder, que mede a capacidade do gráfico para
detectar não-conformidades.
2) O GC informa que o processo está sob controle.
Agora, duas outras situações podem ocorrer:
a) O processo está na realidade fora controle (H1 verdadeira). Nesse

caso, ocorreu um erro Tipo II, que mede a probabilidade β do GC
errar, ocorrendo uma não-detecção.
b) O processo está de fato sob controle (H0 verdadeira). Nesse caso,
o GC acertou. Essa probabilidade de acerto vale (1 - α) e é o que
se espera de um GC.
A Figura A11.1 resume o que foi discutido acima.
O maior problema do gráfico de controle é o alarme falso,

porque induz a uma interferência no processo quando o mesmo está bem
ajustado, provocando, aí sim, um problema real. A probabilidade de ocorrência
de um alarme falso (α) é dada por:
α = P[ X > LSC] ou P[ X < LIC] , quando H0 é verdadeira.

Teste de Hipóteses
H0 H1
Deus Processo sob Controle Deus Processo fora de Controle
GC Confirmou Errou GC Errou Confirmou
X dentro X fora X dentro X fora

dos Limites dos Limites dos Limites dos Limites
Parabéns Alarme Falso Não detecção Poder
Figura A11.1 – Aplicação do Teste de Hipótese aos Gráficos de Controle.
O valor de α pode ser calculado com auxílio da Tabela da

Distribuição Normal (Apêndice 6), determinando-se as áreas idênticas nos
extremos da curva normal (áreas sombreadas da Figura A11.2), onde se vê que
cada extremidade da curva tem uma área igual à metade de α. Consequentemente,
α é expressa como:
α = P[ X > LSC] + P[X < LIC]
Figura A11.2 – Determinação gráfica de α.
Como LSC = µ0 + 3σ0 e LIC = µ0 - 3σ0 e considerando que o

processo está sob controle, a equação acima é modificada para:
α = P[Z > 3] + P[Z < -3]
Até o momento tem sido empregado um afastamento entre LSC e

LIC de 3σ. Entretanto, em algumas situações, esse valor pode aumentar para 3,1
ou mais. Portanto, generalizando, fica:
α = P[Z > k ] + P[Z < -k ]
Se α é a probabilidade de cada amostra produzir um alarme falso,

então 1/α é o Número Médio de Amostras até um alarme Falso (NMAF). Por
exemplo, se k = 3, obtém-se da tabela do Apêndice 6 que α vale 0,0027.
Portanto, NMAF ≅ 370. É possível demonstrar (Ref. 1) que:
P[ X > LSC] = P[Z > z LSC ]
( 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:
Pd = P[z < -k + δ n ] + P[z < -k - δ n ] (Equação A11.1)
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).
A equação A11.1 é empregada para calcular z e a partir dessa

informação, determinam-se as probabilidades, com auxílio da Tabela do
Apêndice 6, fazendo:
• Pd igual a (0,5 – A) para qualquer valor de z negativo;

• Pd igual a 0,5 + A para qualquer valor de z positivo.
Finalmente, a partir da discussão precedente, se pode inferir que:
Quanto menor n, maior o δ necessário para se detectar o problema;

Para um mesmo δ, quanto maior o n, mais cedo o problema é detectado.
Uma informação adicional muito importante refere-se ao número

mínimo de amostras (NMA41) para ser observado algum sinal. É oportuno
lembrar que α é a probabilidade de ocorrer um alarme falso e 1-β é a
probabilidade de ocorrer um alarme verdadeiro. Desse modo, podem ser
distinguidos dois casos particulares de NMA: o NMA0, que é o número de
amostras até um alarme falso e NMA1, que é o número de amostras até um
alarme verdadeiro. Esses dois parâmetros podem ser calculados a partir de:
NMA0 = 1/α e NMA1 = 1/(1-β) = 1/Pd
Exemplo: Determinar o Poder de um GC com LSC-LIC = 3σ, n = 4 e δ = 1.
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.
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
Quadro A11.1 – Valores de Pd em função de n e δ.
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
Figura A11.3 – Valores de Pd em função de n e δ.
3. Regras suplementares de decisão
No Capítulo 6 também foi visto que os arranjos dão algumas

informações adicionais à informação básica dos gráficos originais (Gráficos de
Shewhart): o processo está sob controle ou não. Entretanto, alguns cuidados
devem ser observados, para se evitar exageros. Por exemplo: a superproteção
implícita na regra que recomenda intervir no processo quando um número pré-
fixado de pontos consecutivos ocorre de um mesmo lado da Linha Média pode
aumentar bastante a ocorrência de alarmes falsos. Se, por exemplo, for

estabelecido que o número de pontos seja seis, o risco α vale 0,55 = 0,0313. Esse
risco é quase doze vezes maior que o risco da regra baseada em: 0,0027. Outra
opção bastante empregada é o critério denominado tendência (página 65). Aqui
também é pertinente a preocupação com um possível aumento de alarmes falsos.
4. Intervalo de amostragem
Muito já foi dito a respeito do intervalo de amostragem (intervalo

de tempo entre duas coletas consecutivas de amostra) e o seu recíproco, a
frequência de amostragem. Na realidade, eles dependem de um grande número
de fatores, tais como:
Duração da produção;
Custo da inspeção;
Duração da inspeção;
Estabilidade do processo;
Prejuízo por não atuar no processo.
A rigor, podem ser consideradas duas frequências especiais de

amostragem:
Frequência máxima, em função do tempo de inspeção;

Frequência ótima, baseada no tamanho do subgrupo racional,
que é função da estabilidade do processo.
Normalmente espera-se que a frequência ótima seja menor

(intervalo de amostragem maior) que a frequência máxima. Ante a dificuldade
de avaliar com segurança os demais fatores, pode-se pensar em alterar o
tamanho da amostra (ver seção A11.2). Na prática, a frequência de amostragem
acaba sendo estabelecida arbitrariamente, objetivando minimizar custos.
Uma alteração na média (por causas especiais) pode não ser

detectada de imediato. Na realidade, transcorre um intervalo de tempo,
denominado Tempo Até o Sinal (TAS), que é função de δ (deslocamento da
média), n (tamanho da amostra), t (intervalo de tempo entre duas amostras

consecutivas) e k (valor do espaçamento entre LM e LSC ou LIC). O TAS pode
ser calculado a partir da equação A11.2:
TAS = t x NMA1 – t/2 = (t/Pd) – t/2 (Equação A11.2)
É interessante também conhecer a taxa de amostragem (r = n/t),

que está relacionada com o custo da inspeção. Os exemplos a seguir ilustram o
cálculo, que é empregado para tomada de decisão sobre o plano de inspeção
mais apropriado.
Exemplo: Calcular Pd, NMA0, NMA1, TAS, r e a frequência de alarme falso, se n = 2, t = ½

hora, k = 3 (3-sigma) e δ = 1,5.
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
Além dos gráficos de variáveis já estudados no Capítulo 6 ( X , R

e s ), outros gráficos foram criados em anos mais recentes, que são muito úteis
na tarefa básica de detecção de não-conformidades, particularmente em
processos cuja variabilidade é muito pequena. São eles o gráfico CUSUM e o
gráfico EWMA.
Gráfico CUSUM
O termo CUSUM é uma abreviação do nome (inglês)

“Cumulative Sum”, que significa Soma Acumulada. Como o próprio nome
sugere, as pequenas variações entre amostras que o gráfico de Shewhart não
consegue considerar como não-conformidade, são acumuladas (somadas), até

que seja caracterizada alguma alteração real no processo. Se o processo está sob
controle, a soma oscila em torno do zero, mas quando algum problema surge, o
gráfico CUSUM mostra rapidamente a sua ocorrência. Seja uma sequência de i
amostras, cada uma com um desvio em relação à média do processo igual a
( X j − µ 0 ). O desvio acumulado de i amostras consecutivas é dado por:
j=i
Si = ∑ (X j − µ 0 ) (Equação A11.3)
j=1
Os dados da Tabela A11.1 e as figuras A11.5 e A11.6 mostram a

diferença entre usar um gráfico de Shewhart e um gráfico CUSUM. No gráfico
CUSUM (Figura A11.6), os valores de Si são lançados na ordenada. A linha
média é 0 (zero). O gráfico CUSUM não possui limites estatísticos de controle.
Em seu lugar é estabelecida uma linha arbitrária para o limite entre causas
aleatórias e causas especiais (h). Valores típicos para h são 4σ e 5σ. Neste texto
será empregado um procedimento que é válido tanto para observações
individuais quanto para médias de subgrupos racionais. Este procedimento
emprega um algoritmo para calcular, a cada momento, as somas acumuladas
unilaterais. Estas somas medem um desvio para mais ( C i+ e C i− ) e compara-os
com o limite h. Se em algum momento o valor de C i+ ou C i− for superior a h,
deve ser inferido que o processo em estudo sofreu alguma alteração provocada
por causa especial e deve ser objeto de atenção e correção. Os parâmetros C i+ e
C i− são dados pelas relações:
[
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)
Os valores iniciais de C i+ e C i− são arbitrariamente iguais a zero.

O parâmetro K é igual à metade da diferença |µ0 - µ1|, onde µ1 é o valor da
média de um processo considerado fora de controle.
µ 0 − µ1
C 0+ = C 0− = 0 e K = (Equação A11.6)
2
No exemplo estudado mais adiante (Comparação entre GC’s) será

empregado h = 5σ.
Gráfico EWMA
O termo EWMA é uma abreviação do nome (inglês)

“Exponentially Weighted Moving Average”, que significa Média Móvel
Ponderada Exponencialmente. Seu desempenho é muito semelhante ao do
CUSUM. Na ordenada são registrados os valores de Yi:
Yi = λX i + (1 − λ)Yi -1
onde 0 < λ ≤ 1 e Y0 = µ0 (média do processo). Observe-se que se λ for igual a 1,

ter-se-á o gráfico de Shewhart. A variância de Yi é:
 λ 
σ 2Yi = σ 02 
2 - λ
[
 1 − (1 − λ)
2i
]
 
Portanto, como a linha média é µ0, os limites de controle são

dados por:
 λ 
LC = µ 0 ± kσ 0 
2 - λ
 1 − (1 − λ) [
2i
]
 
Os valores de λ e k são como o valor de h do gráfico CUSUM:

arbitrários. O valor recomendado para k varia entre 2,6 e 2,8. O valor adotado no
exemplo discutido adiante foi 2,7. O valor de λ deve oscilar no intervalo 0 < λ ≤ 1.
Quanto menor o valor de λ (o valor adotado no exemplo discutido adiante foi 0,1),
mais “importância” se dá aos dados “antigos”. Aliás, essa é a principal diferença
entre o gráfico de Shewhart e os outros dois (CUSUM e EWMA): o gráfico

Shewhart somente considera a última informação (o último dado).
Finalmente, observe-se que na medida em que i aumenta, LC

também aumenta, estabilizando gradativamente, até atingir o valor máximo:
 λ 
LC = µ 0 ± kσ 0  
 2-λ 
Comparação entre GC’s (Shewhart, CUSUM e EWMA)
Para ilustrar a discussão precedente, será discutido a seguir um

trabalho de simulação, com o objetivo de avaliar a eficiência na detecção de
uma causa especial (não aleatória) em um conjunto de dados experimentais.
Para tanto, foram gerados trinta pontos com média (µ0) igual a 10,00 e desvio
padrão (σ0) igual a 1,00 e mais vinte pontos com média (µ1) igual a 11,00 e
desvio padrão (σ1) igual a 1,00. Este conjunto adicional de pontos complementa
uma sequência única de cinquenta pontos, caracterizando uma mudança brusca
no trigésimo primeiro ponto, com uma variação (k) de 1σ. A idéia é verificar
qual dentre os modelos abaixo detecta com mais eficiência (rapidez e
sensibilidade) a variação forçada a partir do 31o dado.
Gráfico de Shewhart original;
Gráfico de Shewhart modificado (com verificação de tendência
ou de sequência);
Gráfico CUSUM;
Gráfico EWMA.
Neste exemplo, foram seguidos os seguintes passos:
i. Geração dos cinquenta pontos:
Os cinquenta pontos gerados estão na Tabela A11.1.
ii. Verificação da normalidade dos dados gerados (o Gráfico de
Shewhart somente pode ser empregado com dados que
obedeçam a uma distribuição normal):
Aplicando os testes de normalidade (Apêndice 6) encontra-se:

a) Com papel de probabilidade (Figura A11.4), o alto
coeficiente de correlação (0,996) sugere uma boa
aproximação da distribuição normal;
b) O teste de Kolmogorov-Smirnov (Apêndice 6)
corrobora o teste anterior, encontrando um valor de
Dmax = 0,07. Este valor é muito inferior ao Dcrítico
(0,16), confirmando como verdadeira a hipótese nula
(H0 verdadeira significa que a variável em estudo
obedece a uma distribuição normal).
iii. Construção dos gráficos correspondentes (Shewhart, CUSUM e
EWMA).
A Figura A11.7 foi construída com dados da Tabela A11.1.

Observe-se que o Gráfico CUSUM é mais eficiente que o Gráfico EWMA.
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.
Os gráficos de Shewhart, CUSUM e EWMA estão,

respectivamente, nas Figuras A11.5, A11.6 e A11.7.:
14,00
13,00
12,00
11,00
10,00
9,00
8,00
7,00
6,00
1 11 21 31 41 51
Figura A11.5 – Gráfico de Shewhart
25,00
20,00
15,00
10,00
5,00
0,00
1 11 21 31 41 51
-5,00
Figura A11.6 – Gráfico CUSUM, para h = 5.

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
Figura A11.7 – Gráfico EWMA, para λ = 0,1 e k = 2,7.
iv. Determinação do TAS de cada modelo.
O tempo até o sinal (TAS) é o tempo transcorrido entre a

alteração e o momento da detecção. Evidentemente, quanto mais curto esse
tempo, mais eficiente é o modelo.
v. Conclusões.
O gráfico de Shewhart original aponta para um deslocamento no

processo na amostra 44 (exatamente 13 amostras após ter havido o
deslocamento). Esse atraso na detecção do problema acarreta um atraso na
tomada de decisão, com os prejuízos associados a esse atraso.
O gráfico de Shewhart modificado apresenta uma sequência (sete

pontos acima da linha média original; linha preta na Figura A11.5) que se inicia
no ponto 37, indicando portanto, no ponto 43, que houve um deslocamento na
linha média do processo. Em comparação com o gráfico de Shewhart original,
houve uma melhora muito pequena.
O gráfico CUSUM, por sua vez, consegue mostrar o deslocamento

no ponto 37. Portanto, com um atraso (bem menor) de quatro pontos.
Finalmente, o gráfico EWMA detecta o deslocamento no ponto

41. Consequentemente, seu poder é maior que o do Shewhart, mas bem menor
que o CUSUM.
Gráfico para Medidas Individuais
Em casos específicos, um processo pode ser monitorado a partir de

observações individuais, isto é, o tamanho da amostra é igual à unidade (n = 1).
Tais casos correspondem a situações como:
a) Procedimento analítico (ensaio) bastante preciso;

b) Duração do ensaio muito grande;
c) Custo analítico muito elevado;
d) Amostragem 100%.
Nesses casos, não é possível aplicar as equações discutidas no

Capítulo 6, que necessitam do parâmetro amplitude. Em seu lugar utiliza-se a
amplitude móvel (AM), definida como o módulo da diferença entre duas leituras
consecutivas. Sendo xi uma leitura qualquer (o valor numérico do característico
em estudo atribuído a uma amostra qualquer), a amplitude móvel é dada pela
relação:
AM = x i − x i −1
Equivalentemente às equações do Capítulo 6, a linha média do

processo é a média aritmética das k amostras:
1 i=k
LM = X = ∑ xi
k i =1
Do mesmo modo é calculada a amplitude móvel média43:
1 i=k
AM = ∑ AM i
k − 1 i =1
Como consequência, os limites de controle são dados por:
3
LC = X ± ⋅ AM
d2
O parâmetro d2 já foi definido (Capítulo 6) e é tabelado (Tabela

A17.3). Como normalmente a amplitude média é calculada a partir de pares de
dados, usa-se d2=1,128.
43
É preciso lembrar que AM1=|x2-x1|, logo, o número de amplitudes é k-1.
APÊNDICE 12 – MAIS DETALHES SOBRE a CCO
A construção de uma CCO demanda algum conhecimento de

matemática probabilística. Três modelos de distribuição de probabilidade, em
particular, merecem referência. Trata-se da distribuição binomial, da
distribuição de Poisson e da distribuição hipergeométrica. Foge aos objetivos
deste texto um estudo mais avançado dos mesmos. O importante para quem vai
construir uma CCO é saber qual deles será aplicado. Em seguida a uma
descrição resumida de cada modelo de distribuição, será discutida a
aplicabilidade de cada um, ou seja, suas condições de contorno.
Distribuição binomial
A distribuição binomial é aplicada em amostragem sem reposição

quando n/N ≤ 0,10 e 0,3<P<0,7. A expressão matemática da distribuição binomial é:
x =a
F( a ) = ∑ P x Q n − x (Equação A12.1)
x =0
que pode ser escrita como:

x =a
n!
F ( x) = ∑ .P x .Q n− x (Equação A12.2)
x =0 x!(n − x)!
onde Q = 1 – P e a ≤ n.
Distribuição de Poisson
A distribuição de Poisson é mais simples que a distribuição

binomial, podendo substituí-la quando n/N ≤ 0,10 e P ≤ 0,1 (10%). A sua
expressão matemática é:
x =a
F ( x ) = ∑ m x .e −m / x! (Equação A12.3)
x =0
Observação: Na relação n/N, o termo n corresponde ao tamanho da amostra (Seção 8.5) e N ao

tamanho do Lote (Seção 8.2).
Distribuição hipergeométrica
A distribuição hipergeométrica é aplicada quando n/N > 0,10. A

correspondente expressão matemática é:
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!
Na Seção 7.6 (pág. 69) foi dito que é necessário calcular a

probabilidade de aceitação (PA) e a probabilidade de rejeição (PR = 1 - PA) e
que ambos são calculados com auxílio de uma dessas distribuições de
probabilidade acima citadas. O cálculo é feito a partir das condições de contorno
já citadas, sabendo-se que:
a) PA é a probabilidade de se encontrar num lote um número de

defeituosos igual ou menor que a (número de aceitação), ou
seja: 0 ≤ d ≤ a;
b) PR é a probabilidade de se encontrar num lote um número de
defeituosos maior que r (número de rejeição), ou seja: r ≤ d ≤ n.
Para melhor compreensão desses conceitos, serão apresentados a

seguir exemplos numéricos de aplicação dos três modelos de distribuição.
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
F (2) = 0,677; 1 – F (2) = 0,323

F (3) = 0,857; 1 – F (3) = 0,143
F (6) = 0,995; 1 – F (6) = 0,005
O leitor é convidado a comparar esse resultado com aquele encontrado no exemplo 1.

44
Cada termo do somatório é representado por f e o somatório por F.
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
Prob. de aceitação: F (1) = P (0 ≤ d ≤ 1) = 0,637 (x=0) + 0,326 (x=1) = 0,963 = 96,3%

Prob. de rejeição: 1 – F(1) = 1 – 0,963 = 0,037 = 3,7%.
Procedimento padrão para a construção de uma CCO
O exemplo mostrado a seguir auxilia no entendimento do

procedimento padrão para construção de uma CCO, como parte integrante de
um Contrato de Fornecimento.
Foram dimensionados os seguintes parâmetros iniciais:

a) Tamanho do Lote (N): 5000 unidades do produto.
b) Nível de Inspeção: II.
c) Regime de Inspeção: Normal.
d) Tipo de Inspeção: Amostragem Simples.
e) Nível de Qualidade Aceitável (P1): 1%.

f) Risco do Fabricante (α): 5%.
g) Nível de Qualidade Inaceitável (P2): 8%.
h) Risco do Comprador (β): 10%.
Procedimento:
i) De posse dos dados a e b, localiza-se na Tabela 8.1 (p. 75) a letra

de código do plano pretendido: L.
ii) As informações c e d levam à Tabela A17.4 (página 190), onde
são localizados: o tamanho da amostra (n = 200) no cruzamento
com a segunda coluna e o número de aceitação (a = 5), no
cruzamento com a coluna do NQA de 1%.
iii) Para conferir a eficácia do plano, é preciso recalcular α e β, o que
deve ser feito de acordo com o modelo de Poisson45 (Equação A12.3;
p. 167):
x =a
F ( x ) = ∑ m x .e −m / x!
x =0
Com auxílio de uma planilha do Excel (ver Apêndice 13), esse

cálculo é bastante simplificado, encontrando-se α = 1,7 e β = 0,1. Esses valores
são ambos menores que os admitidos pelas partes (Fabricante e Comprador).
Evidentemente, isso pode motivar o Comprador a diminuir o tamanho da
amostra, com o objetivo de diminuir seus custos. A mesma planilha, por
alteração do parâmetro n, permite de imediato verificar que para n = 84 (agora
com a = 3), que α = 1,1 e β = 9,8. Esse seria, portanto, o menor tamanho de
amostra aceitável pelo Comprador. Entretanto, seria interessante analisar essas
duas opções, à luz das suas respectivas CCO’s.
iv) Para avaliar o poder discriminante das duas CCO’s acima

referidas, foram calculadas as Probabilidades de aceitação para
45
O modelo de Poisson foi escolhido porque n/N < 0,1 e P < 10%.
vinte e um valores de P, entre 0,5% e 20%. Os resultados

geraram o gráfico da Figura A12.1, onde se vê que o
desempenho da curva (a) com n = 84 é maior que o da curva com
n = 200, onde se conclui que para diminuir o tamanho da amostra
é preciso diminuir também o número de aceitação.
1,0
0,8
0,6 (a) n = 84; a = 3

(b) n = 200; a = 5
0,4
0,2
0,0
0,00 0,05 0,10 0,15 0,20

Qualidade dos Lotes
Figura A12.1 – CCO’s para as duas opções de plano do exemplo.
Inspeção Retificadora
Até o momento foi discutido apenas um tipo de inspeção,

denominada inspeção para aceitação. Entretanto, existem situações em que não
é conveniente simplesmente rejeitar todo um lote. Pelo contrário, às vezes é
melhor corrigir o lote (melhorar sua qualidade). Esse tipo de inspeção é
denominado inspeção retificadora. Ao longo da inspeção retificadora, objetiva-
se eliminar um determinado número de não-conformidades. Evidentemente,
resulta daí uma melhor qualidade, conhecida como qualidade média resultante
(QMR). Trata-se de cláusulas adicionadas ao contrato de fornecimento, as quais
podem ser resumidas como segue (aplicando-se à inspeção por amostragem
simples):
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).
No caso da Cláusula 2 acima, em princípio, não haverá não-

conformidade após a inspeção retificadora. Entretanto, no caso da Cláusula 1,
ainda restarão, em princípio, (N-n).P defeituosos, ocorrendo na proporção dada
pela CCO (Pa). Assim, a QMR pode ser calculada pela relação:
QMR = P.Pa.(N-n)/N
Na maioria dos casos, é aplicada a distribuição de Poisson ou a

distribuição binomial (n/N < 0,1). Nesse caso, o termo (N-n)/N aproxima-se da
unidade, ficando a equação acima simplificada para:
QMR = P.Pa
O gráfico da Figura A12.2 descreve a variação da QMR com a

qualidade do lote. O valor máximo da QMR chama-se Qualidade Média
Resultante Limite (QMRL; ver Figura A12.2) e é também empregado como
item de proteção para o Comprador.
P% QMR P% QMR
3,0
0,1 0,10000 10,0 0,32260
2,5
0,5 0,49954 11,0 0,19692
1,0 0,98930 12,0 0,11697
2,0 2,0 1,81956 13,0 0,06787
3,0 2,25988 14,0 0,03860
4,0 2,26849 15,0 0,02157
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%
Figura A12.2 – Variação da QMR com P para o plano selecionado no

exemplo acima (a = 3 e n = 84).
APÊNDICE 13 – UMA PLANILHA EXCEL PARA CCO
Na próxima página está a reprodução de uma planilha do Excel, a

qual permite, por simulações (tentativa e erro), uma boa e fácil aproximação
para uma CCO que atenda aos interesses de Fabricante e Comprador. O leitor é
convidado a montar tal planilha.
APÊNDICE 14 – AS SETE FERRAMENTAS DA QUALIDADE
As sete ferramentas do controle de qualidade são:
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.
O diagrama de causa-efeito, criado por Kaoru Ishikawa, auxilia no

diagnóstico da(s) causa(s) de um problema. Essas informações podem depois ser
transportadas para o diagrama de Pareto, que é um tipo particular de histograma
(ver Apêndice 3), para quantificação das várias causas encontradas, permitindo
assim a identificação da principal causa, a que deverá ser atacada de imediato. A
folha de verificação simplifica o trabalho de coleta de dados, permitindo o seu
registro de imediato (in loco). As Figuras A14.1 e A14.2 mostram uma Folha de
Verificação (ou Lista de Verificação) para controle de um processo industrial. Na
primeira coluna é registrada a especificação. Na segunda coluna da Figura A14.1
são registrados os desvios possíveis (inclusive além da especificação). Nas demais
colunas, o Inspetor de Qualidade vai marcando com um X cada item da produção
que apresentou desvio. O agrupamento dos dados (no exemplo, em grupos de
cinco) facilita a contagem final. O gráfico de dispersão (Apêndice 3) permite
verificar se há correlação (ver Seção 3.5) em dois conjuntos de dados (duas
variáveis do processo, por exemplo). O fluxograma é uma excelente forma de
visualização de um processo, como pode ser visto na Figura A14.3. Os Gráficos
(ou Cartas) de Controle já foram exaustivamente estudados no Capítulo 6.
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: :
Figura A14.1 – Lista de Verificação de Variáveis.
Empresa:
Unidade/Setor:
Processo:
Lista de Verificação
Defeito Verificação Subtotal

A
B
C
D
E
TOTAL
Total rejeitado
Inspetor:
Data: / /
Horário: :
Figura A14.2 – Lista de Verificação de Atributos.

Figura A14.3 – Fluxograma de um processo industrial.
Como visto no capítulo 5, o Gráfico de Controle fornece muitas

informações a respeito de um processo, apontando problemas e mesmo
classificando-os. Entretanto, o GC é incapaz de informar qual a real causa do
problema. Para tanto, faz-se necessário o emprego de ferramentas adicionais,
tais como o diagrama de espinha de peixe, ou diagrama de causa e efeito ou
ainda diagrama de Ishikawa, e o gráfico de barras de Pareto. O primeiro,
relaciona as possíveis causas e o segundo, as prioriza. A seguir, é mostrado o
procedimento padrão para a construção e análise.
Diagrama de espinha de peixe:
Erros analíticos são decorrentes das diversas operações analíticas.
O mesmo acontece com os erros operacionais (de processo). Eles podem ser
detectados pelo diagrama de Ishikawa (também conhecido como diagrama de
espinha de peixe ou de causa e efeito). O responsável pelo controle tem que

elaborar um levantamento minucioso de todas as possíveis causas de um
determinado problema. Essas causas, por suas vez, podem e devem ser divididas
em subcausas, que podem também ser subdivididas. Evidentemente, é
necessário um conhecimento profundo do processo, dos fatores que o controlam
e de suas limitações. No exemplo, é apresentado um diagrama relacionado com
um determinado problema analítico. Na análise cromatográfica, uma variação
excessiva na resposta do equipamento pode ser relacionada com vários fatores.
Sempre que este problema ocorrer, ao longo da história de um determinado
cromatógrafo, deve ser realizado o registro da causa, uma vez que esta seja
identificada. Assim, após algum tempo, o laboratório disporá de um
levantamento que informará qual a causa mais frequente. As frequências
poderão ser ponderadas, isto é, multiplicadas por pesos relacionados com a
gravidade do problema (custo da correção, depreciação do equipamento, etc.). O
diagrama de Ishikawa (Figura A14.4) é construído do seguinte modo:
a) Do lado direito de uma linha vertical escreve-se o “efeito” (o
problema observado);
b) Do lado esquerdo escreve-se a “causa” - os diversos fatores que
possam provocar o problema, estratificados por tipo de fator
(máquina, material, mão de obra, etc.), como na figura A14.4:
Figura A14.4 – Diagrama de Causa e Efeito
A estruturação de um diagrama de Ishikawa é facilitada por uma

ferramenta denominada Brainstorming (algo como “tempestade de idéias”). As
pessoas envolvidas no problema reúnem-se para levantar os elementos causais,
estratificando-os como sugere o próprio diagrama. Em seguida, faz-se uma
espécie de votação para valorar cada causa. O resultado dessa análise é o
diagrama de Pareto.
Quantificando erros com o gráfico de Pareto:
Os erros identificados pelo diagrama de Ishikawa podem ser

quantificados, em termos de importância (custo) vezes frequência. Os produtos
são então lançados num gráfico de barras verticais (histograma) desenvolvido
por Vilfredo Pareto (Figura A14.5). Na figura abaixo, um histograma construído
com auxílio do aplicativo Excel (ver Apêndice 2).
Figura A14.5 – Gráfico de Pareto.

APÊNDICE 15 – ANÁLISE DE VARIÂNCIA
Análise de Variância (abreviadamente, ANAVA46) é uma

ferramenta estatística de ampla aplicação. Foge aos objetivos deste texto analisar
todas as suas aplicações, de modo que este apêndice se restringe ao que é
discutido a seguir.
A variabilidade (medida através da variância) divide-se em dois

tipos: variabilidade entre grupos e variabilidade dentro de grupos. A ANAVA
compara as duas. O objetivo é detectar diferenças significativas entre os grupos.
Quando se pretende comparar apenas dois grupos, o teste t atende perfeitamente.
Entretanto, quando o número de grupos de dados é superior a dois, a análise
através do teste t é bastante demorada (ver Seções 5.7 e 5.8). É nesse segundo
caso que se percebe a importância da ANAVA. Talvez o Leitor não concorde
com a afirmação de que a ANAVA é um teste mais rápido. Entretanto,
construindo uma planilha, aquele que frequentemente faz esse tipo de análise
certamente compreenderá a veraciade da afirmação.
A variância é definida como o quadrado do desvio padrão:
Σd i2
v=
n −1
O termo di é a diferença (em valor absoluto) entre cada valor da

variável e a sua média aritmética. O termo Σd i2 será, por simplificação,
representado por SQ (soma dos quadrados). Este termo pode ser desdobrado em:
SQ = SQd + SQe
46
É comum encontrar-se na Literatura a expressão ANOVA, acrônimo do termo inglês Analysis of Variance.
SQd é a soma dos quadrados dentro dos grupos e SQe é a soma

dos quadrados entre os grupos. Sendo k o número de grupos e n o número de
dados em cada grupo, tem-se:
j= k i=n
SQ d = ∑ (∑ d i2 ) j
j =1 i =1
Por outro lado, o valor de SQe é dado por:

j= k
SQ e = ∑ n j ( x j − x ) 2
j=1
onde x j , n j e x j são, respectivamente, a média de cada grupo, o tamanho

amostral de cada grupo e a média aritmética das médias de cada grupo. A partir
dessas relações, é possível calcular as variâncias entre grupos ( s e2 ) e dentro dos
grupos ( s d2 ), denominadas valores quadráticos médios:
s e2 = SQ e /( k − 1) e s d2 = SQ d /( N − k )
onde N = n × k.
A estatística ANAVA é47:
s e2
F=
s d2
EXEMPLO: Os dados abaixo são resultados analíticos aplicados a uma mesma

amostra, por um mesmo analista, empregando três diferentes métodos analíticos
(k = 3) cada um com cinco (n = 5) leituras (repetições). Verificar se as médias são
estatisticamente diferentes entre os três métodos. Esta situação é um exemplo de
aplicação do caso b do teste t (página 36), em que é avaliada a exatidão relativa
do método.
47
Observe-se a semelhança entre a estatística ANAVA e a estatística F (teste F).
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:
O procedimento mostrado a seguir foi detalhado para facilitar a

construção de uma planilha eletrônica (Excel, por exemplo).
a) Calcular o número total de dados:
N = k × n = 3 × 5 = 15
onde k é o número de grupos (no exemplo, métodos analíticos) e n é o número

de valores em cada grupo (leituras por repetição em cada método).
b) Calcular a média de cada grupo (método) e a média geral:
X1 = 45,15 ; X 2 = 44,90 ; X 3 = 45,22 e X = 45,09
c) Subtrair de cada dado o valor da média geral arredondado para menos

(no exemplo, 45):
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
d) Calcular o somatório dos valores em cada grupo e o total geral:
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
Total geral (T1): 0,74 + (- 0,52) + 1,08 = 1,30
e) Calcular o Fator de Correção (FC):
FC = T2/N = 1,32/15 = 1,69/15 = 0,1127
f) Calcular a Soma Total dos Quadrados:
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
Total geral (T2): 0,1332 + 0,0728 + 0,2480 = 0,454
Soma Total dos Quadrados = 0,454 – 0,1127 = 0,3413
g) Calcular a Soma dos Quadrados Intermediária (dos Grupos):
Soma dos Quadrados Intermediária = Soma dos quadrados de cada grupo ÷ n – FC

Soma dos Quadrados Intermediária = 1,98440 ÷ 5 – 0,1127
Soma dos Quadrados Intermediária = 0,2842
h) Calcular a Soma dos Quadrados das Análises Repetidas:
Obs.: Subtrair a soma dos quadrados intermediária da soma total dos quadrados.
i) Calcular o número de graus de liberdade (ν):
a) Total = N – 1 = 15 – 1 = 14
b) Intermediário = k – 1 = 2
c) Das Análises Repetidas = (N – 1) – (k – 1) = 12
j) Estabelecer a Tabela ANAVA:
Fonte de Variação Soma dos Quadrados ν Variâncias

Entre grupos 0,28421 2 0,14211
No grupo 0,05712 12 0,00476
Total 0,34133 14
Obs.: Variância = soma dos quadrados ÷ ν.
k) Aplicar o teste F para as duas variâncias:
0,14211
F= = 29,86
0,00476
Na Tabela 5.4 (página 38), considerando 2 graus de liberdade

para o numerador e 12 graus de liberdade para o denominador, com 1% de
significância, encontra-se o valor 6,9. Como o valor de Fcalculado é maior que o
valor de Ftabelado, deve-se concluir que há diferença significativa entre os dados.
Portanto, deve-se prosseguir.
l) Calcular as médias de cada grupo (a partir dos valores originais):
Grupo Médias
A 45,17
B 44,88
C 45,24
m) Calcular a “menor diferença significativa”, a partir da relação:

Dif = s.t 0,05 2 / n
onde s é a raiz quadrada da variância residual (variância dentro do grupo), t é

obtido na Tabela 5.3 (página 37) para o número de graus de liberdade no grupo,
com 5% de significância.
Dif = 0,00476 × 2,179 2 / 5 = 0,1
n) Colocar as médias dos grupos (valores originais) em ordem crescente

numérica:
44,88 < 45,17 < 45,24
o) Calcular as diferenças entre as médias:
Dif 1 = valor médio – valor menor = 0,29

Dif 2 = valor maior – valor médio = 0,07
Dif 3 = valor maior – valor menor = 0,36
p) Comparar as diferenças entre os grupos com a menor diferença

significativa (0,1). Se a diferença entre um determinado par de grupos
for maior, existe uma diferença significativa entre esses grupos. Neste
exemplo, há uma boa concordância entre os grupos A e C, mas não
entre A e B e entre B e C.
APÊNDICE 16 – TQM versus GEIQ
O modelo de gestão conhecido como TQM é na verdade uma

variante do TQC (Total Quality Control) voltada para a gestão. O TQM emprega
como indicador o Ciclo PDCA, um instrumento de orientação para toda e
qualquer atividade relacionada com o trabalho de gerenciamento da qualidade.
Criado por Shewhart, foi mais tarde aperfeiçoado por Deming. O ciclo PDCA
abrange quatro etapas, cujas iniciais denominam o ciclo (Figura A16.1). A
primeira etapa (Plan = planejar) consiste em estabelecer missão, visão, objetivos
(metas), procedimentos e processos (metodologias) para atingir o objetivo. A
segunda etapa (Do = fazer) consiste na execução
das atividades planejadas, incluindo treinamento.
Action Plan
Na terceira etapa (Check = avaliar) os resultados
são monitorados e confrontados com o planejado
Check Do e na quarta etapa (Act = agir) as ações
programadas a partir das conclusões (por
Figura A16.1 – Ciclo PDCA
exemplo: ações corretivas) obtidas na etapa
anterior são realizadas. Aqui, eventuais desvios da
rota poderão ser necessários para corrigir falhas detectadas na terceira etapa.
Muitas vezes a primeira etapa é subdividida em quatro, a saber:
1) Identificação do problema
2) Observação
3) Análise do Processo
4) Plano de Ação
O Ciclo PDCA é realizado com dois enfoques (metas):
a) Manter;
b) Melhorar.
Quando tudo estiver “correndo bem” passa-se para o segundo

enfoque. Agora a meta é melhorar (Figura A16.2).
Figura A16.2 – PDCA com enfoque Melhorar (sempre).
Mais tarde Deming modificou o PDCA, criando o DMAIC, cujo

nome também é uma sigla: Ddefine (definir), Measure (medir), Analyze
(analisar), Improve (melhorar) e Control (controlar). o DMAIC é a ferramenta
básica do Programa Seis Sigma. O Seis Sigma foi inicialmente desenvolvido
pela Motorola com o objetivo de reduzir sua perdas. Sua denominação vem da
meta traçada, ou seja, seu significado é exatamente aquele dos gráficos de
controle. A diferença é que enquanto os GC´s empregam um intervalo de ± 3σ,
que admite 0,27% de não-conformidades, o Seis Sigma emprega um intervalo de
± 6σ, correspondente a 0,000000002% de não-conformidades. Esse projeto
ambicioso, evidentemente, não poderia ser algo tão simples. De fato, o Seis
Sigma envolve uma mudança radical nos paradigmas, exigindo dos
colaboradores da organização um treinamento bem mais aprofundado e uma
integração total dos diversos segmentos da organização. Aqui é bem mais forte o
conceito de liderança. Denominações como Champion (profissional de nível
estratégico, o mais alto na hierarquia), Master Black Belt (especialistas em
gestão), Black Belt (coordenador de projeto Seis Sigma, tendo como uma das
múltiplas responsabilidades, a disseminação do conhecimento Seis Sigma) e
Green Belt (responsáveis pelo suporte operacional na implantação das
ferramentas Seis Sigma) mostram claramente que trata-se de uma nova filosofia
de trabalho. Esses profissionais trabalham em regime de dedicação exclusiva na
busca da qualidade.
Controle Estatístico – Tabelas úteis - Alexandre R. P. Schuler. 187
APÊNDICE 17 – TABELAS ÚTEIS
Tabela A17.1. Fatores para Cálculo de LM e LC’s em GC da Média.
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
Tabela A17.2. Fatores para Cálculo de LM e LC’s em GC de Desvio Padrão.
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
Tabela A17.3. Fatores para Cálculo de LM e LC’s em GC de Amplitude.
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:
a) Norma conhecida: LM = d2.σ; LIC = D1.σ; LSC = D2.σ
b) Norma desconhecida: LM = R ; LIC = D3. R ; LSC = D4. R

Tabela A17.4. Planos de Inspeção com Amostragem Simples (Normal).
Nível de qualidade aceitável, NQA (% defeituosos ou defeitos por 100 unidades)

Letra Tamanho
de da
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 A
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
r
A 2 || || || || || || || || ⇓ 0 1 || ⇓ 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 22 30 31
B 3 || || || || || || || ⇓ 0 1 ⇑ ⇓ 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 22 30 31 44 45
C 5 || || || || || || ⇓ 0 1 ⇑ ⇓ 1 2 3 3 4 5 6 7 8 10 11 14 15 21 22 30 31 44 45 ⇑
D 8 || || || || || ⇓ 0 1 ⇑ ⇓ 1 2 2 3 4 5 6 7 8 10 11 14 15 21 22 30 31 44 45 ⇑ ||
E 13 || || || || ⇓ 0 1 ⇑ ⇓ 1 2 2 3 3 5 6 7 8 10 11 14 15 21 22 30 31 44 45 ⇑ || ||
F 20 || || || ⇓ 0 1 ⇑ ⇓ 1 2 2 3 3 4 5 7 8 10 11 14 15 21 22 ⇑ ⇑ ⇑ || || ||
G 32 || || ⇓ 0 1 ⇑ ⇓ 1 2 2 3 3 4 5 6 7 10 11 14 15 21 22 ⇑ || || || || || ||
H 50 || ⇓ 0 1 ⇑ ⇓ 1 2 2 3 3 4 5 6 7 8 10 14 15 21 22 ⇑ || || || || || || ||
J 80 ⇓ 0 1 ⇑ ⇓ 1 2 2 3 3 4 5 6 7 8 10 11 14 21 22 ⇑ || || || || || || || ||
K 125 0 1 ⇑ ⇓ 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 ⇑ || || || || || || || || ||
L 200 ⇑ ⇓ 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 22 ⇑ || || || || || || || || || ||
M 315 ⇓ 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 22 ⇑ || || || || || || || || || || ||
N 500 1 2 2 3 3 4 5 6 7 8 10 11 14 15 21 22 ⇑ || || || || || || || || || || || ||
P 800 2 3 3 4 5 6 7 8 10 11 14 15 21 22 ⇑ || || || || || || || || || || || || ||
Q 1250 3 4 5 6 7 8 10 11 14 15 21 22 ⇑ || || || || || || || || || || || || || ||
R 2000 5 6 7 8 10 11 14 15 21 22 ⇑ || || || || || || || || || || || || || || ||
⇓ = 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.
Tabela A17.5. Planos de Inspeção com Amostragem Dupla (Normal).
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 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.
Tabela A17.6.a. Planos de Inspeção com Amostragem Múltipla (Normal).

Códigos de Tamanho do Lote de A a G
Letra Ordem Tamanho Tamanho Nível de qualidade aceitável, NQA (% defeituosos ou defeitos por 100 unidades)
de da 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 amostra acumulada
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
C * * * * * * * * * * * * * *
1 2 2 || || || || || || ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 4 12 6 12 ⇑ ⇑
2 2 4 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14 11 19 17 27
3 2 6 || || || || || || || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 19 27 29 39 || ||
4 2 8 || || || || || || || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 27 34 40 49 || ||
D 5
6
7
2
2
2
10
12
14
||
||
||
||
||
||
||
||
||
||
||
⇓
* ||
||
||
⇓
1
1
2
3
3
3
2
3
4
4
5
5
3
4
6
6
6
7
5
7
9
8
9
10
7
10
13
11
12
14
11
14
18
15
17
19
17
21
25
20
23
26
25
31
37
29
33
38
36
45
53
40
47
54
53
63
77
58
68
78
||
||
||
||
1 3 3 || || || || || ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 4 12 6 16 ⇑ || ||
2 3 6 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14 11 19 17 27
3 3 9 || || || || || || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 19 27 29 39 || || ||
4 3 12 || || || || || || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 27 34 40 49 || || ||
E 5
6
7
3
3
3
15
18
21
||
||
||
||
||
||
||
||
||
⇓
* ||
||
||
⇓
1
1
2
3
3
3
2
3
4
4
5
5
3
4
6
6
6
7
5
7
9
8
9
10
7
10
13
11
12
14
11
14
18
15
17
19
17
21
25
20
23
26
25
31
37
29
33
38
36
45
53
40
47
54
53
65
77
58
68
78
||
||
||
||
||
||
1 5 5 || || || || ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ ⇑ ⇑ || || ||
2 5 10 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 5 15 || || || || || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || || || || || ||
4 5 20 || || || || || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || ||
F 5
6
7
5
5
5
25
30
35
||
||
||
||
||
||
||
⇓
* ||
||
||
⇓
1
1
2
3
3
3
2
3
4
4
5
5
3
4
6
6
6
7
5
7
9
8
9
10
7
10
13
11
12
14
11
14
18
15
17
19
17
21
25
20
23
26
25
31
37
29
33
38
||
||
||
||
||
||
||
||
||
||
||
||
1 8 8 || || || ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ || || || || || ||
2 8 16 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 8 24 || || || || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || || || || || || ||
4 8 32 || || || || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || ||
G 5
6
7
8
8
8
40
48
56
||
⇓
||
⇓
||
⇓
* ||
||
||
⇓
1
1
2
3
3
3
2
3
4
4
5
5
3
4
6
6
6
7
5
7
8
9
9 10
7
10
13
11
12
14
11
14
18
15
17
19
17
21
25
20
23
26
25
31
37
29
33
38
||
||
||
||
||
||
||
||
||
||
||
||
||
||
a = Número de Aceitação. r = Número de Rejeição.
* = Empregue o correspondente plano de amostragem simples, ou o plano de amostragem múltipla imediatamente abaixo, se existir.
# = Aceitação não é permitida com este tamanho de amostra.
Tabela A17.6.b. Planos de Inspeção com Amostragem Múltipla (Normal).

(Códigos de Tamanho do Lote de H a L)
1 13 13 || || ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑
2 13 26 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 13 39 || || || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || || || || || || || ||
4 13 52 || || || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || ||
H 5
6
7
13
13
13
65
78
91
||
||
||
⇓
* ||
||
||
⇓
1
1
2
3 2
3 3
3 4
4 3
5 4
5 6
6 5
6 7
8 7 11 11 15 17 20 25 29
9 10 12 14 17 21 23 31 33
7 9 10 13 14 18 19 25 26 37 38
|
||
| |
||
| ||
||
||
||
||
||
||
||
||
||
||
||
1 20 20 || ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ || || || || || || || ||
2 20 40 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 20 60 || || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || || || || || || || || ||
4 20 80 || || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || || ||
J 5
6
7
20
20
20
100
120
140
||
⇓
* ||
||
||
⇓
1
1
2
3
3
3
2
3
4
4 3
5 4
5 6
6 5
6 7
8 7 11 11 15 17 20 25 29
9 10 12 14 17 21 23 31 33
7 9 10 13 14 18 19 25 26 37 38
|
||
| |
||
| |
||
| ||
||
||
||
||
||
||
||
||
||
||
||
1 32 32 ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ | | | | | | || || || || || ||
2 32 64 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 32 96 || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || | | | | | | || || || || || ||
4 32 128 || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || || || ||
K 5
6
7
32
32
32
150
192
224
* ||
||
||
⇓
1
1
2
3
3
3
2
3
4
4
5
5
3
4
6
6 5
6 7
8 7 11 11 15 17 20 25 29
9 10 12 14 17 21 23 31 33
7 9 10 13 14 18 19 25 26 37 38
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
||
||
||
||
||
||
||
||
||
||
||
1 50 50 ⇑ || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ || || || || || || || || || ||
2 50 100 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 50 150 || || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || || || || || || || || || || ||
4 50 200 || || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || || || || ||
5 50 250 1 3 2 4 3 6 5 8 7 11 11 15 17 20 25 29
L 6 50 300
|| || 1 3 3 5 4 6 7 9 10 12 14 17 21 23 31 33
| | | | | | | | | | || || || || || ||
7 50 350 || ⇓ 2 3 4 5 6 7 9 10 13 14 18 19 25 26 37 38 || || || || || || || || || || ||
a = Número de Aceitação.
* = Empregue o correspondente plano de amostragem simples, ou o plano de amostragem múltipla imediatamente abaixo, se existir.
Tabela A17.6.c. Planos de Inspeção com Amostragem Múltipla (Normal).

(Códigos de Tamanho do Lote de M a R)
1 80 80 || # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑ ⇑
2 80 160 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 80 240 || 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || || || || || || || || || || || ||
4 80 320 || 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || || || || || ||
5 80 400 1 3 2 4 3 6 5 8 7 11 11 15 17 20 25 29
M 6 80 480
|| 1 3 3 5 4 6 7 9 10 12 14 17 21 23 31 33
| | | | | | | | | | | | || || || || || ||
7 80 560 ⇓ 2 3 4 5 6 7 9 10 13 14 18 19 25 26 37 38 || || || || || || || || || || || ||
1 125 125 # 2 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ || || || || || || || || || || || ||
2 125 250 # 2 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 125 375 0 2 0 3 1 4 2 6 3 8 6 10 8 13 13 19 | | | | | | | | | | | | | | || || || || || ||
4 125 500 0 3 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || || || || || || ||
5 125 625 1 3 2 4 3 6 5 8 7 11 11 15 17 20 25 29
N 6 125 750 1 3 3 5 4 6 7 9 10 12 14 17 21 23 31 33
| | | | | | | | | | | | | | || || || || || ||
7 125 875 2 3 4 5 6 7 9 10 13 14 18 19 25 26 37 38 || || || || || || || || || || || || ||
1 200 200 # 2 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ | | | | | | | | | | | | | | || || || || || ||
2 200 400 0 3 0 3 1 5 1 6 3 8 4 10 7 14
3 200 600 0 3 1 4 2 6 3 8 6 10 8 13 13 19 || | | | | | | | | | | | | | | || || || || || ||
4 200 800 1 4 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || || || || || || || ||
5 200 1000 2 4 3 6 5 8 7 11 11 15 17 20 25 29
P 6 200 1200 3 5 4 6 7 9 10 12 14 17 21 23 31 33
| | | | | | | | | | | | | | | | || || || || || ||
7 200 1400 4 5 6 7 9 10 13 14 18 19 25 26 37 38 | | | | | | | | | | | | | | | | || || || || || ||
1 315 315 # 3 # 4 0 4 0 5 1 7 2 9 ⇑ || || || || || || || || || || || || || ||
2 315 630 0 3 1 5 1 6 3 8 4 10 7 14
3 315 945 1 4 2 6 3 8 6 10 8 13 13 19 || || || || || || || || || || || || || || ||
4 315 1260 2 5 3 7 5 10 8 13 12 17 19 25 || || || || || || || || || || || || || || ||
5 315 1575 3 6 5 8 7 11 11 15 17 20 25 29
Q 6 315 1890 4 6 7 9 10 12 14 17 21 23 31 33
| | | | | | | | | | | | | | | | | | || || || || || ||
7 315 2205 6 7 9 10 13 14 18 19 25 26 37 38 || || || || || || || || || || || || || || ||
1 500 500 # 4 0 4 0 5 1 7 2 9 ⇑ || || || || || || || || || || || || || || ||
2 500 1000 1 5 1 6 3 8 4 10 7 14
3 500 1500 2 6 3 8 6 10 8 13 13 19 || || || || || || || || || || || || || || || ||
4 500 2000 3 7 5 10 8 13 12 17 19 25 || || || || || || || || || || || || || || || ||
5 500 2500 5 8 7 11 11 15 17 20 25 29
R 6 500 3000 7 9 10 12 14 17 21 23 31 33
|| || || || || || || || || || || || || || || ||
7 500 3500 9 10 13 14 18 19 25 26 37 38 || || || || || || || || || || || || || || || ||
A = Número de Aceitação.
ÍNDICE DE ASSUNTOS Distribuição de frequências – 19
Distribuição de Poisson – 23, 25, 63, 165
Distribuição de probabilidades – 22
A Distribuição gaussiana – 27
Distribuição hipergeométrica – 23, 25, 165
Alarme falso – 149, 151, 155 Distribuição normal – 25, 117, 123, 130, 150, 158
Alarme verdadeiro – 152 Distribuição normal reduzida – 28
Algarismos significativos – 10
Amostra – 1, 29 E
Amostragem dupla – 54, 76
Amostragem múltipla – 54, 78
Erro absoluto – 6
Amostragem sequencial – 54, 76
Erro aditivo – 4
Amostragem simples – 54, 75
Erro proporcional – 4
Amplitude – 2, 30
Erro relativo – 6
Amplitude móvel – 163
Erros – 3, 4, 15, 26
Análise de valor – 84, 89, 93
Erros determinados – 4
Análise de variância – 85, 87, 179
Erros grosseiros – 30, 31
Arranjos – 65, 148
Erros indeterminados – 4
Arredondamento – 9
Especificação – 1, 51, 56, 67, 90, 142
Estimativa da dispersão – 30
B Estimativa do valor médio – 29
Eventos com probabilidade condicional – 20
Benchmarking – 84, 89, 92 Eventos equiprováveis – 20
Brainstorming – 85, 177 Eventos independentes – 21
Eventos mutuamente exclusivos – 21
Exatidão – 3, 29, 35, 126, 140, 180
C Extrapolação – 13
Calibração – 12, 33, 99, 137

Capacidade – 50, 55, 56, 60, 66, 73, 80, 85, 114, 140 F
Característico – 52, 54, 56, 57, 58
Ciclo PDCA – 83, 185 Ferramentas da qualidade – 82, 174
5 "S" – 84, 89 Fluxograma – 85, 174
Coeficiente de correlação – 17, 100, 133, 140, 159, 180 Folha de verificação – 174
Coeficiente de determinação – 18, 140 Frequência – 2, 19, 22, 27, 35, 118, 127, 178
Coeficiente de regressão – 17, 87 Frequência de amostragem – 54, 55, 154
Confiabilidade analítica – 49, 137
Controle – 1, 2 G
Controle analítico – 2
Controle estatístico – 2
Gestão da qualidade – 82
Controle operacional – 2
Gráfico CUSUM – 155
Curva característica de operação – 70, 73, 113
Gráfico de calibração – 13
Curva de calibração – 12, 33, 99
Gráfico de controle da amplitude – 58, 61
Gráfico da fração defeituosa – 58, 62
D Gráfico da média – 58, 59
Gráfico do desvio padrão – 58, 60
Defeito, conceito de – 53 Gráfico do número de defeitos por amostra – 58, 63
Desvio padrão – 2, 27, 32, 38, 59 Gráfico do número de defeitos por unidade – 58, 63
Diagrama de Ishikawa – 174 Gráfico do número de defeituosos – 58, 63
Diagrama de Pareto – 85, 174 Gráfico do sistema americano – 57
Diferença máxima permitida – 40 Gráfico do sistema inglês – 57
Dispersão – 2, 3, 27, 30, 86, 115, 132, 145, 174 Gráfico EWMA – 156, 158
Distribuição binomial – 23, 70, 117, 121, 165 Gráficos de controle – 49, 51, 57, 67, 85, 111, 139, 146, 148
Gráficos de barras – 19, 176 Nível de significância – 123, 133
Gráficos de calibração – 13 NMA – 152
Gráfico de dispersão – 87, 99, 115, 132, 174 Número de aceitação – 70
Gráficos, tipos de – 58, 115 Número de rejeição – 70
Número ideal de medições – 38
Número ideal de repetições – 38
H
Histograma – 19, 85, 118, 174 P
Papel de probabilidade normal – 131
I Plano de amostragem – 54, 76, 79
Plano de inspeção – 54, 70, 73
Incerteza – 3, 7, 27, 29, 30, 33, 42, 102, 141 Poder discriminante da CCO – 72
Índices de capacidade – 142 Poder do gráfico – 148
Inspeção completa – 68 Ponto de inflexão – 13, 14, 27
Inspeção para aceitação – 68 População – 1
Inspeção retificadora – 170 Precisão – 3, 9, 27, 36, 49, 53, 114, 126, 137, 140
Inspeção por amostragem dupla – 54, 76 Precisão intermediária – 126, 140
Inspeção por amostragem múltipla – 54, 78 Probabilidade – 20
Inspeção por amostragem sequencial – 54, 76 Probabilidade estatística – 26
Inspeção por amostragem simples – 54, 75
Interpolação – 13
Intervalo de amostragem – 154 Q
Intervalo de confiança – 34
Qualidade – 1
Qualidade de conformidade – 53
J Qualidade do projeto – 53
Qualidade Limite – 69
Just-in-time – 84, 89, 93
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
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

Livro Estatistica PDF

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Livro Estatistica PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Alexandre Schuler

CAPÍTULO 2 – OPERAÇÕES COM NÚMEROS EXPERIMENTAIS, 9

CAPÍTULO 3 – O USO DE GRÁFICOS EM QUÍMICA ANALÍTICA, 12

CAPÍTULO 4 – FUNDAMENTOS DA ESTATÍSTICA, 20

CAPÍTULO 5 – CONTROLE DE QUALIDADE ANALÍTICA, 31

5.4. Número Ideal de Medições, 38

CAPÍTULO 6 – GRÁFICOS DE CONTROLE, 51

CAPÍTULO 7 – INSPEÇÃO DA QUALIDADE, 6 8

7.1. Inspeção completa versus inspeção por amostragem, 68

CAPÍTULO 8 – PLANOS DE INSPEÇÃO, 73

CAPÍTULO 9 – GESTÃO PARA A QUALIDADE, 82

APÊNDICE 1 – AVALIAÇÃO DO FINAL DA REGIÃO LINEAR, 99

APÊNDICE 2 – AUXÍLIO DO COMPUTADOR, 111

APÊNDICE 3 – DESENHANDO GRÁFICOS NO COMPUTADOR, 115

APÊNDICE 4 – APROXIMANDO A BINOMIAL DA GAUSSIANA, 117

APÊNDICE 5 – ENTENDENDO A ESTATÍSTICA, 122

APÊNDICE 6 – TESTE DE NORMALIDADE, 130

APÊNDICE 7 – METROLOGIA, 137

APÊNDICE 8 – VALIDAÇÃO DE MÉTODOS ANALÍTICOS, 139

APÊNDICE 9 – QUANTIFICANDO A CAPACIDADE DE UM PROCESSO, 142

APÊNDICE 10 – GC: ESTUDO DE CASOS, 145

APÊNDICE 11 – GC’s: UMA ANÁLISE MAIS DETALHADA, 148

APÊNDICE 12 – MAIS DETALHES SOBRE A CCO, 165

APÊNDICE 13 – UMA PLANILHA EXCEL PARA CCO, 172

APÊNDICE 14 – AS SETE FERRAMENTAS DA QUALIDADE, 174

APÊNDICE 15 – ANÁLISE DE VARIÂNCIA, 179

APÊNDICE 16 – TQM versus GEIQ, 185

APÊNDICE 17 – TABELAS ÚTEIS, 187

ÍNDICE DE ASSUNTOS, 194

Tudo começou com um curso de extensão, oferecido para estudantes e técnicos

O conceito de controle estatístico de qualidade foi introduzido na

1.2. Definições fundamentais

Qualidade – Qualidade é algo difícil de definir. Para os propósitos deste

Dispersão - É o grau de espalhamento dos diversos indivíduos de uma

O controle estatístico é exercido com várias finalidades.

a) Controle Estatístico de Qualidade

O Controle Estatístico de Processo ou Controle Estatístico de

Controle Estatístico de Qualidade, numa indústria que realiza o

Finalmente, o Controle Estatístico de Qualidade é utilizado com o

1.4. Erros e Incertezas em Química Analítica

1.4.1. Precisão e exatidão

Quando alguém se propõe a repetir várias vezes uma determinada

coincidência. De fato, é difícil aceitar que algo impreciso seja exato.

Figura 1.1 – Diferença entre precisão e exatidão.

1.4.2. Origem dos erros experimentais

Os erros de medição (precisão e exatidão) podem agora ser melhor

Na seção anterior foram discutidos os conceitos de precisão e

1.4.4. Medições usadas em Química Analítica

Os métodos analíticos são classificados em dois tipos gerais:

Inerentes a cada método, os erros podem ser de três tipos:

O erro grosseiro, devido à falta de atenção ou de treinamento

Em qualquer medição que se faça fatalmente será cometido um

empregado, ou do próprio analista. Tome-se como exemplo a medição de uma

Na realidade, a leitura será sempre uma aproximação (ou

1.4.4.2. Erro absoluto

O erro de um instrumento, como compreendido no parágrafo

Para a medição realizada com a segunda régua (b) fica:

Numa pesagem, normalmente é preciso pesar inicialmente o

1.4.4.4. Medição de volume

Na medição de um volume o erro máximo é calculado do mesmo

Tabela 1.1 - Erro absoluto4 (incerteza) de vários recipientes.

Resposta à pergunta da página anterior: