Notas de apoio de Fiabilidade e Controlo de
Transcrição
Notas de apoio de Fiabilidade e Controlo de
Notas de apoio de Fiabilidade e Controlo de Qualidade Manuel Cabral Morais Secção de Estatı́stica e Aplicações Instituto Superior Técnico Lisboa, Fevereiro—Junho de 2007 Índice Lista de tabelas vii Lista de figuras xi 1 Conceitos básicos em fiabilidade 1 1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Breve nota histórica . . . . . . . . . . . . . . . . . . . 5 1.3 Função de estrutura e outros conceitos básicos . . . . . 8 1.4 Estruturas coerentes . . . . . . . . . . . . . . . . . . . 12 1.5 Fiabilidade de sistemas com componentes independentes 19 1.6 Associação e limites para a fiabilidade . . . . . . . . . . 27 2 Estatı́sticas ordinais e tempos de vida de estruturas usuais em fiabilidade 34 2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.2 Associação e limites para a função de fiabilidade . . . . 40 2.3 Mecanismos de censura . . . . . . . . . . . . . . . . . . 43 3 Envelhecimento estocástico e função taxa de falha 47 3.1 Função taxa de falha . . . . . . . . . . . . . . . . . . . 47 3.2 Monotonia da função taxa de falha . . . . . . . . . . . 52 3.3 Preservação da monotonia da taxa de falha . . . . . . . 55 ii 3.4 Outras noções de envelhecimento estocástico . . . . . . 63 3.5 Limites para a função de fiabilidade e momentos . . . . 69 3.5.1 Limites para a função de fiabilidade baseados num quantil conhecido . . . . . . . . . . . . . . 3.5.2 Limites para a função de fiabilidade baseados num momento conhecido . . . . . . . . . . . . . 3.5.3 74 Limites para a função de fiabilidade de um sistema baseados em momentos conhecidos . . . 3.5.5 71 Limites para momentos da duração de uma componente . . . . . . . . . . . . . . . . . . . . 3.5.4 70 76 Limites para a duração esperada de um sistema baseados em momentos conhecidos . . . . . . . 4 Modelos paramétricos importantes em fiabilidade 78 82 4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 82 4.2 Distribuições discretas . . . . . . . . . . . . . . . . . . 84 4.2.1 A distribuição geométrica . . . . . . . . . . . . 84 4.2.2 A distribuição binomial . . . . . . . . . . . . . . 86 4.2.3 A distribuição de Poisson . . . . . . . . . . . . 88 Distribuições contı́nuas . . . . . . . . . . . . . . . . . . 90 4.3.1 A distribuição exponencial . . . . . . . . . . . . 91 4.3.2 A distribuição bathtub . . . . . . . . . . . . . . 95 4.3.3 A distribuição log-normal . . . . . . . . . . . . 96 4.3.4 A distribuição de Weibull . . . . . . . . . . . . 97 4.3.5 As distribuições normal e normal truncada . . . 103 4.3.6 A distribuição gama . . . . . . . . . . . . . . . 104 4.3.7 A distribuição gaussiana inversa . . . . . . . . . 106 4.3.8 As distribuições gama inversa e beta . . . . . . 108 4.3 iii 5 Inferências sobre modelos para diferentes tipos de ensaio 111 5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.2 Identificação e selecção de modelos . . . . . . . . . . . 114 5.2.1 Estimação não paramétrica de caracterı́sticas da fiabilidade — dados completos . . . . . . . . . . 114 5.2.2 Gráficos TTT . . . . . . . . . . . . . . . . . . . 120 5.2.3 Papel de probabilidade . . . . . . . . . . . . . . 122 5.2.4 Testes de ajustamento . . . . . . . . . . . . . . 127 5.3 Testes de vida e estimação de MV . . . . . . . . . . . . 129 5.4 Estimação no modelo exponencial . . . . . . . . . . . . 135 5.4.1 Validação do modelo exponencial . . . . . . . . 136 5.4.2 Amostra completa . . . . . . . . . . . . . . . . 139 5.4.3 Testes de vida com censura . . . . . . . . . . . 141 5.4.4 Escolha da fracção a censurar e minimização de custos de amostragem . . . . . . . . . . . . . . 146 6 Estratégias de manutenção 149 6.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 149 6.2 Sobre o impacto das noções de envelhecimento em manutenção . . . . . . . . . . . . . . . . . . . . . . . . 151 6.3 Teoria do renovamento e manutenção . . . . . . . . . . 153 6.3.1 Limites para a convolução . . . . . . . . . . . . 154 6.3.2 Limites para a função de renovamento . . . . . 159 6.3.3 Limites para algumas funções do número de renovamentos . . . . . . . . . . . . . . . . . . . 161 6.4 Algumas estratégias de manutenção . . . . . . . . . . . 164 6.5 Comparação de estratégias de manutenção . . . . . . . 168 iv 6.6 A polı́tica de manutenção random age replacement . . 172 6.7 Alguns resultados sobre disponibilidade . . . . . . . . . 175 6.7.1 Disponibilidade de sistemas com componentes independentes . . . . . . . . . . . . . . . . . . . 177 6.7.2 Disponibilidade de sistemas em série . . . . . . 178 6.7.3 Disponibilidade de sistema com uma unidade de operação, uma sobressalente e uma de reparação 183 6.7.4 Disponibilidade de sistema com m unidades de operação, n sobressalentes e s de reparação . . . 185 7 Controlo estatı́stico de processos 188 7.1 O significado de qualidade . . . . . . . . . . . . . . . . 188 7.2 Os custos e os aspectos legais da qualidade . . . . . . . 192 7.3 Um apanhado da história do controlo de qualidade . . 196 7.3.1 Um apanhado geral . . . . . . . . . . . . . . . . 196 7.3.2 As guildas da Europa medieval . . . . . . . . . 198 7.3.3 A Revolução Industrial . . . . . . . . . . . . . . 199 7.3.4 O inı́cio do sec. XX . . . . . . . . . . . . . . . . 201 7.3.5 A II Guerra Mundial . . . . . . . . . . . . . . . 202 7.3.6 A qualidade total . . . . . . . . . . . . . . . . . 204 7.3.7 Para além da qualidade total . . . . . . . . . . 207 7.3.8 Walter A. Shewhart — Pai do controlo estatı́stico de qualidade . . . . . . . . . . . . . . 209 8 Esquemas de controlo de qualidade do tipo Shewhart para atributos e variáveis 211 8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 211 8.2 Esquemas Shewhart . . . . . . . . . . . . . . . . . . . . 215 8.3 Desempenho de esquemas Shewhart . . . . . . . . . . . 222 v 8.4 Cartas Shewhart para atributos . . . . . . . . . . . . . 224 8.5 Cartas Shewhart para variáveis . . . . . . . . . . . . . 238 9 Esquemas de controlo de qualidade do tipo CUSUM e EWMA para atributos e variáveis 249 9.1 Esquemas CUSUM e EWMA . . . . . . . . . . . . . . 249 9.2 Esquemas CUSUM para atributos . . . . . . . . . . . . 251 9.3 Desempenho de esquemas CUSUM para atributos . . . 256 9.4 Esquemas EWMA para variáveis . . . . . . . . . . . . 266 9.5 9.4.1 Esquema EWMA padrão para µ . . . . . . . . . 266 9.4.2 Esquema EWMA unilateral superior para σ 2 . . 271 Desempenho de esquemas individuais EWMA para variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . 277 9.6 Desempenho de esquemas conjuntos para µ e σ 2 . . . . 282 9.6.1 Sinais erróneos — Misleading Signals . . . . . . 283 9.6.2 Probabilidades de Misleading Signal (PMS) . . 285 10 Amostragem de aceitação 291 10.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 291 10.2 Planos de amostragem de aceitação simples por atributos296 10.3 A norma Military Standard 105 (ANSI/ASQC Z1.4) . . 302 10.4 Planos de amostragem de aceitação simples por atributos – com rectificação da inspecção . . . . . . . . 307 10.5 Planos de amostragem de aceitação dupla por atributos – com e sem rectificação da inspecção . . . . . . . . . . 311 10.6 Planos de amostragem de aceitação para variáveis . . . 318 10.7 Planos de amostragem de aceitação para variáveis — distribuição gaussiana: desvio padrão conhecido . . . . 321 vi 10.8 Planos de amostragem de aceitação para variáveis — distribuição gaussiana: desvio padrão desconhecido . . 324 10.9 A norma Military Standard 414 (ANSI/ASQC Z1.9) . . 327 11 Esquemas com intervalos amostrais variáveis 330 11.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . 330 11.2 Descrição das polı́ticas amostrais FSI e VSI . . . . . . 332 11.3 Caracterı́sticas primárias . . . . . . . . . . . . . . . . . 334 11.4 Cálculo das caracterı́sticas primárias dos esquemas Shewhart . . . . . . . . . . . . . . . . . . . . . . . . . 336 11.5 Obtenção numérica das caracterı́sticas primárias para esquemas do tipo markoviano . . . . . . . . . . . . . . 339 11.6 Comparabilidade sob controlo; caracterı́stica primordial; comparação dos desempenhos de cartas FSI e VSI . . . . . . . . . . . . . . . . . . . . . . . . . 343 11.7 Ilustração: esquemas X̄ dos tipos FSI e VSI com limites 3σ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346 Referências 347 vii Lista de Tabelas 3.1 Preservação do comportamento monótono da taxa de falha das estatı́sticas ordinais (“Não”≡ “Nem sempre”). 61 3.2 Preservação da propriedade de envelhecimento face a operações de fiabilidade (“Não”≡ “Nem sempre”). . . . 67 4.1 Algumas distribuições discretas importantes. . . . . . . 86 4.2 Número de acidentes mensais. . . . . . . . . . . . . . . 88 4.3 Algumas distribuições contı́nuas importantes. . . . . . 92 5.1 Estimativas não paramétricas da f.d.p., f.f. e f.t.f. — amostra não agrupada. 5.2 . . . . . . . . . . . . . . . . . 115 Estimativas não paramétricas da f.d.p., f.f. e f.t.f. — dados da refinaria de gasolina. 5.3 . . . . . . . . . . . . . 116 Estimativas não paramétricas da f.d.p., f.f e f.t.f. — amostra agrupada. . . . . . . . . . . . . . . . . . . . . 117 5.4 Estimativas não paramétricas da f.d.p., f.f e f.t.f. — baterias. 5.5 . . . . . . . . . . . . . . . . . . . . . . . . . 118 Estimativas não paramétricas da f.d.p., f.f e f.t.f. — turbofan jet engines. . . . . . . . . . . . . . . . . . . . 119 5.6 Cálculos auxiliares para obter gráfico TTT — refinaria de gasolina. . . . . . . . . . . . . . . . . . . . . . . . . 121 5.7 Horas até falha de 20 termóstatos . . . . . . . . . . . . 138 viii 5.8 Instantes de falha e os tempos entre falhas consecutivas de camião . . . . . . . . . . . . . . . . . . . . . . . . . 138 5.9 Dados referentes a nove locais de teste de termóstatos . 139 5.10 Algumas estimativas de MV . . . . . . . . . . . . . . . 140 5.11 Estimadores de MV para λ — dados censurados . . . . 142 5.12 Tempos totais acumulados em teste — dados censurados 142 5.13 Estimadores de MV para λ — dados censurados . . . . 143 5.14 Estimadores UMVUE de E(T ) e RT (t) — dados censurados . . . . . . . . . . . . . . . . . . . . . . . . . 143 5.15 Estatı́sticas suficientes para λ — dados censurados . . 144 5.16 Intervalos de confiança para λ — dados censurados . . 144 5.17 V.a. fulcrais para λ — dados censurados . . . . . . . . 145 8.1 No. observado de defeituosos tN com: n = 100; p = p0 = 0.05, para N = 1, . . . , 50; e p = p0 + θ = 0.056, para N = 51, . . . , 70. . . . . . . . . . . . . . . . . . . . 217 8.2 Propriedades de RL (caso geométrico). . . . . . . . . . 223 8.3 Descrição das cartas (padrão) np e c, com limites 3-sigma.226 8.4 Valores de quantis de RL, ARL, SDRL, CVRL, CSRL e CKRL para carta-np unilateral superior (n = 100, p0 = 0.02 e U CL = 7). . . . . . . . . . . . . . . . . . . 228 8.5 No. de artigos não conformes em 30 amostras de 100 peças soldadas. . . . . . . . . . . . . . . . . . . . . . . 230 8.6 No. de artigos defeituosos em 10 amostras de 100 peças. 232 8.7 No. de defeitos em 20 amostras de dimensão variável de rolos de papel. . . . . . . . . . . . . . . . . . . . . . . . 232 8.8 No. de defeitos de 16 amostras de 4 transmissões manuais.233 8.9 No. de defeitos à superfı́cie de 25 lâminas de aço. . . . . 234 ix 8.10 No. de defeitos na inspecção final de gravadores. . . . . 235 8.11 No. de artigos defeituosos em 20 amostras de dimensão variável. . . . . . . . . . . . . . . . . . . . . . . . . . . 236 8.12 Descrição das cartas (padrão) X̄ e S 2 . . . . . . . . . . 239 8.13 Médias de 10 amostras de dimensão n = 4. . . . . . . . 241 8.14 Médias de 24 amostras de dimensão n = 5 de três últimas casas decimais do diâmetro de suportes metálicos.243 8.15 Valores de ξ(θ) para esquemas S 2 com σ02 = 1 e α = 0.002 (i.e., ARL(1) = 500). . . . . . . . . . . . . . . . . 244 8.16 Médias e desvios-padrão corrigidos de 20 amostras de dimensão 5. . . . . . . . . . . . . . . . . . . . . . . . . 247 9.1 Caracterı́sticas de esquemas Shewhart e CUSUM/EWMA.250 9.2 No. observado de defeituosos yN e estatı́stica CUSUM para: n = 100, p = p0 = 0.05, para N = 1, . . . , 50, p = p0 + θ = 0.056, para N = 51, . . . , 70; k = 5.29, u = 0 e U CLC = 18.3. . . . . . . . . . . . . . . . . . . 254 9.3 Algumas propriedades de RLu (θ). . . . . . . . . . . . . 260 9.4 Esquemas Shewhart vs. CUSUM . . . . . . . . . . . . . 261 9.5 Alguns quantis do RL e valores de ARL, SDRL, CVRL, CSRL e CKRL para os esquemas unilaterais superiores CUSUM e np (n = 100, p0 = 0.02, p1 = 0.0427685). . . . 264 9.6 Pesos médios de saquetas de produto quı́mico. . . . . . 270 9.7 Pesos médios de latas de óleo para motor de carro. 9.8 Temperaturas de reagente quı́mico. . . . . . . . . . . . 274 9.9 Médias e variâncias corrigidas do diâmetro de fibra têxtil.275 . . 271 9.10 Caracterização dos esquemas individuais . . . . . . . . 277 x 9.11 Médias (x̄), variâncias (s2 ) e max{σ02 , s2 } das temperaturas do reagente. . . . . . . . . . . . . . . . . 284 9.12 Expressões exactas das PMSs de Tipos III e IV para os esquemas conjuntos SS e SS + . . . . . . . . . . . . . . 287 9.13 Valores das PMSs dos Tipos III e IV para esquemas conjuntos SS + e EE + . . . . . . . . . . . . . . . . . . . 288 10.1 Planos de amostragem obtidos por uso da norma ANSI/ASQC Z1.4-1981 e por recurso à distribuição hipergeométrica, para N = 800, α = 0.05 e β = 0.1. . . 305 10.2 Alguns planos de amostragem para variáveis com σ desconhecido (β = 0.10), recorrendo norma ANSI/ASQC Z1.9-1980 e a (10.38). . . . . . . . . . . . 328 11.1 Tempo até sinal para esquemas Shewhart . . . . . . . . 338 11.2 Valor esperado, variância e coeficiente de variação do tempo até sinal . . . . . . . . . . . . . . . . . . . . . . 347 xi Lista de Figuras 8.1 Carta de controlo — No. amostra (abcissa) vs. valor obs. estatı́stica (ordenada); limite superior de controlo (U CL). 8.2 . . . . . . . . . . . . . . . . . . . . . . . . . . 212 Carta de controlo (unilateral superior) — No. amostra (abcissa) vs. No. de defeitos por amostra (ordenada); limite superior de controlo. . . . . . . . . . . . . . . . . 218 8.3 ARL de esquema X̄ com limites 3-sigma. . . . . . . . . 240 8.4 ARL de esquema S 2 padrão (n = 5). . . . . . . . . . . 245 9.1 Valores observados da estatı́stica CUSUM (zN ). . . . . 255 9.2 Redução percentual em ARL por substituição de esquema Shewhart por esquema EWMA. . . . . . . . . 281 10.1 Descrição esquemática de um plano de amostragem dupla.311 xii Capı́tulo 1 Conceitos básicos em fiabilidade 1.1 Introdução Este capı́tulo introdutório debruça-se essencialmente sobre as relações entre um sistema de interesse e as respectivas componentes. Apesar do carácter aleatório do funcionamento das componentes do sistema, assumir-se-á que as relações estruturais entre este e aquelas são determinı́sticas. Antes de prosseguir é crucial adiantar alguns conceitos básicos, mesmo que de um modo informal, nomeadamente a capacidade que um sistema tem de desempenhar adequadamente as funções a que se propõe, em certo ambiente e durante um perı́odo de tempo. Definição informal 1.1 — Fiabilidade Diz respeito, de um modo geral, ao grau de confiança ou probabilidade que atribuimos ao funcionamento sem falhas por parte de um sistema, em certo ambiente e durante um perı́odo de tempo de pelo menos t0 unidades. 1 • Esta definição envolve quatro importantes termos/noções que convém definir mesmo que informalmente. A saber: probabilidade;1 falhas; ambiente; tempo. Definição informal 1.2 — Falhas Cada sistema possui um conjunto especı́fico de eventos indesejáveis • ou falhas. Para um relógio pode definir-se como um atraso que exceda 5 segundos durante um perı́odo de 24 horas. Para um sistema mecânico pode tratar-se de um aumento da vibração produzida acima de um nı́vel regulamentar. Uma das mais perigosas falhas de um reactor nuclear é a fuga de material radioactivo. Ao lidar-se com um mı́ssil uma falha pode consistir em não atingir o alvo ou explodir antes de atingir o alvo. Escusado será dizer que um sistema diz-se absolutamente fiável se não ocorrerem falhas durante o seu funcionamento. Definição informal 1.3 — Ambiente A fiabilidade de um sistema depende crucialmente do ambiente em que opera um sistema. O ambiente diz não só respeito às condições climatéricas mas também a: empacotamento, transporte, armazenamento; instalação; tipo de utilizador; recursos de manutenção disponı́veis; pó, quı́micos e outros poluentes. • Definição informal 1.4 — Tempo A fiabilidade decresce com o tempo, na medida em que quanto maior for o tempo de operação do sistema maior é a probabilidade de falha do mesmo. 1 Escusamo-nos de definir este primeiro termo. 2 Atente-se, no entanto, que o tempo de operação nem sempre é medido em unidades de tempo. Pode sê-lo em distância percorrida para um veı́culo, ou turnos/ciclos de operação para um operário, ou • ainda uma combinação destas e outras medidas de “tempo”. Metodologias é o resultado estatı́sticas/probabilı́sticas da acção conjunta de — Uma diversos falha factores aleatórios/imprevisı́veis intrı́nsecos ao sistema bem como das diversas influências do ambiente em que o sistema opera. Assim, o tratamento adequado da fiabilidade de sistemas só pode ser feito recorrendo a metodologias estatı́sticas/probabilı́sticas. Teoria da fiabilidade — Corpo de ideias, modelos e métodos destinados à solução de problemas de estimação/optimização da probabilidade de sobrevivência... ou, mais genericamente, da distribuição do • tempo de vida de componentes, equipamento ou sistemas. Outros dos problemas considerados em teoria da fiabilidade dizem respeito ao cálculo da probabilidade de funcionamento de um sistema e da proporção de tempo em que o sistema se encontra em funcionamento. Argumenta-se que a teoria da fiabilidade não passa de uma simples aplicação da teoria das Probabilidades... Contudo os problemas de fiabilidade possuem uma estrutura própria e têm estimulado o desenvolvimento de novas áreas em teoria das Probabilidades como: • noções de envelhecimento estocástico (e tipos de monotonia); • obtenção de resultados em teoria de renovamento como resultado da comparação de polı́ticas de substituição. 3 Estratégias de manutenção — Algumas situações de fiabilidade envolvem substituições, reparações e inspecções de componentes. Estas operações básicas influenciam a fiabilidade de um sistema e desempenham um papel crucial em estratégias/polı́ticas de manutenção. Testes de vida acelerados — De modo a induzir falhas em equipamento muito fiável, são usados métodos de teste especiais denominados de testes de vida acelerados. Há, fundamentalmente, três formas distintas de acelerar um teste de vida, i.e., reduzir o tempo de vida de produto submetido a teste: • aumentar a taxa de utilização do produto (e.g., testar uma torradeira 200 vezes ao dia); • recorrer a temperaturas ou humidade elevadas e pouco usuais de forma a aumentar a taxa de falha; • aumentar factores de stresse (e.g., voltagem) de modo a que as componentes se desgastem e falhem mais depressa. Tópico relacionado com fiabilidade — Os problemas estatı́sticos de estimação da função sobrevivência da vida de um sistema/indivı́duo a partir de dados (eventualmente censurados) e uma série de outros tipos de inferências (estimação de parâmetros de modelos, comparações de funções de sobrevivência, etc.) são alvo de estudo em Análise de Sobrevivência. Textos de apoio: Barlow e Proschan (1965/1996, p. xi); Leitch (1995, pp. 1–5). 4 1.2 Breve nota histórica O surgimento da teoria da fiabilidade está intimamente ligado à necessidade de lidar com tecnologia moderna, em particular, com os sistemas militares complexos durante a II Guerra Mundial. Uma das primeiras áreas de fiabilidade abordadas com alguma sofisticação matemática foi a da manutenção de máquinas (Khintchine (1932) e Palm (1947)). As técnicas usadas foram inspiradas em outras já utilizadas por Erlang e Palm em problemas de dimensionamento de centrais telefónicas. primeiras de tentativas para justificar o uso da As distribuição Poisson para o número de chamadas em perı́odos de tempo fixos serviram de base para o uso da distribuição exponencial na caracterização dos tempos entre falhas de equipamentos complexos (Epstein (1958)). A aplicação da teoria do renovamento em problemas de substituição de equipamento começou por ser discutida por Lotka (1939) e Campbell (1941). A fadiga de materiais e um tópico associado, a teoria de valores extremos, foram estudados por Weibull (1939), Gumbel (1935), Epstein (1948), etc. Gumbel (1958) fornece uma série de ilustrações da adequação de modelos extremais à representação de tempos de vida. No inı́cio da década de 50, algumas áreas da fiabilidade como os testes de vida e os problemas de fiabilidade em equipamento electrónico, em mı́sseis e aeronaves mereceram grande atenção por parte, quer de estatı́sticos, quer de engenheiros ligados à indústria 5 armamentista e aeronáutica.2 A popularidade da distribuição exponencial em fiabilidade devese em grande parte aos trabalhos de Davis (1952) e Epstein e Sobel (1953). Contudo, a partir de 1955 e graças aos trabalhos de Kao (1956, 1958) e Zelen-Dannemiller (1961), começou a considerar-se seriamente outros modelos para o tempo de vida, com destaque para o modelo Weibull. A fiabilidade de sistemas com interruptores electromagnéticos (“relays”) motivou o trabalho de Moore e Shannon (1956), estes autores foram, por sua vez, estimulados pela tentativa de von Neumann descrever certas operações do cérebro humano e a elevada fiabilidade de organismos biológicos complexos. Em 1956, G.Weiss introduz o uso de processos semi- markovianos na resolução de problemas de manutenção. Motivados pelos problemas de vibração surgidos na construção de aeronaves comerciais a jacto, Birnbaum e Saunders (1958) introduzem um modelo estatı́stico na descrição do tempo de vida de estruturas sob sobrecarga dinâmica. Este modelo permite exprimir a distribuição do tempo de vida em termos da carga e acabou por sugerir o uso da distribuição gama em determinadas situações. A introdução de funções de estrutura de sistemas coerentes devese ao trabalho de Birnbaum, Esary e Saunders (1961) e constitui uma generalização de trabalho prévio da autoria de Moore e Shannon. Nos anos 70 deu-se especial ênfase a problemas de fiabilidade associados a segurança de reactores nucleares e outros problemas 2 Em 1950, a Força Aérea dos E.U.A. formou o Group on Reliability of Electronic Equipment para recomendar medidas que aumentassem a fiabilidade do equipamento e diminuissem os custos de manutenção do equipamento. 6 de segurança industrial. Nos anos 80, deu-se particular atenção à fiabilidade de redes de computadores, motivada pela Advanced Research Projects Agency (ARPA), precursora da Internet e da World Wide Web (www). Na década de 90, Mendel traçou novas direcções na investigação em fiabilidade, inspirado pela Fı́sica e fazendo uso da geometria diferencial. A competição feroz no mercado é responsável por aquele que é, hoje, o grande desafio para a indústria: o desenvolvimento de produtos de complexidade crescente em pouco tempo mas com elevados nı́veis de qualidade e fiabilidade. Textos de apoio: Barlow e Proschan (1965/1996, pp. 1-5); Barlow (1998, pp. xv-xvi). 7 1.3 Função de estrutura e outros conceitos básicos Em fiabilidade de sistemas constituı́dos por diversas componentes têm particular relevo alguns conceitos. Definição 1.5 — Ordem do sistema Designação dada ao número de componentes de um sistema. É usualmente representada por n (i = 1, . . . , n). • Definição 1.6 — Função de estrutura (“structure function”) Numa perspectiva estática pode definir-se a seguinte função 1, se o sistema está a funcionar 0, c.c. φ(X) = (1.1) onde X = (X1 , . . . , Xn ) denota o vector de estado e 1, se a componente i está a funcionar 0, c.c., Xi = (1.2) para i = 1, . . . , n. Esta função será doravante denominada de função • de estrutura. Definição 1.7 — Fiabilidade Define-se à custa do valor esperado da função estrutura, r = P [φ(X) = 1] = E[φ(X)], (1.3) logo corresponde à probabilidade de funcionamento. • A função estrutura pode ser obtida sem grande dificuldade nos seguintes exemplos. A fiabilidade de sistemas com componentes independentes será discutida posteriormente. 8 Exemplo 1.8 — Estrutura em série Uma estrutura em série funciona sse o mesmo ocorrer com todas as suas componentes. Assim, φ(X) = min{X1 , . . . , Xn } = n Y Xi . (1.4) i=1 • Exemplo 1.9 — Estrutura em paralelo Uma estrutura em paralelo funciona desde que pelo menos uma das suas componentes funcione. Logo φ(X) = max{X1 , . . . , Xn } = 1 − n Y (1 − Xi ). (1.5) i=1 • Exemplo 1.10 — Estrutura k-de-n Uma estrutura k − de − n funcionará sse funcionarem pelo menos k das suas n componentes. Neste caso 1, se 0, c.c. φ(X) = Pn i=1 Xi ≥k (1.6) Um avião que é capaz de voar sse pelo menos 2 de 3 motores funcionarem é um exemplo de uma estrutura 2 − de − 3. De notar que uma estrutura em série (paralelo) corresponde a uma estrutura n − de − n (1 − de − n). • Exercı́cio 1.11 — Considere um sistema com 4 componentes. Suponha que este sistema funciona sse tal acontecer com as componentes 1 e 2, e se as componentes 3 ou 4 funcionarem. Represente esquematicamente este sistema e prove que a sua função estrutura é igual a X1 × X2 × (X3 + X4 − X3 × X4 ). (Ver Ross (2003, • pp. 549–550).) 9 Exercı́cio 1.12 — Considere um sistema de alta fidelidade composto por: • Gravador • CD player • Amplificador • Altifalante A • Altifalante B Considera-se que o sistema está a funcionar, caso se ouça música (amplificada) mono ou stereo, vinda do gravador ou do CD player. Represente diagramaticamente este sistema e determine a sua • função estrutura (Barlow e Proschan (1975, p. 4)). Definição 1.13 — Decomposição fulcral (“Pivotal decomposition”) da função de estrutura A função de estrutura de um sistema pode ser decomposta do seguinte modo: φ(x) = xi φ(1i , x) + (1 − xi ) φ(0i , x) (1.7) onde • (1i , x) = (x1 , . . . , xi−1 , 1, xi+1 , . . . , xn ) e • (0i , x) = (x1 , . . . , xi−1 , 0, xi+1 , . . . , xn ). • Este resultado é particularmente importante pois permite reescrever a função de estrutura de um sistema de ordem n à custa das funções de estrutura de dois sub-sistemas de ordem n − 1. 10 Exercı́cio 1.14 — Uma rede de tratamento de águas residuais possui o figurino abaixo onde i denota a estação de tratamento i (i = 1, . . . 6). Determine a função de estrutura por decomposição fulcral em torno • da estação de tratamento 4. Na próxima secção será apresentado um método alternativo de obtenção da função de estrutura. Textos de apoio: Barlow e Proschan (1975, pp. 1–6); Ross (2003, pp. 547–550). 11 1.4 Estruturas coerentes É desejável que os sistemas não possuam aquilo que se designa a seguir por componentes irrelevantes. Definição 1.15 — Componente irrelevante A i−ésima componente de um sistema diz-se irrelevante caso a função estrutura seja constante em xi , i.e., φ(1i , x) = φ(0i , x), (1.8) para qualquer (•i , x), onde (1i , x) = (x1 , . . . , xi−1 , 1, xi+1 , . . . , xn ) e (0i , x) = (x1 , . . . , xi−1 , 0, xi+1 , . . . , xn ). • Exercı́cio 1.16 — Prove que a componente 2 do sistema descrito na Figura 1.1.15 de Barlow e Proschan (1975, p. 5) • é irrelevante. É natural assumir que a substituição de uma componente inoperacional por uma que funcione nunca conduza à deterioração do sistema. Ou por outra, é desejável lidar com sistemas cuja função de estrutura é monótona não decrescente. Definição 1.17 — Estruturas coerentes (ou monótonas)3 Estas estruturas são caracterizadas por possuı́rem função de estrutura não decrescente, i.e. φ(x) ≤ φ(y), se xi ≤ yi , i = 1, . . . , n, e todas as componentes relevantes. 3 Esta última designação é preferida por Barlow e Proschan (1965/1996, p. 204). 12 (1.9) • Nota 1.18 — Estruturas coerentes De notar que qualquer estrutura coerente possui função de estrutura verificando: • φ(1) = 1, onde 1 = (1, . . . , 1); • φ(0) = 0, onde 0 = (0, . . . , 0). • Exercı́cio 1.19 — Represente todas as estruturas coerentes (a menos de permutações das suas componentes) de ordem 1, 2 e 3 e determine as respectivas funções de estrutura (Barlow e Proschan (1975, pp. 6– • 7)). Teorema 1.20 — Estruturas coerentes Sejam φmin (x), φmax (x) e φ(x) as funções de estrutura de sistemas de ordem n em série, em paralelo e de um sistema coerente genérico, respectivamente. Então φmin (x) ≤ φ(x) ≤ φmax (x). (1.10) • Este resultado permite-nos afirmar que o desempenho de qualquer estrutura coerente é limitada inferiormente (resp. superiormente) pelo desempenho de uma estrutura em série (resp. paralelo). Nota 1.21 — Estruturas coerentes Qualquer estrutura coerente pode ser descrita como um sistema em série (resp. paralelo) cujas componentes são por sua vez sub-sistemas • em paralelo (resp. série). Exercı́cio 1.22 — Descreva diagramaticamente um sistema 2-de-3 e reescreva a sua função estrutura, tendo em conta a observação anterior • (Ross (1989, p. 406)). 13 As estruturas coerentes podem ser também descritas à custa de caminhos e cortes. Para tal, considere-se que o vector x indica os estados de um conjunto de n componentes, C = {1, . . . , n}. Definição 1.23 — Path vector e caminho (path set) O vector x diz-se um path vector, caso φ(x) = 1. Ao conjunto de ı́ndices C1 (x) = {i : xi = 1} dá-se o nome de caminho (path set). • Definição 1.24 — Minimal path vector e caminho mı́nimo (minimal path set) O vector x diz-se um minimal path vector, se y < x ⇒ φ(y) = 0 para todo o y.4 Nesta situação C1 (x) é designado de caminho mı́nimo (minimal path set). C1 (x) corresponde a um conjunto de componentes que permite o funcionamento do sistema; este conjunto não inclui • qualquer componente irrelevante. Exercı́cio 1.25 — Identifique os caminhos mı́nimos do sistema de 5 componentes, descrito em Ross (2003, p. 551). • Definição 1.26 — Cut vector e corte (cut set) O vector x diz-se um “cut vector”, caso φ(x) = 0. Ao conjunto de ı́ndices C0 (x) = {i : xi = 0} dá-se o nome de corte (cut set). 4 y < x ⇔ (yi ≤ xi (i = 1, . . . , n) e yi < xi para algum i. 14 • Definição 1.27 — Minimal cut vector e corte mı́nimo (minimal cut set) O vector x diz-se um “minimal cut vector”, se y > x ⇒ φ(y) = 1 para todo o y. Neste caso C0 (x) diz-se um corte mı́nimo (“minimal cut set”). C0 (x) corresponde a um conjunto de componentes, todas relevantes, sem as quais o sistema é incapaz de funcionar. • Exercı́cio 1.28 — Identifique path vectors, caminhos, caminhos mı́nimos, cut vectors, cortes e cortes mı́nimos, no sistema em ponte abaixo, descrito em Barlow e Proschan (1975, p. 9). • Nota 1.29 — Reescrita de sistemas coerentes É possı́vel escrever a função de estrutura de um sistema coerente à custa de caminhos mı́nimos ou cortes mı́nimos. Para o efeito, considere-se Pj o j-ésimo caminho mı́nimo (j = 1, . . . , p) e a função binária com argumentos xi , i ∈ Pj ρj (x) = min xi = i∈Pj Y xi (1.11) i∈Pj que toma valor unitário, se todas as componentes do j-ésimo caminho mı́nimo estiverem a funcionar, e 0, caso contrário. Ou seja, ρj (x) corresponde à função estrutura do sub-sistema em série j cujas componentes fazem parte do caminho mı́nimo Pj . 15 Analogamente, tome-se Kj o j-ésimo corte mı́nimo (j = 1, . . . , q) e a associe-se a função binária com argumentos xi , i ∈ Kj kj (x) = max xi = 1 − i∈Kj Y (1 − xi ) (1.12) i∈Kj que toma valor 0, se todas as componentes do j-ésimo corte mı́nimo não estiverem a funcionar, e 1, caso contrário. I.e., kj (x) corresponde à função estrutura do sub-sistema em paralelo j cujas componentes fazem parte do corte mı́nimo Kj . • Teorema 1.30 — Reescrita de sistemas coerentes Sejam P1 , . . . , Pp os caminhos mı́nimos e K1 , . . ., Kq os cortes mı́nimos da referida estrutura coerente. Então φ(x) = max ρj (x) = max min xi j=1,...,p = 1− φ(x) = = p Y 1 j=1 − j=1,...,p i∈Pj Y xi i∈Pj min kj (x) = min max j=1,...,q j=1,...,q i∈Kj q Y Y 1 − (1 − xi ) . j=1 i∈Kj (1.13) xi (1.14) I.e. uma estrutura original coerente pode ser pensada como uma estrutura em paralelo (série) constituı́da por todos os sub-sistemas em série (paralelo) passı́veis de se formar com as componentes que constituem caminhos (cortes) mı́nimos. • Exercı́cio 1.31 — Obtenha a função de estrutura do sistema em ponte à custa de um arranjo em paralelo (série) dos caminhos (cortes) mı́nimos (Barlow e Proschan (1975, pp. 10–11) e Gertsbakh (1995, • p. 6)). 16 Exercı́cio 1.32 — A Figura 1.2 de Gertsbakh (1995, p. 4) descreve um sistema de (re)distribuição de água a três cidades C1 , C2 e C3 a partir de uma central de fornecimento de água W . Diz-se que o sistema de (re)distribuição de água está operacional se as três cidades receberem água. Obtenha a função de estrutura deste sistema recorrendo ou a uma decomposição fulcral, ou a caminhos mı́nimos, ou a cortes mı́nimos. • Motivação 1.33 — Importância estrutural relativa das componentes Em certos sistemas coerentes, algumas componentes são mais importantes que outras na medida em que elas são determinantes para o funcionamento do sistema. Por exemplo, se uma das componentes está em série com o resto do sistema então pode parecer que seja tão importante quanto qualquer outra. É, pois, importante que o analista disponha de uma medida da importância das componentes individuais. • Definição 1.34 — Path vector crı́tico e caminho crı́tico para i Um path vector diz-se crı́tico para a componente i sse φ(1i , x) = 1 e φ(0i , x) = 0, i.e., φ(1i , x) − φ(0i , x) = 1. (1.15) O conjunto de ı́ndices Ci (1i , x) é denominado de caminho crı́tico para • i. 17 Definição 1.35 — Importância estrutural relativa da componente i O número de “path vectors”crı́ticos para i é dado por X nφ (i) = [φ(1i , x) − φ(0i , x)] (1.16) {x: φ(x)=1, xi =1} e a importância estrutural relativa da componente i definida por Iφ (i) = nφ (i) 2n−1 (1.17) e corresponde à proporção de “path vectors”crı́ticos para i face aos vectores de estado x caracterizados por xi = 1. • Exercı́cio 1.36 — Determine a importância estrutural relativa das componentes de um sistema em série de ordem 3. • Exercı́cio 1.37 — Calcule a importância estrutural relativa das componentes de uma estrutura 2 − de − 3 (Barlow e Proschan (1975, • p. 14)). Exercı́cio 1.38 — Admita que um sistema tem função de estrutura φ(x) = x1 [1 − (1 − x2 )(1 − x3 )]. Descreva diagramaticamente este sistema e obtenha a importância estrutural de cada uma das suas três componentes (Barlow e Proschan • (1975, p. 14)). Exercı́cio 1.39 — Calcule a importância estrutural de cada uma das cinco componentes do sistema em ponte (Barlow e Proschan (1975, • p. 16). Textos de apoio: Barlow e Proschan (1975, pp. 1–19); Ross (1993, pp. 404-411). 18 1.5 Fiabilidade de sistemas com componentes independentes Considere-se, doravante, que Xi representa o estado da componente i e que pi = P (Xi = 1) = 1 − P (Xi = 0), i = 1, . . . , n denota a fiabilidade da componente i. E seja p = (p1 , . . . , pn ) o vector das fiabilidades das componentes e considere-se nesta secção que quaisquer componentes funcionam de modo independente. A fiabilidade de um sistema corresponde à probabilidade de este estar a funcionar, i.e., caso a fiabilidade se represente por r, tem-se r = P [φ(X) = 1]. Definição 1.40 — Fiabilidade Ao lidarmos com componentes que funcionam de modo independente,5 a fiabilidade do sistema é passı́vel de escrever-se à custa do vector p das fiabilidades das componentes: r = r(p) = P [φ(X) = 1]. (1.18) Mais, pelo facto de φ(X) ser uma v.a. com distribuição de Bernoulli tem-se r = r(p) = E[φ(X)]. (1.19) • Exemplo 1.41 — Fiabilidade As estruturas em série e em paralelo com componentes independentes possuem fiabilidades iguais a r(p) = E[φ(X)] = E n Y Xi = i=1 5 n Y i=1 Ou seja, as v.a. X1 , . . . , Xn são independentes. 19 pi (1.20) r(p) = E[φ(X)] = E 1 − n Y (1 − Xi i=1 ) =1− n Y (1 − pi ), (1.21) i=1 respectivamente. Por seu lado, caso pi = p, a estrutura k −de−n possuem fiabilidade dada por r(p) = E[φ(X)] = P n X Xi ≥ k i=1 = n X n! pi (1 − p)n−i . i=k i! (n − i)! (1.22) • (Justifique!) Exercı́cio 1.42 — Compare a fiabilidade das estruturas em série e • paralelo descritas no Exemplo 1.41. Exercı́cio 1.43 — Considere uma estrutura com 4 componentes que funciona quando tal acontece com as componentes 1 e 4 e pelo menos 1 das duas restantes componentes se encontra operacional. Obtenha a fiabilidade desta estrutura (Ross (2003, p. 556)). • Nota 1.44 — Cálculo da fiabilidade De modo a calcular r(p) quando existem caminhos mı́nimos (cortes mı́nimos) com componentes em comum é necessário: • em primeiro lugar, multiplicar todos os termos de φ(X); • tirar partido do facto de Xi indep ∼ Bernoulli(pi ) e Xik =st Xi , k ∈ IN de modo a reescrever φ(X); • por fim, calcular os valores esperados de todas as parcelas de φ(X). 20 O cálculo exacto da fiabilidade pode fazer-se também por recurso a uma soma envolvendo todos os 2n vectores x: r(p) = E[φ(X)] = X φ(x) P (X = x) x = X φ(x) x = n Y pxi i (1 − pi )1−xi i=1 X P (X = x) {x:φ(x)=1} = X n Y pxi i (1 − pi )1−xi . (1.23) {x:φ(x)=1} i=1 • Exercı́cio 1.45 — Prove que a fiabilidade de uma estrutura do tipo 2−de−3, constituı́da por componentes independentes com fiabilidades distintas p1 , p2 , p3 , é igual a p1 p2 + p1 p3 + p2 p3 − 2p1 p2 p3 (Ross (2003, p. 555)). Note também que r(p) = E[1 − (1 − X1 X2 )(1 − X1 X3 )(1 − X2 X3 )] 6= 1 − E(1 − X1 X2 )E(1 − X1 X3 )E(1 − X2 X3 )] = 1 − (1 − p1 p2 )(1 − p1 p3 )(1 − p2 p3 ) (1.24) já que os caminhos mı́nimos têm componentes em comum e como tal • não são v.a. independentes. Exercı́cio 1.46 — Obtenha agora a fiabilidade de uma estrutura 3 − de − 4, constituı́da por componentes independentes com fiabilidades distintas p1 , p2 , p3 , p4 (Ross (2003, p. 556)). • Exercı́cio 1.47 — Determine a fiabilidade do sistema em ponte já descrito (Gertsbakh (1995, p. 10)). 21 • A fiabilidade de sistemas coerentes com componentes independentes possui entre outras caracterı́sticas as enunciadas a seguir. Teorema 1.48 — Monotonia da fiabilidade Seja r(p) a fiabilidade de um sistema com componentes independentes e função de estrutura monótona. Então r(p) é uma função monótona crescente de p. • Exercı́cio 1.49 — Demonstre o Teorema 1.48.6 • Teorema 1.50 — Decomposição fulcral (pivotal decomposition) da fiabilidade À semelhança do que acontece com a função de estrutura, a fiabilidade de um sistema pode ser decomposta do seguinte modo r(p) = pi r(1i , p) + (1 − pi ) r(0i , p) (1.25) onde: (1i , p) = (p1 , . . . , pi−1 , 1, pi+1 , . . . , pn ) e (0i , p) = (p1 , . . . , pi−1 , 0, pi+1 , . . . , pn ); r(1i , p) representa a fiabilidade de um sistema cuja componente i foi substituı́da por outra absolutamente fiável; r(0i , p) representa a fiabilidade do sistema cuja componente i já falhou. • O Teorema 1.50 permite concluir que r(p) é multilinear, ou seja, é linear em cada pi . Para além disso, quando p1 = . . . = pn = p, r(p) é um polinómio em p. O exercı́cio seguinte ilustra a utilidade da decomposição fulcral da fiabilidade. 6 Para mais detalhes acerca desta demonstração, consulte-se Ross (2003, p. 557). 22 Exercı́cio 1.51 — Considere o sistema de (re)distribuição de água a três cidades a partir de uma central de fornecimento de água W , descrito do Exercı́cio 1.32. Obtenha a fiabilidade deste sistema recorrendo para tal a • decomposições fulcrais (Gertsbakh (1995, pp. 11–12)). Teorema 1.52 — Outra propriedade de monotonia da fiabilidade Seja r(p) a fiabilidade de uma estrutura coerente. Então r(p) é estritamente crescente para qualquer pi e para 0 p 1.7 • Definição 1.53 — Replicação de componentes/sistemas Sejam: • r a fiabilidade de um sistema de ordem n; • p e p0 dois vectores das fiabilidades das componentes. Então: • Replicação ao nı́vel das componentes — Um sistema dizse replicado ao nı́vel das componentes, caso qualquer das suas componentes i (i = 1, . . . , n) seja substituı́da por um (sub)sistema em paralelo com duas componentes independentes com probabilidades de funcionamento iguais a pi e p0i . • Replicação ao nı́vel do sistema — Ao substituir-se um sistema por outro dois similares colocados em paralelo, cujos vectores de fiabilidade das componentes são dados por p e p0 , diz-se ter efectuado uma replicação ao nı́vel do sistema. 7 a b ⇔ ai < bi , i = 1, . . . , n. 23 • Exercı́cio 1.54 — Sejam: • r a fiabilidade de um sistema coerente com componentes independentes; • p e p0 os vectores das fiabilidades das componentes e das componentes resultantes da replicação, respectivamente. Prove que uma replicação ao nı́vel do sistema está associada à fiabilidade 1 − [1 − r(p)][1 − r(p0 )]. (1.26) Demonstre ainda que, ao efectuar uma replicação ao nı́vel das componentes, passa-se a lidar com um sistema com fiabilidade igual a r[1 − (1 − p) • (1 − p0 )], (1.27) onde a operação • representa o produto componente a componente entre dois vectores e 1 − (1 − pi )(1 − p0i ) representa a fiabilidade do subsistema resultante da replicação da componente i. (Para mais • detalhes, Ross (2003, p. 557).) Exercı́cio 1.55 — Calcule a fiabilidade de um sistema em série com duas componentes (independentes e com fiabilidade pi = p0i = 0.5) e compare-a com as fiabilidades do sistema replicado ao nı́vel do sistema e das componentes (Ross (2003, p. 558)). Comente. • O exercı́cio sugere o seguinte resultado, que, por sinal, responde a uma questão pertinente — O que será preferı́vel, caso se pretenda maximizar a fiabilidade do sistema, • a replicação ao nı́vel das componentes ou • a replicação ao nı́vel do sistema? 24 Teorema 1.56 — Fiabilidade face à replicação de componentes/sistemas Sejam: • r a fiabilidade de um sistema coerente com componentes independentes; • p e p0 os vectores das fiabilidades das componentes e das componentes resultantes da replicação, respectivamente. Então r[1 − (1 − p) • (1 − p0 )] ≥ 1 − [1 − r(p)][1 − r(p0 )], (1.28) i.e., a replicação ao nı́vel das componentes é preferı́vel à replicação ao nı́vel do sistema. • Exercı́cio 1.57 — Prove o Teorema 1.56 (Ross (2003, p. 558)). • Exercı́cio 1.58 — Determine a fiabilidade de um sistema com três componentes, que está operacional, caso a componente 1 funcione e o mesmo aconteça com a componente 2 ou a 3. Ilustre graficamente o resultado do Teorema 1.56 considerando replicações ao nı́vel das componentes e do sistema e pi = p0i = p, i = 1, . . . , n (Barlow e • Proschan (1975, p. 23)). Ao estudar-se a função de estrutura definiu-se a importância estrutural da componente i de um sistema. É altura de definir a importância da fiabilidade da componente i de um sistema. 25 Definição 1.59 — Importância da fiabilidade da componente i Analogamente pode falar-se na importância da fiabilidade da componente i de um sistema que, ao recorrer-se-á decomposição fulcral da fiabilidade, se escreve: ∂r(p) Ir (i) = ∂pi = r(1i , p) − r(0i , p) = E[φ(1i , X)] − E[φ(0i , X)]. (1.29) • Exercı́cio 1.60 — Admita que as n componentes de um sistema foram numeradas por ordem crescente da sua fiabilidade: p1 ≤ . . . ≤ pn . Determine a importância da fiabilidade das componentes de um sistema em série e compare-as. Repita os cálculos para um sistema em paralelo e de seguida para um sistema 2 − de − 3 (Barlow e Proschan (1975, pp. 27–28)). • Nota 1.61 — Importância da fiabilidade da componente i A importância da fiabilidade da componente i pode ser usada para avaliar o impacto de uma alteração da fiabilidade (pi ) de tal componente na fiabilidade do sistema. Com efeito, ∆r(p) ' n X Ir (i) ∆pi (1.30) i=1 representa a perturbação na fiabilidade do sistema devido a perturbações ∆pi nas fiabilidades das componentes. • Textos de apoio: Barlow e Proschan (1975, pp. 20–28); Gertsbakh (1995, pp. 9–16); Ross (1993, pp. 411-5); Ross (2003, pp. 554-8). 26 1.6 Associação e limites para a fiabilidade A obtenção de expressões e valores exactos para a fiabilidade nem sempre é tarefa fácil. Por esta razão serão adiantados alguns limites inferiores e superiores para esta quantidade, limites esses grosseiros mas fáceis de obter e muitas vezes utilizados pelos fabricantes, na informação dada ao cliente. Antes de os enunciar e refinar, será necessária uma definição. Definição 1.62 — Variáveis associadas (positivamente) As v.a. T1 , . . . , Tn (não necessariamente binárias) dizem-se associadas (positivamente) sse cov(Γ(T), ∆(T)) ≥ 0 (1.31) • para qualquer par de funções binárias Γ e ∆. As v.a. independentes são, por sinal, associadas (positivamente). Teorema 1.63 — Limites para a fiabilidade Caso X1 , . . . , Xn sejam v.a. binárias associadas (positivamente), temse: P ( min Xi = 1) ≥ i=1,...,n n Y P (Xi = 1) P ( max Xi = 1) ≤ 1 − i=1,...,n (1.32) i=1 n Y [1 − P (Xi = 1)]. (1.33) i=1 • Nota 1.64 — Limites para a fiabilidade Pode concluir-se que, ao assumir-se que as componentes de um sistema em série são independentes quando de facto são associadas (positivamente), subestimar-se-á a fiabilidade do sistema, ou seja, 27 estar-se-á a atribuir um valor à fiabilidade inferior ou igual ao seu verdadeiro valor. O resultado inverte-se para um sistema em paralelo. • Teorema 1.65 — Limites para a fiabilidade Seja r(p) a fiabilidade de sistema constituı́do por componentes associadas (positivamente). Então: n Y pi ≤ r(p) = P [φ(X) = 1] ≤ 1 − i=1 n Y (1 − pi ). (1.34) i=1 Estes limites para a fiabilidade podem ser melhorados caso se lide com sistema coerente, constituı́do por componentes associadas (positivamente), e com caminhos mı́nimos P1 , . . . , Pp e cortes mı́nimos K1 , . . . , Kq : q Y P [kj (X) = 1] ≤ r(p) j=1 p Y ≤ 1− {1 − P [ρj (X) = 1]}. (1.35) j=1 onde, recorde-se, ρj (x) = min xi = i∈Pj Y xi Y kj (x) = max xi = 1 − i∈Kj (1.36) i∈Pj (1 − xi ). (1.37) i∈Kj • Nota 1.66 — Limites para a fiabilidade em termos de caminhos/cortes mı́nimos (1.34) pode traduzir-se do seguinte modo: a fiabilidade de um sistema com componentes associadas (positivamente) é enquadrada pela fiabilidade de sistemas em série e em paralelo com componentes independentes. 28 Por seu lado, (1.35) corresponde ao enquadramento da fiabilidade de um sistema coerente com componentes associadas (positivamente) pela fiabilidade de um sistema em série (paralelo) constituı́do por subsistemas em paralelo (série) cujas componentes pertencem a cortes • (caminhos) mı́nimos. Exercı́cio 1.67 — Obtenha os limites inferiores e superiores, definidos em (1.34), para a fiabilidade de uma estrutura em ponte com componentes independentes e com fiabilidade comum pi = p (p = 0.9, 0.95, 0.99). Compare os limites obtidos com os da fiabilidade • desta estrutura. Comente. Os limites para a fiabilidade podem ser explicitados à custa das fiabilidades das componentes quando estas são independentes como se verá de seguida. Teorema 1.68 — Limites para a fiabilidade em termos de caminhos/cortes mı́nimos Seja r(p) a fiabilidade de um sistema com componentes independentes. Então: q Y 1 j=1 − Y (1 − pi ) ≤ r(p) ≤ 1 − i∈Kj p Y 1 j=1 − Y . pi (1.38) i∈Pj • Exercı́cio 1.69 — Considere a rede com dois terminais 29 descrita pela Figura 2.3.1 de Barlow e Proschan (1975, p. 35). Obtenha um limite inferior e outro superior para a fiabilidade deste sistema assumindo que as suas componentes são independentes • e possuem todas fiabilidade igual a p. Tirando partido do facto de a função de estrutura se poder escrever do seguinte modo φ(x) = max ρj (x) = max min xi (1.39) φ(x) = min kj (x) = min max xi , (1.40) j=1,...,p j=1,...,p i∈Pj j=1,...,q j=1,...,q i∈Kj podem adiantar-se limites adicionais para a fiabilidade de um sistema. Teorema 1.70 — Limites Min-Max para a fiabilidade Seja r(p) a fiabilidade de um sistema coerente. Então a fiabilidade pode ser enquadrada da seguinte forma max P (min Xi = 1) ≤ r(p) ≤ min P (max Xi = 1). j=1,...,p Se para j=1,...,q i∈Pj além disso as i∈Kj componentes estiverem (1.41) associadas (positivamente), tem-se max Y j=1,...,p i∈P j pi ≤ r(p) ≤ min j=1,...,q 1 − Y (1 − pi ) . (1.42) i∈Kj • Exercı́cio 1.71 — Obtenha os limites enunciados no teorema anterior para os seguintes sistemas com componentes associadas e com pi = p: a) sistema de alta fidelidade descrito no Exercı́cio 1.12 e na Figura 1.1.4 de Barlow e Proschan (1975, p. 4); 30 • b) sistema em ponte. Exercı́cio 1.72 — Considere um sistema 2−de−3 com componentes independentes, possuindo cada uma delas fiabilidade p. Compare os limites em (1.38) e os limites Min-Max (1.42) e identifique as gamas de valores de p para os quais é preferı́vel usar • os limites Min-Max. Em Ross (2003, pp. 560–568) pode encontrar-se a descrição de um método alternativo para a obtenção de limites inferiores e superiores para a fiabilidade: o método da inclusão e exclusão. Este método baseia-se numa fórmula bem conhecida da reunião dos eventos E1 , . . . , En , P (∪ni=1 Ei ) = n X P (Ei ) − XX P (Ei ∩ Ej ) i=1 i<j X X X P (Ei ∩ Ej ∩ Ek ) + i<j<k − . . . + (−1)n+1 P (E1 ∩ E1 ∩ . . . ∩ En ), (1.43) e, em particular, nas seguintes desigualdades: P (∪ni=1 Ei ) ≤ P (∪ni=1 Ei ) ≥ P (∪ni=1 Ei ) ≤ n X i=1 n X i=1 n X P (Ei ) P (Ei ) − (1.44) XX P (Ei ∩ Ej ) (1.45) i<j P (Ei ) − XX i=1 i<j X X X P (Ei ∩ Ej ) P (Ei ∩ Ej ∩ Ek ) + i<j<k ≥ ... ≤ ... 31 (1.46) Teorema 1.73 — Limites para a fiabilidade pelo método da inclusão e exclusão Sejam: • r(p) a fiabilidade de um sistema coerente; • Pi (i = 1, . . . , p) os caminhos mı́nimos; • Ei o evento que representa o funcionamento de todas as componentes que pertencem ao caminho mı́nimo Pi ; • Ki (i = 1, . . . , q) os cortes mı́nimos; • Fi o evento que representa o não funcionamento de todas as componentes que pertencem ao corte mı́nimo Ki . Então r(p) = P 1 − r(p) = P p [ (1.47) Ei i=1 q [ Fi , i=1 (1.48) pelo que pode adiantar-se que a fiabilidade pode ser enquadrada da seguinte forma: r(p) ≤ r(p) ≥ r(p) ≤ p X i=1 p X i=1 p X P (Ei ) P (Ei ) − (1.49) XX P (Ei ∩ Ej ) (1.50) i<j P (Ei ) − XX P (Ei ∩ Ej ) i=1 i<j X X X P (Ei ∩ Ej ∩ Ek ), + (1.51) i<j<k onde P (Ei ∩ Ej ) = Y pl , (1.52) l∈Pi ∪Pj 32 1 − r(p) ≤ 1 − r(p) ≥ 1 − r(p) ≤ q X i=1 q X i=1 q X P (Fi ) P (Fi ) − (1.53) XX P (Fi ∩ Fj ) (1.54) i<j P (Fi ) − XX P (Fi ∩ Fj ) i=1 i<j X X X P (Fi ∩ Fj ∩ Fk ) + (1.55) i<j<k onde P (Fi ∩ Fj ) = Y (1 − pl ). (1.56) l∈Ki ∪Kj • Exercı́cio 1.74 — Baseie-se no teorema anterior de modo a obter limites inferiores e superiores para a fiabilidade de um sistema em ponte constituı́do por componentes independentes com fiabilidades pi = p (Ross (2003, p. 563)). Compare estes limites com os obtidos para o mesmo sistema no Exercı́cio 1.71. Textos de apoio: Barlow e Proschan (1975, pp. 29–39); Ross (2003, pp. 559–571). 33 Capı́tulo 2 Estatı́sticas ordinais e tempos de vida de estruturas usuais em fiabilidade 2.1 Introdução Antes de nos debruçarmos sobre as estatı́sticas ordinais e a sua pertinência no contexto da fiabilidade convém referir que, numa perspectiva dinâmica/temporal, devem considerar-se as seguintes quantidades importantes. Definição informal 2.1 — Tempo de vida da componente i A componente i vê o seu tempo de vida (tempo até falha) representado por Ti . Trata-se de uma v.a. não negativa. • Definição informal 2.2 — Tempo de vida do sistema É representado por T e depende (exclusivamente) das durações de vida das n componentes, i.e., de T1 , . . . , Tn . • Definição 2.3 — Função de fiabilidade (de um sistema) Expressa a probabilidade do sistema desempenhar as funções requeridas sob certas condições num intervalo de tempo fixo, 34 usualmente [0, t]. Esta função é usualmente representada por R(t) (ou RT (t)) e assume-se que R(0) = 1. Do ponto de vista qualitativo a fiabilidade pode ser definida como a capacidade de um sistema se manter funcional sem interrupções (pelo menos) até ao instante t.1 Logo, corresponde à função de sobrevivência de T , i.e., RT (t) = F T (t) = 1 − FT (t) = P (T > t). (2.1) • Motivação 2.4 — Importância das estatı́sticas ordinais em fiabilidade Prende-se essencialmente com dois factos: • o tempo de vida T de uma estrutura pode exprimir-se como função de estatı́sticas ordinais envolvendo os tempos de vida das componentes da estrutura, T1 , . . . , Tn ; • em testes de vida/análise de sobrevivência é usual inferir sobre parâmetros de T usando amostras censuradas, donde se faça uso de verosimilhanças que estão associadas à f.d.p. de certo número de estatı́sticas ordinais. • Ao assumir-se que os tempos de vida T1 , . . . , Tn são v.a. i.i.d. com f.d. comum F (t) = P (Ti ≤ t), i = 1, . . . , n, pode obter-se a função de fiabilidade (ou sobrevivência) RT (t) = P (T > t) de algumas estruturas usuais em fiabilidade sem grande dificuldade. 1 Isto não significa que as “partes redundantes”do sistema não possam falhar e ser reparadas. 35 Exemplo 2.5 — Tempo de vida de estrutura em série É sabido que uma estrutura em série funciona sse o mesmo ocorrer com todas as suas componentes. Assim, o tempo de vida corresponde à estatı́stica ordinal T = min{T1 , . . . , Tn } = T(1) (2.2) e a função de fiabilidade é dada por RT (t) = P (Ti > t, i = 1, . . . , n) = [F (t)]n = [R(t)]n , (2.3) onde F (t) = 1 − F (t) = R(t). • Exemplo 2.6 — Tempo de vida de estrutura em paralelo Uma estrutura em paralelo funciona desde que pelo menos uma das suas componentes funcione, pelo que o tempo de vida da estrutura é a estatı́stica ordinal T = max{T1 , . . . , Tn } = T(n) (2.4) e a função de fiabilidade associada igual a RT (t) = 1 − P (Ti ≤ t, i = 1, . . . , n) = 1 − [F (t)]n = 1 − [1 − R(t)]n . (2.5) • Exemplo 2.7 — Tempo de vida de estrutura k-de-n O tempo de vida de uma estrutura k − de − n também está associado a uma estatı́stica ordinal: T = T(n−k+1) . (2.6) 36 Ao considerar-se k = n (resp. k = 1) lida-se com o tempo de vida de uma estrutura em série (resp. paralelo). A função de fiabilidade de T obtém-se recorrendo à seguinte v.a. auxiliar: Zt = número de Ti0 s > t ∼ binomial(n, F (t)). (2.7) Com efeito, a função de fiabilidade de uma estrutura k − de − n pode escrever-se à custa da f.d. da v.a. auxiliar com distribuição binomial: RT (t) = P (Zt ≥ k) = 1 − P (Zt ≤ k − 1) = 1 − Fbinomial(n,F (t)) (k − 1) = P (n − Zt ≤ n − k) = Fbinomial(n,F (t)) (n − k). (2.8) • Nota 2.8 — Importa notar que a função de fiabilidade de um sistema de ordem n, coerente e com componentes independentes pode escreverse à custa da fiabilidade do sistema (r) e das funções de fiabilidade das componentes (R1 (t), . . . , Rn (t)): RT (t) = r(p(t)) = r((R1 (t), . . . , Rn (t))). (2.9) • Exercı́cio 2.9 — Determine a função de fiabilidade de uma estrutura 2 − de − 3 com componentes independentes e função de fiabilidade comum F (t), recorrendo a (2.8) e a (2.9). • Exercı́cio 2.10 — Obtenha as funções de fiabilidade de estruturas em série e em paralelo, assumindo que os tempos de vida possuem distribuições distintas embora independentes. 37 • Exercı́cio 2.11 — Considere um sistema em série constituı́do por n componentes independentes. Determine a função de fiabilidade do sistema considerando que o tempo de vida da componente i possui distribuição: a) exponencial(λi ), i.e., FTi (t) = 1 − exp(−λi t), t ≥ 0; b) Uniforme(0, θ), i.e., fTi (t) = θ−1 , 0 ≤ t ≤ θ; c) Weibull(λ, β), i.e., FTi (t) = 1 − exp[−(t/λ)β ], t ≥ 0. • Deduza agora a função de fiabilidade dos sistemas em paralelo com • componentes com as distribuições acima. Nota 2.12 — Obtenção do valor esperado e variância à custa da função de fiabilidade Tratando-se a vida T de uma v.a. não negativa, pode adiantar-se que: E(T ) = Z ∞ 0Z E(T 2 ) = 2 V (T ) = 2 RT (t)dt ∞ 0 Z ∞ 0 (2.10) t RT (t)dt t RT (t)dt − (2.11) Z ∞ 0 2 RT (t)dt . (2.12) • Exercı́cio 2.13 — Defina a vida do sistema descrito pela Figura 1.5 de Gertsbakh (1995, pp. 15–16) e determine a sua função de fiabilidade. 38 Calcule o valor esperado e variância do tempo de vida do sistema na situação em que os tempos de vida das componentes são independentes • e possuem distribuição exponencial(1). Exercı́cio 2.14 — Obtenha o valor esperado do tempo de vida de um sistema em série com três componentes independentes e distribuı́das • uniformemente no intervalo (0, 10). Exercı́cio 2.15 — Obtenha a função de fiabilidade do sistema descrito na Figura 1.7 de Gertsbakh (1995, p. 29), considerando que os tempos de vida das 5 componentes são independentes e possuem distribuição exponencial(λi ). Calcule o valor esperado do tempo de vida deste sistema. • Exercı́cio 2.16 — Um sistema tem a configuração descrita pela Figura 1.11 de Gertsbakh (1995, p. 32), i.e., dois módulos em paralelo, com n e m componentes independentes dispostas em série. Deduza as a função componentes módulos possuam de do fiabilidade primeiro com RT (t), caso (segundo) dos distribuição (exponencial(µ)). Obtenha também E(T ) e V (T ). exponencial(λ) • Textos de apoio: Gomes e Barão (1999, pp. 140–3); Ross (2003, pp. 571–586). 39 2.2 Associação e limites para a função de fiabilidade Ao contrário do que seria de esperar, não abundam expressões para limites inferiores e superiores para a função de fiabilidade. Antes de os enunciar é necessário relembrar que as v.a. contı́nuas T1 , . . . , Tn dizem-se associadas (positivamente) sse cov(Γ(T), ∆(T)) ≥ 0 para qualquer par de funções binárias Γ e ∆. Teorema 2.17 — Limites para a função de fiabilidade Para v.a. T1 , . . . , Tn associadas (positivamente) não necessariamente binárias, tem-se P (T1 > t1 , . . . , Tn > tn ) ≥ P (T1 ≤ t1 , . . . , Tn ≤ tn ) ≥ n Y i=1 n Y P (Ti > ti ) (2.13) P (Ti ≤ ti ). (2.14) i=1 Consequentemente tem-se, para sistemas em série e paralelo: RT(1) (t) = P ( min Ti > t) ≥ i=1,...,n n Y P (Ti > t) (2.15) i=1 RT(n) (t) = P ( max Ti > t) ≤ 1 − i=1,...,n n Y [1 − P (Ti > t)] (2.16) i=1 • Nota 2.18 — Limites para a função de fiabilidade Ao assumir-se que as componentes de um sistema em série são independentes quando de facto são associadas (positivamente), subestimar-se-á a função de fiabilidade do sistema, i.e., estar-se-á a atribuir um valor à função de fiabilidade inferior ou igual ao seu verdadeiro valor. O resultado inverte-se para um sistema em paralelo. 40 • Teorema 2.19 — Limites para a função de fiabilidade Seja RT (t) a função de fiabilidade de um sistema constituı́do por componentes com tempos de vida T1 , . . . , Tn associados (positivamente) e com funções de fiabilidade R1 (t), . . . , Rn (t). Então a função de fiabilidade verifica n Y i=1 Ri (t) ≤ RT (t) ≤ 1 − n Y [1 − Ri (t)]. (2.17) i=1 • Nota 2.20 — Limites para a função de fiabilidade O resultado (2.17) traduz-se do seguinte modo: a função de fiabilidade de um sistema nas condições do Teorema 2.19 é superior (inferior) à de um sistema em série (paralelo) com componentes independentes. • Exercı́cio 2.21 — Obtenha limites para a função de fiabilidade de um sistema 2−de−3 com componentes associadas e exponencialmente distribuı́das com tempo esperado de vida igual a λ−1 . Elabore um gráfico com estes limites e com a função de fiabilidade de um sistema 2 − de − 3 com componentes i.i.d. a Exp(λ). • Teorema 2.22 — Outros limites para a função de fiabilidade Sejam: • RT (t) a função de fiabilidade de um sistema coerente constituı́do por componentes com tempos de vida T1 , . . . , Tn associados (positivamente) e com funções de fiabilidade R1 (t), . . . , Rn (t); • Pj (j = 1, . . . , p) e Kj (j = 1, . . . , q) os caminhos mı́nimos e os cortes mı́nimos deste sistema. 41 Então a função de fiabilidade pode ser enquadrada do seguinte modo: max Y j=1,...,p i∈P j j=1,...,q Ri (t) ≤ RT (t) ≤ min 1− Y i∈Kj [1 − Ri (t)] . (2.18) • Exercı́cio 2.23 — Retome o Exercı́cio 2.21 e obtenha novos limites para a função de fiabilidade do sistema. Elabore um gráfico que permita confrontar estes limites com os • obtidos naquele exercı́cio. Texto de apoio: Barlow e Proschan (1975, pp. 29–39, 150). 42 2.3 Mecanismos de censura Nesta secção pretende ilustrar-se brevemente de que modo as estatı́sticas ordinais (para além do máximo e do mı́nimo) são úteis em fiabilidade, nomeadamente na estimação de parâmetros. Este tema será aprofundado no Capı́tulo 5 aquando da discussão de inferências sobre modelos para diferentes tipos de ensaio ou teste. Em fiabilidade é frequente recolher dados/tempos de avaria de equipamento e será com este tipo de dados que se introduzirá a noção de censura/dados censurados. Ao colocar-se em teste n componentes/equipamentos, com o objectivo de inferir sobre o tempo de vida dessas componentes — naquilo que se designa usualmente por teste de vida —, pode recolherse todos os instantes de avaria das componentes, t1 , . . . , tn . Pode também optar-se pelo registo do instante da primeira avaria, t(1) , da segunda avaria, t(2) , e assim por diante, sem se ter em consideração quais das componentes avariaram. Está-se neste caso a registar as observações de estatı́sticas ordinais, T(1) , T(2) , . . . , T(n) , e não as concretizações das v.a.s T1 , T2 , . . . , Tn . Uma das vantagens do registo destas observações ordenadas prendese com o facto de o teste de vida poder terminar antes que todas as componentes avariem sem que se perca muita informação, poupandose no entanto muito tempo de teste. A este tipo de recolha de informação denomina-se de amostragem censurada. Por exemplo, 90% das lâmpadas colocadas em teste pode fundirse ao fim de um ano e algumas das restantes poderão vir a fundir-se somente daı́ a três anos... 43 As inferências sobre o tempo de vida dessas componentes podem basear-se directamente em estatı́sticas ordinais (T(1) , T(2) , . . . , T(n) ). E uma vez que estas são função da amostra aleatória (T1 , T2 , . . . , Tn ) pode obter-se a f.d.p. conjunta de (T(1) , T(2) , . . . , T(n) ) do seguinte modo. Teorema 2.24 — Densidade conjunta das estatı́sticas ordinais Seja (T1 , T2 , . . . , Tn ) uma amostra aleatória de dimensão n proveniente da população com f.d.p. f (t) e f.d. F (t). Então a f.d.p. conjunta das estatı́sticas ordinais (T(1) , T(2) , . . . , T(n) ) — ou mais convenientemente T1:n , T2:n , . . . , Tn:n — é dada por fT1:n ,T2:n ,...,Tn:n (t1:n , t2:n , . . . , tn:n ) = n! n Y f (ti:n ), (2.19) i=1 para −∞ < t1:n < t2:n < . . . < tn:n < ∞. • Lidaremos com dados completos, caso se recolha os instantes de avaria de todos os sistemas/componentes, e com dados incompletos ou censurados, caso contrário. A seguir descrevem-se dois tipos de censura de dados. Definição informal 2.25 — Censura do Tipo I Ao decidir-se concluir o teste de vida ao fim de tempo fixo t0 dir-se-á que foi efectuada censura do Tipo I à direita. • Definição informal 2.26 — Censura do Tipo II Caso se decida terminar o teste de vida após o registo das primeiras r observações ordenadas, t1:n , . . . , tr:n , dir-se-á que foi efectuada • censura do tipo II à direita. 44 Nota 2.27 — Censuras dos Tipos I e II Ao adoptar-se censura do Tipo I o número de tempos de vida registados é uma v.a. (Qual é a sua distribuição e a probabilidade de não serem registados quaisquer tempos de vida?) Ao efectuar censura de Tipo II o número de observações a registar é à partida fixo e igual a r mas a duração do teste é aleatória. (Qual a duração do teste?) A censura do tipo II à direita é de longe o tipo de censura mais popular em testes de vida em fiabilidade. O tempo esperado poupado, ao efectuar-se censura do tipo II à direita, é igual a E(Tn:n − Tr:n ). Factores como o custo das componentes em teste, a precisão desejada para as inferências e o valor (monetário) que o tempo poupado representa desempenham um papel crucial na escolha de r e • n. Ao recorrer-se a dados completos a densidade conjunta é igual f(T1 ,...,Tn ) (t1 , . . . , tn ) = n Y f (ti ) (2.20) i=1 Os dois teoremas seguintes adiantam para já as densidades conjuntas (verosimilhanças) caso se efectue censuras do Tipo I e II. Teorema 2.28 — Densidade conjunta na presença de censura do Tipo I Suponha-se que foi efectuada censura de Tipo I à direita no instante t0 . E seja R o número aleatório de observações registadas até t0 e r o número de estatı́sticas efectivamente observadas até t0 . Então a f.d.p. conjunta (verosimilhança), f(T1:n ,...,Tr:n ) (t1:n , . . . , tr:n ) ≡ f (t1:n , . . . , tr:n ), é neste caso dada por 45 f (t1:n , . . . , tr:n ) = h(t1:n , . . . , tr:n | R = r) × P (R = r) r f (t ) Y i:n = r! i=1 F (t0 ) × n r [F (t0 )]r [1 − F (t0 )]n−r , (2.21) para −∞ < t1:n < . . . < tr:n < t0 < ∞ e r = 1, . . . , n. (Justifique!) • Teorema 2.29 — Densidade conjunta na presença de censura do Tipo II Suponha-se agora que foi efectuada censura de Tipo II à direita. Então a f.d.p. conjunta (verosimilhança) é, para −∞ < t1:n < . . . < tr:n < ∞ e r = 1, . . . , n, igual a r n! Y f (ti:n ) × [1 − F (tr:n )]n−r . (2.22) f (t1:n , . . . , tr:n ) = (n − r)! i=1 • (Justifique!) Exercı́cio 2.30 — Admita que foram submetidas a teste n componentes com tempos de vida i.i.d. a exponencial(λ) e que se efectuou censura do Tipo II. Obtenha a estimativa (estimador) de máxima verosimilhança de λ e compare-a com a que obteria com caso dispusesse de dados completos (Gomes e Barão (1999, pp. 150–151). • A caracterização e as propriedades do estimador de λ obtido no Exercı́cio 2.30 serão estudadas posteriormente. Textos de apoio: Bain (1991, pp. 49–53); Gomes e Barão (1999, pp. 149–152). 46 Capı́tulo 3 Envelhecimento estocástico e função taxa de falha 3.1 Função taxa de falha Nesta secção discutir-se-á a caracterização envelhecimento de qualquer estocástica do material/estrutura/dispositivo, caracterização essa de importância crucial no domı́nio da fiabilidade. Os materiais/estruturas/dispositivos podem “falhar”de diversos modos. Basta pensar em: • falhas (estáticas) aquando de fractura devida a esforço; • corrosão quı́mica de materiais; • falhas de equipamento electrónico devido a alterações de temperatura, humidade ou manufactura deficiente. De forma a distinguir as diversas funções (densidade) de probabi-lidade (quando tal distinção não é passı́vel de ser feita com base nas observações dos tempos até falha) apelar-se-á à noção de função taxa de falha (hazard rate function ou failure rate function), que é uma forma matemática de descrever o envelhecimento — 47 e corresponde ao que em análise de sobrevivência se designa por força de mortalidade (instantânea). Na definição de função taxa de falha de uma v.a. considerar-se-á que esta é não negativa e distinguir-se-á o caso contı́nuo do caso discreto. Definição 3.1 — Função taxa de falha (caso contı́nuo) Seja T uma v.a. contı́nua não negativa, com f.d.p. e f.d. iguais a fT (t) e FT (t), respectivamente. Então a função taxa de falha de T é dada por λT (t) = fT (t) . RT (t) (3.1) • Nota 3.2 — Função taxa de falha (caso contı́nuo) Admita-se que T representa a duração de vida de uma estrutura. Então a função taxa de falha possui um significado probabilı́stico especı́fico: P (t < T ≤ t + dt|T > t) . dt→0 dt λT (t) = lim (3.2) Assim, λT (t)dt está associada à probabilidade condicional de um item com idade t (t > 0) vir a falhar no intervalo (t, t + dt]. • Proposição 3.3 — Funções taxa de falha e fiabilidade A função de fiabilidade (ou sobrevivência) da v.a. T contı́nua não negativa pode definir-se à custa da função taxa de falha: RT (t) = exp{− Z t 0 λT (u)du}. (3.3) onde o integral representa aquilo que, em análise de sobrevivência, se designa de função hazard cumulativa. 48 • Exercı́cio 3.4 — Após estudos preliminares, um engenheiro afirmou que a duração da componente electrónica por ele construı́da possui duração que podia ser muito bem representada por uma v.a. T cuja função taxa de falha é constante e igual a µ, t ≥ 0. • Identifique a distribuição de T . Exercı́cio 3.5 — Determine a função de fiabilidade de um sistema cuja função taxa de falha é: a) λT (t) = αt, t ≥ 0, α > 0; b) λT (t) = α0 + α1 t, t ≥ 0, α0 ≥ 0, α1 > 0. • Exercı́cio 3.6 — Calcule a função de fiabilidade de um instrumento cuja duração possui função taxa de falha igual a 0, 0≤t≤a λT (t) = β, a<t≤b βe(t−b)/c , t > b (c ≥ 0) (3.4) • Exercı́cio 3.7 — A função taxa de falha duma componente mecânica é constante e igual 0.005. Suponha que a componente vai ser precisa para um serviço de 250 horas. Calcule a probabilidade da componente falhar durante • o serviço. Exercı́cio 3.8 — Um consumidor pretende adquirir componentes electrónicas com a seguinte especificação: a fiabilidade de cada componente deve ser de pelo menos 95% num perı́odo de funcionamento de 500 dias. Supondo que a taxa de falha da componente é constante, calcule a vida esperada mı́nima da componente. 49 • Exercı́cio 3.9 — Diz-se que a força de mortalidade dum fumador é, para qualquer idade, o dobro da de um não fumador. Qual o significado desta afirmação? Quererá dizer que a probabilidade do fumador sobreviver t anos corresponde a metade da mesma probabilidade calculada para um não fumador? • Definição 3.10 — Função taxa de falha (caso discreto) Seja T uma v.a. discreta não negativa. Então T possui função taxa de falha definida por λT (t) = P (T = t) . P (T ≥ t) (3.5) • Nota 3.11 — Função taxa de falha (caso discreto) Observe-se que, ao contrário da definição de taxa de falha no caso contı́nuo, no denominador não figura P (T > t). Caso tal ocorresse, qualquer v.a. T discreta não negativa, com contradomı́nio finito {t1 , . . . , tn } (onde t1 < . . . < tn ) não possuı́ria função taxa de falha definida no ponto tn . Considere-se que a v.a. inteira não negativa T representa o número de ciclos de vida de uma estrutura. Então a função taxa de falha, por se identificar com P (T = t|T ≥ t), coincide com a probabilidade da vida dessa mesma estrutura terminar ao fim de exactamente t ciclos, condicional ao facto de a estrutura ter sobrevivido a pelo menos t • ciclos. Exercı́cio 3.12 — Obtenha e elabore o gráfico da função taxa de • falha da v.a. geométrica(p). 50 Exercı́cio 3.13 — Seja T uma v.a. discreta que toma valores inteiros não negativos. a) Determine a função P (T ≥ t) por intermédio da função taxa de falha de T . b) Exemplifique o resultado para o caso em que T ∼ geométrica(p). c) Verifique que, caso T tome os valores não negativos {t1 , t2 , . . .} (onde t1 < t2 < . . .), se tem P (T ≥ t) = Y [1 − λT (tj )]. (3.6) {j:tj <t} • Texto de apoio: Barlow e Proschan (1965/1996, pp. 9–18). 51 3.2 Monotonia da função taxa de falha A tempo de vida pode estar associado a funções taxa de falha com os comportamentos mais diversos: • constantes — a estrutura não envelhece nem rejuvenesce com o tempo; • crescentes — a estrutura envelhece com o tempo; • decrescentes — a estrutura rejuvenesce com o tempo;1 • não monótono — por exemplo, em forma de banheira (bathtub), i.e., inicialmente decrescente (“infância”), seguida de fase constante (“adolescência e idade adulta”), e por fim crescente (“velhice”). Ver Figura 3.1.1 de Barlow e Proschan (1975, pp. 55– 56). Definição 3.14 — Distribuições IHR e DHR Considere-se a v.a. não negativa T . Então: • T diz-se IHR (“Increasing Hazard Rate”)2 — escrevendo-se neste caso T ∈ IHR — sse λT (t) for uma função monótona crescente (em sentido lato); • T diz-se DHR (“Decreasing Hazard Rate”)3 — escrevendo-se neste caso T ∈ DHR — sse λT (t) for uma função monótona decrescente (em sentido lato). • Exercı́cio 3.15 — Mostre que a função taxa de falha de uma duração de vida com distribuição uniforme no intervalo [a, b] é crescente. 1 • Certos materiais, como o aço, aumentam de resistência à medida que vão sendo trabalhados. Ou IFR (“Increasing Failure Rate”). 3 Ou DFR (“Decreasing Failure Rate”). 2 52 Exercı́cio 3.16 — a) Obtenha e elabore alguns gráficos da função taxa de falha das seguintes distribuições: 1. Poisson 2. Weibull. b) Classifique estas distribuições quanto ao comportamento da • função taxa de falha. Exercı́cio 3.17 — A duração de vida de uma componente segue uma distribuição normal com desvio padrão de 10 horas. a) Se a componente tiver uma fiabilidade de 0.99 para um perı́odo de operação de 100 horas, qual a duração de vida esperada? b) Elabore o gráfico da função taxa de falha e classifique-a quanto • ao seu comportamento monótono. Exercı́cio 3.18 — Elabore o gráfico da função taxa de falha das v.a.s gama(α, δ), para α = 0.5, 1, 2.5 e δ = 1, onde α e δ representam o parâmetro de forma e o inverso do parâmetro de escala, respectivamente. Demonstre que, efectuando a mudança de variável y = u − t, a função taxa de falha de uma duração com distribuição gama(α, δ) se escreve: λgama(α,δ) (t) = = 1 R +∞ (u/t)α−1 exp[−δ(u t − t)]du 1 R +∞ (1 0 + y/t)α−1 exp(−δy)dy . (3.7) Utilize este resultado para identificar condições suficientes que garantam comportamentos monótonos decrescentes e crescentes da função taxa de falha (Ross (2003, p. 573)). 53 • Proposição 3.19 — Distribuições DHR e comportamento monótono da f.d.p. A monotonia da função de taxa de falha tem implicações na monotonia da f.d.p. de um tempo de vida: • T ∈ DHR ⇒ fT (t) é monótona decrescente. • Exercı́cio 3.20 — Prove a proposição anterior. • Textos de apoio: Barlow e Proschan (1975, pp. 52–56); Barlow e Proschan (1965/1996, pp. 22–6). 54 3.3 Preservação da monotonia da taxa de falha Conhecido o comportamento monótono da taxa de falha das componentes de uma estrutura, pode, nalguns casos, conhecer-se também o da taxa de falha das • suas estatı́sticas ordinais, da • soma de tais tempos de vida, da • mistura dos mesmos, ou mesmo de um sistema coerente. Serão dados alguns exemplos de preservação do comportamento monótono da função taxa de falha face às operações de fiabilidade acima descritas. Contudo antes de o fazer reescrever-se-á a taxa de falha de estruturas em série e em paralelo à custa da função taxa de falha comum às suas componentes. Exercı́cio 3.21 — Considere duas estruturas em série e em paralelo, constituı́das por componentes com durações Ti (i = 1, . . . , n) i.i.d., f.d. e taxa de falha comuns F (t) e λ(t). a) Prove que as funções taxa de falha de estruturas em série e em paralelo são iguais a λT(1) (t) = n λ(t) λT(n) (t) = (3.8) n λ(t) (3.9) Pn−1 −j j=0 [F (t)] respectivamente. b) Compare λT(1) (t), λT(n) (t) e λ(t). 55 c) Faça comentários acerca da preservação do comportamento monótono de λ(t) pela função taxa de falha destes dois tipos • de estrutura. Exercı́cio 3.22 — Obtenha agora a função taxa de falha de uma estrutura em série, assumindo somente independência dos tempos de vida das n componentes, f.d.’s Fi (t) e funções taxa de falha λi (t), i = 1, . . . , n. Verifique que nas mesmas circunstâncias o tempo de vida de uma estrutura em paralelo, T , possui função taxa de falha igual a FT (t) λT (t) = F T (t) n X λi (t) [1/Fi (t) − 1]. (3.10) i=1 • Os exercı́cios anteriores sugere algumas das preservações do comportamento monótono da função taxa de falha das estatı́sticas ordinais enunciadas na proposição seguinte. Com efeito, a proposição seguinte acrescenta que o comportamento monótono da função taxa de falha da duração de uma estrutura constituı́da por n componentes com durações independentes (identicamente distribuı́das, ou não) depende não só do da função taxa de falha de tais componentes, como da disposição das mesmas na estrutura. 56 Proposição 3.23 — Preservação da monotonia da taxa de falha: mı́nimo e máximo Considere-se estrutura com n componentes com durações independentes. Caso a estrutura seja em série, verifica-se: Ti ∼indep IHR, i = 1, . . . , n ⇒ T(1) ∈ IHR (3.11) Ti ∼indep DHR, i = 1, . . . , n ⇒ T(1) ∈ DHR. (3.12) Ao tratar-se de estrutura em paralelo tem-se: Ti ∼indep IHR, i = 1, . . . , n 6⇒ T(n) ∈ IHR (3.13) Ti ∼iid IHR, i = 1, . . . , n ⇒ T(n) ∈ IHR. (3.14) • Saliente-se que, em estruturas em série constituı́das por componentes cujas durações possuem função taxa de falha monótona, para garantir a preservação do comportamento monótono da taxa de falha da duração da estrutura é suficiente que tais componentes possuam durações independentes. Em estruturas em paralelo tal preservação exige condições mais estritas: não só durações independentes, mas também identicamente distribuı́das e IHR. Exercı́cio 3.24 — Demonstre que o tempo de vida de um sistema em paralelo constituı́do por duas componentes com durações indep Ti ∼ exponencial(i), i = 1, 2, ilustra o resultado (3.13) (Ross (2003, • p. 575)). É altura de averiguar em que circunstâncias uma estatı́stica de ordem i preserva o comportamento monótono da taxa de falha das 57 componentes. Mais, os resultados que se seguem são particularmente relevantes uma vez que o tempo de vida de uma estrutura do tipo k − de − n é representado por uma estatı́stica ordinal. Proposição 3.25 — Preservação da monotonia da taxa de falha: estatı́sticas ordinais Sejam T1 , . . . , Tn tempos de vida i.i.d. (contı́nuos e não negativos). Então as estatı́sticas ordinais T(i) verificam: Ti ∼iid IHR, i = 1, . . . , n ⇒ T(i) ∈ IHR (3.15) Ti ∼iid DHR, i = 1, . . . , n 6⇒ T(i) ∈ DHR. (3.16) • Assim, as estatı́sticas ordinais T(i) e os tempos de vida das componentes, Ti , i = 1, . . . , n, possuem função taxa de falha com igual comportamento monótono no caso em que Ti ∈ IHR, i = 1, . . . , n, o que nem sempre ocorre quando Ti ∈ DHR, i = 1, . . . , n. Proposição 3.26 — Preservação da monotonia da taxa de falha: spacings de primeira ordem No que concerne à taxa de falha dos “spacings”de primeira ordem (ou tempos entre falhas consecutivas) de tempos i.i.d. (contı́nuos e não negativos) — (T(i) − T(i−1) ), i = 1, . . . , n, em que T(0) = 0 —, pode afirmar-se que: Ti ∼i.i.d. DHR, i = 1, . . . , n ⇒ (T(i) − T(i−1) ) ∈ DHR, i = 2, . . . , n (3.17) Ti ∼i.i.d. IHR, i = 1, . . . , n 6⇒ (T(i) − T(i−1) ) ∈ IHR, i = 2, . . . , n. (3.18) • 58 Pode então afirmar-se que, no teste simultâneo de componentes que possuam durações i.i.d. a uma v.a. DHR (resp. IHR), o tempo entre falhas consecutivas será igualmente (resp. poderá não ser) uma v.a. DHR (resp. IHR). A proposição seguinte permite tirar algumas conclusões sobre o tempo total do ensaio quando se efectua o teste sequencial de componentes. Proposição 3.27 — Preservação da monotonia da taxa de falha: soma de v.a.s Considere-se dois tempos de vidas Ti , i = 1, 2 (não negativos e contı́nuos) com funções taxa de falha λi (t), i = 1, 2. Então a soma/convolução T = T1 + T2 satisfaz o seguinte resultado: (T1 + T2 ) ∈ IHR λT (t) ≤ mini=1,2 λi (t). Ti ∈ IHR, i = 1, 2 ⇒ (3.19) No entanto, caso T1 e T2 sejam DHR, a respectiva soma nem sempre é caracterizada por uma função taxa de falha com o mesmo comportamento monótono, i.e.: Ti ∈ DHR, i = 1, 2 6⇒ (T1 + T2 ) ∈ DHR. (3.20) • O resultado anterior é também válido para o caso discreto. Exercı́cio 3.28 — Após um estudo detalhado do tempo até falha de uma componente electrónica de um dispositivo de segurança, concluiu-se que a respectiva distribuição pertencia ao modelo {gama(α, δ)}. Admita-se que, por questões de segurança, essa componente só pode ser substituı́da uma única vez, por uma outra com duração i.i.d. 59 Assumindo que a substituição da primeira componente é imediata, identifique todas as situações em que: • as duas componentes e a estrutura possuem durações DHR; • o par de componentes possui tempo de vida DHR não ocorrendo o mesmo com a duração da estrutura. • A preservação da monotonia da função taxa de falha de misturas de distribuições é de particular relevância ao lidar-se com componentes de diversas proveniências. Proposição 3.29 — Preservação da monotonia da taxa de falha: misturas de distribuições Considere-se Ti , i = 1, . . . , n, v.a.’s independentes (contı́nuas não negativas) com f.d.’s Fi (t). E seja T a mistura destas distribuições, i.e., FT (t) resulta da combinação linear convexa das f.d.s Fi (t), i = 1, . . . , n: FT (t) = onde ai ≥ 0 n X ai Fi (t) i=1 P e ni=1 ai = (3.21) 1. Então Ti ∼indep. DHR, i = 1, . . . , n ⇒ T ∈ DHR (3.22) Contudo a mistura de distribuições IHR não é necessariamente IHR: Ti ∼indep. IHR, i = 1, . . . , n 6⇒ T ∈ IHR (3.23) • A proposição anterior é a particularização de outra que diz respeito à preservação da monotonia da função taxa de falha da mistura (contável ou não) de distribuições especı́ficas. 60 Proposição 3.30 — Preservação da monotonia da taxa de falha: misturas (contáveis ou não) de distribuições Recorde-se que, caso T |Y = y (y > 0) e Y possuam f.d.’s Fy (t) e G(y), respectivamente, a v.a. T diz-se a mistura das distribuições Fy e possui f.d. FT (t) = R +∞ Fy (t)dG(y). 0 Então T |Y = y ∈ DHR, y > 0 ⇒ T ∈ DHR (3.24) T |Y = y ∈ IHR, y > 0 6⇒ T ∈ IHR (3.25) • Na demonstração do primeiro dos resultados é fundamental a aplicação da desigualdade de Schwarz. Para mais detalhes desta demonstração veja-se Barlow e Proschan (1965/1996, p.37). A tabela seguinte condensa as propriedades de preservação do comportamento monótono da função taxa de falha por parte das estatı́sticas ordinais. Tabela 3.1: Preservação do comportamento monótono da taxa de falha das estatı́sticas ordinais (“Não”≡ “Nem sempre”). T(1) T(n) T(i) Distribuição i.i.d. indep. i.i.d. indep. i.i.d. indep. IHR Sim Sim Sim Não Sim Não DHR Sim Sim Não Não Não Não 61 Exercı́cio 3.31 — Uma fábrica possui duas linhas de produção, I e II, responsáveis por 20% e 80% dos artigos produzidos respectivamente. Estudos extensivos levaram a concluir que a distribuição da duração de cada artigo depende da sua proveniência embora o mesmo não aconteça com o parâmetro de escala. Os artigos quando provenientes das linhas de produção I e II possuem durações gama(1.1, 1) e W eibull(1, 2), respectivamente, logo com taxa de falha crescente. Obtenha a função taxa de falha da duração de um artigo escolhido casualmente da produção da referida fábrica. Os valores desta função, para valores da abcissa iguais a t = 0.5, 4(0.5) são iguais a λT (t) = 0.984451, 1.76893, 2.22839, 1.92529, 1.26555, 1.01493, 0.980125, 0.979563. Assim se conclui que λT (t) não é função monótona e o artigo em questão não possui duração nem IHR, • nem DHR. Textos de apoio: Barlow e Proschan (1975, pp. 98–105); Barlow e Proschan (1965/1996, pp. 35–9); Ross (2003, pp. 571–576). 62 3.4 Outras noções de envelhecimento estocástico Na realidade, exigir que a função taxa de falha seja crescente pode ser tremendamente restritivo. Não surpreende pois que se considere em certas situações que esse comportamento crescente se verifique somente em média e se encontre na literatura outras formas de caracterização dos tempos de vida em termos de envelhecimento estocástico. Estas noções escrevem-se de um modo geral à custa da função de fiabilidade e revelar-se-ão úteis no estabelecimento de limites para a função de fiabilidade, limites esses de que se falará na próxima secção, bem como no contexto de estratégias de manutenção. Definição 3.32 — Outras noções de envelhecimento estocástico (caso contı́nuo) Sejam T uma v.a. contı́nua não negativa com função de fiabilidade RT (t) e Tt =st (T − t|T ≥ t) a vida residual no instante t (t ≥ 0), cuja função de fiabilidade é dada por RTt (u) = RT (t + u)/RT (t). Então: • T diz-se ILR (Increasing Likelihood Ratio) 4 sse fT (t)/fT (t + ) for crescente em (0, +∞) para qualquer > 0, i.e., ln[fT (t)] for concâva em (0, +∞); (3.26) • T diz-se IHR (Increasing Hazard Rate) sse λT (t) for crescente em (0, +∞), i.e., sse, para qualquer u fixo, RT (t + u) decrescer com t em (0, +∞); RTt (u) = RT (t) (3.27) 1/t • T diz-se IHRA (Increasing Hazard Rate in Average) sse RT (t) decrescer em (0, +∞), ou seja, ΛT (t) 1 Z t = λT (u)du ↑t , t ≥ 0; t t 0 4 (3.28) Ou “razão de verosimilhança crescente”ou ainda designada por Barlow e Proschan (1975, p. 76) de “Pólya frequency of order 2”(P F2 ), 63 • T diz-se NBU (New Better than Used) sse T ≥st Tt para t, u ≥ 0, i.e., RT (u) ≥ RTt (u) = RT (t + u) , t, u ≥ 0; RT (t) (3.29) • T diz-se NBUE (New Better than Used in Expectation) sse E(T ) ≥ E(Tt ) para t ≥ 0, ou seja, Z +∞ 1 Z +∞ RT (u)du ≥ RT (u)du. 0 RT (t) t (3.30) • Nota 3.33 — Outras noções de envelhecimento estocástico (caso contı́nuo) Pode, por exemplo, afirmar-se que, caso a duração de uma componente seja uma v.a. NBU/NBUE, valerá sempre a pena substituir a componente que está a ser usada por uma nova componente. Por seu lado, se a duração da componente for NWU/NWUE, nunca valerá a pena efectuar semelhante substituição. • Exercı́cio 3.34 — Prove que a função taxa de falha da Figura 2.9 de Gertsbakh (1995, pp. 70) está associada a uma duração IHRA apesar de a respectiva função taxa de falha, t, t − 1, 0<t≤2 λ(t) = −t + 4, 2 < t ≤ 2.5 (3.31) t > 2.5, • não ser crescente. 64 Segue-se o análogo discreto destas noções de envelhecimento estocás-tico, reescrito de modo ligeiramente diferente mas equivalente. Definição 3.35 — Outras noções de envelhecimento estocástico (caso discreto) Seja T uma v.a. discreta não negativa com função de probabilidade P (i) = P (T = i) e função de fiabilidade definida agora por RT (i) = P (T ≥ i). Considere-se ainda que Ti =st (T − i|T ≥ i) representa a vida residual associada ao ciclo i e possui função de fiabilidade RTi (i) = RT (i+j) RT (i) . Então: • T diz-se ILR (Increasing Likelihood Ratio) sse P (i)/P (i + 1) for crescente em IN0 , i.e., P (i) × P (i + 2) ≤ P 2 (i + 1), i ∈ IN0 ; (3.32) • T diz-se IHR (Increasing Hazard Rate) sse λT (i) for crescente em IN0 , ou seja, RT (i) × RT (i + 2) ≤ RT2 (i + 1), i ∈ IN0 ; (3.33) • T diz-se IHRA (Increasing Hazard Rate in Average) sse 1/i RT (i) ↓i , i ∈ IN0 ; (3.34) • T diz-se NBU (New Better than Used) sse T ≥st Ti , i ∈ IN0 , ou seja, RT (j) ≥ RTi (j) = RT (i + j) , i, j ∈ IN0 ; RT (i) (3.35) • T diz-se NBUE (New Better than Used in Expectation) sse E(T ) ≥ E(Ti ), i ∈ IN0 E(T ) = +∞ X j=0 RT (j) ≥ +∞ X RT (i + j) = E(Ti ), i ∈ IN0 . RT (i) j=0 65 (3.36) • As noções de v.a.’s DLR (Decreasing Likelihood Ratio), DHRA (Decreasing Hazard Rate in Average), NWU (New Worse than Used) e NWUE (New Worse than Used in Expectation) definem-se de modo análogo considerando comportamentos monótonos e desigualdades nos sentidos opostos quer para v.a. contı́nuas quer para v.a. discretas. Proposição 3.36 — Implicações das noções de envelhecimento estocástico T ∈ ILR ⇒ T ∈ IHR ⇒ T ∈ IHRA ⇒ T ∈ N BU ⇒ T ∈ N BU E. Analogamente, T ∈ DLR ⇒ T ∈ DHR ⇒ T ∈ DHRA ⇒ T ∈ N W U ⇒ T ∈ N W U E. • Esta proposição permite averiguar, de uma forma mais cómoda, se uma v.a. é ou não IHR/IHRA/NBU/NBUE (DHR/DHRA/NWU/ NWUE). Exercı́cio 3.37 — a) Classifique as seguintes distribuições quanto ao comportamento monótono da função taxa de falha: 1. binomial 2. normal truncada (não negativa e com µ = 0) 3. lognormal. b) Discuta a pertinência desta última distribuição na caracterização de tempos de vida, calculando para o efeito limt→+∞ λT (t). • Nota 3.38 — Implicações das noções de envelhecimento estocástico Refira-se a tı́tulo de curiosidade que uma estrutura coerente com componentes cujas durações de vida são v.a. IHRA possui duração também ela IHRA o mesmo nem sempre acontece caso sejam IHR.5 • 66 Tabela 3.2: Preservação da propriedade de envelhecimento face a operações de fiabilidade (“Não”≡ “Nem sempre”). Distribuição Formação de sistemas coerentes Convoluções Misturas arbitrárias IHR Não Sim Não IHRA Sim ? Não NBU Sim Sim Não NBUE Não Sim Não DHR Não Não Sim DHRA Não Não Sim NWU Não Não Não NWUE Não Não ? Para mais detalhes acerca deste e de outros resultados relacionados com estas noções de envelhecimento e a preservação face a operações de fiabilidade, consulte-se a Tabela 3.2 ou ainda Barlow e Proschan (1975, pp. 104 e 187). Exercı́cio 3.39 — Admita que um sistema coerente é constituı́do por n componentes (não necessáriamente independentes) com durações IHR e função de fiabilidade comum Ri (t) = R(t). (a) Uma vez que a função de fiabilidade da duração T deste sistema é dada por RT (t) = P (T > t) = r(p(t)) = r(R(t), . . . , R(t)), prove que a função taxa de falha de T é igual a λT (t) = d 1 [1 − r(p(t))] × . dt r(p(t)) (3.37) (b) Uma vez que a função de fiabilidade R(t) é comum a todas as componentes pode simplificar-se a notação, passando a escreverse λT (t) = 5 (d/dt)[1−r(p(t))] , r(p(t)) onde p(t) = R(t). Recorde-se o resultado (3.13) da Proposição 3.23, resultado este ilustrado pelo Exercı́cio 3.24. 67 Assim sendo, mostre que o sistema possui distribuição IHR, caso p(t) × d r(p(t)) 1 × d p(t) r(p(t)) (3.38) seja uma função decrescente de p(t). • (Ver Ross (2003, pp. 573–574).) Texto de apoio: Barlow e Proschan (1975, pp.98–104 e pp.182–187). 68 3.5 Limites para a função de fiabilidade e momentos Nesta secção são apresentados limites para a função de fiabilidade e outros parâmetros da duração de sistemas/componentes. Estes limites assumem particular relevância pois obtêm-se assumindo que se conhece somente um momento ou um percentil da referida duração e que esta verifica uma propriedade de envelhecimento estocástico. Por exemplo, assumir que a componente possui duração esperada conhecida µ e função taxa de falha crescente porque sujeita a desgaste. Os limites que apresentaremos dividem-se nas seguintes categorias: • limites para a função de fiabilidade baseados num quantil conhecido; • limites para a função de fiabilidade baseados num momento conhecido; • limites para momentos da duração de uma componente; • limites para a função de fiabilidade de um sistema baseados em momentos conhecidos; • limites para o valor esperado da duração de um sistema baseados em momentos conhecidos. 69 3.5.1 Limites para a função de fiabilidade baseados num quantil conhecido O resultado que se segue basea-se no facto de uma v.a. IHRA (DHRA) possuir função de fiabilidade que se cruza uma única vez com a função de fiabilidade de uma exponencial num ponto que corresponde ao quantil de probabilidade p de ambas as v.a.s. A forma como tal cruzamento ocorre é descrita no teorema seguinte. Teorema 3.40 — Limites para a função de fiabilidade baseados num quantil conhecido Sejam T ∈ IHRA, ξp o quantil de ordem p de T (i.e. RT (ξp ) = 1 − p) e λ = −(1/ξp )ln(1 − p). Então ≥ e−λt = (1 − p)t/ξp , 0 < t ≤ ξp ≤ e−λt = (1 − p)t/ξp , t ≥ ξp . RT (t) As desigualdades invertem-se para o caso DHRA. (3.39) • Exercı́cio 3.41 — Elabore gráficos por forma a ilustrar o Teorema • 3.40. Exercı́cio 3.42 — Solicitou-se a um engenheiro que produzisse um sistema com fiabilidade de 0.95 para um perı́odo de funcionamento de 1000 horas. O referido sistema deveria ser coerente e constituı́do por pequenas peças com durações independentes e IHR. Obtenha um limite inferior para a fiabilidade de tal sistema ao fim de um perı́odo de funcionamento de 900 horas (Barlow e Proschan (1975, • p. 110). 70 3.5.2 Limites para a função de fiabilidade baseados num momento conhecido É também possı́vel obter limites superiores para a função de fiabilidade de v.a. IHRA, uma vez conhecido o seu valor esperado. Teorema 3.43 — Limites para a função de fiabilidade baseados num momento conhecido Seja T ∈ IHRA com valor esperado µ. Então, para t fixo positivo 1, e−wt , t > µ, RT (t) ≤ t≤µ (3.40) onde w = w(t) é constante positiva e função de t satisfazendo 1 − wµ = e−wt (3.41) e e−wt , t > 0, a função de fiabilidade de v.a. exponencial com parâmetro de escala w−1 . • Exemplo 3.44 — Limites para a função de fiabilidade baseados num momento conhecido Obtenha uma tabela com limites superiores para a função de fiabilidade da duração de uma componente com valor esperado unitário e função taxa de falha crescente, considerando para o efeito t = 0.0, 2.0(0.5). • t = 1.0; While[(t = t + 0.5) ≤ 2, h = FindRoot[1 - w - Exp[-w t] == 0, {w, 1}]; raiz = {w} /. Dispatch[h]; Print[{t, raiz[[1]], Exp[-raiz[[1]] t]}]] {1.5, 0.582812, 0.417188} {2., 0.796812, 0.203188} • 71 Pode obter-se limites inferiores ainda mais sofisticados que os limites superiores do Teorema 3.43 para a função de fiabilidade de v.a. IHRA. Para mais detalhes consulte-se o Teorema 6.11 de Barlow e Proschan (1975, p. 116). Pode adiantar-se um limite inferior para a função de fiabilidade ao lidar-se com uma v.a. contı́nua IHR com momento de ordem r (r > 0) µr conhecido. Teorema 3.45 — Limites para a função de fiabilidade baseados num momento conhecido de ordem r Sejam T ∈ IHR, µr = Z +∞ tr dFT (t) 0 = Z +∞ tr−1 RT (t)dt, r 0 o momento ordem r > 0 de T , e λr = µr Γ(r+1) . exp −t/λ1/r , t < µ1/r r r 0, RT (t) ≥ (3.42) Então t ≥ µ1/r r . (3.43) • Nota 3.46 — Limites para a função de fiabilidade baseados num momento conhecido de ordem r Na situação em que T ∈ IHRA (DHRA), demonstra-se que o limite inferior exp −t/λ1/r decresce (cresce) com r, para qualquer real t fixo r e não negativo. Para além disso o domı́nio em que tal limite inferior é valido, [0, µ1/r r ], aumenta também com r para T ∈ IHRA. • Ao considerar-se r = 1 obtém-se limite inferior para a função de fiabilidade da v.a. T ∈ IHR bastando para tal conhecer o seu valor esperado. 72 Corolário 3.47 — Limites para a função de fiabilidade baseados no momento conhecido de primeira ordem Seja T ∈ IHR com valor esperado µ1 = E(T ). Logo exp (−t/µ1 ) , t < µ1 0, RT (t) ≥ (3.44) t ≥ µ1 . • Exercı́cio 3.48 — Obtenha agora uma tabela com limites inferiores para a função de fiabilidade da duração de uma componente com valor esperado unitário e função taxa de falha crescente, para t = 0.0, 3.0(0.1). Elabore um gráfico com limites inferiores e superiores para a função de fiabilidade da duração dessa mesma componente para perı́odos de funcionamento t ∈ [0, 3]. Teorema 3.49 — Limites • para a função de fiabilidade baseados num momento conhecido de ordem r (caso IHR) Seja T ∈ IHR com momento de ordem r (r > 0), µr = R +∞ r t dFT (t). 0 Então, para t fixo positivo, 1, e−wt , t ≥ µ1/r r , RT (t) ≤ t ≤ µ1/r r (3.45) onde w = w(t) é solução de µr = r Z t 0 xr−1 e−wx dx. (3.46) • Debrucemo-nos agora sobre o caso em que se lida com componentes com capacidade de rejuvenescimento/fortalecimento/melhoramento (“training effect”) à medida que o tempo de operação aumenta. 73 O teorema e o corolário que se seguem são análogos ao Teorema 3.45 e Corolário 3.47. Dizem, no entanto, respeito a uma duração DHR. Teorema 3.50 — Limites para a função de fiabilidade baseados num momento conhecido de ordem r (caso DHR) Sejam T ∈ DHR, µr o momento ordem r de T e λr = RT (t) ≤ µr Γ(r+1) . Então exp −t/λ1/r , t < rλ1/r r r r −r r e µr , Γ(r+1)tr (3.47) t ≥ rλ1/r r . • Corolário 3.51 — Limites para a função de fiabilidade baseados no valor esperado (caso DHR) Seja T ∈ DHR com valor esperado conhecido µ1 . Logo RT (t) ≤ e−t/µ1 , t ≤ µ1 −1 µ1 e , t (3.48) t ≥ µ1 . • 3.5.3 Limites para momentos da duração de uma componente O Teorema 3.40 e o que se segue são particularmente importantes porque em testes de vida nem sempre se dispõe da média das durações das componentes em teste (pois nem todas as componentes falham durante o teste) mas é frequente dispôr de quantis de probabilidade (empı́ricos). À custa destes quantis pode obter-se limites para o valor esperado de v.a. IHR. O próximo teorema pode encontrar-se em Barlow e Proschan (1965/ 1996, p. 30). 74 Teorema 3.52 — Limites para o valor esperado da duração de uma componente Assuma que T ∈ IHR e que o seu quantil probabilidade p é representado por ξp . Se p ≤ 1 − e−1 então ξp p ξp ≤µ≤− . − ln(1 − p) ln(1 − p) Caso p ≥ 1 − e−1 , tem-se p ξp ≤ µ ≤ ξp . − ln(1 − p) de (3.49) (3.50) • O teorema seguinte permite obter limites inferiores e superiores para o momento de ordem r (r > 0) de v.a. IHRA (DHRA). Teorema 3.53 — Limites para momentos de ordem r da duração de uma componente Seja T ∈ IHRA. Então os limites para o momento ordem r de T , µr , são dados por ≥ Γ(r + 1) µr1 ≤ Γ(r + 1) µr1 , r ≥ 1. µr 0<r≤1 As desigualdades invertem-se ao lidar-se com T ∈ DHRA. (3.51) • Corolário 3.54 — Limite para o coeficiente de variação duração de uma componente Ao considerar-se r = 2, o Teorema 3.53 permite comparar para o coeficiente de variação de uma v.a. T ∈ IHRA com o coeficiente de variação unitário de qualquer v.a. com distribuição exponencial: σ T ∈ IHRA ⇒ ≤ 1. (3.52) µ A desigualdade inverte-se para T ∈ DHRA. • Exercı́cio 3.55 — Demonstre o Corolário 3.54. 75 • 3.5.4 Limites para a função de fiabilidade de um sistema baseados em momentos conhecidos Na fase inicial de planeamento da produção de sistemas é frequentemente necessário predizer a fiabilidade dos mesmos com o mı́nimo de informação — como o tipo de estrutura, os valores esperados das durações das componentes que o constituem. Ora, os limites fornecidos pelo Corolário 3.47 tem aplicações óbvias. Teorema 3.56 — Limites para a função de fiabilidade de um sistema em série baseados em momentos conhecidos Caso um sistema seja constituı́do por n componentes dispostas em série e com durações Ti independentes e IHR, com valores esperados µi = E(Ti ) e funções de fiabilidade Ri (t), i = 1, . . . , n, pode concluir-se que a função de fiabilidade do sistema verifica exp −t 0, RT(1) (t) ≥ h i Pn −1 , (µ ) i i=1 t < mini=1,...,n µi t ≥ mini=1,...,n µi . (3.53) • Exercı́cio 3.57 — Forneça limites para a função de fiabilidade RT(n) (t) de um sistema constituı́do por n componentes independentes IHR dispostas em paralelo e com durações esperadas µi (Barlow e • Proschan (1965/1996, p. 28)). São válidos resultados similares para sistemas coerentes constituı́dos por componentes com durações independentes e IHR. Teorema 3.58 — Limites para a função de fiabilidade de um sistema coerente baseados em momentos conhecidos Considere-se sistema coerente com n componentes com durações Ti independentes e IHR, com valores esperados µi e funções de fiabilidade 76 Ri (t), i = 1, . . . , n. Então, a função de fiabilidade do sistema verifica, para t ≤ mini=1,...,n µi , RT (t) = r(R1 (t), . . . , Rn (t)) ≥ r(e−t/µ1 , . . . , e−t/µn ), (3.54) onde, recorde-se, r(p) representa a fiabilidade do sistema calculada para o vector p das fiabilidades das componentes. • Nota 3.59 — Limites para a função de fiabilidade de um sistema coerente baseados em momentos conhecidos Este resultado permite concluir que, no intervalo [0, mini=1,...,n µi ], a fiabilidade do sistema no instante t é superior ou igual à de um outro sistema exactamente com a mesma estrutura mas com componentes com durações exponenciais e durações esperadas µi . • Exercı́cio 3.60 — Considere um circuito electrónico, com três componentes, que funciona caso a primeira das componentes e uma das duas restantes funcionem. Admita que estas componentes possuem durações independentes, IHR e com valores esperados (em horas) µ1 = 1000, µ2 = 1200, µ3 = 1600. Obtenha um limite inferior para a função de fiabilidade do circuito para um perı́odo de operação de 800, 900, 950 e 975 horas. (Barlow e • Proschan (1975, p. 119)). Exercı́cio 3.61 — Um sistema em paralelo é composto por duas componentes independentes e IHRA com fiabilidade de 0.95 para um perı́odo de 500 horas. a) Determine limites inferiores para a fiabilidade para um perı́odo de 400 horas usando os dois métodos seguintes: 77 1. Calcular um limite inferior para cada uma das duas componentes e de seguida um limite inferior para a fiabilidade do sistema. 2. Calcular a função de fiabilidade do sistema para um perı́odo de 500 horas e de seguida obter um limite inferior recorrendo ao Teorema 3.40. b) Qual destes dois métodos lhe parece conduzir a melhores resultados considerando para o efeito t ∈ [0, 500)? (Barlow e Proschan (1975, p. 119).) c) Repita a) e b) admitindo que o sistema é em série e elaborando um gráfico com os dois tipos de limites inferiores para a fiabilidade para perı́odos de t horas (t ∈ [0, 500)). 3.5.5 • Limites para a duração esperada de um sistema baseados em momentos conhecidos O próximo limite inferior (superior) diz respeito à duração esperada de um sistema em série constituı́do por n componentes associadas e NBUE (NWUE). Teorema 3.62 — Limites para a duração esperada de um sistema baseados em momentos conhecidos Seja Ti (µi ) a duração (esperada) da i−ésima componente de um sistema em série com n componentes com durações associadas e NBUE. Então a duração esperada deste sistema em série µs verifica µs ≥ n X −1 µ−1 i . (3.55) i=1 A desigualdade inverte-se para T ∈ NWUE. 78 • De notar que o limite inferior em (3.55) mais não é que o valor esperado da duração de um sistema em série com componentes independentes, exponencialmente distribuı́das e com duração esperada µi . Exercı́cio 3.63 — Demonstre o Teorema 3.62 (Gertsbakh (1995, pp. • 62–63). Teorema 3.64 — Limites para a duração esperada de sistema em série/paralelo baseados em momentos conhecidos Considere-se um sistema em série/ paralelo com n componentes com durações associadas e IHRA. Então a duração esperada do sistema em série/ paralelo, µs /µp , pode comparar-se com a duração esperada de um sistema também em série/ paralelo com n componentes com durações/ durações exponenciais, independentes e com valor esperado µi (i = 1, . . . , n) e satisfaz µs ≥ n X −1 µ−1 i (3.56) i=1 µp ≤ Z +∞ 0 1 − n Y (1 − e−t/µi ) dt. (3.57) i=1 A desigualdade inverte-se, caso as componentes sejam DHRA. • Importa referir que a integranda em (3.57) corresponde à função de fiabilidade de um sistema em paralelo com componentes independentes, exponencialmente distribuı́das e com duração esperada µi . Assim sendo, o limite superior em (3.57) mais não é que o valor esperado do sistema acabado de descrever. O próximo resultado é apresentado a tı́tulo de exercı́cio em Gertsbakh (1995, p. 71). 79 Teorema 3.65 — Limite para a duração esperada de um sistema coerente baseados em momentos conhecidos Considere-se agora um sistema coerente com n componentes com durações independentes e NBUE e caminhos mı́nimos P1 , . . . , Pp . Então a duração esperada µ deste sistema satisfaz µ≥ X max j=1,...,p i∈P j −1 µ−1 . i (3.58) • Exercı́cio 3.66 — Demonstre o Teorema 3.65 recorrendo ao Teorema • 3.62. Exercı́cio 3.67 — Considere um conjunto de dois geradores eléctricos em paralelo que fornecem electricidade a uma bomba de extracção de petróleo. Admita que estas três componentes possuem durações até falha mecânica independentes, NBUE e com valores esperados (em horas) µ1 = 1000, µ2 = 1200, µ3 = 1600. Obtenha um limite inferior para duração esperada deste sistema • circuito. Exercı́cio 3.68 — Repita o exercı́cio anterior considerando agora que está a lidar com um sistema do tipo 2 − de − 3. • Barlow e Proschan (1975, p. 124) enunciam um resultado similar ao Teorema 3.65. 80 Teorema 3.69 — Limites para a duração esperada de um sistema coerente baseados em momentos conhecidos Considere-se um sistema coerente com n componentes com durações independentes e IHRA, durações esperadas µi , caminhos mı́nimos P1 , . . . , Pp e cortes mı́nimos K1 , . . . , Kq . Então a duração esperada µ deste sistema satisfaz −1 X −1 max µi j=1,...,p i∈P j ≤µ≤ Z +∞ 1 min j=1,...,q 0 − Y (1 − e−t/µi ) dt. (3.59) i∈Kj • Exercı́cio 3.70 — Demonstre e comente os resultados do Teorema • 3.69. É curioso notar que Barlow e Proschan (1965/96, pp. 41-45) também adiantam limites para a função de fiabilidade e momentos, baseados no valor limite e no comportamento monótono da função de taxa de falha. Textos de apoio: Barlow e Proschan (1975, pp. 109–125); Barlow e Proschan (1965/96, pp. 26–35 e 39–45); Gertsbakh (1995, p. 61–68); Ross (2003, pp. 580–586). 81 Capı́tulo 4 Modelos paramétricos importantes em fiabilidade 4.1 Introdução Uma distribuição de falha 1 mais não é que o resultado de uma tentativa de descrever matematicamente a duração de vida de um material, estrutura ou dispositivo. A forma como ocorrem as falhas num item afecta a forma analı́tica da distribuição de falha. Os materiais e as estruturas podem falhar de diversas formas, podendo dar-se o caso de terem ocorrido simultaneamente dois ou mais tipos de falhas. Foram vistos previamente alguns exemplos de tipos de falha, como as falhas estáticas aquando de fracturas por aplicação de carga, a corrosão quı́mica devida a hydrogen embrittlement, a fadiga devido a sobrecargas cı́clicas ou a gripagem de componentes mecânicas. Certos aparelhos electrónicos ou digitais falham devido à alteração de parâmetros crı́ticos para o seu desempenho devido a mudanças de temperatura, de humidade ou de um modo geral das condições 1 Tradução livre de failure distribution. 82 atmosféricas. Falhas iniciais no equipamento devem-se de um modo geral a planeamento/ fabrico/ uso impróprio/ inadequado. Infelizmente a escolha/ selecção de uma distribuição de falha baseada nestas considerações fı́sicas ainda é uma arte. No entanto, em alguns casos a relação entre o mecanismo de falha e a função taxa de falha pode ser de utilidade na referida selecção já que a observações são de um modo escassas nas caudas não possibilitando a destrinça efectiva entre as distribuições candidatas à modelação. Neste capı́tulo irão ser revistas algumas das mais comuns distribuições de falha, como é o caso da distribuição exponencial, famosa pela sua propriedade de falta de memória entre algumas outras propriedades que enunciaremos mais tarde. Texto de apoio: Barlow e Proschan (1965/1996, pp. 9–12). 83 4.2 Distribuições discretas As distribuições discretas são muito menos utilizadas em fiabilidade que as contı́nuas pelo que merecerão um pouco menos de atenção do que seria de esperar. 4.2.1 A distribuição geométrica É sabido que a distribuição geométrica é o análogo discreto da distribuição exponencial e poderá representar: • o número de insucessos que precedem o primeiro sucesso numa sucessão de provas de Bernoulli independentes e identicamente distribuı́das, tomando neste caso valores 0, 1, . . .; ou então • o número total de provas de Bernoulli independentes e identicamente distribuı́das realizadas até à ocorrência do primeiro sucesso, assumindo neste caso os valores 1, 2, . . .. Nota 4.1 — Distribuição geométrica A distribuição geométrica é por vezes designada por distribuição discreta do tempo de espera pelo primeiro sucesso.2 • Exemplo 4.2 — Distribuição geométrica Todas as manhãs verifica-se se um dispositivo de segurança falhou. Há a probabilidade p de ocorrer falha num dia escolhido ao acaso. Não há razões que levem a crer que esse probabilidade se altere com o tempo nem que o facto de não ter ocorrido falha no dispositivo no dia m venha a influenciar a probabilidade de isso ocorrer no dia (m + 1). 2 Sucesso significa aqui avaria, falha, etc. 84 O número total de inspecções até registar-se a falha, T , possui distribuição geométrica(p) e função de probabilidade (f.p.) dada por P (T = m) = (1 − p)m−1 p, m ∈ IN. (4.1) onde p representa a probabilidade de ocorrência de falha. • Nota 4.3 — Falta de memória Não só esta distribuição possui função taxa de falha constante como goza da seguinte propriedade: P (T ≥ m1 + m2 |T ≥ m1 ) = P (T ≥ m2 ), (4.2) i.e., efectuadas pelo menos m1 inspecções sem que tenha sido registada a primeira falha, a probabilidade de ainda vir a efectuarse adicionalmente pelo menos mais m2 inspecções é exactamente igual à probabilidade de se efectuar – a partir do momento inicial – pelo menos m2 inspecções até ao registo da primeira falha. Esta propriedade é sugestivamente designada por falta de • memória. Exercı́cio 4.4 — Considere agora que o dispositivo de segurança descrito no Exemplo 4.2 só deixa de funcionar ao fim de exactamente r falhas. Qual a distribuição do número total de inspecções efectuadas até que o dispositivo deixe de funcionar? Escreva a função de • probabilidade desta nova v.a. Nota 4.5 — Distribuição binomial negativa A distribuição binomial negativa é por vezes designada por distribuição discreta do tempo de espera pelo r−ésimo sucesso. E trata-se da generalização da distribuição geométrica. 85 • Na Tabela 4.1 pode encontrar-se algumas caracterı́sticas desta e de outras distribuições discretas. Tabela 4.1: Algumas distribuições discretas importantes. P (T = k) E[T ] Uniforme ({1, 2, . . . , n}) 1/n (n + 1)/2 (n2 − 1)/12 Binomial (n, p) Ckn pk (1 − p)n−k np np(1 − p) Geométrica (p) (1 − p)k−1 p 1/p (1 − p)/p2 pz 1−(1−p)z r(1 − p)/p2 λ e−λ(1−z) k−1 r Binomial Negativa (r, p) Cr−1 p (1 − p)k−r r/p e−λ λk /k! Poisson (λ) λ V [T ] E[z T ] T z(1−z n ) n(1−z) (1 − p + pz)n r pz 1−(1−p)z Texto de apoio: Gertsbakh (1989, pp. 43–44). 4.2.2 A distribuição binomial Comece-se por recordar que a função de distribuição da v.a. binomial(n, p) já foi utilizada para calcular a fiabilidade de sistemas k − de − n. Com efeito, caso a fiabilidade das n componentes seja igual a p e estas sejam independentes, o sistema k −de−n possui fiabilidade dada por r(p) = E[φ(X)] n X Xi ≥ k (4.3) n! pi (1 − p)n−i i=k i! (n − i)! = 1 − Fbinomial(n,p) (k − 1). (4.4) = P i=1 = n X Recorde-se que a v.a. binomial(n, p) representa o número de sucessos num conjunto de n provas de Bernoulli independentes e identicamente distribuı́das. 86 Exercı́cio 4.6 — Uma companhia produz um tipo especı́fico de interruptores, tendo-se constatado que 5% da produção é defeituosa. a) Calcule o valor esperado e a variância do número de interruptores defeituosos numa amostra de 50 interruptores. (Dhillon (1984, p. 132)). b) Determine um valor aproximado para a probabilidade de tal número ser inferior a 15. c) Obtenha o gráfico da função taxa de falha desta v.a. e classifique quanto ao comportamento monótono da função taxa de falha. • Exercı́cio 4.7 — Considere-se uma aeronave com 4 motores. Suponha-se que ela só será capaz de voar se possuir pelo menos 2 dos motores a funcionar. a) Determine a probabilidade de a aeronave estar em condições de voar (i.e., a fiabilidade), caso a fiabilidade de cada motor seja de 99% (Leitch (1995, p. 47)). b) Obtenha limites inferiores e superiores para a fiabilidade da aeronave, assumindo agora que os 4 motores estão associados • (positivamente). Texto de apoio: Leitch (1995, pp. 46–48). 87 4.2.3 A distribuição de Poisson A distribuição de Poisson é utilizada na contabilização do número de falhas que ocorrem independentemente num perı́odo fixo de tempo. Poderá tratar-se do número de visitas mensais a uma oficina por parte de uma frota de veı́culos ou do número de acidentes semanais num troço especı́fico de auto-estrada. De notar que à partida não há limite superior para o número de falhas/ acidentes como aconteceria se considerássemos a distribuição binomial. A independência a que se refere acima significa que uma falha num futuro próximo não depende da ocorrência ou não de falhas no passado recente. A v.a. Poisson(λ) possui f.p. dada por P (T = k) = e−λ λk /k!, k ∈ IN. (4.5) Na Tabela 4.1 encontram-se esta entre outras caracterı́sticas da distribuição de Poisson(λ) que tem a particularidade de possuir o valor esperado e a variância iguais ao parâmetro que define a distribuição λ. Exercı́cio 4.8 — Efectuou-se o registo do número de acidentes mensais de uma frota de veı́culos na tabela abaixo. Tabela 4.2: Número de acidentes mensais. J F M A M J J A S O N D 1 2 1 0 3 1 0 3 2 2 1 2 a) Obtenha a estimativa de MV do número esperado de acidentes mensais (Leitch (1995, p. 49)). 88 b) Determine uma estimativa para a probabilidade de o número de acidentes mensais exceder 2 bem como para o quantil de ordem q = 0.5. Dê uma interpretação a este quantil. • Mais tarde explorar-se-á a relação entre as distribuições de Poisson e exponencial. Texto de apoio: Leitch (1995, pp. 48–49). 89 4.3 Distribuições contı́nuas Neste secção irão ser revistas algumas das distribuições contı́nuas mais comuns na descrição tempos até falha, como é o caso da distribuição exponencial que sabemos gozar da propriedade de falta de memória entre outras propriedades enunciadas oportunamente. Será ainda (re)vistas as distribuições: • bathtub (ou distribuição em forma de banheira); • log-normal que surge ao efectuar-se uma mudança de escala de t para et mas de uso questionável em fiabilidade; • Weibull, generalização do modelo exponencial que inclui distribuições com função taxa de falha monótona decrescente, constante e crescente; • normal e a normal truncada; • gama, outra generalização natural do modelo exponencial que descreve o tempo de vida no caso em que há a ocorrência de vários choques até que a componente falha definitivamente; • gaussiana inversa; • gama inversa; • beta. Convinha notar que Bagdonavicius e Nikulin (2002, pp. 2–17) fazem um apanhado de algumas destas distribuições contı́nuas e de outras quantas nomeadamente a distribuição de Gompertz-Makeham (pp. 6– 7), a mistura de exponenciais (p. 8), a Weibull generalizada (p. 8), 90 a Weibull exponenciada (pp. 11–12), a Loglogı́stica (pp. 12–13) e a distribuição de Birnbaum–Saunders (p. 14). 4.3.1 A distribuição exponencial Trata-se certamente da distribuição contı́nua mais utilizada em fiabilidade assim como o é a distribuição normal em Estatı́stica. Este facto prende-se essencialmente com a evidência empı́rica e alguma argumentação matemática... Considere-se um grande equipamento, por exemplo, um computador, e suponha-se que ele falha assim que tal aconteça com pelo menos uma das suas componentes. Caso se substitua uma componente imediatamente a seguir à ocorrência da sua falha e as durações das componentes sejam independentes, a sequência de falhas do equipamento corresponderá grosso modo à sequência de falhas individuais das componentes. Ora, admitindo que o equipamento é constituı́do por um grande número de componentes e são válidas certas condições (fracas), os tempos entre falhas consecutivas do equipamento são i.i.d. com distribuição exponencial com parâmetro comum λ e o número de falhas num perı́odo de tempo fixo de amplitude t é uma v.a. com distribuição de Poisson(λ t). Estamos na presença do que se designa na disciplina de Processos Estocásticos de um Processo de Poisson. Se a duração esperada das componentes for limitada uniforme e superiormente por real (positivo) e tais durações forem IHR, o número de falhas do referido equipamento é um processo de Poisson. A f.d.p. e outras caracterı́sticas desta distribuição assim como 91 de outras distribuições contı́nuas importantes podem encontrar-se na Tabela 4.3. Tabela 4.3: Algumas distribuições contı́nuas importantes. T fT (t) E[T ] Uniforme (a, b) 1 b−a (a + b)/2 (b − a)2 /12 Exponencial (λ) λe−λt α−1 λe−λt (λt) Γ(α) Erlang (n, λ) λe−λt (λt) (n−1)! Normal (µ, σ 2 ) √ 1 e− 2πσ n−1 (t−µ)2 2σ 2 E[e−sT ] e−as −e−bs s(b−a) 1/λ2 λ λ+s α/λ α/λ2 n/λ n/λ2 α λ λ+s n λ λ+s µ σ2 e−µs+ 1/λ Gama (α, λ) V [T ] (sσ)2 2 Esta distribuição possui, recorde-se, função taxa de falha constante λT (t) = λ, t ≥ 0, (4.6) pelo que é útil na descrição do comportamento probabilı́stico de sistemas que não envelhecem, nem rejuvenescem no tempo. Há estruturas cujo tempo de vida goza desta propriedade como o caso de fusı́veis eléctricos, cuja vida futura se mantém praticamente inalterada desde que a falha ainda não tenha ocorrido. Esta propriedade que caracteriza univocamente a distribuição exponencial entre as distribuições contı́nuas tem uma consequência importante aquando de testes de vida de componentes com o objectivo de estimar o valor esperado, quantis e a fiabilidade desta distribuição: • os dados recolhidos podem dizer exclusivamente respeito ao número total observado de horas de vida e ao número de avarias efectivamente registadas — as idades efectivas das componentes testadas são irrelevantes. 92 Teorema 4.9 — Momentos da distribuição exponencial Seja T ∼ exponencial(λ). Então E(T s ) = onde Γ(s) = Γ(s + 1) , s > −1, λs R +∞ s s−1 −λt λ t e dt, 0 (4.7) Γ(s + 1) = sΓ(s), s > 0 e Γ(s + 1) = s!, para s ∈ IN0 . • Teorema 4.10 — Transformada inversa Seja U ∼ uniforme(0, 1). Então T = −ln(U ) ∼ exponencial(1). • Exercı́cio 4.11 — Prove os Teoremas 4.9–4.10. Pronuncie-se sobre a utilidade deste último resultado. • Importa referir (relembrar) outras propriedades da distribuição exponencial particularmente relevantes em fiabilidade, nomeadamente as propriedades dos spacings de primeira ordem, i.e., tempos entre falhas sucessivas em testes simultâneos. Teorema 4.12 — Spacings de primeira ordem Sejam T(1) , T(2) , . . . , T(n) as estatı́sticas ordinais de uma distribuição exponencial(λ) e D1 , D2 , . . . , Dn os correspondentes spacings de primeira ordem, i.e., D1 = T(1) , D2 = T(2) − T(1) , . . . , Dn = T(n) − T(n−1) . (4.8) Então Dk ∼indep exponencial((n − k + 1)λ) Ek = (n − k + 1) Dk ∼i.i.d. exponencial(λ), (4.9) (4.10) para k = 1, . . . , n, onde Ek é usualmente designado de spacing • normalizado. 93 O Teorema 4.12 permite concluir que os tempos entre falhas sucessivas — em teste simultâneos de componentes com durações i.i.d. e distribuição exponencial — possuem também ela exponencial. Corolário 4.13 — Representação de Rényi No que diz respeito às estatı́sticas ordinais T(r) (i.e. os tempos até à r−ésima falha), pode afirmar-se que, para k = 1, . . . , n, correspondem a combinações lineares de v.a. exponenciais independentes: k k X X Ei = Di T(k) = (n − i + 1) i=1 i=1 k X 1 E[T(k) ] = . (n − i + 1)λ i=1 (4.11) (4.12) (4.11) corresponde ao tempo esperado até à r−ésima falha e aquilo • que se designa por representação de Rényi. Exercı́cio 4.14 — Elabore um esquema que ilustre o resultado (4.11) do Corolário 4.13 e permita demonstrar o Teorema 4.12 (Barlow e • Proschan (1975, p. 60)). • Nota 4.15 — Tempo total em teste O tempo total em teste (ou tempo acumulado em teste) é definido por Pn i=1 Ti = Pn i=1 T(i) . • Exercı́cio 4.16 — Identifique a distribuição do tempo total em teste, Pn i=1 Ti . • Exercı́cio 4.17 — Admita que T(i) ≤ t ≤ T(i+1) . Identifique o tempo total em teste até ao instante t, τ (t), à custa de um esquema gráfico. Prove ainda que τ (t) = Pi j=1 T(j) + (n − i)t. 94 • Nota 4.18 — Exponencial biparamétrica Há a possibilidade de generalizar a distribuição exponencial ao considerar-se a f.d.p. fX (x) = λe−λ(x−µ) , t ≥ µ. (4.13) Neste caso lida-se com a distribuição exponencial biparamétrica onde se designa µ por parâmetro de localização (threshold parameter) que em termos de fiabilidade corresponde perı́odo de garantia da componente, i.e., no intervalo [0, µ] não ocorrem quaisquer falhas. • Textos de apoio: Gomes e Barão (1999, pp. 156–161); Martz e Waller (1982, pp. 86–89). 4.3.2 A distribuição bathtub A distribuição “bathtub”ou em forma de banheira vai buscar o seu nome ao aspecto gráfico da sua função taxa de falha. A f.d.p., f.d., função de fiabilidade e função taxa de falha da v.a. T ∼ bathtub(µ, θ) são, para t ≥ 0, dadas por θ fT (t) = θµ(µt)θ−1 exp{−[e(µt) − (µt)θ − 1]} θ FT (t) = 1 − exp{−[e(µt) − 1]} θ RT (t) = exp{−[e(µt) − 1]} (4.14) (4.15) (4.16) θ λT (t) = θµ(µt)θ−1 e(µt) (4.17) respectivamente, onde µ (µ > 0) é o inverso do parâmetro de escala e θ (θ > 0) representa o parâmetro de forma. Exercı́cio 4.19 — Elabore o gráfico da função taxa de falha da distribuição bathtub com parâmetros µ = 1 e θ = 0.5. Identifique os tipos de falhas tı́picos associados aos seus três troços. • 95 Os três troços distintos da função taxa de falha da distribuição bathtub possuem as seguintes caracterı́sticas (veja-se a Figura 4.1 de Martz e Waller (1982, p. 81)): • Troço 1 — A função taxa de falha é decrescente neste troço. Esta região é também conhecida por perı́odo de mortalidade infantil. Neste perı́odo as falhas devem-se a defeitos de design e fabrico. • Troço 2 — A função taxa de falha é praticamente constante neste troço também designado por perı́odo de vida útil. • Troço 3 — Neste último troço a função taxa de falha é crescente. Por este motivo alguns autores designam-no de perı́odo de desgaste. As falhas ocorrem com cada vez mais frequência porque a componente já ultrapassou o seu perı́odo de vida útil. Texto de apoio: Dhillon (1984, pp. 134–135). 4.3.3 A distribuição log-normal As caracterı́sticas desta v.a. escrevem-se naturalmente à custa das da v.a. normal já que se X ∼ normal(µ, σ 2 ) então T = eX ∼ log-normal(µ, σ 2 ). Assim, para t ≥ 0, 1 ln t − 1 √ exp − 2 σ σ t 2π ! ln t − µ RT (t) = 1 − Φ σ φ ln t−µ 1 σ λT (t) = × σ t 1 − Φ ln t−µ σ fT (t) = ! µ 2 = φ ln t−µ σ σt (4.18) (4.19) (4.20) onde φ e Φ representam a f.d.p. e f.d. da v.a. normal padrão, respectivamente. 96 Exercı́cio 4.20 — Obtenha o valor esperado e a variância da distribuição log-normal e elabore o gráfico da função taxa de falha de distribuição log-normal(0, 1), fazendo uso do Mathematica. • Alguns autores questionam a utilidade da distribuição log-normal na modelação de tempos até falha. Tal deve-se essencialmente ao facto de a sua função taxa de falha ser inicialmente crescente para depois decrescer para zero. Há, no entanto, evidência empı́rica e argumentação sólida apontando no sentido da utilidade da distribuição log-normal na modelação de tempos de reparação. Com efeito, parece razoável que se após algum tempo a reparação ainda não tiver sido concluı́da, menos verosı́mil será a sua conclusão imediata devido a factores psicológicos e logı́sticos. Por exemplo, um reparador pode ficar desencorajado depois de um perı́odo de trabalho mal sucedido, ou o tempo excessivo de reparação poderá dever-se à não disponibilidade de uma peça necessária à reparação. Textos de apoio: Barlow e Proschan (1965/1996, p. 11); Martz e Waller (1982, pp. 94–95). 4.3.4 A distribuição de Weibull A distribuição de Weibull de mı́nimos — a que alguns autores se referem como distribuição de Weibull — deve o seu nome ao apelido do fı́sico sueco Waloddi Weibull. Este utilizou-a em Weibull (1939a, 1939b) para representar a tensão de ruptura de materiais e discutiu, posteriormente, a sua utilidade na modelação de outras v.a. em Weibull (1951). 97 É o caso da resistência do aço Bofors, do tamanho de cinzas industriais, da resistência da fibra de algodão indiano. Nessa mesma referência é ilustrada a utilização da mistura de duas distribuições de Weibull na caracterização do comprimento da espécie Cyrtoideae, do tempo até fatiga do aço do tipo St-37, da estatura dos adultos do sexo masculino nascidos nas Ilhas Britânicas, da largura das sementes da espécie Phaseolus Vulgaris. Em Kao (1959) pode encontrar-se uma mistura de duas distribuições de Weibull a caracterizar o comportamento estocástico do tempo até falha de tubos de electrões. Berrettoni (1964) também ilustrou o uso da distribuição de Weibull e da mistura de duas dessas distribuicões na descrição de dados referentes: à resistência à corrosão de placas com uma liga de magnésio; à classificação de produtos defeituosos devolvidos, de acordo com o número de semanas após remessa; ao tempo até o derrame de pilhas; à esperança de vida de produtos farmacêuticos; à fiabilidade de motores descontı́nuos (reliability of step motors); e à fiabilidade de condensadores de tantálio sólido. Definição 4.21 — Distribuição Weibull (biparamétrica) A v.a. T diz-se com distribuição de Weibull (biparamétrica) com parâmetro de forma α (α > 0) e de escala δ (δ > 0) se, para t ≥ 0, α fT (t) = δ t δ " !α−1 t exp − δ ! # " !α # t α RT (t) = exp − δ !α−1 α t λT (t) = . δ δ (4.21) (4.22) (4.23) 98 Nesta caso é costume representar a distribuição de T de uma forma mais abreviada: T ∼ Weibull(δ, α). • Exercı́cio 4.22 — Considere T ∼ Weibull(δ, α). a) Elabore gráficos da f.d.p., da f. de fiabilidade e f. taxa de falha da distribuição Weibull(1, α), α = 0.25, 1, 2, 4 (Martz e Waller (1982, p. 91)), fazendo uso do seguinte package do Mathematica << Statistics ` ContinuousDistributions` . b) Obtenha a expressão geral para o quantil de ordem p e prove que o valor esperado e a variância de T são dadas por E(T ) = δ Γ 1 α h + 1 e V (T ) = δ 2 Γ 2 α + 1 − Γ2 ( α1 + 1) , i respectivamente. Sugestão: Calcule o momento de ordem k (k = 1, 2) efectuando para o efeito a mudança de variável y = (t/δ)α e recordando que Γ(s) = R +∞ s−1 −y y e dy, 0 • s > 0. A distribuição de Weibull, por possuir um parâmetro de forma, é caracterizada por uma f.d.p. que pode tomar uma grande diversidade de aspectos como se ilustrou no Exercı́cio 4.22. Quando o parâmetro de forma pertence ao intervalo (0, 1], o aspecto da f.d.p. é em J invertido; nesta situação a f.d.p. é monótona decrescente e a moda coincide com a origem. Caso o referido parâmetro pertença a (1, +∞) a f.d.p. é unimodal com moda definida, segundo Johnson e Kotz (1970, p. 251), por mo(T ) = δ α−1 1/α . α A popularidade da distribuição de Weibull deve-se a esta excepcional flexibilidade: engloba a distribuição exponencial (α = √ 1) e a distribuição Rayleigh (quando δ é substituı́do por 2δ) e inclui funções taxa de falha constantes e monótonas crescentes e 99 decrescentes, dependendo do valor do parâmetro de forma como se pôde ver no Exercı́cio 4.22 e se ilustra na tabela seguinte. Parâmetro de forma F. taxa de falha 0<α<1 Decrescente T ∈ DHR α=1 Constante T ∈ CHR α>1 Decrescente T ∈ IHR Não surpreende pois que a distribuição de Weibull seja provavelmente a distribuição mais utilizada no domı́nio da fiabilidade, a seguir à distribuição exponencial, e se encontre na maior parte dos textos de introdução à estatı́stica e à fiabilidade. Exercı́cio 4.23 — Foram registados os seguintes 9 tempos até falha (em anos) de um heat exchanger used in the alkylation unit 3 de uma refinaria de gasolina: 0.41, 0.58, 0.75, 0.83, 1.00, 1.08, 1.17, 1.25 e 1.35 (Martz e Waller (1982, pp. 395–396)). a) Determine a estimativa de MV de δ assumindo que o parâmetro de forma é conhecido e igual a α = 3.5. b) Após ter escrito as equações de verosimilhança, determine numericamente as estimativas de MV de ambos os parâmetros δ e α. Sugestão: Considere como estimativas iniciais do procedimento de pesquisa as estimativas obtidas por recurso ao método dos momentos. 3 The act or process of introducing one or more alkyl groups into a compound (as to increase octane number in a motor fuel). An alkyl has a monovalent organic group and especially one Cn H2n+1 (as methyl) derived from an alkane (as methane). 100 c) Obtenha estimativas da fiabilidade para perı́odos de 1 ano e de 1 ano e 3 meses, recorrendo para tal às estimativas obtidas nas • alı́neas a) e b). A popularidade da distribuição de Weibull encontra uma justificação não só prática como também num dos mais surpreendentes resultados da teoria assintótica de valores extremos: o teorema de Gnedenko na sua versão para o mı́nimo de um conjunto de v.a. i.i.d. (Para mais detalhes consulte-se Morais (1995, pp. 109–115).) Nota 4.24 — Distribuição Weibull (tri-paramétrica) Há também a possibilidade de generalizar a distribuição Weibull de mı́nimos ao considerar-se a f.d.p. α fT (t) = δ t−η δ !α−1 t−η exp − δ " !α # , t ≥ η. (4.24) Neste caso é frequente dizer-se que T possui distribuição de Weibull tri-paramétrica com parâmetros de localização, escala e forma iguais a η, δ e α, respectivamente — e representar a distribuição de T de uma forma mais abreviada: T ∼ Weibull(η, δ, α). O parâmetro de localização corresponde mais uma vez ao perı́odo de vida garantida ou perı́odo de garantia da componente. Não existem razões matemáticas que impeçam que este parâmetro seja negativo. Contudo, na maior parte das aplicações é costume ter-se η ≥ 0. • É possı́vel estabelecer relações entre a distribuição de Weibull e, pelo menos, duas outras distribuições (Johnson e Kotz (1970, p. 266)) como se poderá ver no exercı́cio seguinte. 101 Exercı́cio 4.25 — Suponha que T ∼ Weibull(η, δ, α). a) Prove que a potência da v.a. T , Y = [(T − η)/δ]α , é uma v.a. com distribuição exponencial(1). 4 b) Conclua que Y = α ln[(T − η)/δ] possui distribuição de Gumbel de mı́nimos com parâmetro de localização nulo e parâmetro de escala unitário. 5 c) Prove por fim que Ti ∼i.i.d. T, i = 1, . . . , n, se e só se δ , α). T(1) ∼ Weibull(η, n1/α • Refira-se por fim que, entre os domı́nios em que tem sido utilizada a distribuição de Weibull tri-paramétrica, conta-se também a optimização combinatória. Golden (1977) refere que McRoberts (1966), ao lidar com combinatorially explosive plant-layout problems, foi o primeiro autor a associar a distribuição de Weibull à modelação probabilı́stica de soluções aproximadas do problema do caixeiro viajante. 6 Por tratar-se de um problema para o qual ainda se conjectura a inexistência de algoritmos com tempo de execução polinomial, o problema do caixeiro viajante tem vindo a ser abordado sob o ponto de vista estatı́stico, com vista à obtenção de estimativas quer pontuais (Golden (1977)), quer intervalares (Golden e Alt (1979)) para o custo do solução óptima que corresponde ao parâmetro de localização de uma distribuição de Weibull tri-paramétrica. Para mais detalhes consulte-se Morais (1998). 4 Este resultado será de extrema utilidade na caracterização distribucional de uma v.a. fulcral para o parâmetro de escala quando os restantes parâmetros (localização e forma) são conhecidos. 5 Autores como Engelhardt e Bain (1977) tiraram partido desta relação para estimar os parâmetros de escala e forma quando o parâmetro de localização é nulo. 6 Nesta mesma referência McRoberts sugeriu que a distribuição de Weibull também fosse utilizada na modelação de soluções aproximadas de outros problemas de optimização combinatória: Cerdeira (1986) é disso um exemplo. 102 Textos de apoio: Morais (1995, pp. 109–115); Martz e Waller (1982, pp. 89–91). 4.3.5 As distribuições normal e normal truncada A distribuição normal é sobejamente conhecida pelo que não nos alongaremos nesta exposição. Convém no entanto realçar que, embora o suporte desta distribuição seja (−∞, +∞), ao considerar-se valores positivos para µ suficientemente grandes quando comparados com o valor de σ (e.g. µ/σ >> 3) a probabilidade de registar-se valores negativos é irrisória. Caso tal não aconteça, a distribuição normal deve ser truncada para valores negativos e reescalada em conformidade obtendo-se assim a distribuição normal truncada cuja f.d.p. é dada por (t − µ)2 1 , t ≥ 0, fT (t) = exp − a 2σ 2 onde a = R +∞ (t−µ)2 exp[− 0 2σ 2 ]dt. 2 T ∼ normal truncada(µ, σ ). (4.25) Neste caso escreve-se abreviadamente Caso µ = 0 a distribuição normal truncada é designada na literatura anglo-saxónica por half normal. Exercı́cio 4.26 — Suponha que T ∼ normal(µ, σ 2 ). a) Elabore gráficos da f.d.p., função de fiabilidade e função taxa de falha, para os pares de valores (µ, σ) = (0.5, 0.075), (1, 0.1), (2, 0.15). b) Prove que a função taxa de falha λT (t) desta v.a. é crescente e que possui a assı́ntota y = (t − µ)/σ. Obs: Recorde-se que a recta mt+a diz-se uma assı́ntota da função g(t) se e só se limt→+∞ g(t)/t = m e limt→+∞ [g(t) − mt] = a. 103 • Exercı́cio 4.27 — Repita a alı́nea a) do exercı́cio anterior considerando agora T ∼ normal truncada(µ, σ 2 ). • Textos de apoio: Gomes e Barão (1999, p. 163); Martz e Waller (1982, pp. 90–94). 4.3.6 A distribuição gama Estamos mais uma vez na presença de uma distribuição com parâmetro de forma pelo que apresenta um leque extremamente variado de f.d.p.s — decrescentes ou monótonas por dois troços (crescentes e de seguida decrescentes) —, embora todas positivamente assimétricas e mais alongadas que a normal. A f.d.p. desta v.a. é dada por λα α−1 −λt t e ,t > 0 fT (t) = Γ(α) (4.26) e passaremos a escrever abreviadamente T ∼ gama(λ, α), onde λ−1 e α representam os parâmetros de escala e forma, respectivamente. A distribuição gama possui como casos particulares as seguintes distribuições: • exponencial — α = 1; • Erlang — α ∈ IN ; • qui-quadrado com ν graus de liberdade — α = ν/2, λ = 1/2. A distribuição gama, designadamente, a distribuição Erlang pode descrever o tempo de vida no caso em que há a ocorrência de vários choques até que a componente falha definitivamente aquando do n−ésimo choque e em que os tempos entre choque sucessivos são v.a. i.i.d. exponenciais. E é sabido que a distribuição Erlang surge 104 também como a distribuição do instante da n−ésima ocorrência de um processo de Poisson, i.e. como a distribuição de uma soma de v.a. i.i.d. exponenciais. A grande variedade de formas desta distribuição e a sua simplicidade matemática explicam o seu uso frequente em fiabilidade como na descrição de fluxos máximos de corrente, de resistências crı́ticas de betão pré-esforçado, etc. Exercı́cio 4.28 — Ilustre a variedade de f.d.p.s e de comportamentos monótonos da função taxa de falha da v.a. T ∼ gama(λ, α), • considerando (λ, α) = (0.5, 0.5), (0.5, 1), (0.25, 2), (1, 2). Exercı́cio 4.29 — É possı́vel relacionar a função de fiabilidade da v.a. T ∼ Erlang(λ, α), α ∈ IN , com a função de distribuição de uma v.a. de Poisson: RT (t) = 1 − ∞ X e−λt (λt)i /i! i=α = FP oisson(λt) (α − 1), t > 0. (4.27) Prove este resultado. Sugestão: Usar um resultado conveniente da disciplina de Processos Estocásticos ou então recorra à integração por partes. • Exercı́cio 4.30 — Com o objectivo de estudar o tempo até falha de certo equipamento electrónico (em dezenas de milhar de horas), uma gestora recolheu um total de 50 observações que conduziram à média geométrica amostral mg = Q 1/50 50 t i=1 i = 4.2427. Admita que a f.d.p. do tempo até falha é, para λ > 0, dada por fT (t) = 2.5λ λ λ+1 ,t t 0, c.c., ≥ 2.5 i.e., T ∼ Pareto(2.5, λ). 105 a) Prove que a estimativa de máxima verosimilhança de λ é igual a λ̂ = [ln(mg ) − ln(2.5)]−1 . b) Obtenha a estimativa de máxima verosimilhança da fiabilidade para um perı́odo de 35.000 horas. P50 2 i=1 ln(Ti /2.5) ∼ χ(100) Q 1/50 50 T , deduza um i i=1 c) Sabendo que 2λ é uma v.a. fulcral para λ, onde Mg = intervalo de confiança a 95% para esse parâmetro bem como para a fiabilidade calculada na alı́nea b). d) Deduza um intervalo de confiança a 95% para λ com amplitude • esperada mı́nima. Textos de apoio: Gomes e Barão (1999, p. 162); Barlow e Proschan (1975, pp. 72–75). 4.3.7 A distribuição gaussiana inversa O nome desta distribuição deve-se a uma relação entre a função geradora dos cumulantes (ou segunda função caracterı́stica) da gaussiana inversa e a da distribuição normal. Nota 4.31 — Distribuição gaussiana inversa √ Seja φT (z) = E(eizT ), onde i = −1, a função caracterı́stica de T . Então φT (z) = 1+ s P+∞ s (iz) E(T ) s=1 s! . Para além disso, a função geradora dos cumulantes é igual a (iz)s K(z) = ln φT (z) = ξs , (4.28) s! s=1 onde os coeficientes ξs são denominados de cumulantes da distribuição +∞ X de T . Para mais detalhes consulte-se Murteira (1990, pp. 223–226 e • 250–252). 106 A distribuição gaussiana inversa tem-se revelado útil na modelação de situações em que as falhas iniciais dominam a vida de um sistema. Estas situações poderiam sugerir a utilização da distribuição lognormal pelo facto de possuir função taxa de falha crescente e posteriormente decrescente: com efeito a taxa de falha destas duas distribuições possuem o mesmo comportamento monótono por troços. No entanto, há várias vantagens em usar a distribuição gaussiana inversa. Primeiro, porque é menos difı́cil justificar fisicamente a sua utilização já que surge como a distribuição de um tempo de primeira passagem do movimento browniano. Segundo, porque vem enriquecer a classe de distribuições de falha. E por último, os procedimentos inferenciais estão muito bem desenvolvidos (para os parâmetros e para a função de fiabilidade) e são similares aos da distribuição normal. A f.d.p., a f. fiabilidade e a f. taxa de falha de T ∼ gaussiana inversa(µ, λ) são, para t ≥ 0, µ, λ > 0, iguais a: fT (t) = λ 2πt3 RT (t) = Φ !1/2 λ t !1/2 λ(t − µ)2 exp − 2µ2 t t 1− µ (4.29) ! λ − exp (2λ/µ) Φ − t fT (t) λT (t) = , RT (t) !1/2 t 1+ µ ! (4.30) (4.31) onde µ e λ não correspondem aos parâmetros de localização e forma no sentido usual — na verdade λ/µ é que é o parâmetro de forma. De notar também que E(T ) = µ µ3 V (T ) = λ (4.32) (4.33) 107 1/2 3µ2 9µ2 mo(T ) = − + µ 1 + 2 2λ 4λ (4.34) e que a função taxa de falha é crescente para t < mo(T ), decrescente para t > 2λ 3 e atinge máximo no ponto t que satisfaz a seguinte equação: 3 λ λ + − 2 = 0. 2 2µ 2t 2t (4.35) Exercı́cio 4.32 — Admita que T ∼ gaussiana inversa(µ, λ). a) Elabore gráficos da f.d.p., função de fiabilidade e função taxa de falha, para µ = 1 e λ = 0.5, 1, 3, 10 (Martz e Waller (1982, p. 99)). b) O registo de tempos até fadiga (em horas) de 10 rolamentos de certo tipo conduziu às seguintes observações ordenadas: 152.7, 172.0, 172.5, 173.3, 193.0, 204.7, 216.5, 239.9, 262.6, 422.6 (Seshadri (1999, p. 35)). Obtenha as estimativas de MV de µ, de λ, da fiabilidade e da taxa de falha para um perı́odo de 100 horas. • Textos de apoio: Martz e Waller (1982, pp. 95–99); Seshardi (1999, pp. 1–4, 206–219). 4.3.8 As distribuições gama inversa e beta Este par de distribuições pouco interesse tem para a modelação de tempos até falha. No entanto, as distribuições gama inversa e beta revelam-se de extrema utilidade quando se efectua inferência bayesiana sobre o parâmetro da distribuição exponencial e a probabilidade de sucesso da distribuição binomial (respectivamente): 108 são aquilo que se denomina de densidades a priori dos parâmetros. 7 Por este motivo não nos alongaremos na descrição desta duas distribuições nem nos reportaremos às respectivas funções de fiabilidade e taxa de falha. A distribuição gama inversa é derivada do seguinte modo: se Y ∼ gama(λ, α) então T = Y −1 ∼ gama inversa(λ, α). Assim, possui as seguintes caracterı́sticas 1 α+1 λ λα exp − , t, λ, α > 0 fT (t) = Γ(α) t t λ E(T ) = ,α>1 α−1 λ2 ,α>2 V (T ) = (α − 1)2 (α − 2) ! ! (4.36) (4.37) (4.38) De notar que o momento de ordem s, E(T s ), e qualquer outro de ordem superior a s não existem caso s seja maior que a parte inteira de α. A distribuição beta possui as seguintes caracterı́sticas: 1 fT (t) = tα−1 (1 − t)β−1 , 0 < t < 1, λ, α > 0 B(α, β) α E(T ) = α+β αβ V (T ) = , (α + β)2 (α + β + 1) (4.39) (4.40) (4.41) onde B(α, β) = = 7 Z 1 tα−1 (1 0 − t)β−1 dt Γ(α + β) . Γ(α)Γ(β) (4.42) Em inferência bayesiana um parâmetro desconhecido é considerado uma v.a. com uma densidade a priori antes da recolha da informação e uma densidade a posteriori após a recolha de observações. As estimativas pontuais mais frequentes de tal parâmetro são o valor esperado e a moda a posteriori, i.e., calculados à custa da densidade a posteriori. 109 De referir que neste caso se escreve T ∼ beta(α, β) e que a distribuição uniforme é obviamente um caso particular da distribuição beta para α = β = 1. Parâmetros Aspecto da f.d.p. α, β > 1 Uma única moda em t = α < 1, β > 1 Uma única anti–moda em t = (α − 1)(β − 1) ≤ 0 Forma em J α=β Simétrica em torno de 1/2 (e.g. constante ou parabólica) α>β Assimétrica positiva α<β Assimétrica negativa α−1 α+β−2 α−1 α+β−2 (forma em U ) De realçar também a enorme variedade de formas admissı́veis para a f.d.p., como se ilustra na Tabela 4.3.8, e a seguinte relação entre as f.d.s das distribuições beta e binomial quando α e β são inteiros: Fbeta(α,β) (t) = 1 − Fbinomial(α+β−1,t) (α − 1). (4.43) Exercı́cio 4.33 — Ilustre cada um dos aspectos da f.d.p. da distribuição beta referidos na Tabela 4.3.8 e obtenha as equações de verosimilhança cuja resolução conduzirá às estimativas de MV dos • parâmetros α e β. Texto de apoio: Martz e Waller (1982, pp. 101–105). 110 Capı́tulo 5 Inferências sobre modelos para diferentes tipos de ensaio 5.1 Introdução Um dos objectivos da (teoria da) fiabilidade é adiantar estimativas de caracterı́sticas como a função taxa de falha, a função de fiabilidade ou a duração esperada de um sistema. Uma breve revisão dos capı́tulos anteriores permite-nos concluir que o ponto de partida para a obtenção de resultados é a informação sobre a duração de vida. Esta informação pode vir sob a forma de considerações tão genéricas sobre o comportamento monótono da função taxa de falha ou tão especı́ficas como a forma paramétrica da distribuição de vida. É óbvio que somente a análise estatı́stica de dados experimentais possibilita a validação destas considerações/ assunções. Neste capı́tulo podemos encontrar a descrição de algumas das técnicas para a análise de dados de fiabilidade. Abordar-se-á a estimação não paramétrica da f.d.p., da f. fiabilidade e da f. taxa de falha. 111 Serão descritos alguns procedimentos gráficos que orientarão a selecção de modelos. Serão revistos alguns tipos de censura já que uma das caracterı́sticas mais comuns de dados experimentais que se reportam ao domı́nio da fiabilidade é serem de um modo geral incompletos/ censurados pois é frequente que alguns dos itens em teste sobrevivam por perı́odos superiores à duração planeada para o teste. Far-se-á uso de uma das ferramentas mais importantes em inferência paramétrica — o método da MV (v.a. fulcral) à custa do qual se obterá estimativas pontuais (intervalares) para a fiabilidade, método este facilmente aplicável a situações em que se lida com dados completos ou censurados/ incompletos. Gertsbakh (1989, p. 156) é da opinião que não é um exagero afirmar que pelo menos dois terços da literatura de fiabilidade está orientada para as distribuições exponencial e Weibull. A extrema popularidade destas duas distribuições prende-se com dois factos: elas permitem um tratamento matemático/ estatı́stico simples e elegante e, simultaneamente, fornecem em muitas situações práticas uma descrição adequada do comportamento estocástico das v.a. de interesse. 1 Poderiam ainda ter sido abordadas outras técnicas/modelos igualmente importantes e interessantes como a inferência bayesiana, os modelos de Cox (que envolvem variáveis explicativas), ou os modelos que fazem uso de dados multivariados, etc. Para o leitor mais interessado recomenda-se a consulta de Martz e Waller (1982) e Dhilon 1 No capı́tulo 9 de Martz e Waller (1985) pode encontrar-se a estimação bayesiana da fiabilidade para os modelos Weibull, normal, log-normal, gaussiana inversa e gama. 112 (1985) no que respeita a inferência bayesiana e modelos de Cox (resp.). Texto de apoio: Gertsbakh (1989, pp. 155–157). 113 5.2 Identificação e selecção de modelos As caracterı́sticas de fiabilidade de um equipamento são estimadas a partir dos registos dos tempos até falha. Este dados são usualmente obtidos durante a fase de desenvolvimento do equipamento (development phase) ou durante a fase de uso em laboratório (field use phase). A recolha de dados deve ser efectuada com extremo cuidado em qualquer das duas fases. Por exemplo, é preciso certificarse que os dados são recolhidos nas condições para que foi pensado o equipamento. Uma vez recolhidos os dados procede-se à análise dos dados, obtendo diversos tipos de informação que vão de estimativas da f.d.p. a intervalos de confiança para a função taxa de falha, tempo esperado até falha e função de fiabilidade, passando pela bondade do ajustamento da distribuição ao conjunto de dados. Texto de apoio: Dhillon (1985, p. 207). 5.2.1 Estimação não paramétrica de caracterı́sticas da fiabilidade — dados completos Passe-se à discussão de procedimentos não paramétricos (i.e. procedimentos que não requerem o conhecimento da forma da distribuição do tempo até falha) passı́veis de utilização na estimação da f.d.p., f. fiabilidade e f. taxa de falha à custa de um pequeno número de observações ou de uma amostra de dimensão considerável que foi previamente agrupada em classes. Considere-se em primeiro lugar o caso em que se dispõe de uma amostra com (dimensão pequena e) observações não agrupadas 114 (ungrouped failure data). Sejam t(1) , . . . , t(n) as observações ordenadas de um grupo de n tempos até falha. Na Tabela 5.1 encontram-se expressões para as estimativas não paramétricas das três mais importante caracterı́sticas de fiabilidade — f.d.p., f.f. e f.t.f. A estimativa R̂[t(i) ] = n−i+0.625 n+0.25 , i = 1, . . . , n, deve-se a Blom (1958), é muito usada na literatura por conduzir a bons resultados empı́ricos. Apesar de as estimativas tabeladas serem muito utilizadas não são de modo algum as únicas estimativas das referidas caracterı́sticas. Por exemplo, n−i+1 n−i+0.7 n−i+0.5 n+1 , n+0.4 , n e n−i n são outras estimativas possı́veis para a f. fiabilidade. Tabela 5.1: Estimativas não paramétricas da f.d.p., f.f. e f.t.f. — amostra não agrupada. Função Estimativa f.d.p. fˆ[t(i) ] = 1 , (n+0.25)×[t(i+1) −t(i) ] f. fiabilidade R̂[t(i) ] = n−i+0.625 , n+0.25 f. taxa de falha λ̂[t(i) ] = i = 1, . . . , n − 1 i = 1, . . . , n 1 , (n−i+0.625)×[t(i+1) −t(i) ] i = 1, . . . , n − 1 Exercı́cio 5.1 — Discuta a pertinência e os inconvenientes da f. fiabilidade empı́rica, R̃[t(i) ] = 1 − ni , i = 1, . . . , n, como estimativa • da f. fiabilidade. Exercı́cio 5.2 — Foram recolhidos os seguintes 9 tempos ordenados até falha (em anos) de um heat exchanger used in the alkylation unit de uma refinaria de gasolina: 0.41, 0.58, 0.75, 0.83, 1.00, 1.08, 1.17, 1.25 e 1.35. a) Determine estimativas da f.d.p., da f.f. e da f.t.f. preenchendo para o efeito a Tabela 5.2 (Martz e Waller (1982, pp. 106–107)). 115 Tabela 5.2: Estimativas não paramétricas da f.d.p., f.f. e f.t.f. — dados da refinaria de gasolina. i t(i) t(i+1) − t(i) 1 0.41 0.17 2 0.58 3 0.75 4 0.83 5 1.00 6 1.08 7 1.17 8 1.25 9 1.35 fˆ[t(i) ] 1 9.25×0.17 R̂[t(i) ] = 0.64 8.625 9.25 = 0.93 λ̂[t(i) ] 1 8.625×0.17 = 0.68 b) Elabore um gráfico de λ̂(t). c) Que distribuição sugeriria para o tempo até falha face ao comportamento monótono da estimativa da f.t.f.? • Nota — Ao lidar com amostras pequenas importa agir com extrema cautela pois é sabido que uma simples observação discordante (outling observation) pode ter uma influência considerável nas estimativas obtidas. Considere agora que se lida com uma amostra com dimensão n considerável e observações agrupadas (grouped failure data). Sejam: • N (t) o número de unidades sobreviventes (em funcionamento) no instante t (number of survivors at time t); • k o número de classes em que foram agrupados os dados; 116 • [tj , tj+1 ) ([tk , tk+1 ]) a j−ésima classe, j = 1, . . . , k − 1 (j = k) e ∆tj = tj+1 − tj a respectiva amplitude. Neste caso as estimativas não paramétricas da f.d.p. e da f.t.f. são definidas por no. de falhas na classe j dimensão da amostra × amplitude da classe j N (tj ) − N (tj+1 ) = n × ∆tj no. de falhas na classe j λ̂(t) = no. de sobrev. até ao instante tj × amp. classe j N (tj ) − N (tj+1 ) = , N (tj ) × ∆tj fˆ(t) = (5.1) (5.2) para tj ≤ t < tj + ∆tj , e a da f.f. dada por no. de sobreviventes até ao instante tj dimensão da amostra N (t) = , t ≥ 0. n R̂(t) = (5.3) A Tabela 5.3 resume estas expressões para as estimativas da f.d.p., f.f. e f.t.f. para dados agrupados. Tabela 5.3: Estimativas não paramétricas da f.d.p., f.f e f.t.f. — amostra agrupada. Função Estimativa f.d.p. fˆ(t) = N (tj )−N (tj+1 ) , n×∆tj tj ≤ t < tj + ∆tj f. fiabilidade R̂(t) = N (t) ,t≥0 n N (tj )−N (tj+1 ) , N (tj )×∆tj tj ≤ t < tj + ∆tj f. taxa de falha λ̂(t) = Exercı́cio 5.3 — São efectuadas medições da resistência de diversas componentes, num grande laboratório governamental, recorrendo para o efeito a dispositivos de teste cujo funcionamento depende de baterias. 117 A duração destas baterias tem sido um motivo constante de preocupação pelo que se recolheu o seguinte conjunto de 50 observações do tempo até falha (em meses) dessas mesmas baterias: Intervalo No. de falhas no intervalo [0, 3) 21 [3, 6) 10 [6, 9) 7 [9, 12) 9 [12, 15) 2 [15, 18] 1 a) Preencha a Tabela 5.4 com estimativas da f.d.p., da f.f. e da f.t.f. (Martz e Waller (1982, pp. 108–109)). Tabela 5.4: Estimativas não paramétricas da f.d.p., f.f e f.t.f. — baterias. j tj tj+1 N (tj ) N (tj ) − N (tj+1 ) 1 0 3 50 50 − 29 = 21 2 3 6 3 6 9 4 9 12 5 12 15 6 15 18 fˆ(t) 21 50×3 = 0.14 R̂(t) 50 50 = 1.00 b) Elabore e comente os gráficos de fˆ(t), R̂(t) e λ̂(t). 118 λ̂(t) 21 50×3 = 0.14 • Exercı́cio 5.4 — Os turbofan jet engines começaram a ser usados há mais de 20 anos como meio de propulsão de aeronaves comerciais: constituem o que se considera uma forma económica e segura de transportar carga e passageiros. Os números de pequenas falhas registadas em intervalos (em horas) por parte de um conjunto de 432 desses motores estão resumidos na Tabela 5.5 (Dhillon (1985, pp. 208–209)). Elabore um programa no package Mathematica por forma a preencher a Tabela 5.5 com estimativas da f.d.p., da f.f. e da f.t.f. e a elaborar gráficos de fˆ(t), R̂(t) e λ̂(t). Tabela 5.5: Estimativas não paramétricas da f.d.p., f.f e f.t.f. — turbofan jet engines. tj tj+1 N (tj ) N (tj ) − N (tj+1 ) 0 100 432 121 100 200 80 200 300 70 300 400 63 400 500 30 500 600 25 600 700 21 700 800 10 800 900 7 900 1000 5 102 × fˆ(t) 102 ×121 432×100 = 0.281 R̂(t) 432 432 = 1.00 102 × λ̂(t) 102 ×121 432×100 = 0.281 • Para a descrição da estimação não paramétrica de caracterı́sticas da fiabilidade referentes a dados incompletos/censurados recomenda-se a leitura de Gertsbakh (1989, pp. 158–168). Textos de apoio: Dhillon (1985, pp. 207–210); Martz e Waller (1982, pp. 105–109). 119 5.2.2 Gráficos TTT Os gráficos TTT (total time on test plots) foram propostos nos anos 70 e, nesta subsecção, concentramo-nos-emos no seu uso como forma de determinar qual o comportamento monótono da função taxa de falha a partir de um conjunto de n observações completas. Seja N (τ ) o número de unidades sobreviventes até ao instante τ . Então T (t) = Z t 0 N (τ )dτ (5.4) representa o tempo total em teste (total time on test) até ao instante t. Caso as unidades tenham falhado nos instantes ordenados t(1) , . . . , t(n) o tempo total em teste observado até ao instante t(i) é igual a T (t(i) ) = Z t (i) 0 N (τ )dτ = n t(1) + (n − 1) (t(2) − t(1) ) + . . . +(n − i + 1) (t(i) − t(i−1) ). (5.5) (Justifique!) O quociente 0≤ T (t(i) ) ≤1 T (t(n) ) (5.6) é usualmente denominado de tempo total em teste escalado (scaled total time on test) no instante t(i) . Ao gráfico com abcissa i/n e ordenada T (t(i) )/T (t(n) ), com i = 0, 1, . . . , n e t(0) = 0, dá-se o nome de gráfico TTT (TTT plot). É também costume unir estes pontos com segmentos de recta para uma melhor visualização. 120 Nota 5.5 — O gráfico TTT para observações provenientes de um modelo exponencial deve ser uma recta com 45o . 2 Se a função taxa de falha for crescente então o gráfico TTT deverá ser côncavo (i.e. acima de um segmento de recta com 45o ); caso λ(t) seja monótona decrescente o correspondente gráfico TTT deverá ser convexo (i.e. abaixo do referido segmento). Logo a curvatura do gráfico TTT dá indicação do comportamento monótono mais ou menos acentuado de • função taxa de falha e, assim, sugerir um modelo adequado. Exercı́cio 5.6 — Simule dados provenientes de uma distribuição exponencial com parâmetro de escala unitário e confirme que o gráfico TTT pouco se distingue de um segmento de recta com 45o . • Exercı́cio 5.7 — Considere-se novamente os 9 tempos ordenados até falha (em anos) de um heat exchanger used in the alkylation unit de uma refinaria de gasolina. Tabela 5.6: Cálculos auxiliares para obter gráfico TTT — refinaria de gasolina. 2 i t(i) t(i) − t(i−1) n−i+1 (n − i + 1)(t(i) − t(i−1) ) T (t(i) ) T (t(i) ) T (t(n) ) 1 0.41 0.41 9 3.69 3.69 0.44 2 0.58 0.17 3 0.75 4 0.83 5 1.00 6 1.08 7 1.17 8 1.25 9 1.35 Para uma justificação formal deste resultado consulte-se Barlow (1998, pp. 28–30). 121 Após ter preenchido a Tabela 5.6, elabore e comente o gráfico TTT. Serão as suas conclusões consistentes com aquelas a que chegou na alı́nea c) do Exercı́cio 5.2 (Martz e Waller (1982, p. 111))? • Nota 5.8 — A construção de gráficos TTT restringe-se ao quadrado unitário permitindo assim a comparação de vários conjuntos de dados com distribuições distintas. Estes gráficos são ainda invariantes a mudanças de escala e de interpretação simples e directa. • Exercı́cio 5.9 — Elabore os gráficos TTT num mesmo quadrado unitário, para os dados dos Exercı́cios 5.10 e 5.12 e pronuncie-se sobre o comportamento monótono das funções taxa de falha das durações para estes dois conjuntos de dados. • Texto de apoio: Martz e Waller (1982, pp. 109–111). 5.2.3 Papel de probabilidade A aplicação do papel de probabilidade visa essencialmente: • a obtenção de uma confirmação visual rápida do ajustamento de um determinado modelo e • a estimação grosseira do(s) parâmetro(s) do modelo. Para a sua construção postula-se que a amostra provém de um membro da famı́lia de localização–escala, 3 i.e., a f.d. é do tipo t−λ , Fλ,δ (t) = G δ ! (5.7) onde λ (λ ∈ IR) e δ (δ > 0) representam aqui os parâmetros de localização e escala, respectivamente. 3 Ou que esse membro está de algum modo relacionado com uma famı́lia desse tipo. 122 O papel de probabilidade é obtido considerando como ordenadas as observações ordenadas (ou uma sua transformação, por exemplo, logarı́tmica) e como abcissas quantis de probabilidade (ou uma sua transformação) escolhidos de tal forma que o gráfico é aproximadamente linear quando o modelo postulado se adequa às observações. Para compreender os aspectos teóricos subjacentes ao papel de probabilidade, é necessário definir algumas quantidades e atender a alguns factos: • defina-se t(i) − λ ; pi = Fλ,δ [t(i) ] = G δ ! (5.8) • o quantil de probabilidade pi é igual a G−1 (pi ) = 1 λ × t(i) − , δ δ (5.9) logo corresponde a uma função linear de t(i) ; • os quantis G−1 (pi ) são desconhecidos uma vez que se desconhece os parâmetros da f.d. da população; estes quantis têm de ser, portanto, estimados; • a v.a. Fλ,δ [T(i) ] (função de distribuição da v.a. de interesse T , avaliada em T(i) ) verifica, para qualquer modelo contı́nuo, Fλ,δ [T(i) ] ∼ beta(i, n − i + 1); (5.10) • uma estimativa possı́vel para pi = Fλ,δ [t(i) ] é o valor esperado E{FT [T(i) ]} = i n+1 , usualmente designado de plotting point, 123 donde se segue que a correspondente estimativa do quantil G−1 (pi ) seja i . (5.11) i) = G n+1 Esta estimativa deve ser confrontada graficamente com t(i) . Ao d G−1 (p ! −1 gráfico cuja −1 • abcissa é igual a G i n+1 (ou uma sua transformada) e cuja • ordenada é igual a t(i) (ou uma sua função) dá-se o nome de papel de probabilidade. 4 A ordenada na origem (− λδ ) e o declive ( 1δ ) da recta traçada “a olho”constituem estimativas grosseiras dos parâmetros do modelo. Por forma a ilustrar a construção de papéis de probabilidade serão considerados alguns exercı́cios. Exercı́cio 5.10 — Foram registados os seguintes tempos até falha (em meses) de um osciloscópio 5 usado numa das oficinas de um grande laboratório: 0.30, 0.55, 0.56, 0.86, 0.93, 1.15, 1.42, 1.75. (Martz e Waller (1982, pp. 113–114)). a) Construa um papel de probabilidade para averiguar a adequação do modelo exponencial a este conjunto de dados. b) Obtenha uma estimativa grosseira para o parâmetro de escala deste modelo. c) Repita as alı́neas a) e b) considerando agora a seguinte abcissa n + 0.25 ln n − i + 0.625 e comente os resultados agora obtidos. 4 5 ! Este gráfico é por vezes designado de Q-Q plot (Q de quantil). Aparelho que permite a visualização dos sinais eléctricos num ecrã fluorescente. 124 • Exercı́cio 5.11 — Com o objectivo de estudar o tempo até falha de certo equipamento electrónico (em milhares de horas), uma matemática e um engenheiro recolheram e ordenaram um total de 50 observações, obtendo a seguinte conjunto de observações: 2.001 2.007 2.017 2.026 2.036 2.075 2.077 2.082 2.101 2.137 2.156 2.161 2.181 2.196 2.214 2.227 2.320 2.367 2.424 2.443 2.444 2.449 2.478 2.520 2.579 2.581 2.598 2.637 2.691 2.715 2.720 2.825 2.863 2.867 3.016 3.176 3.360 3.413 3.567 3.721 3.727 3.769 3.803 4.329 4.420 4.795 6.009 6.281 6.784 8.305 Dada a natureza dos dados, os elementos de tal equipa de trabalho suspeitam que as observações tenham sido geradas por um modelo Pareto, com parâmetros λ e δ e cuja função de distribuição é dada por λδ Fλ,δ (t) = 1 − δ , t ≥ λ, t (5.12) para λ, δ > 0. Descreva detalhadamente como poderia tal equipa confirmar graficamente tal suspeita e ilustre a utilização da técnica gráfica em questão elaborando para o efeito um programa no package • Mathematica. Exercı́cio 5.12 — Suspeita-se que os seguintes tempos até falha sejam provenientes de uma distribuição pertencente ao modelo Weibull com parâmetros de escala e forma λ e α: 49, 73, 103, 140, 162, 164, 181, 196, 232, 248, 288, 290, 309, 377, 388, 464, 500 horas. Construa o correspondente papel de probabilidade por forma a averiguar a razoabilidade de tal suspeita. 125 • Exercı́cio 5.13 — Para o estudo do tempo (em minutos) até à ocorrência da mitose 6 de certa estirpe de bactéria recolheu-se a seguinte amostra: 1.242, 1.626, 0.123, 2.957, 0.388, 3.841, 1.961, 0.938. Para escolher um modelo probabilı́stico adequado, um biólogo traçou um gráfico, onde marcou os pontos ln(9/(9 − i)), t(i) . Ao constatar que os pontos traçados apresentavam uma disposição aproximadamente linear que passava pela origem, o biólogo escolheu certo modelo uniparamétrico. a) Identifique o modelo escolhido, justificando o procedimento usado pelo biólogo. b) Com base no gráfico, o biólogo considerou o valor 0.56 como estimativa razoável para o parâmetro desconhecido. Diga como procedeu o biólogo para obter a estimativa referida. • Como pudemos ver o papel de probabilidade — embora nos dê uma ideia visual do ajustamento de um modelo a um conjunto de dados — tem a desvantagem de terem de ser construı́do especificamente para cada um dos modelos postulados, ao contrário do que acontecia com os gráficos TTT. 7 Acrescente-se que a técnica do papel de probabilidade não pode ser usado para modelos discretos 8 nem para modelos contı́nuos como os modelos gama (a menos que o parâmetro de forma seja conhecido) e beta (a menos que se trate do modelo uniforme, porque ambos os parâmetros são de forma). Em Martz e Waller (1982, pp. 112–118) podem encontrar-se papéis de probabilidade para os modelos exponencial, Weibull, normal e log6 Conjunto de fenómenos citoplasmáticos e nucleares que culminam na divisão da célula em que ocorreram. 7 Recorde-se que os gráficos TTT não se prestam à verificação do ajustamento de modelos. 8 Basta pensar na génese do plotting point usado no papel de probabilidade. 126 normal. Estes papéis de probabilidade fazem — sem excepção — uso de plotting points distintos daquele aqui usado, i n+1 , i = 1, . . . , n. Textos de apoio: Martz e Waller (1982, pp. 112–118); Paulino (1992, pp. 42–46). 5.2.4 Testes de ajustamento Nesta subsecção serão recordados a tı́tulo de exercı́cio os testes de ajustamento de Kolmogorov-Smirnov e do qui-quadrado. São em qualquer dos casos procedimentos estatı́sticos que permitem avaliar se os dados são ou não consistentes com uma dada hipótese sobre o modelo gerador dos dados, modelo este que poderá ser uma distribuição especı́fica (hipótese nula simples) ou uma famı́lia de distribuições (hipótese nula composta). Exercı́cio 5.14 — Retome o Exercı́cio 5.13 e descreva, justificando e efectuando alguns cálculos ilustrativos, o procedimento que o biólogo deveria adoptar para testar a hipótese formulada: T ∼ exponencial • (0.56). Exercı́cio 5.15 — Retome agora o Exercı́cio 5.12 e averigue a adequação da distribuição Pareto(λ̂, δ̂) onde λ̂ = t(1) e δ̂ = [ln(mg /t(1) )]−1 representam as estimativas de MV de λ e δ e mg = Q 1/50 50 t i=1 i = 2.852 a média geométrica da amostra. Para tal calcule estas mesmas estimativas e confirme que as frequências absolutas observadas resultantes do agrupamento dos dados em 5 classes equiprováveis sob a conjectura acima são: 12, 6, 13, 7 e 12. • Para uma discussão mais alongada acerca destes testes de ajustamento consulte-se Paulino (1992, pp. 46–56). 127 Texto de apoio: Paulino (1992, pp. 46–56). 128 5.3 Testes de vida e estimação de MV Como se viu os métodos de estimação assumem a existência de dados recolhidos naquilo que usualmente se designa de teste de vida ou ensaios. Para o efeito e dependendo do objectivo de tal teste, uma amostra de n itens é posta em teste sob condições experimentais/ ambientais especı́ficas, procedendo-se ao registo dos tempos até falha. Caso um item seja substituı́do quando falha por um outro item novo, diz-se que o teste de vida está a ser efectuado com reposição. Caso contrário o teste de vida diz-se sem reposição. Já tivemos oportunidade de referir que algumas situações experimentais conduzem a dados incompletos/ censurados, aquando da ilustração da utilidade das estatı́sticas ordinais em fiabilidade no Capı́tulo 2. É sabido que tal censura pode ser feita ou ao fim de decorrido um tempo fixo t0 — Censura de Tipo I (à direita) —, ou após o registo de um número fixo r de falhas — Censura de Tipo II. Em qualquer destes testes de vida pode ocorrer a retirada (withdrawal) de um item antes de este sequer ter falhado, sendo somente registado o tempo de sobrevivência/presença da unidade no teste. Refira-se ainda que, por forma a induzir falhas em equipamento muito fiável, são usados métodos de teste especiais denominados de testes de vida acelerados (accelerated life tests). Neste tipo de teste, as unidades são testados sob condições ambientais extremas, de longe mais severas que aquelas em que as unidades virão a funcionar na prática. São então usadas relações matemáticas (propostas ou 129 existentes) para extrapolar os resultados obtidos nos testes de vida acelerados para as condições ambientais usuais. Definição 5.16 — Uma vez feitas estas considerações gerais sobre testes de vida, é de listar os 4 tipos de testes de vida mais usuais de acordo com Martz e Waller (1982, p. 119) e aqueles que irão ser considerados doravante: 1. Teste de vida com reposição e censura do Tipo II (Type II/item–censored testing with replacement) — O teste é concluı́do após a ocorrência de um número pré-especificado r de falhas e uma unidade que falhe é imediatamente substituı́da por uma outra nova no decurso do teste. 2. Teste de vida sem reposição e com censura do Tipo II (Type II/item–censored testing without replacement) — O teste é concluı́do após a ocorrência de um número pré-especificado r de falhas e as unidades não são substituı́das quando falham. 3. Teste de vida com reposição e censura do Tipo I (Type I/item–censored testing with replacement) — O teste é concluı́do após decorrido tempo pré-especificado t0 e uma unidade que falhe é imediatamente substituı́da por uma outra nova no decurso do teste. 4. Teste de vida sem reposição e com censura do Tipo I (Type I/item–censored testing without replacement) — O teste é concluı́do após decorrido tempo pré-especificado t0 e as unidades não são substituı́das quando falham. • No planeamento do teste é importante ter presente que a qualidade das estimativas depende do número de unidades em teste, do número 130 pré-especificado de falhas r até à conclusão do teste de vida (ou da duração fixa do mesmo t0 ). Quanto mais unidades forem colocadas em teste, mais rapidamente se registará r falhas; contudo, é preciso arranjar uma solução de compromisso entre as vantagens económicas de um teste com pequena duração e as desvantagens económicas de ter muitas unidades em teste. O problema da optimização subjacente à escolha de r e n será discutido mais adiante. Definição 5.17 — Sejam T(1) , . . . , T(n) as estatı́sticas ordinais e T o tempo total em teste acumulado pelas n unidades em teste incluindo aquelas que falharam durante o teste e aquelas que não falharam antes da conclusão do mesmo. Então tem-se para os 4 tipos de testes de vida: 1. Teste de vida com reposição e censura do Tipo II T = n T(r) , onde r é uma constante fixa à partida e T(r) uma v.a.; 2. Teste de vida sem reposição e com censura do Tipo II T = Pr i=1 T(i) + (n − r)T(r) = nT(1) +(n−1)(T(2) −T(1) )+. . .+(n−r+1)(T(r) −T(r−1) ), r ≤ n, onde r é uma constante fixa à partida e T(r) uma v.a.; 3. Teste de vida com reposição e censura do Tipo I T = n t0 , onde t0 é a duração fixa à partida para o teste de vida e R representa o número de falhas ocorridas nesse intervalo de tempo; 4. Teste de vida sem reposição e com censura do Tipo I 131 T = PR i=1 T(i) + (n − R)t0 , R ≤ n, onde t0 é a duração fixa à partida para o teste de vida e R representa o número de falhas • ocorridas nesse intervalo de tempo. Nota 5.18 — Nos casos 1. e 3., n representa o número de locais disponı́veis para efectuação dos testes de vida e r e R podem exceder n uma vez que há reposição/ substituição das unidades que falham. • No Capı́tulo 2 constatou-se que o método da MV 9 facilmente se adaptava aos tipos de censura I e II (sem substituição por falha das unidades no decurso do teste), permitindo a estimação de parâmetros à custa de dados censurados nas situações 2. e 4. da Definição 5.16. Na altura foram ainda adiantadas expressões para a função de verosimilhança nestes dois casos. A seguir encontram-se as funções de verosimilhança para as situações 2. e 4. da referida definição, considerando-se para tal que θ = (θ1 , . . . , θk ) é o vector de parâmetros desconhecidos que se pretende estimar, que ti:n = t(i) e que θ̂ = (θˆ1 , . . . , θˆk ) é a respectiva estimativa de MV. Teorema 5.19 — Sejam L(θ) a função de verosimilhança e Fθ (t)) (Rθ (t)) a função de distribuição (fiabilidade) da duração de vida das n unidades. Então a função de verosimilhança toma as seguintes expressões dependendo do tipo de ensaio efectuado: 2. Teste de vida sem reposição e censura do Tipo II r n! Y L(θ) = fθ (ti:n ) × [Rθ (tr:n )]n−r , (n − r)! i=1 (5.13) para −∞ < t1:n < . . . < tr:n < ∞ e r = 1, . . . , n; 9 O método da MV foi introduzido por R. Fisher numa série de trabalhos, o primeiro dos quais publicado em 1912. 132 4. Teste de vida sem reposição e censura do Tipo I L(θ) = hθ (t1:n , . . . , tr:n | R = r) × Pθ (R = r) = r! r Y i=1 n f (ti:n ) × Fθ (t0 ) r [Fθ (t0 )]r [Rθ (t0 )]n−r r n! Y f (ti:n ) [R(t0 )]n−r , = (n − r)! i=1 (5.14) para −∞ < t1:n < . . . < tr:n < t0 < ∞ e r = 1, . . . , n. • A razão pela qual não foram adiantadas expressões para a função de verosimilhança em testes de vida com substituição (situações 1. e 3.) prende-se com a dificuldade em obter expressões genéricas para tais testes. Refira-se no entanto que elas são relativamente simples para populações exponenciais, como poderemos constatar na secção seguinte. Os estimadores de MV obtidos à custa destas funções de verosimilhança possuem boas propriedades, senão melhores que as dos estimadores obtidos por outros métodos de estimação. Para nos debruçarmos brevemente sobre algumas dessas propriedades importa considerar que Θ̂j (n) representa o estimador de MV de θj , j = 1, . . . , k, obtido com base em amostra aleatória de dimensão n e definir a seguinte matriz. Definição 5.20 — A matriz de informação de Fisher é definida por I(θ, n) = [Iij (θ, n)]i,j=,...,k ∂ 2 ln L(θ) = E − ∂θi ∂θj i,j=,...,k 133 (5.15) onde ln L(θ) depende de n e deve ser encarado como se de uma v.a. se tratasse, i.e., as observações que figuram na sua expressão devem • ser substituı́das pelas respectivas v.a. Nota 5.21 — Sob certas condições de regularidade os estimadores de MV verificam entre outras propriedades as duas seguintes: • Θ̂j (n) é estimador consistente de θj e Θ̂j (n)−θj −1 • o estimador de MV devidamente reduzido, √ −1 (onde [I(θ)]jj [I(θ)]jj representa a j−ésima entrada da diagonal da inversa da matriz de informação de Fisher) possui distribuição assintótica normal • padrão. É à custa deste último resultado que se pode adiantar intervalos de confiança e construir testes de hipóteses (em qualquer dos casos assintó-ticos) para os parâmetros desconhecidos. Para mais generalidades e alguns detalhes acerca deste tipo de inferência no domı́nio da fiabilidade consulte-se Gertsbakh (1989, pp. 186–193). Textos de apoio: Gertsbakh (1989, pp. 179–194); Martz e Waller (1982, pp. 118–120). 134 5.4 Estimação no modelo exponencial Como foi referido anteriormente, o modelo exponencial é sem dúvida o mais frequentemente considerado em testes de vida. Não é raro constatar que a sua aplicação prática se deve sobretudo à simplicidade do modelo (e das inferências sobre o mesmo) e não à sua adequação aos dados. Pretende-se, essencialmente, nesta secção, adiantar procedimentos que permitam inferir — com certa precisão e evitando ultrapassar sempre que possı́vel certo custo fixo — algumas caracterı́sticas de fiabilidade de um tempo até falha com distribuição pertencente ao modelo exponencial uni-paramétrico, i.e., com a seguinte f.d.p. fT (t) = λe−λt , t ≥ 0 (5.16) Com efeito procurar-se-á, de um modo geral, obter estimadores centrados de variância uniformemente mı́nima (UMVUE),10 bem como intervalos de confiança (ou testes de hipóteses) para: • E(T ) = λ−1 , o valor esperado do tempo até falha (ou, equivalentemente, para a sua função taxa de falha, λT (t) = λ, t ≥ 0); • RT (t) = e−λt , t ≥ 0, a função de fiabilidade; ou ainda, , o quantil de probabilidade p, também • FT−1 (p) = − ln(1−p) λ designado de reliable life na literatura anglo-saxónica versando fiabilidade. Textos de apoio: Gomes e Barão (1999, pp. 164–175); Martz e Waller (1982, pp. 120–129); Kapur e Lamberson (1977, pp. 233–290). 10 Uniformly minimum variance unbiased estimator. 135 5.4.1 Validação do modelo exponencial Antes de nos debruçarmos sobre as inferências sobre o modelo exponencial propriamente ditas, descreveremos um teste de hipóteses que, a par dos testes de ajustamento de Kolmogorov–Smirnov e do qui-quadrado, permitirá averiguar o adequação de um modelo com taxa de falha constante, i.e., exponencial: o teste de ajustamento de Bartlett que se basea numa razão de verosimilhanças. Embora não se trate do mais comum dos testes para avaliar a adequação do modelo exponencial é, de acordo com alguns autores, o mais potente na avaliação da adequação deste modelo. Considere-se que T(1) , . . . , T(r) , . . . , T(n) representam as estatı́sticas ordinais e r o número de falhas que determinam o instante de conclusão do teste de vida (com qualquer dos dois tipos de censura). O procedimento geral deste teste compreende os seguintes passos que nos escusamos a comentar em grande detalhe: • Hipóteses — H0 : T ∼ exponencial vs. H1 : T ∼ Weibull(δ, α), α 6= 1.11 • Nı́vel de significância — α0 • Estatı́stica de teste — Esta estatı́stica será doravante representada por Br e depende do tipo de teste de vida com que estejamos a lidar. Ao lidar-se com dados completos Br = a ∼H0 2r 1 + r+1 6r 2 χ(r−1) ln Pr ! i=1 T(i) r r 1X − ln[T(i) ] r i=1 (5.17) onde r = n e T(i) representa o instante da i−ésima falha. 11 A leitura de Kapur e Lamberson (1977, p. 240) leva a crer que seja esta a hipótese alternativa. 136 Ao lidar-se com teste de vida com censura do Tipo II sem reposição tem-se Br = a ∼H0 2r 1 + r+1 6r T ln r r 1X − ln{(n − i + 1)[T(i) − T(i−1) ]} r i=1 χ2(r−1) ! (5.18) onde os T(i) − T(i−1) s representam os tempos entre falhas consecutivas. Tratando-se de teste de vida com censura do Tipo I com reposição tem-se Br = a ∼H0 2r 1 + r+1 6r 2 χ(r−1) Pr ! i=1 Zi ln r r 1X − ln(Zi ) r i=1 (5.19) onde os Zi s representam os tempos entre falhas.12 • Região de rejeição de H0 — W = ! −1 0, Fχ2 (α0 /2) (r−1) ∪ Fχ−1 (1 2 (r−1) ! − α0 /2), +∞ • Decisão — Seja br o valor observado da estatı́stica de teste. Então: – se br ∈ W devemos rejeitar H0 (hipótese de exponencialidade) para qualquer nı́vel de significância α ≥ α0 ; – caso contrário, não devemos rejeitar H0 para nenhum nı́vel de significância α ≤ α0 . O teste de Bartlett será aplicado de seguida a situações representativas do que se pode encontrar na prática. 12 Kapur e Lamberson (1977, pp. 239–247) apresentam somente estas duas estatı́sticas de teste ao longo dos exemplos apresentados com dados censurados. 137 Exercı́cio 5.22 — Os dados na Tabela 5.7 dizem respeito ao número de horas até falha de 20 termóstatos sujeitos a testes de vida acelerados por aplicação de sobrecarga voltaica (Kapur e Lamberson (1977, p. 240)). Tabela 5.7: Horas até falha de 20 termóstatos No. de horas até falha 100 7120 24110 36860 340 12910 28570 38540 1940 13670 31620 42110 5670 19490 32800 43970 6010 23700 34910 64730 Tempo total em teste 469170 Averigue a adequação do modelo exponencial a este conjunto de dados considerando para o efeito um nı́vel de significância de 10%. • Exercı́cio 5.23 — Os instantes de falha e os tempos entre falhas de travões consecutivas de um camião de meia tonelada sujeito a 245 horas de vibração encontram-se na Tabela 5.8. Tabela 5.8: Instantes de falha e os tempos entre falhas consecutivas de camião Instantes de falha Tempos entre falhas 21.2 74.7 108.6 157.4 21.2 0.1 15.3 5.8 47.9 76.8 112.9 164.7 26.7 2.1 4.3 7.3 59.2 84.3 127.0 196.8 11.3 7.5 14.1 32.1 62.0 91.0 143.9 214.4 2.8 6.7 16.9 17.6 74.6 93.3 151.6 218.9 12.6 2.3 7.7 4.5 Após ter identificado o tipo de teste de vida, examine este conjunto de dados e averigue se estes tempos entre falhas podem ser 138 exponencialmente distribuı́dos (Kapur e Lamberson (1977, pp. 239– • 240)). Exercı́cio 5.24 — A Tabela 5.9 contém um conjunto de dados resultante de um teste de vida com caracterı́sticas distintas à do Exercı́cio 5.22. Foram usados neste teste de vida 9 locais. Em cada um deles foi colocado um termóstato que era imediatamente substituı́do por outro novo assim que falhasse. Cada um dos locais de teste esteve em observação durante 20000 horas. Tabela 5.9: Dados referentes a nove locais de teste de termóstatos Local Instantes de falha Tempos entre falhas 1 6700 6700 2 4600 4600 3 4100, 18100, 18950 4100, 14000, 850 4 5400 5400 5 3100, 8100 3100, 5000 6 2600 2600 7 Sem registo de falha — 8 4700 4700 9 Sem registo de falha — Identifique o teste de vida descrito e averigue quão razoável é o modelo exponencial para este conjunto de dados (Kapur e Lamberson • (1977, pp. 241–242)). Texto de apoio: Kapur e Lamberson (1977, pp. 239–247). 5.4.2 Amostra completa Começar-se-á por considerar a situação mais simples, aquela que envolve dados completos, passando depois para inferências sobre o 139 modelo exponencial nas 4 situações consideradas em que há censura. O estimador de MV de λ é, para o caso em que lidamos com a amostra completa, igual ao inverso da média da amostra aleatória Λ̂ = n =T Pn i=1 Ti −1 . (5.20) Deste modo, invocando a propriedade de invariância dos estimadores de MV, obtemos as estimativas de MV da Tabela 5.10. Tabela 5.10: Algumas estimativas de MV Parâmetro Estimativa MV E(T ) = λ−1 Ê(T ) = λ̂−1 RT (t) = e−λt R̂T (t) = e−λ̂t FT−1 (p) = − λ1 ln(1 − p) F̂T−1 (p) = − λ̂1 ln(1 − p) Mais adiantamos que Λ̂−1 = T é um estimador UMVUE para E(T ) e que Pn i=1 Ti (e naturalmente Λ̂) é uma estatı́stica suficiente 13 para λ. Exercı́cio 5.25 — Prove que R̂T (t) = e−Λ̂t não é um estimador centrado de RT (t), i.e., E[R̂T (t)] 6= RT (t)(= e−λt ). • Pelo facto de o estimador de MV não ser um estimador centrado da função de fiabilidade é costume recorrer a um estimador alternativo UMVUE 14 definido do seguinte modo: R̃T (t) = 13 14 n−1 1 − Λ̂t/n 0, t ≥ nΛ̂ , t < nΛ̂−1 = −1 Pn i=1 Ti (5.21) I.e., contém toda a informação relevante para a estimação de λ. Este estimador é, por sinal, obtido por aplicação do Teorema de Rao-Blackwell (Bain (1978, p. 124)). A dedução deste estimador pode encontrar-se em Gomes e Barão (1999, pp. 166–167). 140 Refira-se por fim que a v.a. fulcral a utilizar por forma a obter um intervalo de confiança para λ (ou a obter uma estatı́stica de teste para λ) é 2nλ/ Λ̂ = 2λ Pn i=1 Ti ∼ χ2(2n) . Exercı́cio 5.26 — Retome o dados do Exercı́cio 5.22 se reportam ao número de horas até falha de 20 termóstatos sujeitos a testes de vida acelerados. a) Obtenha uma estimativa pontual centrada bem como um intervalo de confiança equilibrado a (1 − α) × 100% = 95% para a fiabilidade para um perı́odo de 30000 horas, RT (30000). Sugestão — Para obter este intervalo de confiança tire partido de a função de fiabilidade ser uma função monótona decrescente de λ e utilize os quantis de probabilidade α/2 e (1 − α/2). b) A quantas horas se estima que metade dos termóstatos serão capazes de resistir/ sobreviver? Adiante uma estimativa pontual e outra intervalar para tal número, i.e., para FT−1 (0.50). • Textos de apoio: Bain (1978, pp. 121–134); Gomes e Barão (1999, pp. 164–175); Martz e Waller (1982, pp. 120–123). 5.4.3 Testes de vida com censura O tempo total acumulado em teste T (e R, o número de falhas ocorridas em (0, t0 ]) representa(m) um papel preponderante na estimação de λ ao lidar-se com o modelo exponencial e situações de censura. Para já, as expressões do estimador de MV de λ para os 4 casos encontram-se nas Tabelas 5.11 e 5.13, onde, recorde-se, T se define para os 4 tipos de teste de vida com censura de acordo com a Tabela 141 5.12, onde: r é uma constante fixa à partida e T(r) uma v.a., em testes de vida com censura do Tipo II; t0 é a duração fixa à partida e R representa o número de falhas ocorridas em (0, t0 ], para testes de vida com censura do Tipo I. Tabela 5.11: Estimadores de MV para λ — dados censurados Censura Estimador de MV (Λ̂) 1./2. Tipo II com/sem reposição r/ T 3./4. Tipo I com/sem reposição R/ T , R > 0 Tabela 5.12: Tempos totais acumulados em teste — dados censurados Censura Tempo total acumulado em teste (T ) 1. Tipo II com reposição n T(r) 2. Tipo II sem reposição Pr 3. Tipo I com reposição n t0 4. Tipo I sem reposição PR i=1 i=1 T(i) + (n − r)T(r) , r ≤ n T(i) + (n − R)t0 , R ≤ n Exercı́cio 5.27 — Escreva as funções de verosimilhança para testes de vida com censura do Tipo I (situações 3. e 4.), distinguindo os • casos em que R = 0 e R > 0. Importante — Na verdade para testes de vida com censura do Tipo I, por termos duas expressões para a função de verosimilhança nas situações 3. e 4., o estimador de MV de λ só é igual a R/ T para R > 0. Assim, lidaremos com os estimadores de MV da Tabela 5.13. Invocando mais uma vez a propriedade de invariância dos estimadores de MV, os estimadores de MV de E(T ), RT (t) e FT−1 (p) 142 Tabela 5.13: Estimadores de MV para λ — dados censurados Censura Estimador de MV de λ (Λ̂) 1./2. Tipo II com/sem reposição r/ T 3. Tipo I com reposição 4. Tipo I sem reposição 0, R = 0 R/ T , R = 1, . . . , n R/ T , R = 1, . . . , n 1/ T , R = 0 obtêm-se substituindo λ̂ nas expressões da Tabela 5.10 por Λ̂ = r/ T . Quanto à existência de estimadores UMVUE para E(T ) e RT (t), a Tabela 5.14 deixa bem claro que modificações ligeiras nos testes de vida podem gerar dificuldades na obtenção de estimadores deste tipo para esse par de parâmetros. Tabela 5.14: Estimadores UMVUE de E(T ) e RT (t) — dados censurados Censura Estimador UMVUE de E(T ) RT (t) 1./2. Tipo II com/sem reposição T /r 3. Tipo I com reposição Não existe 4. Tipo I sem reposição Em aberto 1 − T −1 tr−1 , t < T R̃T (t) = 0, t ≥ T −1 R R̃T (t) = 1 − T t , t<T, R>0 Em aberto Por outro lado, a Tabela 5.15 resume as estatı́sticas que, isolada ou conjuntamente, são suficientes para o modelo/ parâmetro na presença de censura. Por fim adiante-se expressões para os intervalos de confiança equilibrados a (1 − α) × 100% para λ, IC(1−α)×100% (λ), para alguns 143 Tabela 5.15: Estatı́sticas suficientes para λ — dados censurados Censura Estatı́stica suficiente 1./2. Tipo II com/sem reposição T 3. Tipo I com reposição R 4. Tipo I sem reposição (T , R) tipos de teste de vida. Para tal considere-se que o valor observado do tempo total acumulado em teste é representado por t̃. Tabela 5.16: Intervalos de confiança para λ — dados censurados Censura IC(1−α)×100% (λ) 1./2. Tipo II com/sem reposição F −1 2 χ (2r) 2 t̃ F −1 2 χ (2r) 3. Tipo I com reposição (α/2) F −1 2 ; χ (2r) (α/2) F −1 2 2 t̃ ; (1−α/2) 2 t̃ χ (2r+2) (1−α/2) 2 t̃ Assinale-se que o intervalo de confiança para λ na situação 3. é aproximado e depende de quantis respeitantes a duas distribuições do qui-quadrado com número de graus de liberdade distintos. Estes resultados prendem-se com o facto de a v.a. fulcral para λ depender naturalmente do tipo de teste de vida. Por exemplo, é suposto lidar com a v.a. fulcral da Tabela 5.17, onde a expressão do estimador de MV (tempo total em teste), Λ̂ (T ), depende do teste de vida efectuado com censura do Tipo II. Ao lidar-se com censura do Tipo I com reposição vemo-nos 144 Tabela 5.17: V.a. fulcrais para λ — dados censurados Censura V.a. fulcral para λ 1./2. II com/sem reposição 2rλ Λ̂ = 2λT ∼ χ2(2r) confrontados com uma estatı́stica suficiente com distribuição discreta R ∼ P oisson(nλ t0 ), (5.22) cuja f.d. está relacionada do seguinte modo com a f.d. de uma v.a. do qui-quadrado: P (R ≤ r) = FP oisson(nt0 λ) (r) = 1 − Fχ2(2(r+1)) (2nt0 λ) (5.23) para qualquer inteiro positivo r, donde P (R ≥ r) = 1 − P (R ≤ r − 1) = 1 − FP oisson(nt0 λ) (r − 1) = Fχ2(2r) (2nt0 λ). (5.24) A natureza discreta de R não permite a obtenção de um intervalo com grau de confiança exactamente igual a (1 − α) × 100%, a menos que se escolha em primeiro lugar um par de quantis de probabilidade da distribuição de R, rL e rU , e se averigue depois qual o grau de confiança do intervalo, i.e., se calcule a probabilidade P (rL ≤ R ≤ rU ). De referir também que se pode tirar partido do facto de E(T ) = λ−1 ser uma função monótona decrescente de λ para obter intervalos de confiança (exactos ou aproximados) a partir daqueles que constam da Tabela 5.16. 145 Exercı́cio 5.28 — Deduza IC(1−α)×100% (λ) para um teste de vida com censura do Tipo I com reposição (Bain (1978, pp. 156–7). • Exercı́cio 5.29 — Num estudo foram registadas 50 falhas no ano de 1972 (8760 horas) num total de 5613 componentes utilizadas em reactores nucleares (Martz e Waller (1982, p. 123)). Determine estimativas pontuais e intervalos de confiança equilibrados a 95% para: λ; a fiabilidade para um perı́odo de 1 ano, i.e., RT (8760); e FT−1 (0.80). • Textos de apoio: Bain (1978, pp. 136–142); Gomes e Barão (1999, pp. 167–171); Martz e Waller (1982, pp. 120–123). 5.4.4 Escolha da fracção a censurar e minimização de custos de amostragem Suponha-se que se está a efectuar um teste de vida em que é conveniente dá-lo por concluı́do após a ocorrência de r falhas, i.e., o teste está associado a censura do Tipo II (já agora) sem reposição. Para além disso, assuma-se que se pretende seleccionar o número de unidades a colocar em teste, n, por forma a verificar-se uma redução especı́fica na duração esperada do mesmo ou de modo a que o custo esperado do teste seja minimizado. É sobre estes dois problemas de optimização que nos debruçaremos já de seguida. É sabido que o valor esperado do duração do teste com este tipo de censura é igual a E(Tr:n ) = Pr 1 i=1 (n−i+1)λ . Por forma a eliminar a dependência de E(Tr:n ) do parâmetro desconhecido λ é costume considerar o quociente entre a duração esperada do teste com censura 146 do Tipo II sem reposição e o que se esperaria se n = r (Bain (1978, p. 139) e Martz e Waller (1982, p. 121)) E(Tr:n ) = E(Tr:r ) Pr 1 i=1 n−i+1 Pr 1 . i=1 r−i+1 (5.25) Alternativamente, pode considerar-se a redução relativa percentual na duração esperada do teste, tendo como referência a duração esperada do teste com censura do Tipo II sem reposição quando n = r: E(Tr:n ) 1 − × 100% = 1 − E(Tr:r ) Pr 1 i=1 n−i+1 Pr 1 i=1 r−i+1 × 100%. (5.26) Exercı́cio 5.30 — Apure a redução esperada se dispusse de 20 itens e decidisse terminar o teste ao fim de 8 falhas (Martz e Waller (1982, p. 121)). Construa uma tabela com os valores do quociente acima para r = 10, 20, 30, 50, 100 e n/r = 1.1, 1.2, 1.3, 1.5, 2, 3 (Bain (1978, • p. 139)). O custo associado a um teste de vida com censura do Tipo II sem reposição — envolvendo n unidades e conclusão à ocorrência da r−ésima falha — é dado pela equação C(n, r) = c1 × Tr:n + c2 × n + c3 . (5.27) A constante c1 representa o custo por unidade de tempo em teste. Por seu lado c2 poderá representar o custo por cada unidade em teste Por último c3 representa o custo fixo de cada teste (por exemplo, o custo incorrido por se usar equipamento de teste) independentemente do número de unidades em teste e da duração do mesmo. É possı́vel determinar n à custa de r por forma a minimizar E[C(n, r)]. O valor recomendado por Bain (1978, p. 141) é n= 0.5 r 4c1 + 0.5 r 1 + c2 rλ !1/2 . 147 (5.28) Ora pelo facto de se desconhecer λ e de V (Tr:n ) = 1 rλ2 deve considerar- se que r foi escolhido por forma a que o estimador de λ possuı́sse variância v e deste modo substituir-se λ por (r × v)−1/2 , obtendo-se 1/2 √ 4c r × v 1 . n = 0.5 r + 0.5 r 1 + (5.29) c2 r Exercı́cio 5.31 — Deduza a Equação (5.28). Sugestão: Deve aumentar-se n até que D(n, r) = E[C(n − 1, r)] − E[C(n, r)] seja negativo, para r fixo. • À laia de conclusão, refira-se que a estimação no modelo Weibull é substancialmente mais difı́cil que no modelo exponencial pois aquele não goza da propriedade chave que este último possui: a falta de memória. Para o efeito, remete-se o leitor para os seguintes textos de apoio: Bain (1978, pp. 205–301); Gertsbakh (1989, pp. 155–179); Kapur e Lamberson (1977, pp. 291–341). Texto de apoio: Bain (1978, pp. 138–142). 148 Capı́tulo 6 Estratégias de manutenção 6.1 Introdução Em muitas situações, a falha de uma componente/estrutura durante a sua fase de operação acarreta custos elevados ou pode mesmo ser perigosa, pelo que, se a componente/estrutura possuir taxa de falha crescente, parece razoável substituı́-la antes que ela envelheça demasiado. A substituição é uma das muitas intervenções que se enquadra no domı́nio da manutenção. Definição informal 6.1 — Manutenção Pode ser entendida como o conjunto de intervenções num sistema para que este se mantenha ou volte a encontrar-se num estado especı́fico de funcionamento. A manutenção subdivide-se em: • manutenção preventiva (preventive maintenance) — efectuada em intervalos e de acordo com procedimentos pré-determinados por forma a reduzir, por ex., falhas por desgaste e a detectar e reparar “hidden failures”(i.e., falhas em “partes redundantes”)1 1 As “partes redundantes”, quando implementadas, permitem que a reparação das mesmas seja efectuada enquanto o sistema está a operar e sem que seja necessária a interrupção da operação do mesmo. 149 de modo a aumentar a vida útil do sistema; • manutenção correctiva (corrective maintenance ou repair) — desencadeada após a detecção de falha e com o objectivo de o sistema voltar a desempenhar as funções requeridas e compreende pelo menos um dos seguintes passos: localização, isolamento, desmontagem, substituição, montagem, alinhamento • e verificação. As secções que se seguem debruçam-se, por exemplo, sobre a utilidade e o impacto de algumas noções de envelhecimento no contexto da manutenção nomeadamente no estabelecimento de limites para: • probabilidades de eventos que dizem respeito ao número de falhas de equipamento num intervalo de tempo fixo; • a função de renovamento; • funções convexas crescentes do referido número de falhas. Textos de apoio: Birolini (1999, p. 114 e pp. 117–122); Barlow e Proschan (1965/96, pp. 46–48). 150 6.2 Sobre o impacto das noções de envelhecimento em manutenção Há famı́lias de distribuições que, pelas suas caracterı́sticas de envelhecimento estocástico, são particularmente úteis em manutenção. São disso exemplo as distribuições NBU (NWU) e NBUE (NWUE) já definidas no Capı́tulo 3. Estas quatro famı́lias surgem por sinal no contexto de modelos de choques (Barlow e Proschan (1975, p. 91–92)), descritos no exemplo seguinte (Barlow e Proschan (1975, p. 160)). Exemplo 6.2 — Dispositivo sujeito a choques Considere-se que um dispositivo é sujeito a choques ao longo do tempo de acordo com um processo de Poisson de taxa λ. Importa notar que o dispositivo poderá ou não vir a sobreviver à ocorrência de um choque. Com efeito, considere-se que P k representa a probabilidade de um dispositivo sobreviver à ocorrência do k−ésimo choque (k ∈ IN0 ). Esta probabilidade pode ser entendida como RX (k) = P (X ≥ k),2 a função de fiabilidade da v.a. discreta X, que representa o número de choques ocorridos até que o dispositivo falhe definitivamente.3 E, como seria de esperar, estas probabilidades são decrescentes: 1 = RX (0) ≥ RX (1) ≥ . . . (6.1) Neste caso, a função de fiabilidade da duração T do dispositivo é 2 Barlow e Proschan (1975, p. 160) preferem representar a função de fiabilidade de X por P k , k = 0, 1, . . .. 3 Recorde-se que Barlow e Proschan (1975) definem do mesmo modo a função de fiabilidade de uma v.a. discreta. Veja-se também a Definição 3.35. Recorde-se também que o denominador da função taxa de falha de uma v.a. discreta é exactamente RY (k) = P (Y ≥ k). 151 dada por: RT (t) = +∞ X k=0 k −λt (λt) RX (k) e k! , t ≥ 0. (6.2) • Importa notar que a duração de um dispositivo sujeito a choques preserva, em certos casos, o carácter de envelhecimento estocástico do número de choques ocorridos até à falha definitiva do dispositivo como se pode constatar no teorema seguinte. Teorema 6.3 — Preservação do carácter de envelhecimento estocástico por dispositivo sujeito a choques Sejam T a duração de um dispositivo sujeito a choques e X o número de choques ocorridos até à falha definitiva do mesmo. Então X ∈ N BU (N W U ) ⇒ T ∈ N BU (N W U ). (6.3) Para além disso, X ∈ N BU E (N W U E) ⇒ T ∈ N BU E (N W U E). (6.4) • Uma vez enunciado este teorema convinha adiantar ao menos uma interpretação de um dos seus resultados: • caso a probabilidade do dispositivo sobreviver à ocorrência de k choques adicionais dado que já sobreviveu a l choques (RX (k + l)/RX (l)) for menor que a probabilidade de sobreviver a k choques (RX (k)), i.e., X ∈ N BU então a vida residual do dispositivo em qualquer instante t é estocasticamente menor no sentido usual que a vida do dispositivo (RTt (x) ≤ RT (x), −∞ < x < ∞), pelo que é razoável efectuar substituições preventivas do dispositivo. Texto de apoio: Barlow e Proschan (1975, pp. 159–161). 152 6.3 Teoria do renovamento e manutenção A teoria do renovamento quando conjugada com algumas noções de envelhecimento estocástico revela-se particularmente útil em manutenção como se terá ocasião de ver já de seguida. Comece-se por recordar (informalmente) a noção de processo de renovamento e já agora alguns dos seus resultados básicos. Um processo de renovamento é, grosso modo, uma sequência de v.a. não negativas {X1 , X2 , . . .}, i.i.d. à v.a. X com f.d. F . Estas v.a. representam os tempos entre ocorrências consecutivas, sejam elas eventos, falhas, etc. Mais, é costume representar o número de renovamentos/eventos/falhas no intervalo [0, t], t ≥ 0, por N (t), e a colecção de v.a. {N (t), t ≥ 0} é um processo de contagem. Ao denotar por Sn = Pn i=1 Xi o tempo até à ocorrência do n−ésimo renovamento, pode adiantar-se que N (t) ≥ n ⇔ Sn ≤ t, pelo que: P [N (t) ≥ n] = P (Sn ≤ t) = F (n) (t) (6.5) P [N (t) = n] = F (n) (t) − F (n+1) (t), (6.6) onde F (n) (t) representa a convolução de ordem n da distribuição sobre si própria. A tı́tulo de exemplo, caso X ∼ exponencial(λ), {N (t), t ≥ 0} dizse um processo de Poisson de taxa λ e N (t) ∼ Poisson(λt). Note-se também que Sn ∼ gama(λ, n), pelo que P [N (t) ≥ n] = P (Sn ≤ t) = F (n) (t) = 1 − FP oisson(λt) (n − 1). 153 (6.7) 6.3.1 Limites para a convolução Dado que a convolução F (n) (t) só se pode obter por via numérica, salvo em rarı́ssimas excepções como aquela acabada de ver, é fundamental adiantar limites para probabilidades de eventos que digam respeito ao número de falhas N (t) e para o fazer será necessário saber de antemão o comportamento monótono da função taxa de falha de X como se poderá ver no teorema seguinte. Teorema 6.4 — Limite superior para a convolução de v.a. IHR Considere que o tempo entre ocorrências sucessivas são v.a. i.i.d. com função taxa de falha crescente (X ∈ IHR) e valor esperado E(X) = µ. Então, tirando partido do facto de X ∈ IHR ⇒ RX (t) ≥ e−t/µ , 0 ≤ t < µ, (6.8) conclui-se que, para n ∈ IN0 , (t/µ)j j! j=n = RP oisson(t/µ) (n), 0 ≤ t < µ. P [N (t) ≥ n] ≤ ∞ X e−t/µ (6.9) • O Teorema 6.4 prova-se sem grande dificuldade a partir do resultado (6.8) uma vez que este permite-nos concluir que um tempo entre renovamentos IHR é estocasticamente maior (no sentido usual) que o tempo entre ocorrências de um processo de Poisson, donde se conclui que o número de renovamentos no intervalo [0, t] é estocasticamente menor (também no sentido usual) que o número de ocorrências do processo de Poisson no referido intervalo. 154 Este teorema permite ainda afirmar que, caso os tempos entre falhas sucessivas das componentes sejam i.i.d., com valor esperado µ e taxa de falha crescente, a função de fiabilidade da v.a. de Poisson(t/µ) sobrestima a verdadeira probabilidade de ocorrerem pelo menos n falhas no intervalo [0, t], desde que t seja inferior à duração esperada das componentes. Importa notar que o limite (6.9) não é válido para alguns tempos entre falhas N BU , nem para t ≥ µ. Posto isto, é crucial estabelecer limites para P [N (t) ≥ n] nestas situações. Teorema 6.5 — Limites para a convolução de v.a. NBU (NWU) e IHR (DHR) Seja X uma v.a. contı́nua com f.d. F (t) tal que F (0) = 0 e função de fiabilidade R(t) = 1 − F (t). Considere-se ainda a função G(t) = − ln[R(t)]. Se X ∈ N BU (N W U ) então, para n ∈ IN , [G(t)]j P [N (t) ≥ n] ≤ (≥) e j! j=n = RP oisson(G(t)) (n), t ≥ 0. ∞ X −G(t) (6.10) Pode também afirmar-se que, caso X ∈ IHR (DHR), se tem, para n ∈ IN , [nG(t/n)]j P [N (t) ≥ n] ≥ (≤) e j! j=n = RP oisson(nG(t/n)) (n), t ≥ 0. ∞ X −nG(t/n) (6.11) • 155 Nota 6.6 — Limite superior para a convolução de v.a. IHR Se tirarmos partido novamente do resultado (6.8) da desigualdade (6.10) e do facto de X ∈ IHR ⇒ X ∈ N BU , rapidamente concluimos que ∞ X −G(t) e j=n [G(t)]j ≤ RP oisson(t/µ) (n), 0 ≤ t < µ. j! (6.12) Assim, o limite superior em (6.10) vem melhorar o limite superior • estabelecido em (6.9). Exercı́cio 6.7 — Utilize o Teorema 6.5 para obter limites para P [N (t) ≤ n] e P [N (t) ≥ n] onde N (t) é o número de falhas em [0, t] associado ao tempos com distribuição Weibull(λ−1 , α), onde λ > 0 e α > 1. Escusado será dizer que estes limites são bastante convenientes já que se desconhece uma fórmula fechada para a f.d. da soma de v.a. de • Weibull. Exemplo 6.8 — Limite superior para a convolução de v.a. IHR e obtenção do número de peças sobressalentes (Barlow e Proschan (1975, pp. 164–166) Os pneus de uma aeronave têm maior tendência a falhar quando esta levanta vôo ou durante a aterragem que em qualquer outra altura. Assim sendo, é razoável que a f.f. do tempo entre falhas consecutivas de um pneu seja uma função em escada com pontos de descontinuidade que distam de h unidades de tempo, onde h representa o tempo entre (inı́cios de) vôos X. Uma possibilidade seria RX (t) = e−αbt/hc , t ≥ 0, (6.13) onde α > 0 e bt/hc representa a parte inteira do quociente t/h. Por sinal a v.a. assim definida é N BU (embora não seja nem IHR, nem 156 IHRA) o que é, aliás, razoável dado que um pneu novo é seguramente preferı́vel a um pneu usado. Tendo em conta o carácter de envelhecimento estocástico de X e o Teorema 6.5, pode concluir-se que a probabilidade de o número de falhas do pneu i não exceder n, no intervalo [0, t], satisfaz (bt/hc)j j! j=0 = FP oisson(bt/hc) (n), t ≥ 0. P [Ni (t) ≤ n] ≥ n X e−bt/hc (6.14) Admita-se agora que a duração dos vôos é de h = 2 horas, que os 8 pneus da aeronave funcionam de modo independente e que qualquer deles possui f.f. RX (t) = e−0.002bt/2c , t ≥ 0, (6.15) associada a um tempo esperado entre falhas igual a 2 . 0 1 − e−0.002 A questão que se coloca agora é a seguinte: E(X) = Z +∞ RX (t)dt = (6.16) • quantos pneus sobressalentes deve dispor-se de forma a assegurar que a probabilidade de não haver falhas de pneus durante um perı́odo de operação de t = 200 horas seja maior ou igual a 0.95? Ora, se se considerar que Ni (200) representa o número de falhas do pneu i no intervalo [0, 200], para i = 1, . . . , 8, e que Mi (200) ∼iid Poisson(0.002 × b200/2c = 0.2), i = 1, . . . , 8, (6.17) (6.14) pode reescrever-se do seguinte modo, para i = 1, . . . , 8: P [Ni (200) ≥ n] ≤ RP oisson(0.2) (n), n ∈ IN0 , ou, equivalentemente, Ni (200) ≤st Mi (200). 157 (6.18) Invocando agora o facto de a relação de ordem estocástica ≤st ser fechada para somas de um número fixo de parcelas, o número total de falhas dos 8 pneus num perı́odo de operação de 200 horas, N (200) = P8 i=1 Ni (200), satisfaz 8 X N (200) ≤st Mi (200) =st P oisson(8 × 0.2 = 1.6), (6.19) i=1 ou seja, P [N (200) ≤ n] ≥ FP oisson(1.6) (n), n ∈ IN0 . (6.20) Por fim, ao consultar-se as tabelas da f.d. da Poisson, pode afirmarse que, para n = 4, se tem FP oisson(1.6) (4) = 0.970 ≥ 0.95. Assim, 4 pneus sobressalentes são suficientes para assegurar que a probabilidade de não haver falhas de pneus durante 200 horas de operação seja maior • ou igual a 0.95. Exercı́cio 6.9 — Um sistema em série possui três componentes (1, 2 e 3), cujas durações distribuem-se exponencialmente com taxas λ1 = 0.001, λ2 = 0.002 e λ3 = 0.0015. Para além disso, numa missão em que se utiliza este sistema, requere-se que a primeira, a segunda e a terceira componentes operem durante 3000, 5000 e 1000 horas, respectivamente. Determine o número de componentes sobressalentes dos tipos 1, 2 e 3 de modo a garantir que estas componentes sejam suficientes com probabilidade não inferior a 0.95 para a missão em questão (Barlow e • Proschan (1975, p. 176)). Texto de apoio: Barlow e Proschan (1975, pp. 161–166). 158 6.3.2 Limites para a função de renovamento É altura de adiantar limites para a função de renovamento. Comece-se por notar que M (t) = E[N (t)] = ∞ X P [N (t) ≥ n] = n=1 ∞ X F (n) (t) (6.21) n=1 e recordar que, de acordo com o Teorema Elementar do Renovamento, 1 M (t) = , t→+∞ t µ (6.22) lim onde µ representa o valor esperado do tempo entre renovamentos. Relembre-se também que, caso a v.a. X não seja periódica4 e possua valor esperado µ, então lim [M (t + h) − M (t)] = t→+∞ h , µ (6.23) segundo o Teorema de Blackwell. Por fim, recorde-se que A(t) = t − SN (t) e Y (t) = SN (t)+1 − t representam, respectivamente, a idade e a vida residual de um processo de renovamento, no instante t. Estamos pois em condições de tirar partido de algumas noções de envelhecimento estocástico para estabelecer limites para a função de renovamento. 4 A v.a. diz-se periódica se existir uma constante positiva h tal que P (X = nh, n ∈ IN0 ) = 1. 159 Lema 6.10 — Limite superior para a f.f. da vida residual no instante t Considere-se processo de renovamento {X1 , X2 , . . .}, onde Xi ∼iid X e X uma v.a. com f.f. RX (t). Então X ∈ N BU (N W U ) ⇒ P [Y (t) > u] ≤ (≥)RX (u), u ≥ 0. (6.24) Ou por outra, a vida residual, em qualquer instante t, é estocasticamente menor (resp. maior) no sentido usual que o tempo • entre renovamentos, caso esta v.a. seja N BU (resp. N W U ). O teorema que se segue permite concluir que a função de renovamento é superaditiva (subaditiva) ao lidar-se com tempos entre renovamentos N BU (resp. N W U ).5 Teorema 6.11 — Superaditividade (subaditividade) da função de renovamento Considerem-se tempos entre renovamentos Xi ∼iid X. Então X ∈ N BU (N W U ) ⇒ M (h) ≤ (≥)M (t + h) − M (t). (6.25) • O próximo teorema estabelece limites para a função de renovamento, limites estes particularmente úteis já que à semelhança da convolução é de difı́cil cálculo. Teorema 6.12 — Limites para a função de renovamento Considerem-se tempos entre renovamentos Xi ∼iid X. Então t E(X) = µ < +∞ ⇒ M (t) ≥ − 1, t ≥ 0; µ t X ∈ N BU E (N W U E) ⇒ M (t) ≤ (≥) , t ≥ 0. µ (6.26) (6.27) • 5 A função f (x) diz-se superaditiva (resp. subaditiva) se f (x + y) ≥ (≤)f (x) + f (y). 160 Ao conjugar-se os dois resultados do Teorema 6.12 pode enquadrarse a função de renovamento sob certas condições. Com efeito, para t ≥ 0, X ∈ N BU E, E(X) = µ < +∞ ⇒ t t − 1 ≤ M (t) ≤ , µ µ (6.28) pelo que, neste caso, podemos adiantar a estimativa (t/µ − 1/2) para a função de renovamento, bem como afirmar que o erro associado a esta estimativa não excede 1/2 (uniformemente). Teorema 6.13 — Outros limites para a função de renovamento Suponha que os tempos entre renovamentos possuem f.d. FX (x) e f.f. RX (x). Então X ∈ IHR ⇒ t Rt 0 RX (x)dx − 1 ≤ M (t) ≤ tFX (t) . Rt 0 RX (x)dx (6.29) • Exercı́cio 6.14 — Estime o número esperado de renovamentos no intervalo [0, 1000] num processo de renovamento associado à f.d.p. fX (x) = 0.012 xe−0.01x , x ≥ 0 e determine o erro máximo da estimativa • que obteve (Barlow e Proschan (1975, p. 176)). Texto de apoio: Barlow e Proschan (1975, pp. 166–173). 6.3.3 Limites para algumas funções do número de renovamentos Em determinadas situações lidamos não com o número de renovamentos mas sim com suas funções. Caso estas funções sejam convexas crescentes pode adiantar-se um limite superior para processos de renovamento com tempos entre ocorrências N BU E. 161 Teorema 6.15 — Limites para funções convexas crescentes do número de renovamentos Considere-se um processo de renovamento tal que Xi ∼iid X ∈ N BU E e E(X) = µ = 1/λ. Tome-se também uma função c(n) convexa crescente tal que c(0) = 0. ∞ X 6 Então c(n) × P [N (t) = n] ≤ n=0 ∞ X c(n) × e n −λt (λt) n=0 n! , t ≥ 0, (6.30) ou seja, E{c[N (t)]} ≤ E{c[NP oisson (t)]}, t ≥ 0, (6.31) onde NP oisson (t) representa o número de eventos, no intervalo [0, t], • para um processo de Poisson de taxa λ. Este resultado revela-se útil nomeadamente para resolver o problema de minimização descrito no exemplo seguinte. Exemplo 6.16 — Limites para uma função convexa crescente do número de renovamentos Suponha que pretende determinar o número de peças sobressalentes N de modo a que o valor esperado do número de peças sobressalentes necessárias não exceda determina valor considerado crı́tico N ∗ (minimizing expected shortage). Para já refira-se que esta v.a. é definida por 0, N (t) − N, N (t) > N. c[N (t)] = N (t) ≤ N (6.32) Posto isto, caso a duração das peças seja N BU E e possua valor esperado igual a µ = 1/λ, segue-se pelo Teorema 6.15: ∞ X n=N 6 (n − N ) × P [N (t) = n] ≤ ∞ X n=N n −λt (λt) (n − N ) × e n! , (6.33) Esta igualdade pode ler-se do seguinte modo: a ausência de falhas não acarreta custos. 162 para t ≥ 0. Por último, tendo em conta que ∞ X n −λt (λt) (n − N ) × e n=N n! = λt × [1 − FP oisson(λt) (N − 2)] − N × [1 − FP oisson(λt) (N − 1)], (6.34) a obtenção da solução de N : c[N (t)] ≤ N ∗ (6.35) passa por determinar o menor dos valores de N tal que λt×[1−FP oisson(λt) (N −2)]−N ×[1−FP oisson(λt) (N −1)] ≤ N ∗ ,(6.36) valor este que se obtém sem grande dificuldade após algumas consultas das tabelas da f.d. da distribuição de Poisson. • Sob certas condições é também possı́vel estabelecer um limite superior (resp. inferior) para uma outra função do número de renovamentos que, embora convexa, não é crescente: a sua variância. Teorema 6.17 — Limites para a variância do número de renovamentos Considere-se um processo de renovamento com tempos entre ocorrências Xi ∼iid X. Então X ∈ N BU (N W U ) ⇒ V [N (t)] ≤ (≥)M (t). (6.37) • Texto de apoio: Barlow e Proschan (1975, pp. 173–176). 163 6.4 Algumas estratégias de manutenção Barlow e Proschan (1965/1996) abordam as estratégias de manutenção de um modo que nos parece mais completo que Birolini (1999), fazem uso da teoria de renovamento e concentram-se nas seguintes polı́ticas de substituição • age replacement • block replacement • random age replacement. Um dos primeiros tratamentos sobre polı́ticas de substituição devese a Lotka (1939). Por seu lado, Campbell (1941) comparou as vantagens da substituição de um grupo de lâmpadas de candeeiros de rua aquando da falha de uma delas com as vantagens da substituição individual de lâmpadas à medida que as falhas vão ocorrendo.7 Definição informal 6.18 — Age replacement De acordo com esta polı́tica a componente i é substituı́da imediatamente aquando de uma falha (failure replacement ou substituição devido a falha) ou substituı́da caso atinja a idade (não aleatória) Z (planned replacement ou substituições planeadas/programadas). Refira-se também que de acordo com esta polı́tica ao ocorrer uma substituição planea-se imediatamente uma substituição daı́ a Z 7 É claro que o custo por lâmpada associado à substituição do grupo de lâmpadas é inferior àquele associado à substituição individual somente aquando da ocorrência de uma falha de uma lâmpada. Contudo o custo das lâmpadas adicionais requeridas na manutenção preventiva deve equilibrar-se com o custo das falhas adicionais que venham a ocorrer caso a substituição das restantes lâmpadas (ainda em funcionamento) seja adiada. 164 unidades de tempo ou antes disso caso a componente não chegue a • atingir a idade Z. Exercı́cio 6.19 — A única componente relevante de um dispositivo mecânico está sujeita à polı́tica de manutenção do tipo age replacement, com substituições planeadas ao fim de 2 horas. Admita que se sabe de antemão que as durações (em horas) da componente e suas 5 substitutas é de 1.5h, 1.2h, 2.1h, 4.5h, 1.8h e 2.4h, respectivamente. Quantas substituições ocorrerão no intervalo • [0, 8] e em que instantes? Exercı́cio 6.20 — Admita que a componente (resp. estrutura com n componentes) possui duração de vida com função de fiabilidade R(t) (resp. RT (t)). (a) Prove que a probabilidade da componente não falhar durante o serviço no intervalo [0, t] é, para a polı́tica do tipo age replacement com substituições planeadas ao fim de Z unidades de tempo, dada pela expressão S Z (t) = [R(Z)]k [R(t − kZ)], kZ ≤ t < (k + 1)Z. (6.38) (b) Demonstre que a probabilidade da estrutura não falhar durante o serviço no intervalo [0, t] é, nas condições acima, dada por S Z,est (t) = [RT (Z)]k [RT (t − kZ)], kZ ≤ t < (k + 1)Z. (6.39) (c) Obtenha expressões para S Z,est (t) ao considerar estruturas em • paralelo e em série. 165 Proposição 6.21 — Se T ∈ IHR então S Z1 (t) ≥ S Z2 (t), t ≥ 0, Z1 ≤ Z2 , (6.40) ou seja, quanto mais frequentes forem as substituições, maior é o tempo até à ocorrência de uma falha durante o serviço, caso a duraç ao das componentes possua f.t.f. crescente. • Proposição 6.22 — Caso T ∈ IHR tem-se S Z (t) ≥ F (t), t ≥ 0, (6.41) i.e., a polı́tica de age replacement aumenta a probabilidade de sobrevivência durante o intervalo [0, t] de uma componente quando a respectiva duração (T ) é IHR. • Exercı́cio 6.23 — Prove as duas proposições anteriores. • Exercı́cio 6.24 — Demonstre que o tempo esperado até à primeira ocorrência de uma falha de uma componente durante o serviço é igual a EZ = RZ o F (x)dx . F (Z) (6.42) Obtenha uma expressão similar para EZ,est .8 • Definição informal 6.25 — Block replacement Ao adoptar-se esta polı́tica de substituição há substituições de componentes nos instantes Z, 2Z, 3Z, . . . (planned replacement) independentemente do historial de falhas da estrutura. Para além disso ocorrem substituições das componentes no instante das respectivas falhas (failure replacement).9 8 9 • Em Barlow e Proschan (1965/1996, p. 62) encontram-se limites para este valor esperado. De acordo com Barlow e Proschan (1965/1996, p. 67) esta polı́tica de subsituição é provavelmente mais prática que as polı́ticas do tipo age replacement uma vez que não requere o registo do uso das componentes. 166 A polı́tica de substituição do tipo block replacement é comum na manutenção de computadores digitais e outros sistemas electrónicos complexos, apesar de requerer a substituição de mais componentes ainda em funcionamento que a polı́tica do tipo age replacement. Refira-se, no entanto, que caso a duração das componente seja IHR o número de falhas ao utilizar-se uma polı́tica do tipo block replacement é menor que ao recorrer-se a uma polı́tica do tipo age replacement. Exercı́cio 6.26 — Repita o Exercı́cio 6.19 considerando agora que a polı́tica de substituição é do tipo block replacement. • Textos de apoio: Barlow e Proschan (1965/96, pp. 48–61); Barlow e Proschan (1975, pp. 159–161). 167 6.5 Comparação de estratégias de manutenção Barlow e Proschan (1965/1996) debruçam-se também sobre algumas caracterı́sticas primárias de algumas estratégias de manutenção também denominadas de polı́ticas de substituição (replacement policies). A saber: • a distribuição do número de falhas; • a distribuição do número total de substituições. É com base nas caracterı́sticas primárias que é costume comparar as duas polı́ticas de substituição já descritas, age replacement block replacement. Mas antes de enunciar quaisquer resultados convinha relembrar que: • a v.a. X diz-se estocasticamente menor que Y (no sentido usual) — escrevendo-se neste caso X ≤st Y — sse RX (x) ≤ RY (x), −∞ < x < +∞; (6.43) • a v.a. Xθ cresce estocasticamente com o parâmetro θ (no sentido usual) no conjunto Θ — escrevendo-se neste caso Xθ ↑st com θ — sse P (Xθ1 ≥ x) ≤ P (Xθ2 ≥ x), −∞ < x < +∞, (6.44) para quaisquer θ1 , θ2 ∈ Θ que verifiquem θ1 ≤ θ2 . Note-se também que doravante: • N (t) representa o número de renovamentos/falhas no intervalo [0, t] de um processo de renovamento; 168 • NA (t, Z) (resp. RA (t, Z)) representa o número de falhas (resp. substituições planeadas ou devidas a falha) no intervalo [0, t] ao adoptar-se uma polı́tica de manutenção do tipo age replacement com substituições planeadas ao fim de Z unidades de tempo; • NB (t, Z) (resp. RB (t, Z)) representa o número de falhas (resp. substituições planeadas ou devidas a falha) no intervalo [0, t] ao adoptar-se uma polı́tica de manutenção do tipo block replacement com substituições planeadas de Z em Z unidades de tempo. É curioso notar que N (t) coincide com o número de substituições, caso se efectue somente manutenção correctiva, i.e., substituições de uma componente somente aquando da respectiva falha. O teorema seguinte permitirá afirmar que a classe de distribuições NBU é a maior das classes para a qual a adopção das polı́ticas de manutenção dos tipo age e block replacement resulta numa diminuição estocástica (em sentido usual) do número de falhas no intervalo [0, t], t ≥ 0. Posto isto parece natural estudar estas duas polı́ticas de manutenção para a classe das distribuições NBU. Teorema 6.27 — Age e block replacement e a diminuição estocástica do número de falhas Considere-se que X representa a duração das componentes. Então: • NA (t, Z) ≤st N (t), t, Z ≥ 0 ⇔ X ∈ N BU ; • NB (t, Z) ≤st N (t), t, Z ≥ 0 ⇔ X ∈ N BU . • É altura de averiguar qual o impacto de uma alteração do intervalo Z das polı́ticas de manutenção dos tipos age e block replacement no número de falhas no intervalo [0, t]. 169 Teorema 6.28 — Impacto da alteração do intervalo Z nas polı́ticas age e block replacement Considere-se mais uma vez que X representa a duração das componentes. Então: • NA (t, Z) ↑st com Z (Z ≥ 0), para t ≥ 0 fixo ⇔ X ∈ IHR; • NA (t, Z) ≤st NB (t, kZ), t, Z ≥ 0, k = 1, 2, . . . ⇔ X ∈ N BU ; • NB (t, Z) ≤st NB (t, kZ), t, Z ≥ 0, k = 1, 2, . . . ⇔ X ∈ N BU . • Por exemplo, pode concluir-se que, ao lidar com durações IHR e com uma polı́tica de manutenção do tipo age replacement, o número de falhas no intervalo [0, t] aumenta estocasticamente (no sentido usual), caso se aumente o intervalo Z, i.e., se espace as substituições planeadas nesta polı́tica de manutenção. É igualmente útil confrontar o número de substituições planeadas ou devidas a falha das polı́ticas de manutenção. Teorema 6.29 — Confronto entre as polı́ticas age e block replacement Seja X a v.a. que representa a duração das componentes. Então, para todo t, Z > 0: • X ∈ IHR ⇒ NA (t, Z) ≥st NB (t, Z); • RA (t, Z) ≤st RB (t, Z); • O primeiro resultado do Teorema 6.29 pode ser interpretado do seguinte modo: caso as durações das componentes seja IHR, a polı́tica de manutenção block replacement conduz a um menor número de falhas no intervalo [0, t] que a polı́tica de manutenção age replacement. 170 O segundo dos resultados leva a afirmar que a polı́tica de manutenção block replacement conduz a um maior número de substituições planeadas ou devidas a falha que a polı́tica de manutenção age replacement, independentemente da distribuição das durações das componentes. Teorema 6.30 — Diminuição (resp. aumento) estocástica(o) do número de falhas Caso a duração das componentes seja IHR (resp. DHR), tem-se • N (t) ≥st NA (t, Z) ≥st NB (t, Z) (resp. N (t) ≤st NA (t, Z) ≤st NB (t, Z)). • Para mais detalhes sobre o confronto destas polı́ticas de substituição, consulte-se Barlow e Proschan (1965/1996, pp. 67-74) ou Shaked e Shanthikumar (1994, Cap. 15). Textos de apoio: Barlow e Proschan (1965/1996, pp. 67–74); Barlow e Proschan (1975, pp. 178–182); Shaked e Shanthikumar (1994, pp. 461–483). 171 6.6 A polı́tica de manutenção random age replacement Nem sempre é prático substituir componentes numa base periódica. Basta pensar, por exemplo, num mecanismo com um ciclo de operação variável que não permite ou que torna extraordinariamente difı́cil qualquer tipo de substituição durante o referido ciclo. A polı́tica de manutenção, descrita já a seguir, revela-se particularmente útil nestes casos e acaba por ter associados pelo menos três processos de renovamento. Definição informal 6.31 — Random age replacement Ao assumir-se que as componentes só são substituı́das quando falham, a colecção dos tempos entre substituições {X1 , X2 , . . .}, onde Xi ∼iid X, constitui um processo de renovamento. A seguir defina-se um outro processo de renovamento {Z1 , Z2 , . . .}, onde Zi ∼iid Z. Este processo define os tempos entre substituições planeadas que não têm em conta as falhas das componentes. Por fim defina-se um terceiro processo de renovamento {U1 , U2 , . . .}, onde Ui = min{Xi , Zi } ∼iid U . Ora, {U1 , U2 , . . .} é a colecção dos intervalos entre substituições quer planeadas, quer devidas a falha. • Nota 6.32 — Random age replacement Esta polı́tica de manutenção corresponde a uma polı́tica do tipo age replacement com substituições planeadas ao fim de um intervalo • Z aleatório. Sejam RX (x), RZ (x) e RU (x) as f.f. das v.a. X, Z e Y . Então é sabido que RU (x) = RX (x) × RZ (x) e o tempo esperado entre substituiçẽs dado por E(U ) = R∞ 0 RX (x) 172 × RZ (x)dx. Denote-se por NR (t, Z) (resp. RR (t, Z)) o número de falhas (resp. de substituições quer planeadas quer devidas a falha) no intervalo [0, t] ao adoptar-se uma polı́tica de manutenção do tipo random replacement com substituições originalmente planeadas de Z em Z unidades de tempo onde Z é uma v.a. Ao recorrer-se ao Teorema Elementar do Renovamento pode ainda adiantar-se que o número esperado de substituições por unidade de tempo é, a longo-prazo, dado por: 1 RR (t, Z) = . t→+∞ t E(U ) (6.45) lim E ao tirar-se partido das propriedades de envelhecimento estocástico de U podem adiantar-se limites quer para a f.f. de RR (t, Z), quer para a função de renovamento ou funções convexas desta v.a. É possı́vel associar esta polı́tica de manutenção a um quarto processo de renovamento de particular interesse para a obtenção de limites para o número esperado de falhas no intervalo [0, t]. A saber: {V1 , V2 , . . .}, onde 1, se Ui = Xi (substituição i devida a falha) 0, c.c. Vi = (6.46) Ora, Vi ∼iid Bernoulli(E(V )), onde E(V ) = P (X ≤ Z) = Z ∞ 0 FX (x)dFZ (x). 173 (6.47) Teorema 6.33 — Limites para o número esperado de falhas para a polı́tica random age replacement É possı́vel enquadrar o número esperado de falhas no intervalo [0, t] ao recorrer-se à polı́tica random age replacement (E[RR (t, Z)]) à custa de E(V ) e do número esperado de substituições nesse mesmo intervalo (E[NR (t, Z)]): E(V ) × {E[RR (t, Z)] + 1} − 1 (6.48) ≤ E[NR (t, Z)] ≤ E(V ) × {E[RR (t, Z)] + 1}. E, ao tirar partido do Teorema 6.13,10 tem-se R∞ 0 FX (x)dFZ (x) × Rt 0 t RU (x)dx −1 ≤ E[NR (t, Z)] ≤ R∞ 0 FX (x)dFZ (x) (6.49) " × tFU (t) RU (x)dx 0 Rt # +1 . • Para uma descrição um pouco mais alargada desta polı́tica de substituição ver Barlow e Proschan (1965/1996, pp. 72–74). Texto de apoio: Barlow e Proschan (1965/1996, pp. 72–74). 10 É curioso notar que Barlow e Proschan (1965/96, p. 74) enunciam o resultado que se segue sem exigir que a v.a. seja IHR. 174 6.7 Alguns resultados sobre disponibilidade A manutenção de componentes/estruturas/equipamentos/sistemas possui grande influência na fiabilidade e disponibilidade (availability) dos mesmos. Nesta secção serão enunciados alguns resultados que dizem respeito à disponibilidade de componentes sujeitas a reparação e dos sistemas por elas constituı́dos. Definição 6.34 — Disponibilidade no instante t e disponibilidade a longo prazo Seja X(t) uma v.a. binária que toma o valor 1 caso a componente esteja a operar no instante t. Então a disponibilidade da componente no instante t é representada por A(t) e igual a A(t) = P [X(t) = 1] = E[X(t)]. (6.50) Ao limite A = lim A(t) (6.51) t→+∞ dá-se o nome de disponibilidade a longo prazo (ou simplesmente • disponibilidade). Definição 6.35 — Disponibilidade média no intervalo [0, T ] e disponibilidade média a longo prazo A disponibilidade média no intervalo [0, T ] é dada por 1ZT A(t)dt T 0 e a disponibilidade média a longo prazo pelo seguinte limite 1ZT Aav = lim A(t)dt. T →+∞ T 0 (6.52) (6.53) • 175 Nota 6.36 — Disponibilidades Importa referir que a disponilidade média no intervalo [0, T ] corresponde à proporção esperada de tempo em que o sistema está a operar nesse mesmo intervalo. Com efeito, U (T ) = Z T 0 X(t)dt (6.54) representa o tempo total em que sistema está a operar no intervalo [0, T ], pelo que Z T 1 1 E[U (T )] = E X(t)dt 0 T T 1ZT E[X(t)]dt = T 0 1ZT A(t)dt. = T 0 " # (6.55) Por fim mencione-se que, caso exista limt→+∞ A(t) e seja igual a A, então Aav = A. Ou por outra, a disponibilidade média a longo prazo e a disponibilidade a longo prazo coincidem. • É altura de avançar com uma expressão para a disponibilidade a longo prazo em termos dos perı́odos de funcionamento e de reparação. Comece-se por considerar uma sequência de vectores i.i.d. {(Ti , Di ), i = 1, 2, . . .}, onde Ti e Di representam os tempos de operação contı́nua (sistema ON) e de reparação (sistema OFF), respectivamente. De mencionar que, para i = 1, 2, . . ., Ti ∼iid T e Di ∼iid D, no entanto, as v.a. Ti e Di podem depender uma da outra. {(Ti , Di ), i = 1, 2, . . .} é claramente um processo de renovamento alternado e se se assumir que a v.a. T +D é não periódica pode concluirse que A = lim A(t) = t→+∞ E(T ) , E(T ) + E(D) 176 (6.56) bastando para isso invocar o Teorema-Chave do Renovamento. A vantagem deste resultado é mais que óbvia: a disponibilidade a longo-prazo depende exclusivamente dos valores esperados dos tempos de operação e de reparação e nunca das respectivas distribuições. 6.7.1 Disponibilidade de sistemas com componentes independentes Tal como aconteceu no capı́tulo inicial começamos por considerar um sistema coerente cujas n componentes funcionam de forma independente. Mais, quando ocorre falha da componente i esta vai a reparar ao passo que as restantes continuam a operar. Assim sendo, se a v.a. X(t) (resp. Xi (t)) tomar valor 1, caso o sistema (resp. a componente i) estiver a operar no instante t, então X(t) = φ(X1 (t), . . . , Xn (t)), (6.57) onde φ representa, naturalmente, a função de estrutura do sistema. Para além disso, a disponibilidade do sistema no instante t é igual a A(t) = E[X(t)] = r(E[X1 (t)], . . . , E[Xn (t)]) = r(A1 (t), . . . , An (t)) (6.58) onde, note-se, r denota a fiabilidade associada à função de estrutura φ e Ai (t) representa a disponibilidade da componente i no instante t. Resta calcular a disponibilidade do sistema a longo prazo. Para tal, considere-se uma sequência dupla de v.a. independentes {(Tij + Dij ), i, j = 1, 2, . . .}, onde Tij representa o j−ésimo perı́odo de operação contı́nua da componente i e Dij a duração da j−ésima reparação da componente i, respectivamente. Assuma-se também que: 177 para qualquer i fixo, se tem, para j = 1, 2, . . ., Tij ∼iid Ti e Dij ∼iid Di ; para i = 1, 2, . . ., µi = E(Ti ) < ∞, νi = E(Di ) < ∞ e Ti + Di é uma v.a. não periódica. Então, ao ter em conta sucessivamente o facto de a fiabilidade ser uma função multilinear nos seus argumentos e o Teorema-Chave do Renovamento, a disponibilidade deste sistema de com n componentes é, a longo prazo, igual a: A = r(A1 , . . . , An ) ! µn µ1 ,..., , = r µ1 + ν1 µ n + νn (6.59) onde Ai representa a disponibilidade da componente i a longo prazo. Exercı́cio 6.37 — Um sistema é constituı́do por um computador e dois geradores eléctricos colocados em paralelo. Assuma que as durações das componentes e os perı́odos de reparação se comportam como se descreveu há pouco e possuem os valores esperados (em horas) condensados na tabela seguinte. Componente i µi = E(Ti ) νi = E(Di ) 1 1000 1 2 98 2 3 96 4 Determine a disponibilidade das três componentes a longo-prazo, bem como a disponibilidade do sistema a longo prazo (Barlow e • Proschan (1975, pp. 193–4)). 6.7.2 Disponibilidade de sistemas em série Desta feita está a lidar-se com um sistema ligeiramente diferente daquele considerado na sub-secção anterior. 178 • Para já assume-se que o sistema não é um sistema coerente arbitrário mas que possui todas as suas componentes dispostas em série. • Para além disso, enquanto a componente responsável pela falha do sistema em série está a ser substituı́da, as restantes componentes mantêm-se em suspended animation. Finda a referida reparação estas mesmas componentes retoma o seu funcionamento.11 • Assuma-se também que duas ou mais componentes não podem falhar no mesmo instante.12 A Figura 7.2.4 de Barlow e Proschan (1975, p. 195) ilustra uma realização deste tipo de sistema, em particular chama atenção para o facto de esta realização se descrever à custa de duas v.a.: U (t) que representa o tempo acumulado em que o sistema está em funcionamento (up time); D(t) = t − U (t) que representa o tempo acumulado em que as componentes do sistema suspendem o seu funcionamento devido a uma reparação (down time). É possı́vel adiantar resultados para, por exemplo, a percentagem de tempo em que o sistema está em funcionamento a longo prazo e para a disponibilidade do sistema a longo prazo. É curioso notar que estes resultados dependem exclusivamente dos valores esperados dos tempos de vidas das componentes µi (0 < µi < +∞, i = 1, . . . , n), bem como das durações esperadas das substituições νi (0 < νi < +∞, i = 1, . . . , n), e não das distribuições destas v.a. 11 Neste instante não estão propriamente “como novas”mas sim tal como estavam quando suspenderam o seu funcionamento. 12 O que, aliás, é verdade, caso todas as distribuições sejam contı́nuas. 179 Teorema 6.38 — Percentagem de tempo em que o sistema em série está em funcionamento a longo prazo Tem-se, com probabilidade um, −1 n ν X U (t) i = 1+ lim t→+∞ t i=1 µi . (6.60) • Corolário 6.39 — Disponibilidade média do sistema em série a longo prazo −1 Aav n ν X E[U (t)] i = lim = 1+ t→+∞ t i=1 µi . (6.61) • Nota 6.40 — Disponibilidade do sistema em série a longo prazo Considere-se que ξ(t) é igual a i, caso a componente i, responsável pela falha do sistema em série, esteja a ser substituı́da, e igual a 0, caso o sistema em série esteja a funcionar. Importa notar que o processo {ξ(t), t ≥ 0} não tem pontos de regeneração e que o limite limt→+∞ P [ξ(t) = 0] nem sempre existe. No entanto, tal limite existe desde que os tempos de vida das componentes sejam v.a. não periódicas ou possuam distribuição exponencial. Nesta situação, a disponibilidade é dada por A = lim P [ξ(t) = 0] = Aav . t→+∞ (6.62) • É possı́vel estabelecer resultados assintóticos para D(t), assim como para o tempo acumulado em que o sistema não está em funcionamento devido a falhas da componente i no intervalo [0, t], Di (t). 180 Corolário 6.41 — Resultados assintóticos para o down time Tem-se, com probabilidade 1: νi Di (t) = Aav × ; t→+∞ t µi n ν X D(t) i = Aav × . = lim t→+∞ t i=1 µi Di,av = Dav lim (6.63) (6.64) • A justificação heurı́stica de (6.63) assenta num argumento de igualdade das taxas de entrada e de saı́da de um estado. Com efeito, Aav (1/µi )dt pode ser entendido como a probabilidade estacionária de o sistema deixar de funcionar nas próximas dt unidades de tempo devido a falha da componente i sabendo que o sistema está de momento em funcionamento, e, por seu lado, Di,av (1/νi )dt como a probabilidade estacionária de se terminar a substituição da componente i nas próximas dt unidades de tempo sabendo que o sistema está de momento inoperacional. De seguida apresentam-se resultados assintóticos para o número de falhas da componente i no intervalo [0, t], Ni (t). Corolário 6.42 — Resultados assintóticos para o número de falhas da componente i Tem-se, para i = 1, . . . , n: Ni (t) = Aav × t→+∞ t E[Ni (t)] lim = Aav × t→+∞ t lim νi com probabilidade 1; µi νi . µi (6.65) (6.66) • É interessante notar que, após qualquer reparação, a distribuição do tempo até à próxima falha depende da história do sistema até àquele 181 instante mas que, no entanto, a duração média dos perı́odos em que o sistema em série está a funcionar no intervalo [0, t] converge para uma constante µ que se identifica no teorema seguinte. De modo análogo a duração média dos perı́odos em que o sistema em série não está operacional converge para uma outra constante ν. Teorema 6.43 — Resultados assintóticos para a duração média dos perı́odos em que o sistema em série está a funcionar ou inoperacional As durações médias dos perı́odos em que o sistema em série está a funcionar e está inoperacional, no intervalo [0, t], convergem quase certamente para n X −1 1 µ= i=1 µi n ν X i , ν =µ× i=1 µi (6.67) (6.68) • respectivamente. Exercı́cio 6.44 — componentes: Um sistema um gerador, é constituı́do por quatro um equipamento analógico, um equipamento digital e uma peça mecânica, colocados em série. Assuma que as durações das componentes e os perı́odos de reparação possuem os valores esperados (em horas) condensados na tabela seguinte (Barlow e Proschan (1975, pp. 200–1)). (a) Determine a percentagem de tempo em que a componente i está inoperacional a longo prazo. (b) Obtenha o número médio de falhas por unidade de tempo a longo prazo para cada uma das componentes. 182 Componente i Tipo µi = E(Ti ) νi = E(Di ) 1 Gerador 2 Equipamento analógico 3 Equipamento digital 4 Peça mecânica 50 .1 100 .2 1000 1.0 10000 20.0 (c) Calcule os valores a longo prazo das durações médias dos perı́odos em que este sistema em série está a funcionar e em que está • inoperacional. Texto de apoio: Barlow e Proschan (1975, pp. 194–201). 6.7.3 Disponibilidade de sistema com uma unidade de operação, uma sobressalente e uma de reparação Na secção anterior assumiu-se que dispunhamos sempre de peças sobressalentes para substituir qualquer peça que falhasse. Desta feita assume-se que se dispõe de um número limitado de peças sobressalentes, que o sistema falha caso deixe de haver peças sobressalentes para substituir as peças que tenham falhado e que existe uma unidade de reparação para onde se envia estas últimas peças. Comece-se por considerar um sistema com uma unidade de operação com uma componente, uma componente sobressalente e uma unidade de reparação. Refira-se também que: • quando a componente da unidade de operação falha, ela é substituı́da pela peça sobressalente, substituição esta com duração negligenciável; • a componente que acaba de falhar é enviada para a unidade de 183 reparação e este instante constitui um instante de regeneração; • o sistema falha quando a unidade de operação falha e a componente sobressalente não está disponı́vel por ainda não ter sido completada a sua reparação. Assuma-se que as componentes (resp. reparações) possuem duração X (resp. Y ), com distribução F (resp. G) e valor esperado µ (resp. ν). E, por fim, assuma-se que, no instante t = 0, a componente da unidade de operação e a peça sobressalente nunca foram utilizadas previamente (completamente novas). O tempo que decorre até à ocorrência da primeira falha do sistema, tempo este contabilizado a partir do instante 0, pode ser representado por T1 = X10 + X2 + . . . + XN , (6.69) onde: X10 , X2 , X3 , . . . são v.a. i.i.d. a X; N denota o número (aleatório) de falhas da unidade de operação até à ocorrência da falha do sistema. Ora, a v.a. N possui função de probabilidade P (N = k + 1) = αk−1 (1 − α), k = 1, 2, . . . , (6.70) onde 1 − α representa a probabilidade de o tempo de reparação da peça na unidade de reparação exceder o de operação da componente, i.e., α = P (Y ≤ X) = Z +∞ 0 G(t)dF (t). (6.71) Assim sendo e tirando partido da equação de Wald, pode adiantar-se que o tempo esperado até à primeira falha do sistema: 1 . E(T1 ) = µ E(N ) = µ 1 + 1−α ! 184 (6.72) Do mesmo modo pode calcular-se o valor esperado do tempo até à primeira falha do sistema, medindo o tempo a partir de um instante de regeneração,13 tempo este representado pela v.a. T : µ . E(T ) = E(T1 − X10 ) = 1−α (6.73) É necessário ainda calcular o valor esperado dos perı́odos em que o sistema está inoperacional. Este valor esperado é dado por E(D) = = = Z +∞ 0 Z +∞ P (D > t)dt P (Y > t + X|Y > X)dt 0 Z +∞ Z +∞ 0 0 1 − G(t + x) dF (x) dt. 1 − G(x) (6.74) Por último, a disponibilidade a longo prazo do sistema com uma unidade de operação, uma peça sobressalente e uma unidade de reparação é igual a E(T ) µ(1 − α)−1 A= = E(T ) + E(D) µ(1 − α)−1 + E(D) (6.75) e depende não só dos valores esperados do tempo de operação contı́nua das componentes e da duração das reparações, mas também das distribuições propriamente ditas destas v.a. Texto de apoio: Barlow e Proschan (1975, pp. 201–204). 6.7.4 Disponibilidade de sistema com m unidades de operação, n sobressalentes e s de reparação O sistema com que se lida nesta sub-secção possui m unidades de operação e respectivas componentes, n peças sobressalentes 13 Recorde que o instante de substituição da componente da unidade de operação e consequente envio da componente (que acabou de falhar) para a unidade de reparação é um instante de regeneração. 185 e s unidades de reparação. Mais, os perı́odos de operação contı́nua (resp. reparação) das componentes são independentes e têm distribuição exponencial de parâmetro λ (resp. γ). Tal como na secção anterior, uma componente que falhe é imediatamente substituı́da por uma peça sobressalente caso existam peças sobressalentes disponı́veis; a par disso, uma componente segue para as unidades de reparação assim que falha. Escusado será dizer que a reparação é iniciada imediatamente a menos que as s unidades de reparação estejam todas ocupadas. Um processo de particular interesse diz respeito ao número de componentes inoperacionais no instante t, X(t), ou porque estão a ser reparadas, ou porque aguardam o inı́cio da respectiva reparação. Ora, {X(t), t ≥ 0} é, naturalmente, um processo de nascimento e morte14 cujas probabilidades de estado estacionárias (π0 , π1 , π2 , . . .) são de cálculo trivial e funções das taxas de nascimento λi = f (λ, γ), i = 0, 1, 2, . . ., e de morte µi = g(λ, γ), i = 1, 2, . . .: πi = π 0 × i−1 Y λj , j=0 µj+1 (6.76) onde π0 = 1 1+ P+∞ Qk−1 λj . k=1 j=0 µj+1 (6.77) Por seu lado a disponibilidade do sistema a longo prazo é dada por: A = = 14 lim P [X(t) ≤ m] t→+∞ m X πi . i=0 (6.78) Ou por outra, trata-se se uma cadeia de Markov em tempo contı́nuo, com espaço de estados {0, 1, 2 . . .}, matriz de probabilidades de transição homógenea e transições de um estado i para os dois estados vizinhos i − 1 e i + 1. 186 Exercı́cio 6.45 — Considere um sistema constituı́do por uma unidade de operação e respectiva componente, uma peça sobressalente e uma unidade de reparação. Assuma que as durações das componentes (resp. os perı́odos de reparação) são independentes e possuem distribuição exponencial de parâmetro λ (resp. γ) (Barlow e Proschan (1975, pp. 205–6)). (a) Obtenha uma expressão para a disponibilidade a longo prazo deste sistema. (b) Considere agora que o sistema é constituı́do por n unidades de operação e respectivas componentes, m peças sobressalentes e s unidades de reparação. Identifique as expressões para as taxas do processo de nascimento e de morte associado ao número de componentes inoperacionais • no instante t neste sistema. Texto de apoio: Barlow e Proschan (1975, pp. 204–206). 187 Capı́tulo 7 Controlo estatı́stico de processos 7.1 O significado de qualidade É tradicional afirmar-se no meio industrial que a qualidade e a produtividade não podem andar de mãos dadas: ao desejarmos mais qualidade, sacrificaremos a produtividade e vice-versa. À semelhança de muitos lugares comuns, aceites e produto de pouca reflexão, este é também falso. Na realidade ao melhorar-se a qualidade, por aperfeiçoamento do processo de produção e maior uniformidade do produto, há, de um modo geral, melhorias na produtividade já que se reduzem desperdı́cios de mão de obra, de equipamento e de matéria-prima e, consequentemente, diminuem-se os custos de produção bem como os prejuı́zos. Definição informal 7.1 — Qualidade Significa frequentemente adequação do produto/serviço ao consumidor/utilizador (fitness for use), i.e., satisfação de requisitos considerados essenciais para o consumidor/utilizador. 188 • A qualidade é, nos dias de hoje, um critério básico que influencia a decisão pela aquisição/utilização de qualquer produto/serviço. Montgomery (1985, p. 1–2) acaba por distinguir dois tipos de qualidade. Nada melhor que ilustrá-los com exemplos. Todos os bens e serviços são intencionalmente produzidos com diversos nı́veis de qualidade pensados para tipos distintos de consumidores. Estas diferenças de qualidade devem-se, por exemplo, às diferenças de materiais usados na confecção dos estofos dos assentos de um carro (cabedal, napa, tecido, etc.). Estes aspectos prendem-se com a quality of design (qualidade do design). A qualidade no que diz respeito à adequação às especificações e tolerâncias exigidas pelo produtor tem a ver com quality of conformance.1 Definição informal 7.2 — Caracterı́sticas de qualidade Qualquer produto possui um grupo de caracterı́sticas que descrevem conjuntamente a sua adequação ao consumidor. Estas são designadas de caracterı́sticas de qualidade, não passam de v.a. e podem ser, por exemplo, dos tipos: • fı́sico — voltagem, viscosidade, peso e diâmetro; • sensorial — gosto, cor e aparência; • temporal — fiabilidade, operacionabilidade e manutenção. 1 Termo que aqui traduzimos livremente para “qualidade da adequação”. 189 • Controlo estatı́stico de qualidade — Não há processos de produção perfeitos ou sem variabilidade por mais cuidadosos que sejamos no seu planeamento e a sua manutenção. A presença dessa variabilidade torna necessário o uso de métodos estatı́sticos dos quais destacamos: • Planeamento de experiências (experimental design) — É amplamente reconhecida a necessidade desta técnica off-line que consiste do planeamento cuidadoso do produto e da identificação dos nı́veis óptimos dos factores que claramente influenciam as caracterı́sticas de qualidade (por exemplo, a pressão atmosférica, temperatura de cozedura, tipo de catalisador usado, etc.). • Controlo estatı́stico de processos (statistical process control, SPC) — Técnica on–line cujo objectivo principal é o acompanhamento do processo de produção e pressupõe de um modo geral o uso de esquemas (ou cartas) de controlo de qualidade. • Amostragem de aceitação (acceptance sampling) — técnica off–line frequentemente utilizada para avaliar a “qualidade à saı́da”dos produtos, por inspecção dos lotes destinados aos consumidores. Assim, pode afirmar-se que o controlo de qualidade é uma actividade pertencente aos domı́nios da engenharia, da gestão e, sobretudo, da Estatı́stica, que permite: • avaliar o produto e confrontá-lo com as especificações e tolerâncias requeridas pelo produtor e com os requisitos do consumidor; 190 • tomar medidas capazes de corrigir situações caracterizadas por diferenças acentuadas entre o que é produzido e o que é requerido pelo produtor ou pelo consumidor. Textos de apoio: Gomes e Barão (1999, pp. 1–4); Montgomery (1985, pp. 1–3). 191 7.2 Os custos e os aspectos legais da qualidade Por tratar-se, como referimos, de critério que de um modo geral determina a aquisição de bens/serviços, a qualidade influencia substancialmente o êxito e o crescimento de uma empresa e vem reforçar e melhorar a posição da mesma no mercado. Os programas de garantia de qualidade têm associados por vezes custos (nem sempre negligenciáveis) que devem ser encarados como uma estratégia que a prazo resultará em maior penetração de mercado, em maior produtividade e em menores custos de produção. Senão vejamos um exemplo (Montgomery (1985, pp. 3–4)). Exemplo 7.3 — Um fabricante de produz componentes mecânicas a uma taxa de aproximadamente 100 componentes por dia, a um custo de 20 USD por componente. Por diversas razões, o processo de produção opera de modo que somente 75% das componentes satisfazem as especificações do produtor e estão em condições de ser vendidas. 60% das componentes que não satisfazem tais especificações podem ser retrabalhadas (“reworked”) — a um custo adicional de 4 USD — de modo a poderem ser vendidas, sendo as restantes 40% transformados em sucata (“scrapped”). Deste modo, após ter-se retrabalhado as componentes, somente 90% = 75% × 100 + 60% × (0.25 × 100) da produção é passı́vel de ser vendida a um custo por componente igual a 22.89 USD = 20 USD × 100 + 4 USD × (0.6 × 0.25 × 100) . 90 Assuma-se que estudos revelaram que a elevada percentagem de componentes não conformes pode ser diminuı́da, caso se implemente 192 um par de cartas de controlo de qualidade que permitem minimizar desvios no valor esperado e na variância do diâmetro das componentes. Assuma-se agora que a implementação de tal par de cartas tem custos adicionais negligenciáveis e resultou num aumento da percentagem inicial de componentes conformes às especificações do produtor de 75% para 95%, mantendo-se a percentagem de componentes que, embora não conformes podem vir a ser retrabalhadas e posteriormente vendidas, em 60%. Deste modo aumentou-se a percentagem de componentes passı́veis de venda para 98% = 95% × 100 + 60% × (0.05 × 100) e reduziu-se o respectivo custo por componente para 20.53 USD = 20 USD × 100 + 4 USD × (0.6 × 0.05 × 100) . 98 O acompanhamento do processo de produção resultou pois numa redução de 10.3% dos custos de produção por unidade. • Montgomery (1985, p. 5–6) identifica quatros categorias de custos de qualidade e as respectivas subcategorias. A saber: • custos de prevenção (“prevention costs”); • custos de avaliação (“appraisal costs”); • custos devidos a falhas anteriores à venda (traduccão livre de “internal failure costs”); • custos devidos a falhas ulteriores à venda (traduccão livre de “external failure costs”). Os custos de prevenção estão associados aos esforços durante o planeamento e a manufactura no sentido de prevenir a produção de 193 artigos não conformes, i.e., de produzir bem à primeira (“do it right the first time”).2 Os custos de avaliação dizem respeito à medição e inspecção de produtos, componentes e matérias-primas de forma a garantir o cumprimento das especificações do produtor.3 Quando os produtos, componentes, materiais e serviços não cumprem os requisitos do produtor e este se apercebe de tal facto antes de os fazer chegar ao consumidor, o produtor incorre em custos devidos a falhas anteriores à venda.4 Caso o desempenho dos produtos não seja satisfatório quando já foram fornecidos ao cliente, o produtor terá que suportar os custos devidos a falhas ulteriores à venda.5 Ao analisar estes custos é fundamental ter em mente que, por exemplo, o lucro do investimento de uma unidade monetária em custos de prevenção é de longe superior ao da mesma unidade monetária em custos de avaliação. O consumismo e a responsabilidade legal pelo produto que se coloca no mercado são razões mais que suficientes para a qualidade deva ser encarada como uma estratégia empresarial importante. O consumismo é em parte devido ao aparente aumento do número de falhas durante a utilização dos produtos pelos consumidores. Mais, quando estas falhas se tornam demasiado evidentes, rapidamente nos 2 Prevention costs: quality planning and engineering; new products review; product/process design; process control; burn-in; training; quality data acquisition and analysis. 3 Appraisal costs: inspection and test of incoming material; production and test; material and services consumed; maintaining accuracy of test equipment. 4 Internal failure costs: scrap; rework; retest; failure analysis; downtime; yield losses; downgrading/off-specing. 5 External failure costs: complaint adjustment; returned product/material; warranty charges; liability costs; indirect costs. 194 questionamos se os produtos de hoje não têm qualidade inferior aos seus predecessores e se a qualidade é uma verdadeira preocupação dos fabricantes de hoje.6 Não surpreende pois que os fabricantes estejam particularmente preocupados em reduzir tais falhas; com efeito, ao diminuir o número de tais falhas reduzem os custos ulteriores à venda e os ameaças à sua competitividade no mercado. A responsabilidade legal por um produto lançado no mercado deve ser encarada de forma séria quer pelos produtores, quer pelos distribuidores e vendedores. A obrigação legal de compensar o cliente caso ocorram danos devidos a produtos defeituosos não é um fenómeno recente e a ênfase que lhe tem sido dada tem aumentado substancialmente. Para além disso, as afirmações feitas acerca de um produto quando este é publicitado e promovido devem ser consubstanciadas por dados que as validem. Como seria de esperar estes dois aspectos da responsabilidade legal por um produto exercem uma pressão enorme sobre produtores, distribuidores e vendedores. Texto de apoio: Montgomery (1985, pp. 3–11, 17–19). 6 A explosão do número de produtos e os lançamentos prematuros de alguns nos dias de hoje também contribuem para esta sensação. 195 7.3 Um apanhado da história do controlo de qualidade 7.3.1 Um apanhado geral O movimento para a promoção da qualidade encontra as suas raı́zes na Europa medieval onde os artesãos começam por organizar-se em associações/sindicatos denominados de guildas (“guilds”) no final do sec. XIII. A manufactura no mundo dito industrializado tende a seguir este modelo até ao inı́cio do sec. XIX. O sistema fabril, que enfatiza a inspecção dos produtos, teve inı́cio no Reino Unido em meados da década de 50 do sec. XVIII e floresce, tendo por resultado a Revolução Industrial no inı́cio do sec. XIX. No inı́cio do sec. XX, os produtores incluem, por fim, a noção de processo de qualidade nas suas práticas de qualidade. Com a participação dos EUA na II Guerra Mundial, a qualidade torna-se crucial no esforço de guerra: por exemplo, as balas/munições produzidas num estado/fábrica devem ser adequar-se às espingardas fabricadas noutro/a. Inicialmente, as forças armadas inspeccionam virtualmente todas as unidades produzidas; a seguir, de modo a simplificar e acelerar este processo sem comprometer a segurança, começam a recorrer a técnicas de amostragem de aceitação, impulsionadas pela publicação de tabelas com especificações e regras de decisão e pelos cursos de formação baseados nas técnicas de controlo estatı́stico de processos de Walter A. Shewhart. O nascimento da noção de Qualidade Total (“total quality”) nos EUA surge como uma resposta directa à revolução que a Qualidade sofreu no Japão após a II Guerra Mundial. 196 Os japoneses mostram-se receptivos às contribuições de dois especialistas americanos em Qualidade, Joseph M. Juran and W. Edwards Deming, e, ao invés de se concentrarem na inspecção dos produtos, apostam na melhoria dos processos de produção por intermédio das pessoas que neles intervêm. Na década de 70 do século passado, sectores dos EUA, tais como a indústria automóvel ou electrónica, não resistem à competição feroz dos produtos japoneses de qualidade largamente superior. A resposta dos EUA, que enfatiza não só a Estatı́stica mas também abordagens que abarcam a organização no seu todo, vem a designarse de Gestão da Qualidade Total (“total quality management”, TQM). Na última década do sec. XX, o termo TQM cai em desuso, particularmente nos EUA, no entanto, a sua prática mantém-se. Poucos anos após o final do século passado, o movimento da Qualidade parece ter amadurecido para além da noção de “total quality”. Surgem novos sistemas de qualidade dos contributos fundamentais de Deming, Juran e de especialistas japoneses como G. Taguchi, e a qualidade é aplicada em áreas bem distintas da indústria, tais como a saúde, a educação e a função pública, entre muitas outras. Fonte: http://www.asq.org/learn-about-quality/history-of-quality/ overview/overview.html 197 7.3.2 As guildas da Europa medieval Entre o final do sec. XIII e o inı́cio do sec. XIX, os artesãos da Europa medieval organizam-se em associações/sindicatos denominados de guildas. Estas guildas são responsáveis pelo estabelecimento de regras rigorosas que garantem a qualidade dos produtos fornecidos e dos serviços prestados. Para o efeito existem comissões de inspecção que verificam os produtos um a um e de certo modo forçam ao cumprimento das referidas regras já que marcam os artigos sem defeitos com um sı́mbolo que serve de garantia de qualidade. É frequente os artesãos acrescentarem uma segunda marca ou sı́mbolo aos artigos por eles produzidos. Inicialmente esta marca é usada para identificar a origem de artigos com defeitos. Posteriormente, esta marca passou a simbolizar a boa reputação do artesão. Por exemplo, as marcas dos pedreiros simbolizam a obrigação de cada membro da guilda de satisfazer a clientela e melhorar a reputação do respectivo ofı́cio. As marcas brandidas pelas comissões de inspecção e pelos mestresartesãos servem de prova de qualidade para os clientes pela Europa medieval fora. Esta abordagem à qualidade dos produtos manufacturados e dos serviços prestados é a dominante até à Revolução Industrial no inı́cio do sec. XIX. Fonte: http://www.asq.org/learn-about-quality/history-of-quality/ overview/guilds.html 198 7.3.3 A Revolução Industrial As práticas de qualidade americanas no sec. XIX são moldadas pelas mudanças nos métodos de produção dominantes: • O modelo de manufactura dos artesãos (craftsmanship) — no inı́cio do sec. XIX, a produção nos EUA tende a seguir o modelo de manufactura dos artesãos vigente em paı́ses europeus. Segundo este modelo, os jovens aprendem um ofı́cio enquanto aprendizes de um mestre, por vezes durante diversos anos. Uma vez que os artesãos vendem os seus artigos localmente, acabam por pôr em risco a sua reputação profissional e também pessoal caso não consigam ir ao encontro das necessidades dos clientes. Caso os requisitos de qualidade não sejam cumpridos, o artesão corre o risco de perder a clientela que dificilmente pode ser substituı́da. Assim, os mestres mantêm uma espécie de controlo de qualidade ao inspeccionarem os artigos antes de os venderem. • O sistema fabril — Este sistema, fruto da Revolução Industrial, acaba por transformar os diversos ofı́cios dos artesãos em diversas tarefas especializadas. Esta transformação não só força os artesãos a tornarem-se operários fabris e os donos de lojas a passarem a ser supervisores da produção, mas marca também o inı́cio do declı́nio do sentido de autonomia e da confiança nas próprias capacidades (“empowerment”) por parte dos empregados no local de trabalho. A qualidade no sistema fabril é assegurada pela perı́cia dos operários complementada pelas revisões sistemáticas ou pelas inspecções. Os produtos considerados defeituosos são ou 199 retrabalhados (“reworked”), i.e., voltam à linha de produção) ou transformados em sucata (“scrapped”). • O sistema tayloriano — No final do sec. XIX os EUA afastamse da tradição europeia e adoptam uma nova abordagem de gestão desenvolvida por Frederick W. Taylor. O objectivo de Taylor é aumentar a produtividade sem aumentar o número de artesãos especializados. Ele atinge este objectivo ao atribuir a tarefa de planeamento da fábrica a engenheiros especializados e ao usar artesãos e supervisores, que foram entretanto transferidos com o aumento de fábricas, como inspectores e gestores que executam os planos dos engenheiros. A abordagem de Taylor conduz a aumentos notáveis da produtividade mas levanta alguns problemas: os trabalhadores são despojados do seu já diminuto sentido de autonomia e de confiança nas suas próprias capacidades, pelo que a nova ênfase na produtividade tem um efeito negativo na qualidade. De modo a remediar o declı́nio da qualidade, os gestores das fábricas criam departamentos de inspecção que impedem que os artigos defeituosos cheguem às mãos dos clientes. Caso um artigo defeituoso chegue a um cliente, é comum os gestores interrogarem o inspector ”Como pôde deixar isto chegar ao cliente?”ao invés de perguntar ao gestor da produção ”Por que produzimos artigos defeituosos?” Fonte: http://www.asq.org/learn-about-quality/history-of-quality/ overview/industrial-revolution.html 200 7.3.4 O inı́cio do sec. XX O inı́cio do sec. XX é marcado pela inclusão da noção de “processo”nas práticas de qualidade. Um “processo”é definido por um grupo de actividades que, tendo como ponto de partida matéria-prima (“input”), valoriza-a e transforma-a num produto acabado (“output”), da mesma maneira que um mestre de cozinha transforma um conjunto de ingredientes numa bela refeição. Walter A. Shewhart, um estatı́stico dos “Bell Laboratories”, começa por concentrar-se no controlo de processos em meados dos anos 20 do sec. passado, tornando a qualidade relevante não só para o produto final mas também para os processos responsáveis pela sua produção. Shewhart reconhece que os processos industriais produzem dados. Por exemplo, um processo em que um metal é cortado em folhas às quais estão associadas medições, tais como o comprimento, a espessura e o peso das folhas de metal. Shewhart entende que estes dados podem ser analisados usando técnicas de Estatı́stica de modo a veriguar se o processo está estável ou sob controlo, ou se pelo contrário, está fora de controlo por estar a ser afectado por causas assinaláveis. Ao fazê-lo, Shewhart fundou os alicerces da carta de controlo, uma ferramenta essencial para a qualidade nos dias de hoje. Os conceitos de Shewhart são usualmente designados por controlo estatı́stico de qualidade. Diferem de qualquer sistema orientado para o produto na medida em que tornam a qualidade relevante quer para o produto final, quer para o processo que o processo que o criou. 201 W. Edwards Deming, um estatı́stico do “U.S. Department of Agriculture and Census Bureau”, torna-se um defensor e promotor dos métodos de controlo estatı́stico de qualidade propostos por W. Shewhart e mais tarde vem a ser a tornar-se mais tarde o lı́der do movimento para a qualidade quer no Japão, quer nos EUA. Fonte: http://www.asq.org/learn-about-quality/history-of-quality/ overview/20th-century.html 7.3.5 A II Guerra Mundial Ao entrarem na II Guerra Mundial em Dezembro de 1941, os EUA promulgam leis de modo a ajustar a economia civil à produção de armas. Até então, os contratos militares são geralmente atribuı́dos ao fabricante que produz mais barato. Os produtos são inspeccionados antes de serem entregues de modo a garantir a sua conformidade com os requesitos. Durante este conflito, a qualidade torna-se uma questão de segurança crucial no esforço de guerra. O equipamento militar inseguro é claramente inaceitável e as forças armadas americanas inpeccionam virtualmente todas as unidades produzidas de forma a garantir a segurança durante a operação das mesmas. Este procedimento requer imensos recursos humanos dedicados exclusivamente à inspeção da produção e causa problemas no recrutamento; mais, manter o pessoal competente revela-se tarefa difı́cil dado o carácter temporário/transitório do serviço militar. De forma a diminuir os problemas sem comprometer a segurança dos produtos, as forças armadas começam a recorrer à amostragem de aceitação ao invés da inspeção a 100%. 202 Com a ajuda de consultores da indústria, em particular dos “Bell Laboratories”, adaptam-se e publicam-se tabelas de amostragem sob a forma de uma norma militar (“military standard”) denominada Mil-Std-105. Estas tabelas são incorporadas nos contratos militares de forma a que os fornecedores compreendam de facto o que espera que produzam. As forças armadas ajudam também os fornecedores a melhorar a qualidade ao promoverem cursos de formação nas técnicas de controlo estatı́stico de qualidade de Walter A. Shewhart. Se por um lado estes cursos de formação conduzem a alguma melhoria da qualidade em algumas organizações, por outro a maioria das companhias sentem-se pouca motivadas a integrarem plenamente tais técnicas. Desde que o governo efectue os pagamentos previstos pelos contratos, a prioridade máxima das organizações é, sem sombra de dúvida, o cumprimento dos prazos de produção. Mais, a maioria dos programas de controlo estatı́stico de qualidade é cessada mal terminam os contratos com o governo dos EUA. Fonte: http://www.asq.org/learn-about-quality/history-of-quality/ overview/wwii.html 203 7.3.6 A qualidade total Após a II Guerra Mundial os fabricantes japoneses abandonam a produção de artigos militares para uso interno e apostam na produção e exportação de artigos quotidianos. Inicialmente, o Japão goza da reputação de produtor de artigos de qualidade inferior e estes ignorados no mercado internacional. Isto leva as organizações japonesas a explorar novas formas de pensar a qualidade. Deming, Juran e o Japão — Os japoneses são receptivos à informação dada pelas companhias estrangeiras e aos contributos de conferencistas estrangeiros, entre eles dois peritos americanos: • W. Edwards Deming, frustrado com os gestores americanos por terem posto um termo aos programas de controlo estatı́stico de processos aquando do fim da II Guerra Mundial e dos contratos governamentais de fornecimento de armas. • Joseph M. Juran, que prediz que a qualidade dos bens de consumo japoneses vai ultrapassar a dos produzidos nos EUA em meados dos anos 70 do século passado graças à taxa revolucionária a que a qualidade da melhora no Japão. De acordo com Bartmann (1986, p.5), os métodos estatı́sticos de controlo de qualidade são introduzidos em 1947 no Japão, aquando da fundação da “União Japonesa para a Ciência e Engenharia”(JUSE), Em 1949, esta instituição convida Deming para proferir uma série de conferências alusivas ao tema. Estas contaram na altura com a presença de 400 engenheiros em 1950 e foram rapidamente seguidas por outras quantas promovidas por Ishikawa (então presidente da 204 “Federação das Sociedades Económicas”) e dirigidas a executivos da indústria. Estes esforços foram, mais tarde, estendidos a trabalhadores de todos os nı́veis e áreas da indústria. Esta estratégia japonesa representa a nova aobordagem para a qualidade total. Ao invés de contarem somente com a inspecção dos produtos, os produtores japoneses centram-se na melhoria de todos os processos organizacionais com a intervenção das pessoas envolvidas nesses mesmos processos. Com efeito, na década de 60 do sec. XX surgem os Cı́rculos de Controlo de Qualidade da autoria de Ishikawa, que consistem em grupos de trabalhadores treinados em técnicas elementares de controlo de qualidade. Estes cı́rculos desempenham um papel crucial no aperfeiçoamento dos processos de produção. Como resultado, o Japão passa a produzir e a exportar artigos de qualidade elevada a preços baixos, beneficiando os consumidores de todo o mundo e conseguida à custa do aperfeiçoamento contı́nuo dos processos de produção, de inúmeras inovações tecnológicas e muita Estatı́stica. O impacto dos métodos introduzidos por Deming no Japão é enorme e tal facto é há muito reconhecido pelo Japão onde se atribui um prémio de extremo prestı́gio com o nome de Deming. A indústria americana, que ocupa um lugar dominante nos anos 50 e inı́cio da década de 60 do século anterior, rapidamente se vê a braços com a competição feroz da indústria japonesa e da de outros paı́ses asiáticos e europeus. Os gestores americanos não se apercebem à partida das profundas transformações na indústria japonesa e assumem que toda e qualquer competição vinda do Japão se reduziria a uma questão de preço e não de qualidade. Entretanto os produtores japoneses aumentam as suas quotas no mercado americano, 205 com consequênias económicas evidentes nos EUA: os produtores americanos perdem quotas de mercado, as organizações começam a transferir as suas unidades fabris para paragens onde a mão-deobra á mais barata, e a economia americana sofre um grande revés, provando que as profundas transformações da economia mundial no sec. XX mostram claramente que a “selecção natural”também se aplica à indústria (Bartmann (1986, pp.2–3)). Um exemplo extremo da perda de competividade da indústria americana relatado por Bartmann (1986) é a inexistência de fábricas de CDs nos EUA (à data de Março de 1986). Este quadro geral nada favorável à economia americana leva, felizmente, os EUA a reagirem. Com efeito, o nascimento da qualidade total nos EUA é a resposta directa à revolução da qualidade que ocorre no Japão logo após a II Guerra Mundial. A resposta americana — Inicialmente os produtores americanos assumem que o sucesso japonês se deve ao preço dos seus artigos e adoptam estratégias de redução dos custos da produção doméstica e restrições das importações nomeadamente do Japão. É claro que isto em nada melhora a competividade dos produtos americanos no que diz respeito à qualidade. Com o decorrer dos anos, a competição de preços diminui ao passo que a competição ao nı́vel da qualidade aumenta. No final dos anos 70 do sec. XX, a crise da qualidade nos EUA atinge proporções enormes, atraindo a atenção de legisladores, administradores e dos meios de comunicação social. Um programa da cadeia americana NBC intitulado “If Japan Can... Why Can’t We ?”chama a atenção para a forma como o Japão conquistou os mercados mundiais de automóveis e de equipamento electrónico. Os EUA caem, por fim, em si. 206 Os administradores de topo das maiores companhias americanas dão um passo em frente e assumem a liderança do movimento para a qualidade. A resposta americana, que enfatiza não só a Estatı́stica mas também estratégias que envolvem a organização como um todo, passa a ser conhecida por Gestão da Qualidade Total (TQM). Seguem-se diversas iniciativas no âmbito da qualidade. Em 1987 publica-se a série ISO 9000 de normas de gestão da qualidade. O “Baldrige National Quality Program”e o “Malcolm Baldrige National Quality Award”são promovidos pelo congresso americano nesse mesmo ano. As companhias americanas levam inicialmente algum tempo a adoptar estas novas normas mas acabam eventualmente por render-se às mesmas. Fonte: http://www.asq.org/learn-about-quality/history-of-quality/ overview/total-quality.html 7.3.7 Para além da qualidade total No final dos anos 90 do sec. passado a gestão da qualidade total é considerada por alguns lı́deres do mundo de negócios dos EUA pouco mais de uma moda, apesar de ter mantido a sua importância na Europa. Apesar do termo TQM ter caı́do, de algum modo, em desuso, em particular nos EUA, a perita em qualidade Nancy Tague afirma: “Muitas organizações usam a TQM com sucesso.” O movimento para a qualidade amadurece no inı́cio do sec. XXI. A perita Tague afirma ainda que os novos sistemas de qualidade evoluı́ram muito para além do que Deming, Juran e os primeiros defensores do movimento para a qualidade no Japão. 207 Eis alguns exemplos de tal maturação: • Em 2000 a série ISO 9000 de normas de gestão da qualidade é revisto de modo a dar mais enfâse à satisfação do cliente. • O “Malcolm Baldrige National Quality Award”passa a incluir, a partir de 1995, os resultados da empresa entre os vários critérios para a atribuição deste galardão. • A metodologia “Six-Sigma”, desenvolvida pela Motorola com o objectivo de minimizar o número de defeitos e assim melhorar os processos de produção, evolui consideravelmente e conduz a resultados significativos. A Motorola recebe o “Baldrige Award”em 1988 e partilha as suas boas práticas de qualidade com outras empresas. • A função de qualidade é desenvolvida por Yoji Akao como uma forma de se concentrar no que o cliente pretende ou necessita no planeamento de um produto ou serviço. • São desenvolvidas versões especı́ficas da série ISO 9000 de normas de gestão da qualidade para sectores tais como a indústria automóvel (QS-9000), a aeroespacial (AS9000) e a de telecomunicações (TL9000 e ISO/TS 16949) e a gestão ambiental (ISO 14000). • A qualidade estabelece-se em sectores bem distintos da indústria tais como a administração, a saúde, a educação e o governo. • O “Malcolm Baldrige National Quality Award”acrescenta a educação e a saúde às categorias originais (manufactura, 208 pequenas empresas e serviços). Muitos advogam que se acrescente a categoria de “organizações sem fins lucrativos”. Fonte: http://www.asq.org/learn-about-quality/history-of-quality/ overview/beyond-total-quality.html 7.3.8 Walter A. Shewhart — Pai do controlo estatı́stico de qualidade Shewhart simulated theoretical models by marking numbers on three different sets of metal-rimmed tags. Then he used an ordinary kitchen bowl — the Shewhart bowl — to hold each set of chips as different sized samples were drawn from his three different populations. There was a bowl, and it played a vital role in the development of ideas and formulation of methods culminating in the Shewhart control charts. Ellis R. Ott, Tribute to Walter A. Shewhart, 1967 Tinham decorrido cerca de dois séculos de revolução industrial, quando o jovem engenheiro Walter Andrew Shewhart (1891–1967) altera o curso da história da Indústria ao celebrar aquilo que se pode considerar um casamento perfeito entre Estatı́stica, Engenharia e Economia. Shewhart publica numerosos trabalhos, mas é entre os seus manuscritos que se encontra o fruto mais duradouro e tangı́vel desta curiosa união. Com efeito, no histórico memorandum de 16 de Maio de 1924 (ASQ), Shewhart propõe aos seus superiores hierárquicos a carta ou esquema de controlo, uma ferramenta gráfica fundamental na distinção entre causas aleatórias e causas 209 assinaláveis de variação de um processo de produção que representa um passo inicial para aquilo que Shewhart designa por “formulação de uma base cientı́fica para assegurar o controlo económico”. A vida de Shewhart está cheia de concretizações que não são alheias à sua forte preparação em ciências e em engenharia. Licenciase na University of Illinois e obtém o grau de Doutor em Fı́sica pela University of California at Berkeley em 1917. Lecciona nestas duas universidades e lidera brevemente o Departamento de Fı́sica da Wisconsin Normal School in LaCrosse. A sua carreira profissional compreende também o exercı́cio da Engenharia na companhia Western Electric de 1918 a 1924, e nos Bell Telephone Laboratories, onde exerce vários cargos enquanto membro do pessoal técnico de 1925 até à sua reforma em 1956, Lecciona controlo de qualidade e estatı́stica aplicada na University of London, no Stevens Institute of Technology, na Graduate School of the U.S. Department of Agriculture, e na Índia. É professor honorário da Rutgers University e colabora em comités em Harvard e do Departamento de Matemática de Princeton. É frequentemente consultor do Departamento de Guerra dos EUA, das Nações Unidas e do Governo indiano. Membro activo do National Research Council e do International Statistical Institute, nos EUA. Membro honorário da Royal Statistical Society (Reino Unido) e da Calcutta Statistical Association (India). É editor principal da Mathematical Statistics Series publicada pela John Wiley & Sons durante mais de vinte anos. Fonte: http://www.asq.org/about-asq/who-we-are/bio shewhart.html 210 Capı́tulo 8 Esquemas de controlo de qualidade do tipo Shewhart para atributos e variáveis 8.1 Introdução Concentrar-nos-emos doravante no controlo estatı́stico de processos, muito em particular em esquemas de controlo de qualidade, e posteriormente na amostragem de aceitação. O acompanhamento de processos de produção pressupõe, de um modo geral: • a escolha de uma caracterı́stica de qualidade (e.g. número de defeitos, diâmetro, etc.); • a selecção de parâmetro (s) a controlar (e.g. valor esperado, variância, probabilidade de selecção de artigo defeituoso); • a recolha regular de amostras (e.g. de hora em hora); • o registo sequencial dos valores observados de uma estatı́stica (e.g. média, variância amostrais ou percentagens observadas de 211 defeituosos), • em gráfico com limite(s) apropriado(s). O dispositivo gráfico resultante denomina-se • esquema/carta de controlo. Esta ferramenta estatı́stica foi proposta por Walter A. Shewhart dos “Bell Telephone Laboratories”, em 1924, com o intuito de vigiar e reduzir a variabilidade dos processos de produção. Figura 8.1: Carta de controlo — No. amostra (abcissa) vs. valor obs. estatı́stica (ordenada); limite superior de controlo (U CL). Segundo Shewhart a variabilidade da caracterı́stica de qualidade pode ter duas origens: • causas aleatórias (chance causes) — o efeito destas resulta em variações negligenciáveis, incontroláveis e intrı́nsecas à natureza aleatória da caracterı́stica de qualidade (background noise); • causas assinaláveis (assignable causes) — traduzem-se em alterações inaceitáveis da caracterı́stica de qualidade; e podem dever-se ao ajustamento incorrecto da maquinaria, a erros dos operadores, de matéria prima inadequada, etc. 212 A ocorrência de uma causa assinalável pode, por exemplo, resultar na alteração de um ou mais parâmetros da distribuição da caracterı́stica de qualidade. Estudar-se-ão somente • shifts — alterações bruscas do valor de um ou mais parâmetros, do nı́vel desejado para um outro distinto. Exemplo 8.1 — O valor esperado µ toma valor µ0 num primeiro turno de 8 horas um processo de fabrico, tendo passado a tomar valor µ1 (µ1 6= µ0 ) em todos os turnos seguintes. Assim, se a recolha de amostras ocorresse de uma em uma hora terı́amos µ = µ0 , nos instantes N = 1, . . . , 8, e µ = µ1 , para N = 9, 10 . . .. • Podem ocorrer também • drifts — alterações graduais do(s) valor(es) do(s) parâmetros, ou ainda alterações do(s) parâmetros — durante curto espaço de tempo — seguidas de retorno ao nı́vel alvo. Exemplo 8.2 — Um drift linear pode ser descrito do seguinte modo para o exemplo anterior: µ = µ0 , N = 1, . . . , 8, e µ = µ0 + aN , a 6= 0 • e N = 9, 10, . . . Estados estatı́sticos de processos de produção — Um processo de produção diz-se • sob controlo (in control) na presença exclusiva de causas aleatórias. Se para além destas estiverem presentes causas assinaláveis o processo dir-se-á • fora de controlo (out of control). 213 Objectivo dos esquemas de controlo de qualidade — Têm por fim auxiliar-nos na detecção de causas assinaláveis, que, por traduzirem-se num desvio do(s) parâmetro(s) do seu valor alvo, resultam de um modo geral na deterioração da qualidade dos produtos. A detecção deverá ser o mais rápida possı́vel de forma a iniciar acções de correcção que tragam o(s) parâmetro(s) de novo ao(s) seu(s) alvo(s). Graças à sua simplicidade e utilidade o esquema de controlo tornouse uma ferramenta clássica e ainda hoje muito popular em controlo estatı́stico de processos/gestão da qualidade. Aplicações dos esquemas de controlo — A utilização de esquemas de controlo não se confina à indústria: • a administração (Hawkins e Olwell (1998, p.v) — preenchimento incorrecto de documentos), • a epidemiologia (Blacksell et al. (1994) — diagnóstico de doenças veterinárias), • a detecção de fraudes (Johnson (1984) — roubo sistemático pelos caixas de supermercado), • gestão de pessoal (Olwell (1997) — “avaliação”de comportamento no local de trabalho), e também o atletismo, a biologia, as ciências do ambiente, a genética e as finanças (Hawkins e Olwell (1998) e Stoumbos et al. (2000)) são algumas das áreas de aplicação corrente dos esquemas de controlo de qualidade. Texto de apoio: Montgomery (1985, pp. 99–102). 214 8.2 Esquemas Shewhart Os esquemas de controlo de qualidade mais divulgados são os propostos por Walter A. Shewhart (1931) e justamente designados de esquemas Shewhart: os esquemas X̄ (mean) e R (range) para a detecção de eventuais alterações no valor esperado µ e desvio-padrão σ de uma caracterı́stica de qualidade de um processo, respectivamente. Esquema Shewhart — Um esquema tı́pico do tipo Shewhart para um parâmetro (e.g. o valor esperado µ) tem as seguintes caracterı́sticas: • em abcissa representa-se o número da amostra N (ou o instante da respectiva recolha); • em ordenada regista-se o valor observado de uma estatı́stica (usualmente suficiente para o parâmetro sob vigilância), valor esse calculado com base numa amostra de dimensão n. É costume unir os pontos com segmentos de recta para uma melhor visualização da evolução das observações. A carta de controlo possui ainda três linhas: • CL — linha central (central line) representando o valor alvo do parâmetro sob viligância; • LCL e UCL — limite inferior de controlo (lower control limit) e limite superior de controlo (upper control limit) As designações destes dois limites tem a sua razão de ser como poderemos ver de seguida. 215 Emissão de sinal — O operador de um esquema de controlo é alertado para a possı́vel presença de uma causa assinalável assim que se registar observação para além dos limites de controlo, seguindo-se a emissão de sinal, tal como se ilustra no Exemplo 8.3. Tipos de sinal — À semelhança de um teste de hipóteses podem ocorrer: • falsos alarmes — emissão de sinal na ausência de desvio no parâmetro (erro de tipo I dos testes de hipóteses); • sinais válidos — emissão de sinal na presença de desvio no parâmetro. Escolha dos limites de controlo — Os limites de controlo devem ser escolhidos tendo em conta a distribuição amostral da estatı́stica utilizada e de tal forma que seja muito pouco provável que esta estatı́stica tome valores para além dos limites de controlo, quando o processo de produção está sob controlo. Nesta escolha deve ter-se em consideração que o esquema não deve emitir sinais por perı́odos o mais longos possı́vel quando o processo está sob controlo, contribuindo assim para a redução da frequência de falsos alarmes. Por outro lado, a carta de controlo deverá possuir limites escolhidos de forma a emitir sinais o mais depressa possı́vel caso o processo de produção esteja fora de controlo. 216 Exemplo 8.3 — Foram registadas 70 observações do número de artigos defeituosos em amostras de dimensão n = 100 numa carta de controlo−np.1 Tabela 8.1: No. observado de defeituosos tN com: n = 100; p = p0 = 0.05, para N = 1, . . . , 50; e p = p0 + θ = 0.056, para N = 51, . . . , 70. N tN N tN N tN N tN N tN N tN N tN 1 4 11 5 21 4 31 6 41 4 51 5 61 6 2 10† 12 5 22 6 32 5 42 2 52 5 62 9 3 13 5 23 7 33 5 43 8 53 7 63 5 4 11‡ 14 3 24 5 34 7 44 4 54 9* 64 3 5 2 15 4 25 6 35 9†† 45 5 55 4 65 6 6 6 16 4 26 7 36 5 46 8 56 6 66 8 7 2 17 8 27 8 37 8 47 6 57 9 67 4 8 8 18 4 28 3 38 6 48 6 58 7 68 6 9 8 19 7 29 6 39 6 49 1 59 6 69 4 10 4 20 1 30 4 40 5 50 3 60 6 70 6 5 † 1o. falso alarme; ‡ 2o. falso alarme; †† 3o. falso alarme * 1o. sinal válido As primeiras 50 observações foram recolhidas enquanto o processo de produção operava sob controlo ao nı́vel alvo/nominal np0 = 100 × 0.05. As 20 observações seguintes foram recolhidas do mesmo processo após a ocorrência de um shift para n(p0 + θ) = 100 × (0.05 + 0.006). Os valores observados da estatı́stica TN encontram-se na Tabela 8.3. Os limites inferior e superior de controlo deste esquema Shewhart são iguais a LCL = 0 e U CL = 8.79, respectivamente. (Assinale no esquema o alvo e o nı́vel após ocorrência de shift...) 1 Ver a descrição desta carta para atributos na Secção 8.4. 217 Figura 8.2: Carta de controlo (unilateral superior) — No. amostra (abcissa) vs. No. de defeitos por amostra (ordenada); limite superior de controlo. Convém referir que este esquema foi responsável por 3 falsos alarmes (sinais emitidos antes da ocorrência do shift) e por um sinal válido emitido pela 54a. amostra, i.e., 4 observações após a ocorrência • da alteração do parâmetro np. Convém ainda referir que um esquema de controlo pode ser utilizado como um dispositivo de estimação de parâmetros, desde que o processo esteja sob controlo. Mais, os esquemas de controlo têm uma longa história de utilização na indústria. Montgomery (1985, p. 107) nomea cinco razões para tal facto. Com efeito, os esquemas de controlo: • constituem técnica estatı́stica que contribui para aumento da produtividade pois reduzem a quantidade de artigos que necessitam de ser retrabalhados ou transformados em sucata; • são forma eficiente de prevenir a produção de artigos defeituosos e como tal consistente com a filosofia “do it right 218 the first time”; • contribuem para a diminuição de ajustamentos desnecessários do processo de produção já que são capazes de distinguir as causas aleatórias das assinaláveis; • fornecem informação essencial para o diagnóstico do tipo de causa assinalável por parte de um operador experiente; • fornecem informação sobre a evolução dos processos de produção e como tal permitem a (re)estimação de parâmetros cruciais desses mesmos processos. Dimensão da amostra, frequência amostral e recolha das unidades amostrais — Ao escolher a dimensão da amostra deve terse em mente a magnitude do shift que se pretende detectar. Assim, caso a magnitude dos shifts seja grande, deve recorrer-se a uma amostra pequena (e vice-versa). Acrescente-se também que na indústria tende a recorrer-se a amostras pequenas recolhidas muito frequentemente, em particular, quando se lida com elevadas taxas de produção ou com a possibilidade de ocorrência de vários tipos de causas assinaláveis. A forma como são recolhidas as unidades que constituem cada amostra (“rational subgroup”) é crucial. Uma abordagem possı́vel passa pela constituição de uma amostra com unidades produzidas sensivelmente ao mesmo tempo; esta abordagem é recomendada quando se tem por objectivo principal a detecção de shifts. Outra abordagem consiste em formar uma amostra com unidades do produto que sejam representativas de todas as unidades produzidas desde a recolha da última amostra; esta abordagem 219 é particularmente recomendada quando o esquema de controlo é usado para tomar decisões sobre a aceitação de todas as unidades produzidas desde a recolha da última amostra. Regras/emissões de sinal alternativas — É essencial que as observações da carta de controlo se disponham de modo aleatório em torno do alvo. Quando estas apresentam um comportamento sistemático ou não aleatório deve emitir-se também sinal. Por comportamento sistemático entenda-se séries de observações (runs) para além dos limites de controlo (3-sigma) ou todas acima/abaixo do alvo, dos warning limits (2 ou 1-sigma), etc.2 Estas regras usualmente denominadas de run rules ou Western Electric rules sugerem a emissão de sinal caso: • uma ou mais observações estejam para além dos limites de controlo 3-sigma; • sete ou oito observações consecutivas se encontrem ou todas acima ou todas abaixo do alvo; • duas de três observações consecutivas estejam para além dos warning limits 2-sigma (mas ainda entre os limites de controlo 3-sigma); • se vereiiquem quatro de cinco observações consecutivas para além os warning limits 1-sigma; • se registe um padrão pouco usual e não aleatório de observações. Para mais detalhes acerca das Western Electric rules veja-se Montgomery (1985, p. 112–115). 2 Este tipo de limites será posteriormente descrito em mais detalhe. 220 Como seria de esperar as diversas regras de emissão de sinal conduzem a diferentes probabilidades de emissão de sinal e não são independentes. Mais, o uso de uma mais de uma destas regras aumenta não só a probabilidade de emissão de sinais válidos como a de falsos alarmes, pelo que não se deve exagerar na adopção de regras de emissão de sinal sob pena de emitir sinal sempre se recolha uma amostra. É sobre o desempenho dos esquemas de controlo que nos debruçaremos na próxima secção. Textos de apoio: Montgomery (1985, pp 102–107); Morais (2001, pp. 16–23, 56–57). 221 8.3 Desempenho de esquemas Shewhart Comece-se por destacar alguns parâmetros relevantes na descrição do desempenho de esquemas de controlo antes mesmo de passarmos a exemplos de cartas do tipo Shewhart. Magnitude do shift — Diferença relativa (ou rácio) entre os nı́veis sob controlo, e.g. µ0 (σ0 ), e fora de controlo, e.g. µ1 (σ1 ), do parâmetro de localização (escala) sob vigilância, e.g. µ (σ). Exemplo 8.4 — No controlo do valor esperado é costume considerarse δ = µ−µ √0 ; σ/ n e δ = 0 (δ 6= 0) significa que o processo está sob controlo (fora de controlo). Por seu lado, no controlo do desvio-padrão é frequente considerarse θ = σ/σ0 ; e θ = 1 (θ 6= 1) significa que o processo está sob controlo • (fora de controlo). Average Run Length (ARL) — Na literatura de controlo de qualidade é usual recorrer ao no. esperado de amostras recolhidas até à emissão de sinal na avaliação do desempenho de esquemas de controlo. (Assume-se que a magnitude do shift se mantém constante durante a contabilização deste número de amostras.) Por um lado é desejável que os falsos alarmes sejam emitidos com pouca frequência → ARL grande. Por outro a emissão de sinal válido deverá ocorrer com a maior brevidade → ARL pequeno. Run Length (RL) — A distribuição do no. de amostras recolhidas até sinal é relevante na avaliação do desempenho dos esquemas de controlo. Esta medida de desempenho depende da magnitude do shift, da distribuição da estatı́stica utilizada, etc. 222 Proposição 8.5 — O desempenho de um esquema Shewhart usual — condicional ao facto da magnitude do shift no parâmetro sob vigilância ser igual a δ, RL(δ) — possui distribuição geométrica com parâmetro ξ(δ) = P (emissão de sinal|δ) = 1 − P (LCL ≤ T ≤ U CL|δ), (8.1) onde T representa a estatı́stica usada pela carta Shewhart. Assim tem-se P [RL(δ) = m] = [1 − ξ(δ)]m−1 ξ(δ), m = 1, 2, . . . 1 , ARL(δ) = ξ(δ) bem como outras propriedades de RL(δ) na Tabela 8.2. (8.2) (8.3) • Tabela 8.2: Propriedades de RL (caso geométrico). F.p. PRL(δ) (m) = [1 − ξ(δ)]m−1 ξ(δ), m ∈ IN F.s. 1, m < 1 F RL(δ) (m) = [1 − ξ(δ)]bmc , m ≥ 1 F. taxa de falha λRL(δ) (m) = ξ(δ), m ∈ IN Quantil de ordem p −1 (p) = inf{m ∈ IR : FRL(δ) (m) ≥ p}, 0 < p < 1 FRL(δ) F.g.p. P GRL(δ) (z) = z{1 − z[1 − ξ(δ)]}−1 ξ(δ), 0 ≤ z < [1 − ξ(δ)]−1 Momento fact. ordem s F MRL(δ) (s) = s! × [1 − ξ(δ)]s−1 [ξ(δ)]−s , s ∈ IN Valor esperado ARL(δ) = [ξ(δ)]−1 Desvio-padrão SD[RL(δ)] = [1 − ξ(δ)]1/2 [ξ(δ)]−1 Coef. de variação CV [RL(δ)] = [1 − ξ(δ)]1/2 Coef. de assimetria CS[RL(δ)] = [2 − ξ(δ)][1 − ξ(δ)]−1/2 Coef. de achatamento CK[RL(δ)] = 5 + [1 − ξ(δ)]−1 − ξ(δ) Texto de apoio: Morais (2001, pp. 16–23). 223 8.4 Cartas Shewhart para atributos Em muitas situações práticas é usual classificar cada artigo inspeccionado de conforme ou não conforme com um conjunto de especificações relativas à qualidade de um produto. Defeito — Cada especificação não satisfeita constitui um defeito do artigo (e.g. irregularidade à superfı́cie de painel). Artigo defeituoso — Um artigo inspeccionado não conforme é uma unidade que não satisfaz pelo menos uma dessas especificações, i.e., com pelo menos um defeito. Cartas para atributos — É costume designar as cartas que resumem informação relativa ao número/percentagem de artigos defeituosos numa amostra, ou ao número (total) de defeitos numa amostra/artigo, de cartas para atributos. Serão descritas duas cartas para caracterı́sticas de qualidade do tipo qualitativo: • carta–np — com este tipo de esquema pretende controlar-se a probabilidade (p) de um artigo seleccionado do fabrico ser defeituoso; • carta–c — esta carta controla o número esperado de defeitos (λ) numa amostra de dimensão n. As cartas−np e −c têm como estatı́stica: • carta-np — o número de artigos defeituosos na amostra de dimensão n; • carta-c — o número total de defeitos nos n artigos de uma amostra. 224 Para além destas cartas pode considerar-se a carta–p para a percentagem observada de artigos defeituosos numa amostra ou ainda a carta–u para o número observado de defeitos por artigo. De notar que as distribuições usualmente associadas a estas duas estatı́sticas pertencem aos modelos uniparamétricos: • carta-np — {Binomial(n, p), 0 < p < 1}; • carta-c — {P oisson(λ), λ > 0}. Importa referir que o modelo de Poisson faz sentido quando se admite que • os defeitos ocorrem de modo independente em qualquer artigo produzido e de um artigo para outro — isto é, a ocorrência de um defeito não torna nem mais, nem menos provável, a ocorrência de um outro defeito, nesse mesmo artigo e nos restantes que constituem a amostra, e que • o número máximo de defeitos é muito maior que o número esperado de defeitos em cada artigo produzido. Na Tabela 8.3 encontram-se mais detalhes acerca de ambas as cartas, assumindo que • na N −ésima recolha se obteve amostra de dimensão n, (x1 N , . . . xn N ), proveniente de população X, e • considerando limites de controlo do tipo 3–sigma. Convém notar que, na carta-np, ao perder-se o controlo da produção, a probabilidade de um artigo seleccionado ser defeituoso tomará valor p, onde p 6= p0 . Caso p > p0 (p < p0 ), a perda de controlo tem como consequência o agravamento (melhoramento) da qualidade dos artigos produzidos. 225 Tabela 8.3: Descrição das cartas (padrão) np e c, com limites 3-sigma. Carta-np Carta-c sob controlo X ∼ Bernoulli(p0 ) X ∼ P oisson(λ0 /n) fora de controlo X ∼ Bernoulli(p), p 6= p0 X ∼ P oisson(λ/n), λ 6= λ0 Shift δ = p − p0 δ = λ − λ0 Estatı́stica Pn População i=1 XiN ∼ binomial(n, p) número de artigos defeituosos Pn i=1 XiN ∼ P oisson(λ) LCL np0 − 3 np0 (1 − p0 ) número total de defeitos √ λ0 − 3 λ0 CL np0 λ0 UCL p p np0 + 3 np0 (1 − p0 ) √ λ0 + 3 λ0 Exercı́cio 8.6 — Justifique a adopção dos limites de controlo na Tabela 8.3. Que consequências terá o facto de estes limites de controlo não estarem associados a uma sequência de testes de hipóteses • uniformemente mais potentes centrados (UMPU). Exercı́cio 8.7 — Identifique a distribuição (e respectivo parâmetro) • do desempenho RL destas duas cartas para atributos. Exemplo 8.8 (carta-np unilateral superior) — Na fase final da produção de gravadores de CDs, um gravador é considerado defeituoso se possuir mais de duas inconsistências cromáticas à superfı́cie do seu painel frontal. Para além disso, 3 o número esperado de gravadores defeituosos, em amostras de 100, não deve exceder 2. 3 I.e., Estas imperfeições, embora não afectem o funcionamento do gravador, são perceptı́veis e podem afectar o preço do gravador de CDs. 226 sob controlo a caracterı́stica de qualidade possui distribuição Bernoulli(p0 ) com p0 = 0.02. A presença de uma causa assinalável é responsável por um aumento do número esperado de defeituosos em amostras de dimensão n — de np0 para n(p0 + δ), onde 0 < np0 < n(p0 + δ) < n. Os limites de controlo da carta-np unilateral superior são q C = [LCL, U CL] = [0, bnp0 + γ np0 (1 − p0 )c] (8.4) onde γ é uma constante real positiva, escolhida de tal forma que a taxa de falsos alarmes emitidos pela carta de controlo tome um valor especı́fico — preferencialmente pequeno. √ Por exemplo, se γ = 5/ 1.96 então U CL = 7 e um falso alarme ocorre com probabilidade ξ(0) = P (emitir falso alarme) = P n X XiN > U CL|δ = 0 i=1 = 1 − Fbin(100,0.02) (7) ' 0.000932. (8.5) Note que, uma vez que a distribuição dos dados é Bernoulli(0.02 + δ), o RL deste esquema de controlo possui distribuição geométrica com parâmetro ξ(δ) = 1 − Fbin(100,0.02+δ) (7), (8.6) √ √ independentemente do valor de γ no intervalo [5/ 1.96, 6/ 1.96). A Tabela 8.4 descreve o comportamento estocástico de RL(δ), através da inclusão de várias caracterı́sticas relacionadas com RL, para o valor nominal e diversos valores fora de controlo de np associados a δ = 0, 0.001, 0.0025, 0.005, 0.0075, 0.01, 0.02, 0.03. Esta tabela ilustra também quão pouco fiável é ARL como medida de desempenho de um esquema, quando o processo está 227 Tabela 8.4: Valores de quantis de RL, ARL, SDRL, CVRL, CSRL e CKRL para carta-np unilateral superior (n = 100, p0 = 0.02 e U CL = 7). Quantis RL δ = p − p0 0 0.001 0.0025 0.005 0.0075 0.01 0.02 0.03 5% 56 41 27 14 8 5 2 1 25% 309 227 148 78 45 27 6 3 Mediana 744 546 355 187 107 65 15 6 75% 1487 1092 710 374 214 130 29 11 90% 2470 1813 1179 621 355 216 48 17 95% 3214 2359 1534 808 461 281 62 22 ARL 1073.030 787.737 512.346 270.112 154.275 94.128 21.047 7.815 SDRL 1072.530 787.237 511.846 269.611 153.774 93.627 20.541 7.298 CVRL 1.000 0.999 0.999 0.998 0.997 0.995 0.976 0.934 CSRL 2.000 2.000 2.000 2.000 2.000 2.000 2.001 2.005 CKRL 6.000 6.000 6.000 6.000 6.000 6.000 6.002 6.019 sob controlo. Por exemplo, a probabilidade de um sinal ser emitido pelas primeiras 309 amostras é de pelo menos 0.25, apesar do ARL sob controlo pouco exceder as 1073 amostras. Para além disso, na ausência de um shift em p, o desvio-padrão de RL (SDRL) é igual a cerca de 1072 amostras, logo é possı́vel registar observações para além dos limites de controlo mais cedo e mais tarde que o esperado. Pode ainda acrescentar-se que os coeficientes de assimetria (CSRL) e achatamento (CKRL) aumentam ligeiramente com o valor de δ quando se usa o esquema unilateral superior np. 228 • Exercı́cio 8.9 — Num processo de produção de frigorı́ficos recorreuse a carta de controlo np com as seguintes caracterı́sticas: • n = 100, LCL = 0, U CL = 16.1 e p0 = 0.080. a) Determine o número esperado de amostras recolhidas até falso alarme. Comente o resultado. b) Qual a probabilidade de uma amostra arbitrária detectar um shift para p = 0.2? c) Obtenha a probabilidade do shift referido em b) ser detectado o mais tardar pela 4a. amostra recolhida a seguir à ocorrência do • shift. Exercı́cio 8.10 — Uma carta de controlo np (padrão) indica que a um determinado processo de fabrico está associada a produção de 2% de itens defeituosos. a) Qual a probabilidade da carta detectar um shift para 4% no dia a seguir à ocorrência do shift, caso se inspeccione diariamente 50 itens? b) E ao fim do 4o. dia a seguir à ocorrência do shift? • Exercı́cio 8.11 / Exemplo — Os dados abaixo dizem respeito ao número de artigos defeituosos em 30 amostras de 100 peças soldadas por uma máquina recentemente adquirida, totalizando 237 artigos defeituosos (De Vor et al. (1992, p.440)). a) Utilizando a estimativa de MV da verdadeira fracção de peças defeituosas, p̂ = 0.079, construa e desenhe uma carta de controlo conveniente, com limites 3-sigma. As estimativas de LCL, CL e UCL obtêm-se substituindo p0 por p̂ nas respectivas expressões. Assim: 229 q – LCL = np̂ − 3 np̂(1 − p̂) = −0.19 < 0 → LCL = 0; d d – CL = np̂ = 7.9; q – Ud CL = np̂ + 3 np̂(1 − p̂) = 16.00. Tabela 8.5: No. de artigos não conformes em 30 amostras de 100 peças soldadas. Amostra Não conformes Amostra Não conformes Amostra Não conformes 1 7 11 7 21 8 2 8 12 9 22 10 3 6 13 8 23 4 4 8 14 7 24 10 5 6 15 8 25 7 6 8 16 10 26 7 7 3 17 10 27 9 8 5 18 5 28 8 9 9 19 12 29 10 10 7 20 11 30 10 b) Assumindo doravante que p0 é igual a p̂, diga se terá ocorrido algum sinal de perda de controlo? Qual o número esperado de amostras recolhidas até à emissão de um falso alarme? c) Determine a probabilidade de uma amostra arbitrária ser responsável pela emissão de um sinal quando a fracção de defeituosos passa a ser igual a p = 10% e ao utilizar-se a carta de controlo construı́da em a). Determine o valor de ARL nessa situação? d) Qual o valor de ARL caso haja um melhoramento da qualidade associado a p = 0.05? Compare este valor com os anteriores e comente a adequação da carta para a detecção de diminuições em p. 230 e) Elabore um programa para obter o gráfico de log[ARL(δ)] com δ ∈ (−p0 , 1 − p0 ) ou em outros intervalos que entender mais • convenientes. Exercı́cio 8.12 — Uma carta de controlo p (padrão) para a fracção de defeituosos é utilizada para controlar um processo que se julga produzir p0 = 1.6% de peças defeituosas. Admitindo que se recolhe diariamente uma amostra de 100 peças: a) Calcule os limites de controlo desta carta; b) Obtenha a probabilidade de um shift para p = 2.0% ser detectado pela carta no primeiro dia a seguir à ocorrência do shift; c) Determine a probabilidade desse mesmo shift ser detectado 3 dias depois da sua ocorrência. d) Qual o menor valor da dimensão da amostra à qual corresponde uma carta de controlo p (padrão) com o respectivo limite inferior • de controlo positivo? Exercı́cio 8.13 — Procura-se construir uma carta de controlo para a fracção de defeituosos que possua alvo igual a 10% e limites de controlo 3-sigma. Que dimensão deverão possuir as amostras que irá recolher de modo a que a detecção de um shift para 16% seja detectada por uma dessas amostras com probabilidade não inferior a 0.50? • Exercı́cio 8.14 — Pretende controlar-se um processo de fabrico através da utilização de uma carta de controlo para a fracção de defeituosos. Para o efeito foram inicialmente recolhidas 10 amostras de dimensão 100 tendo-se obtido o conjunto de resultados da tabela seguinte. 231 Tabela 8.6: No. de artigos defeituosos em 10 amostras de 100 peças. Amostra 1 2 3 4 5 6 7 8 9 10 Defeituosos 3 2 6 2 7 2 1 2 0 5 a) Estabeleça e desenhe uma carta para controlar futuramente a produção. b) Qual é a dimensão amostral mı́nima a adoptar de modo a obter uma carta de controlo com um limite inferior positivo? • Exercı́cio 8.15 — Numa fábrica de papel pretende usar-se uma carta de controlo para vigiar o processo de produção de rolos de papel. A produção foi inspeccionada durante 20 dias consecutivos tendose registado o número total de imperfeições dos rolos produzidos diariamente. Tabela 8.7: No. de defeitos em 20 amostras de dimensão variável de rolos de papel. Amostra No. rolos Defeitos Amostra No. rolos Defeitos 1 18 12 11 18 8 2 18 14 12 18 14 3 18 20 13 18 9 4 22 18 14 20 10 5 22 15 15 20 14 6 22 12 16 20 13 7 20 11 17 24 16 8 20 15 18 24 18 9 20 12 19 22 20 10 20 10 20 21 17 232 a) Use este conjunto de dados para determinar uma estimativa de MV do alvo da carta de controlo c para o número de defeitos por rolo de papel. Obtenha também os limites de controlo 3-sigma da mesma carta e desenhe-a utilizando para o efeito as 20 observações de que dispõe. b) Acha que a recolha das 20 amostras foi efectuada com o processo de produção sob controlo? Justifique a sua resposta. c) Que alvo e limites de controlo recomendaria para controlar a produção futura de rolos de papel de forma a que a emissão de um falso alarme ocorra com probabilidade menor ou igual a 0.002? • Exercı́cio 8.16 — Um fabricante de automóveis pretende controlar o número esperado de defeitos das transmissões manuais. Para isso recolhe 16 amostras de 4 unidades cada tendo obtido o conjunto de resultados da Tabela 8.8. Tabela 8.8: No. de defeitos de 16 amostras de 4 transmissões manuais. Amostra Defeitos Amostra Defeitos 1 2 9 2 2 4 10 1 3 3 11 3 4 1 12 4 5 0 13 5 6 2 14 4 7 1 15 2 8 8 16 3 a) Construa e desenhe uma carta c (padrão) para controlar futuramente o número esperado de defeitos por amostra. 233 b) Serão os dados provenientes de um processo sob controlo? Em caso negativo, assuma que as causas assinaláveis responsáveis por todos os pontos para além dos limites de controlo foram detectadas e posteriormente eliminadas, e volte a calcular os parâmetros da carta. c) Qual a estimativa do valor esperado e do desvio-padrão do número de amostras recolhidas até à detecção de um shift do valor • nominal para 5 defeitos? Exercı́cio 8.17 — Os dados da Tabela 8.9 dizem respeito ao número de defeitos à superfı́cie de 25 lâminas de aço. Tabela 8.9: No. de defeitos à superfı́cie de 25 lâminas de aço. Amostra Defeitos Amostra Defeitos 1 1 14 0 2 0 15 2 3 4 16 1 4 3 17 3 5 1 18 5 6 2 19 4 7 5 20 6 8 0 21 3 9 2 22 1 10 1 23 0 11 1 24 2 12 0 25 4 13 8 a) Com base nestes dados construa uma carta 3-sigma para controlar o número de defeitos em lâminas de aço. Considere amostras diárias de uma lâmina de aço. 234 b) Será que o processo está sob controlo? c) Qual a probabilidade de uma amostra arbitrária ser responsável • pela emissão de um falso alarme? Exercı́cio 8.18 — O número de defeitos detectados na inspecção final de gravadores foi registado na Tabela 8.10. Tabela 8.10: No. de defeitos na inspecção final de gravadores. Gravador Defeitos Gravador Defeitos 2412 0 2421 1 2413 1 2422 0 2414 1 2423 3 2415 0 2424 2 2416 2 2425 5 2417 1 2426 1 2418 1 2427 2 2419 3 2428 1 2420 2 2429 1 a) Estará o processo de produção sob controlo? Justifique convenientemente a sua resposta desenhando uma carta u obtida com as observações de que dispõe. b) Que carta de controlo para número de defeitos por unidade recomendaria para vigiar a produção futura de gravadores? • Exercı́cio 8.19 — Numa linha de produção procede-se à inspecção dos televisores fabricados com o objectivo de detectar imperfeições à superfı́cie dos mesmos. O gestor da linha de produção pretende que seja construı́da uma carta u que cumpra os seguintes requisitos: 235 • caso o número esperado de defeitos por unidade seja igual a 8, a probabilidade do processo ser declarado como sob controlo seja superior ou igual a 0.99; • a carta não deverá possuir limite inferior de controlo. Qual o tipo de carta de controlo mais apropriado e o respectivo • limite superior de controlo? Exercı́cio 8.20 — O seguinte conjunto de dados diz respeito a um processo de produção que se pretende controlar à custa da utilização de uma carta para a fracção de defeituosos. Tabela 8.11: No. de artigos defeituosos em 20 amostras de dimensão variável. Amostra Dimensão Defeituosos Amostra Dimensão Defeituosos 1 200 6 11 100 1 2 250 8 12 100 0 3 250 9 13 100 1 4 250 7 14 200 4 5 200 3 15 200 5 6 200 4 16 200 3 7 150 2 17 200 10 8 150 1 18 200 4 9 150 0 19 250 7 10 150 2 20 250 6 a) Determine uma estimativa para o alvo da carta de controlo para a fracção de defeituosos. b) Adoptando o procedimento descrito no Exercı́cio 8.11, obtenha os limites de controlo da carta e desenhe-a. Atente que as dimensões das amostras são variáveis. 236 c) Qual a estimativa da probabilidade de uma amostra com dimensão 200, recolhida imediatamente a seguir à ocorrência de um shift para p = 0.15, detectar semelhante alteração? • Textos de apoio: Morais (2001, pp. 27–29); Montgomery (1985, pp. 119–157). 237 8.5 Cartas Shewhart para variáveis Cartas para variáveis — Muitas caracterı́sticas de qualidade, como o peso, o diâmetro, a pressão arterial, o consumo de combustı́vel e prémios de seguros, são expressas à custa de medidas numéricas e não são definidas de acordo com a presença ou ausência de determinado atributo. Os esquemas para tais caracterı́sticas de qualidade são denominados de esquemas de controlo para variáveis e fornecem de um modo geral mais informação sobre o processo de produção e são mais eficientes que os esquemas para atributos. Serão apresentados esquemas para o valor esperado e a variância de uma caracterı́stica de qualidade normalmente distribuı́da, i.e., esquemas do tipo X̄ e S 2 cujas estatı́sticas sumárias são naturalmente: • carta X̄ — média (reduzida) da amostra; • carta S 2 — variância corrigida da amostra. Na Tabela 8.12 encontra-se uma descrição mais detalhada de ambas as cartas nas suas versões padrão, ou seja, usadas na literatura para a detecção de qualquer tipo de alteração no valor esperado ou variância (Montgomery (1995, p. 188, 200)). A constante γ (resp. α) é escolhida de forma que o valor de ARL sob controlo, ARL(δ = 0) (resp. ARL(θ = 1)) tome um valor elevado e considerado razoável. Assim, γ = Φ−1 (1 − [2ARL(0)]−1 ) (resp. α = 1/ARL(1)). Distribuição do desempenho — O número de amostras recolhidas até à emissão de um sinal por parte da carta X̄ (resp. S 2 ), RL(δ) 238 Tabela 8.12: Descrição das cartas (padrão) X̄ e S 2 . Carta X̄ Carta S 2 sob controlo X ∼ N (µ0 , σ 2 ) X ∼ N (µ, σ02 ) fora de controlo X ∼ N (µ, σ 2 ), µ 6= µ0 X ∼ N (µ, σ 2 ), σ 6= σ0 µ desconhecido mas fixo Shift σ conhecido √ δ = n(µ − µ0 )/σ Estatı́stica P X̄N = n1 ni=1 XiN 2 = SN variância corrigida da a.a. LCL média da a.a. √ µ0 − γσ/ n Alvo µ0 σ02 UCL √ µ0 + γσ/ n σ02 n−1 População θ = σ/σ0 σ02 n−1 1 n−1 Pn i=1 [XiN − X̄N ]2 × Fχ−1 (α/2) 2 n−1 × Fχ−1 (1 − α/2) 2 n−1 (resp. RL(θ)), é também uma v.a. com distribuição geométrica. O parâmetro é, neste caso, igual a ξ(δ) = 1 − [Φ(γ − δ) − Φ(−γ − δ)] (8.7) (resp. F −1 (1 − α2 ) χ2 ξ(θ) = 1 − Fχ2(n−1) (n−1) θ2 F −1 ( α2 ) χ2 − Fχ2(n−1) (n−1) θ2 Exercı́cio 8.21 — Justifique os resultados (8.7) e (8.8). 239 ). (8.8) • Exercı́cio 8.22 / Exemplo — O esquema de controlo X̄ mais utilizado é, sem dúvida, o esquema padrão com γ = 3, i.e., com limites 3-sigma. A probabilidade de emissão de sinal condicional ao valor da √ magnitude do shift em µ, δ = n(µ − µ0 )/σ, é dada por ξ(δ) = 1 − [Φ(3 − δ) − Φ(−3 − δ)], (8.9) logo aproximadamente igual a 0.0027, 0.00287, 0.02267, 0.8413, para δ = 0, 0.1, 1.0, 4.0. A função ARL(δ) encontra-se representada no gráfico seguinte e permite concluir que se trata de função simétrica em torno da origem. Figura 8.3: ARL de esquema X̄ com limites 3-sigma. Prove que ARL(δ) e F RL(δ) (m), m ∈ IR, são funções decrescentes de |δ|. • Importa notar a carta X̄ com limites 3-sigma é extremamente lenta (resp. rápida) a detectar shift de pequena (resp. média e grande) magnitude, tal como ilustra o gráfico da função ARL(δ). Daı́ que para a detecção de shift de pequena e média magnitude se recorra a cartas de controlo mais sofisticadas que estudaremos mais tarde. 240 Exercı́cio 8.23 — Um fabricante produz peças cujo diâmetro externo se admite ser normalmente distribuı́do com valor esperado sob controlo igual a µ0 = 3mm e desvio-padrão constante e igual a σ = 0.1mm independentemente do estado do processo de produção. Um conjunto de 10 amostras sucessivas de 4 peças conduziram às seguintes médias amostrais: Tabela 8.13: Médias de 10 amostras de dimensão n = 4. Amostra Média Amostra Média 1 3.01 6 3.02 2 2.97 7 3.10 3 3.12 8 3.14 4 2.99 9 3.09 5 3.03 10 3.20 a) Construa e desenhe uma carta com limites 3-sigma que permita controlar o valor esperado do diâmetro externo da peça fabricada. b) Que conclusões pode tirar acerca do estado do processo de produção ao utilizar a carta construı́da em a)? c) Obtenha novos limites de controlo de modo que a probabilidade da carta emitir um falso alarme seja igual a 0.002. d) Ao adoptar a carta construı́da em c), determine a probabilidade de um shift para µ = 3.3 mm ser detectado pela amostra recolhida imediatamente a seguir ao instante de ocorrência desse mesmo • shift. 241 Exercı́cio 8.24 — Uma carta X̄ é utilizada para controlar o valor esperado da resistência à tracção do aço A400 que se assume possuir distribuição normal com desvio-padrão conhecido e igual a σ = 6.0. A esta carta estão associadas amostras de dimensão n = 4, µ0 = 200, LCL = 191 e U CL = 209. Determine a probabilidade da carta descrita emitir um sinal aquando da ocorrência um shift para: a) µ = 188 e µ = 212. b) Compare e comente os dois resultados anteriores. • Exercı́cio 8.25 — Elabore o gráfico de ARL(δ) de uma carta unilateral superior X̄ e ARL(0) = 500, para o valor esperado de uma caracterı́stica normalmente distribuı́da. Compare-o com o do desempenho esperado do esquema X̄ padrão com o mesmo ARL sob controlo e adiante qual das cartas lhe parece ser mais rápida a detectar aumentos em µ. E para detectar diminuições • em µ? Exercı́cio 8.26 — Os dados da Tabela 8.14 dizem respeito a médias de 24 amostras de dimensão n = 5 recolhidas num processo de produção de suportes metálicos. As medidas são referentes às três últimas casas decimais do diâmetro de tais suportes (por exemplo, 34.5 corresponde a 0.50345). Mais, assuma que a caracterı́stica de qualidade possui distribuição normal com variância conhecida e igual 49. a) Construa e desenhe uma carta X̄ com limites 3-sigma recorrendo ao conjunto de dados obtidos. Será que as 24 amostras foram recolhidas sob controlo? Caso ache necessário, recalcule os limites de controlo. 242 Tabela 8.14: Médias de 24 amostras de dimensão n = 5 de três últimas casas decimais do diâmetro de suportes metálicos. Amostra Média Amostra Média 1 34.5 13 35.4 2 34.2 14 34.0 3 31.6 15 37.1 4 31.5 16 34.9 5 35.0 17 33.5 6 34.1 18 31.7 7 32.6 19 34.0 8 33.8 20 35.1 9 34.8 21 33.7 10 33.6 22 32.8 11 31.9 23 33.5 12 38.6 24 34.2 b) Determine a probabilidade de uma amostra arbitrária emitir um falso alarme. c) Qual a probabilidade da ocorrência de um shift (no valor esperado do diâmetro dos suportes) para 0.5045 ser assinalado somente pela 5a. amostra recolhida a seguir à ocorrência de semelhante shift? d) Admitindo que as especificações do diâmetro dos suportes metálicos são 0.5030 ± 0.0010, determine uma estimativa da fracção de suportes defeituosos produzidos por um processo de • produção sob controlo. Exercı́cio 8.27 — Com o objectivo de controlar a variância do peso de latas de meio quilo de café, pretende recolher-se amostras com dimensão 5 e registar as respectivas variâncias corrigidas numa carta S 2. 243 Admita que tal caracterı́stica de qualidade possui distribuição normal com valor esperado constante, embora desconhecido independentemente do estado da produção, e variância, sob controlo, igual a σ02 = 4. a) Obtenha os limites de controlo da carta de forma que o número esperado de amostras até falso alarme seja 200. b) Qual a probabilidade de um shift para σ 2 = 6 ser detectado pela amostra recolhida imediatamente a seguir à ocorrência de • tal shift? Exemplo 8.28 — O esquema S 2 com os limites descritos na Tabela 8.12 é recomendado na literatura para controlar a variância σ 2 de dados normalmente distribuı́dos. Tabela 8.15: Valores de ξ(θ) para esquemas S 2 com σ02 = 1 e α = 0.002 (i.e., ARL(1) = 500). n θ 4 5 7 10 15 100 0.50 0.007828 0.014624 0.042134 0.132929 0.406761 1.000000 0.75 0.002359 0.003089 0.005036 0.009313 0.020672 0.762450 0.80 0.001958 0.002409 0.003528 0.005751 0.011016 0.419837 0.90 0.001533 0.001652 0.001926 0.002391 0.003274 0.037724 0.95 0.001600 0.001628 0.001699 0.001819 0.002035 0.006949 1.00 0.002000 0.002000 0.002000 0.002000 0.002000 0.002000 1.10 0.004522 0.004874 0.005553 0.006569 0.008323 0.054761 1.20 0.010808 0.012654 0.016447 0.022530 0.033848 0.373172 No entanto, esta carta possui probabilidades de emissão de sinais válidos menores que a probabilidade de emitir falso alarme como ilustra a Tabela 8.15. Por exemplo, a função ARL(θ) não possui valor máximo sob controlo. 244 Este comportamento traduz-se em propriedades indesejáveis como a velocidade de detecção de determinados “shifts”poder ser inferior à da emissão de um falso alarme, como ilustra o gráfico da Figura 8.4. Figura 8.4: ARL de esquema S 2 padrão (n = 5). • Exercı́cio 8.29 — Redefina os limites de controlo da carta S 2 por forma a que ARL(1) = max+ ARL(θ). (8.10) θ∈IR a) Considerando σ02 = 1, α = 0.002 e n = 4, 5, 7, 10, 15, 100, ilustre numericamente a obtenção dos quantis de probabilidade que definem o par de limites de controlo desta nova carta S 2 . b) Determine os correspondentes valores de ξ(θ) por forma a preencher a Tabela 8.15 e elabore os gráficos de ARL(θ) • associados. 245 Nota 8.30 — As cartas X̄ e S 2 são frequentemente utilizadas em conjunto já que são raras as situações em que o valor esperado e a variância não se alteram separada ou simultaneamente. Como alternativa ao esquema S 2 é costume recorrer ao esquema R para amplitude amostral (“range chart”) apesar do estimador da variância associado ser pouco eficiente, especialmente quando a dimensão da amostra é média ou grande. (Para uma descrição alongada sobre esta carta sugere-se a consulta de Montgomery (1985, • pp.173–92).) Exercı́cio 8.31 — Caracterize a carta S para o desvio-padrão com limites do tipo E(S) ± 3DP (S), provando para o efeito que S não é estimador centrado de σ e que 2 E(S) = σ × n−1 !1/2 Γ(n/2) Γ[(n − 1)/2] v u u t E 2 (S) DP (S) = σ × 1 − σ2 (Ver Montgomery (1985, p.197).) (8.11) (8.12) • Exercı́cio 8.32 — Estude os esquemas X̄ e S descritos em Montgomery (1985, pp.198–199) que fazem uso de estimativas de • µ e σ. Exercı́cio 8.33 — Um processo de produção foi recentemente iniciado. De modo a construir cartas que controlassem o valor esperado e o desvio-padrão do diâmetro de pistões de automóveis que se assume ter distribuição normal, foram recolhidas 20 amostras de dimensão 5 tendo-se obtido o seguinte conjunto de resultados. Construa e desenhe as cartas de controlo X̄ e S definidas em Montgomery (1985, pp.198–199), fazendo uso dos dados que constam 246 Tabela 8.16: Médias e desvios-padrão corrigidos de 20 amostras de dimensão 5. Amostra Média Desvio-padrão Amostra Média Defeitos 1 35.1 4.2 11 38.1 4.2 2 33.2 4.4 12 37.6 3.9 3 31.7 2.5 13 38.8 3.2 4 35.4 3.2 14 34.3 4.0 5 34.5 2.6 15 43.2 3.5 6 36.4 4.5 16 41.3 8.2 7 35.9 3.4 17 35.7 8.1 8 38.4 5.1 18 36.3 4.2 9 35.7 3.8 19 35.4 4.1 10 27.2 6.2 20 34.6 3.7 da Tabela 8.16 e considerando limites de controlo 3-sigma para ambas • as cartas. Exercı́cio 8.34 — Amostras de dimensão n = 6 são recolhidas regularmente de um processo de enchimento de garrafões de azeite. Assume-se que esta caracterı́stica de qualidade tem distribuição normal e é medida e de seguida são calculadas as médias e desviopadrão amostrais. Da análise de 50 subgrupos obtiveram-se 50 X i=1 x̄i = 1000, 50 X s̄i = 75. (8.13) i=1 a) Estime os limites de controlo 3-sigma das cartas X̄ e S. b) Considerando os limites calculados em a) definitivos e os valores estimados para µ e σ como os verdadeiros valores destes dois parâmetros, determine a probabilidade de emissão de falso alarme de cada uma das cartas. c) Nas condições da alı́nea anterior, qual seria a estimativa da probabilidade da carta X̄ emitir sinal o mais tardar 5 amostras 247 após a ocorrência de um shift no valor esperado para o valor 25 (resp. no desvio-padrão para 2)? • Textos de apoio: Montgomery (1985, pp. 171-209); Morais (2001, pp. 19–23). 248 Capı́tulo 9 Esquemas de controlo de qualidade do tipo CUSUM e EWMA para atributos e variáveis 9.1 Esquemas CUSUM e EWMA As cartas de controlo mais frequentemente utilizadas são do tipo Shewhart. A sua popularidade deve-se, fundamentalmente, à simplicidade da sua construção e da caracterização do desempenho destas cartas de controlo. Contudo, por fazerem uso exclusivo da informação mais recente, desprezando toda a restante informação disponı́vel, as cartas Shewhart são particularmente lentas a detectar algumas alterações de importância prática, as alterações ligeiras num processo de produção. Com efeito no capı́tulo anterior constatou-se que as cartas do tipo Shewhart são, em média, extremamente lentas a detectar shifts de pequena e média magnitude. Em contrapartida, as cartas Shewhart são particularmente rápidas (mais uma vez em média) a detectar shifts de grande magnitude. Esta caracterı́stica deve-se ao facto de a estatı́stica de 249 qualquer carta Shewhart utilizar somente a informação respeitante à última amostra, ignorando as restantes amostras. Uma forma de aumentar a capacidade de detecção de shifts passa pela acumulação de informação relativa às amostras sucessivas. Os esquemas de controlo dos tipos CUSUM (cumulative sum) e EWMA (exponentially weighted moving average) são disso exemplo e foram originalmente propostos por Page (1954) e Roberts (1959), respectivamente, para detectar shifts (quer aumentos, quer diminuições) do valor esperado de uma caracterı́stica de qualidade normalmente distribuı́da. Nestas referências constatou-se que os esquemas CUSUM e EWMA são mais rápidos, em valor esperado, que os esquemas Shewhart, no que diz respeito à detecção de shifts de pequena e média magnitude do referido parâmetro, devendo-se isso ao facto deste tipo de carta de controlo conjugar a informação mais recente e toda a história passada do processo de produção. Tabela 9.1: Caracterı́sticas de esquemas Shewhart e CUSUM/EWMA. Shewhart CUSUM/ EWMA Shewhart (1924) Page(1954)/ Roberts (1959) Estatı́stica dependente da Estatı́stica dependente de amostra mais recente todas as amostras recolhidas Simplicidade Carácter recursivo TN = g(TN −1 , X N , . . .) Popularidade inquestionável Popularidade crescente Estes esquemas podem ser também definidos para os parâmetros de todas as distribuições usuais a que se recorre em controlo de qualidade, tal como o valor esperado do número total de artigos defeituosos numa amostra de dimensão n, à semelhança do que se ilustra a seguir. Textos de apoio: Morais (1995, pp. 57–58); Morais (2001, p. 23). 250 9.2 Esquemas CUSUM para atributos O esquema CUSUM é, sem sombra de dúvida, um dispositivo gráfico de controlo muito informativo uma vez que pode fornecer estimativas da magnitude do shift e valores preditos para o instante de ocorrência dessa mesma alteração (Hawkins e Olwell (1998, pp. 20–22)). Nesta secção apresentaremos brevemente um esquema CUSUM padrão para dados binomiais que se presta à detecção quer de aumentos, quer de diminuições de p (ou equivalentemente de np). Em adição debruçar-nos-emos longamente sobre esquemas CUSUM unilaterais superiores para p cuja utilização se presta à detecção exclusiva de aumentos no número esperado de artigos defeituosos numa amostra de dimensão fixa. Definição 9.1 — O esquema CUSUM padrão para dados binomiais caracteriza-se pela utilização da estatı́stica: ZN = 0, N = 0 PN (Y j=1 j − np0 ) = ZN −1 + (YN − np0 ), N ∈ IN, (9.1) onde: • 0 é o valor inicial atribuı́do à estatı́stica (ao (re)iniciar-se o processo de controlo de produção); • YN ∼ binomial(n, p = p0 + θ) é o número de artigos defeituosos na N −ésima amostra aleatória (de dimensão n), i.e., corresponde ao estimador de MV de np; e • np0 o valor sob controlo de np. • Nota 9.2 — A estatı́stica ZN acumula os desvios entre o número de artigos defeituosos e o respectivo valor esperado sob controlo. Mais, • não é um estimador de np 251 Definição 9.3 — O esquema CUSUM unilateral superior para dados binomiais faz uso da seguinte estatı́stica: u, N = 0 max{0, ZN −1 + (YN − k)}, N ∈ IN, ZN = (9.2) onde: • u é o valor inicial atribuı́do à estatı́stica, também pertencente a [LCL, U CL] = [0, U CL] para este esquema; • YN é de novo o número de artigos defeituosos na N −ésima amostra aleatória (de dimensão n) e possui distribuição, condicional a θ, binomial(n, p = p0 + θ); e • k representa o que se chama de valor de referência necessariamente inferior a n já que YN toma valores em {0, 1, . . . , n}. • Nota 9.4 — Lucas e Crosier (1982) recomendam a utilização de head start (HS) values, i.e, um valor inicial não nulo para a estatı́stica do esquema CUSUM (ou EWMA). Esta recomendação prende-se com os seguinte: • se o processo estiver a operar sob controlo, a estatı́stica do esquema é rapidamente “forçada”a ficar perto da origem já que os desvios entre o observado e o esperado não são de grande monta, logo o efeito esperado do head start é mı́nimo no desempenho da carta; • caso contrário, o operador do esquema é alertado para a situação de perda de controlo antes do que é habitual, prevenindo assim start–up problems (i.e., problemas quando se (re)inicia o processo de produção). 252 Nota 9.5 — Uma vez que a carta CUSUM unilateral superior se propõe à detecção exclusiva de aumentos no parâmetro p de nada adianta assinalar qualquer valor negativo da estatı́stica. 1 Assim, altera-se imediatamente o valor observado da estatı́stica para 0, sempre que ela tome valor negativo. Daı́ o uso da função max. Nota 9.6 — Refira-se, por fim, que a obtenção não só dos limites de controlo como do valor de referência e de u será discutida mais tarde. Pode, no entanto, adiantar-se que a selecção destas constantes dependerá do desempenho desejado para o esquema sob e fora de controlo, assunto que discutiremos na próxima secção. Exemplo 9.7 — Na Tabela 9.2 encontram-se os valores observados dos números de artigos defeituosos em amostras de dimensão n = 100. As primeiras 50 observações foram recolhidas quando o processo operava ao nı́vel nominal np0 = 100×0.05. As 20 observações seguintes foram recolhidas do mesmo processo após um shift para n(p0 + θ) = 100 × (0.05 + 0.006). Os valores observados para a estatı́stica CUSUM, ZN , encontram-se igualmente na Tabela 9.2, para o valor de referência k = 5.29 e valor inicial u = 0 (i.e., não se atribuiu head start (0%HS) a este esquema). O limite superior de controlo do esquema CUSUM unilateral superior é igual a U CLC = 18.3. De notar que o esquema CUSUM unilateral superior para dados binomiais assinalou a perda de controlo somente à 60a. observação tal como confirmam a Tabela 9.2 e a Figura 9.1. De referir também que o esquema não foi responsável por nenhum falso alarme antes da ocorrência do shift. 1 Valor este que se deveria ao acumular de desvios negativos entre o que se observa e o valor de referência. 253 Tabela 9.2: No. observado de defeituosos yN e estatı́stica CUSUM para: n = 100, p = p0 = 0.05, para N = 1, . . . , 50, p = p0 + θ = 0.056, para N = 51, . . . , 70; k = 5.29, u = 0 e U CLC = 18.3. N yN N yN N yN N yN N yN N yN N yN 1 4 11 5 21 4 31 6 41 4 51 5 61 6 2 10 12 5 22 6 32 5 42 2 52 5 62 9 3 5 13 5 23 7 33 5 43 8 53 7 63 5 4 11 14 3 24 5 34 7 44 4 54 9 64 3 5 2 15 4 25 6 35 9 45 5 55 4 65 6 6 6 16 4 26 7 36 5 46 8 56 6 66 8 7 2 17 8 27 8 37 8 47 6 57 9 67 4 8 8 18 4 28 3 38 6 48 6 58 7 68 6 9 8 19 7 29 6 39 6 49 1 59 6 69 4 10 4 20 1 30 4 40 5 50 3 60 6 70 6 N zN N zN N zN N zN N zN N zN N zN 1 0 11 8.1 21 0.20 31 5.30 41 12.40 51 7.50 61 19.60 2 4.71 12 7.81 22 0.91 32 5.01 42 9.11 52 7.21 62 23.31 3 4.42 13 7.52 23 2.62 33 4.72 43 11.82 53 8.92 63 23.02 4 10.13 14 5.23 24 2.33 34 6.43 44 10.53 54 12.63 64 20.73 5 6.84 15 3.94 25 3.04 35 10.14 45 10.24 55 11.34 65 21.44 6 7.55 16 2.65 26 4.75 36 9.85 46 12.95 56 12.05 66 24.15 7 4.26 17 5.36 27 7.46 37 12.56 47 13.66 57 15.76 67 22.86 8 6.97 18 4.07 28 5.17 38 13.27 48 14.37 58 17.47 68 23.57 9 9.68 19 5.78 29 5.88 39 13.98 49 10.08 59 18.18 69 22.28 10 8.39 20 1.49 30 4.59 40 13.69 50 60 18.89* 70 22.99 * primeiro sinal válido 254 7.79 Figura 9.1: Valores observados da estatı́stica CUSUM (zN ). • Exercı́cio 9.8 — Obtenha os valores observados da estatı́stica CUSUM padrão para os dados do Exemplo 9.7 e averigue se, com LCL = 3 e U CL = 17, e esquema CUSUM padrão teria emitido algum sinal válido. Desenhe e comente o esquema com os valores observados desta • estatı́stica. Textos de apoio: Hawkins e Olwell (1998, pp. 105–133); Morais (2001, pp. 55–58). 255 9.3 Desempenho de esquemas CUSUM para atributos O esquema CUSUM possui estatı́sticas sumárias dependentes e dado o carácter recursivo das mesmas pode ser vistas como constituindo uma cadeia de Markov em tempo discreto com espaço de estados discreto 2 uma vez que estamos a lidar neste caso com dados discretos. 3 Apesar de os esquemas CUSUM serem mais rápidos a detectar shifts de pequena e média magnitude que os esquemas Shewhart, os esquemas CUSUM não atingiram, até hoje, a popularidade das cartas do tipo Shewhart. Uma das razões que se pode apontar é o facto dos esquemas CUSUM (a par dos do tipo EWMA) não serem de fácil implementação e a caracterização do respectivo desempenho não ser necessariamente trivial, ao contrário do que acontece com os esquemas do tipo Shewhart. A avaliação do desempenho do esquema CUSUM tirando partido das estatı́sticas constituı́rem uma cadeia de Markov facto conduz àquilo que se designa usualmente de abordagem markoviana. 2 {ZN , N ∈ IN0 } diz-se uma cadeia de Markov homogénea em tempo discreto com espaço de estados discreto S sse P (ZN +1 = j | ZN = i, ZN −1 = iN −1 , . . . , Z1 = i1 , Z0 = i0 ) = P (ZN +1 = j|ZN = i) = pij , ∀i0 , i1 , . . . , iN −1 ∈ S, N ∈ IN0 . (9.3) Ou seja, a probabilidade do estado vir a tomar certo valor no instante futuro (N + 1) — condicionalmente à informação sobre o estado no instante presente N e os estados nos instantes passados N − 1, . . . , 0 — depende exclusivamente do estado presente. À matriz [pij ]i,j∈S dá-se o nome de matriz de probabilidades de transição (entre estados e a um passo). Note-se ainda que P pij = P (transição do estado i → estado j) e j∈S pij = soma da linha i = 1. 3 O espaço de estados seria contı́nuo para dados contı́nuos. 256 Esta abordagem, originalmente proposta por Brook e Evans (1972), permite determinar a distribuição exacta (ou aproximada) do número de amostras recolhidas até à emissão de sinal, RL, e consequentemente qualquer outra caracterı́stica que diga respeito a RL como é o caso de ARL. Exemplo 9.9 / Exercı́cio — Considere um esquema CUSUM unilateral superior para dados binomiais cuja estatı́stica é u, N = 0 max{0, ZN −1 (θ) + [YN (θ) − k]}, N ∈ IN. ZN = ZN (θ) = (9.4) Caso k e u sejam inteiros positivos, a estatı́stica é regida por uma cadeia de Markov em tempo discreto com espaço de estados IN0 , estado inicial nulo, e matriz de probabilidades de transição, dependente da magnitude do shift θ P̃(θ) = onde Fθ (i) Fθ (k) Pθ (k + 1) Pθ (k + 2) · · · Fθ (k − 1) Pθ (k) Pθ (k + 1) · · · Fθ (k − 2) Pθ (k − 1) Pθ (k) Fθ (k − 3) .. . = Pθ (k − 2) .. . ··· Pθ (k − 1) · · · .. ... . Fbinomial(n,p0 +θ) (i) e Pθ (i) = , (9.5) Pbinomial(n,p0 +θ) (i) representam a função de distribuição e a função de probabilidade de YN = YN (θ) para qualquer inteiro não negativo i. (Justifique!) Assuma agora que se emite um sinal assim que a estatı́stica exceda o limite superior de controlo U CL = x, onde x é um inteiro positivo. Nestas circunstâncias, o run length deste esquema CUSUM unilateral superior pode ser representado pelo seguinte tempo de primeira passagem: RLu (θ) = min{N : ZN (θ) > x | Z0 (θ) = u}. 257 (9.6) De facto o run length tem exactamente a mesma distribuição que certo tempo de primeira passagem da seguinte cadeia de Markov absorvente em tempo discreto {SN (θ), N ∈ IN0 }, onde: S0 (θ) = Z0 (θ) = u; e, para N ∈ IN , ZN (θ), se ZN (θ) ≤ x e SN −1 (θ) ≤ x x + 1, c.c.. SN (θ) = (9.7) Esta cadeia de Markov possui espaço de estado finito {0, 1, . . . , x + 1} e estado absorvente x + 1. Para além disso, as suas transições são regidas pela matriz de probabilidades de transição P(θ) dada por Fθ (k) Pθ (k + 1) Pθ (k) Fθ (k − 1) Fθ (k − 2) Pθ (k − 1) . .. .. . Fθ (k − x) Pθ (k − x + 1) 0 0 Pθ (k + 2) ··· Pθ (k + x) Pθ (k + 1) ··· Pθ (k + x − 1) Pθ (k) .. . ··· .. . Pθ (k + x − 2) .. . Pθ (k − x + 2) ··· Pθ (k) 0 ··· 0 1 − Fθ (k + x) 1 − Fθ (k + x − 1) 1 − Fθ (k + x − 2) . .. . 1 − Fθ (k) (9.8) 1 Com efeito, RLu (θ) =st min{N : SN (θ) = x + 1 | S0 (θ) = u}. (9.9) • Exercı́cio 9.10 — Obtenha a matriz de probabilidades de transição associada a uma carta CUSUM padrão para dados binomiais com limites de controlo e valor de referência inteiros, LCL = 2, U CL = 10 e k = 6, respectivamente e YN ∼ binomial(10, 0.5). • Tal como se constatou no exemplo anterior lidaremos com uma cadeia de Markov absorvente em tempo discreto e com espaço de estados finito {0, 1, . . . , x + 1}, estado absorvente x + 1, estados 258 transeuntes 0, 1, . . . , x e matriz de probabilidades de transição, passı́vel da seguinte representação: P(θ) = Q(θ) [I − Q(θ)] 1 0 > (9.10) 1 onde: • Q(θ) = [pij (θ)]xi,j=0 , i.e., esta matriz (x + 1) × (x + 1) é obtida a partir da matriz P̃(θ) por eliminação da última linha e da última coluna; esta matriz rege as transições entre os estados transeuntes da cadeia; • 1 (0> ) é um vector-coluna (vector-linha) com x + 1 uns (zeros); e • I é a matriz identidade com caracterı́stica x + 1. Exercı́cio 9.11 — Considere agora que os dados possuem distribuição fora de controlo de Poisson(0.04), i.e., o número de defeitos em amostras aleatórias de dimensão 80 possuem distribuição de Poisson(3.2). Prove que a carta CUSUM unilateral superior com valor de referência k = 2 e limite superior de controlo U CL = 2 está associada à matriz Q: 0.3799 0.2226 0.1781 0.1712 0.2087 0.2226 0.0408 0.1304 0.2087 . (9.11) • Tal como se viu no Exemplo 9.9, o RL do esquema de controlo CUSUM está relacionado com o número de transições até absorção da cadeia de Markov {SN (θ), N ≥ 0} descrita anteriormente. 259 Proposição 9.12 — Seja RLu (θ) o RL de um esquema CUSUM cuja estatı́stica toma valor inicial u, u ∈ {0, 1, .., x}. Então RLu (θ) é uma v.a. inteira positiva com função de probabilidade dada por: m−1 [I − Q(θ)] 1, m ∈ IN, PRLu (θ) (m) = e> u [Q(θ)] (9.12) onde eu representa o (u + 1)−ésimo vector da base ortonormada de IRx+1 . • Nota 9.13 — A distribuição de RLu (θ) é designada na literatura de discrete phase-type distribution. Tabela 9.3: Algumas propriedades de RLu (θ). m−1 [I − Q(θ)] 1, m ∈ IN PRLu (θ) (m) = e> u [Q(θ)] F.p. F.s. F RLu (θ) (m) = 1, m < 1 bmc 1, m ≥ 1 e> u [Q(θ)] m e> u [Q(θ)] 1 > m−1 eu [Q(θ)] 1 F. taxa de falha λRLu (θ) (m) = 1 − , m ∈ IN Quantil de ordem p −1 FRL u (θ) (p) = inf{m ∈ IN : FRLu (θ) (m) ≥ p}, 0 < p < 1 F.g.p. −1 [I − Q(θ)] 1, 0 ≤ z ≤ 1 P GRLu (θ) (z) = z × e> u [I − zQ(θ)] s−1 [I − Q(θ)]−s 1, s ∈ IN Momento fact. ordem s F MRLu (θ) (s) = s! × e> u [Q(θ)] Valor esperado Para referência −1 1 E[RLu (θ)] = e> u [I − Q(θ)] futura listamos na Tabela 9.3 algumas caracterı́sticas de RLu (θ). De notar que: • F RLu (θ) (m) representa a probabilidade de se emitir um sinal após a recolha de mais de m amostras; • λRLu (θ) (m) representa a probabilidade da amostra m emitir um sinal, dado que as m − 1 amostras anteriores não 260 foram responsáveis por qualquer sinal, e pode ser entendida como uma “taxa de alarme”do esquema aquando da recolha da • amostra m. Há algumas semelhanças entre estas caracterı́sticas de RLu (θ) e as do run length de uma carta Shewhart; para todos os efeitos Q(θ) pode ser pensada como o análogo matricial de 1 − ξ(θ). Esta analogia era de certo modo de esperar pois as discrete phasetype distributions correspondem a uma generalização matricial da distribuição geométrica. Tabela 9.4: Esquemas Shewhart vs. CUSUM Shewhart CUSUM Estatı́sticas Estatı́sticas regidas por i.i.d. RL(θ) =st Geométrica (ξ(θ)) Cadeia de Markov RLu (θ) =st Phase-type (eu , Q(θ)) u = estado inicial 1 − ξ(θ) = Pθ (TN ∈ [LCL, U CL]) Q(θ) matriz sub-estocástica Detecção lenta de desvios Detecção eficiente de desvios pequenos ou moderados pequenos ou moderados As distribuições phase-type são computacionalmente muito apelativas, como se pode constatar após a consulta da Tabela 9.3. Primeiro, porque as propriedades de RLu (θ) expressam-se à custa de somente dois parâmetros (eu e Q(θ)). Segundo, porque a obtenção das propriedades de RLu (θ) envolve operações triviais tais como: • a multiplicação de matrizes (para obter, por exemplo, a f.p. e a f.s); • a inversão de matrizes (para calcular momentos factoriais e ARL). 261 Por último, porque algumas destas propriedades podem ser calculadas de modo recursivo, como ilustram Champ e Rigdon (1991): PRL(θ) (m) = [P [RLu (θ) = m]]u=0,...,x = Q(θ) × PRL(θ) (m − 1). (9.13) No planeamento de um esquema de controlo é necessário estabelecer um compromisso entre um RL grande sob controlo e um RL pequeno fora de controlo, por forma a garantir falsos alarmes pouco frequentes e uma detecção rápida de uma alteração especı́fica no parâmetro que se pretende controlar. Tendo presente este compromisso, Gan (1993) sugere, por exemplo, que o valor de referência de um esquema CUSUM unilateral superior para dados binomiais seja seleccionado o mais próximo de n× ln[(1 − p0 )/(1 − p1 )] . ln[(1 − p0 )p1 /(1 − p1 )p0 ] (9.14) Recorde-se que np0 é o valor esperado nominal do número de defeituosos por amostra aleatória de dimensão n, e np1 denota o correspondente valor fora de controlo que se pretende detectar com a maior brevidade. Gan (1993) alega que resultados numéricos sugerem que o valor de referência em (9.14) conduz a esquemas CUSUM unilaterais superiores óptimos para dados binomiais — óptimos, em termos de ARL — na detecção de um aumento em p com magnitude p1 − p0 . Exemplo 9.14 — Considere um esquema CUSUM unilateral superior sem head start (i.e. u = 0) com np0 = 100 × 0.02 = 2, valor de referência k = 3 — que corresponde a np1 = 4.27685 de acordo com a Equação (9.14) — e U CL = x = 6. Neste caso, o RL 262 sob controlo, RL0 (0) possui distribuição phase-type discreta definida por (e0 , Q(0)), onde, recorrendo à Equação (9.8), Q(0) = 0.8590 0.0902 0.0353 0.0114 0.0031 0.0007 0.0002 0.6767 0.1823 0.0902 0.0353 0.0114 0.0031 0.0007 0.4033 0.2734 0.1823 0.0902 0.0353 0.0114 0.0031 0.1326 0.2707 0.2734 0.1823 0.0902 0.0353 0.0114 . 0 0 0 (9.15) 0.1326 0.2707 0.2734 0.1823 0.0902 0.0353 0 0.1326 0.2707 0.2734 0.1823 0.0902 0 0 0.1326 0.2707 0.2734 0.1823 O conjunto de parâmetros da carta conduz a ARLs para os valores nomimais e fora de controlo de np, np0 e np1 , iguais a ARL0 (0) = 1015.71 — próximo do ARL sob controlo do esquema−np do Exemplo 9.8, 1073.03 — e ARL0 (p1 − p0 ) = 5.932, como reporta a Tabela 9.5. Esta tabela descreve o comportamento de RL0 (θ), através da inclusão de várias medidas de RL, para θ = 0, 0.001, 0.0025, 0.005, 0.0075, 0.01, 0.02, p1 − p0 , 0.03. Ilustra também quão pouco fiável é ARL como medida de desempenho do esquema quando o processo está sob controlo; por exemplo, a probabilidade de um sinal ser emitido entre as primeiras 295 amostras é de pelo menos 0.25, apesar de o ARL sob controlo exceder 1015 amostras. Para além disso, na ausência de shift em p, o desvio-padrão SDRL é de cerca de 1000 amostras, logo é possı́vel registar observações para além dos limites de controlo muito mais cedo ou muito mais tarde do que o esperado; ARL0 (0) = 1015.71 amostras. De acrescentar que RL0 (θ) possui assimetria positiva e achatamento mais acentuado que RL(θ), run length do esquema−np unilateral superior. Para além disso, a substituição do esquema esquema−np unilateral superior pelo esquema CUSUM unilateral superior resulta numa 263 Tabela 9.5: Alguns quantis do RL e valores de ARL, SDRL, CVRL, CSRL e CKRL para os esquemas unilaterais superiores CUSUM e np (n = 100, p0 = 0.02, p1 = 0.0427685). Esquema CUSUM unilateral superior para dados binomiais RL perc. points θ = p − p0 0.02 p1 − p0 0 0.001 0.0025 0.005 0.0075 0.01 0.03 5% 55 34 18 9 6 4 2 2 2 25% 295 173 85 32 16 10 4 4 3 Median 705 411 198 72 33 19 6 5 4 75% 1407 819 392 140 63 34 9 7 5 90% 2334 1358 649 230 101 53 13 10 7 95% 3036 1765 843 297 130 68 16 12 8 ARL 1015.71 591.724 284.121 102.081 46.227 25.458 7.194 5.932 4.095 SDRL 1012.18 588.012 280.175 97.895 42.022 21.419 4.320 3.322 1.998 CVRL 0.997 0.994 0.986 0.959 0.909 0.841 0.600 0.560 0.488 CSRL 2.000 2.000 2.000 1.998 1.989 1.961 1.627 1.523 1.303 CKRL 6.000 6.000 5.999 5.992 5.953 5.833 4.296 3.814 2.853 0.02 p1 − p0 0.03 Esquema−np unilateral superior RL perc. points θ = p − p0 0 0.001 0.0025 0.005 0.0075 0.01 5% 56 41 27 14 8 5 2 1 1 25% 309 227 148 78 45 27 6 5 3 Median 744 546 355 187 107 65 15 11 6 75% 1487 1092 710 374 214 130 29 21 11 90% 2470 1813 1179 621 355 216 48 35 17 95% 3214 2359 1534 808 461 281 62 45 22 ARL 1073.030 787.737 512.346 270.112 154.275 94.128 21.047 15.369 7.815 SDRL 1072.530 787.237 511.846 269.611 153.774 93.627 20.541 14.861 7.298 CVRL 1.000 0.999 0.999 0.998 0.997 0.995 0.976 0.967 0.934 CSRL 2.000 2.000 2.000 2.000 2.000 2.000 2.001 2.001 2.005 CKRL 6.000 6.000 6.000 6.000 6.000 6.000 6.002 6.005 6.019 redução quer em ARL quer em SDRL e na maior parte dos quantis, • tal como ilustra a Tabela 9.5. 264 Nota 9.15 — Caso a estatı́stica tome valores fraccionários ao invés de inteiros pode também aplicar-se a abordagem markoviana após ser ter coberto todos os valores possı́veis da mesma por um rescalamento conveniente, tal como sugerem Brook e Evans (1972) e Lucas (1985) • e Gan (1993). Exercı́cio 9.16 — Elabore um programa no package Mathematica que permita obter um gráfico com as curvas de ARL para as cartas unilaterais superiores para dados binomiais, descritas no Exemplo • 9.14. Exercı́cio 9.17 — Construa um esquema CUSUM padrão para o controlo do valor esperado de uma caracterı́stica de qualidade com distribuição normal, neste caso as medidas referentes às três últimas casas decimais do diâmetro dos suportes descritos no Exercı́cio 9.26. Assuma que o valor alvo para o valor esperado é igual a a µ0 = 32.5 e que a variância é conhecida e igual σ02 = 49. a) Será que o processo está sob controlo? b) Como poderia obter o desempenho deste esquema de controlo? • Para mais detalhes acerca de cartas CUSUM para variáveis é favor consultar Montgomery (1985, pp. 221-239). Textos de apoio: Hawkins e Olwell (1998, pp. 105–133); Morais (2001, pp. 23–29). 265 9.4 Esquemas EWMA para variáveis 9.4.1 Esquema EWMA padrão para µ À semelhança dos esquemas CUSUM, os esquemas do tipo EWMA (exponentially weighted moving average) garantem em média uma detecção mais rápida de shifts de pequena e média magnitude, por fazerem uso de uma estatı́stica que tira partido não só da informação mais recente como passada do processo de produção. Definição 9.18 — O esquema EWMA padrão — para o valor esperado de uma caracterı́stica de qualidade normalmente distribuı́da com variância constante, conhecida e igual a σ02 — possui estatı́stica dada por w0, N = 0 (1 − λ) × WN −1 + λ × X̄N , N ∈ IN WN = (9.16) onde: • w0 é o valor inicial atribuı́do à estatı́stica, usualmente igual ao alvo da carta, i.e., w0 = µ0 ; • λ ∈ (0, 1] é uma constante de amortecimento; e • X̄N = 1 Pn n i=1 XiN a média da N −ésima amostra aleatória e n a • respectiva dimensão. Equivalentemente e considerando agora as médias reduzidas, pode adoptar-se também a seguinte estatı́stica para o esquema EWMA: w0 , N = 0 (1 − λ) × WN∗ −1 + λ × WN∗ = X̄N −µ √ 0, σ0 / n N ∈ IN. Contudo deixa de se lidar com um estimador de µ. 266 (9.17) A selecção de λ será discutida mais tarde. Pode, no entanto, adiantar-se que a sua selecção dependerá do desempenho que se pretende para o esquemas sob e fora de controlo. Nota 9.19 — A informação mais recente acerca do processo está condensada em X̄N e tem associado o peso λ, λ ∈ (0, 1]. A história passada do processo é representada na estatı́stica por WN −1 e possui um peso associado igual a (1 − λ). A estatı́stica em (9.16) não só tem um carácter recursivo, WN = f (WN −1 , λ), (9.18) como pode escrever-se alternativamente do seguinte modo: WN = (1 − λ)N w0 + NX −1 λ(1 − λ)j X̄N −j (9.19) j=0 Esta fórmula permite-nos concluir que o peso atribuı́do à média X̄N −j decresce à medida que j aumenta, em particular, a importância da informação decresce geometricamente (exponencialmente) com a respectiva idade. Daı́ a designação do esquema de exponentially • weighted moving average. Exercı́cio 9.20 — Demonstre o resultado (9.19). Com base neste resultado e considerando para o efeito que a dimensão das amostras é igual a n: a) Obtenha o valor esperado sob controlo da estatı́stica e averigue em que situações se trata de estimador centrado de µ. b) Calcule a variância sob controlo de WN bem como o seu valor assintótico, σa2 = limN →+∞ V (WN ). • Exercı́cio 9.21 — Compare os pesos atribuı́dos a observações com idades 1 a 10 pelas cartas EWMA padrão com λ = 0.05, 0.1, 1. 267 • Definição 9.22 — Ao recorrer-se so esquema EWMA padrão descrito na Definição 9.29 podem usar-se de dois tipos de limites de controlo: • limites de controlo exactos, calculados com base em momentos sob controlo de WN (δ = 0) e considerando w0 = µ0 , q LCLN = E(WN ) − γ V (WN ) = µ0 − v u u λ [1 u γt − (1 − λ)2N ] σ02 (2 − λ) n (9.20) q U CLN = E(WN ) + γ V (WN ) = µ0 + v u u λ [1 u γt − (1 − λ)2N ] σ02 (2 − λ) n (9.21) onde γ é uma constante real positiva que, cuja selecção é feita a par da de λ, tendo sempre em vista o desempenho que se pretende para carta sob e fora de controlo; • limites de controlo assintóticos, calculados também com base em momentos sob controlo de WN , w0 = µ0 e considerando N → +∞, LCLa = N →+∞ = µ0 − U CLa = lim lim v u u u γt = µ0 + λ σ02 (2 − λ) n N →+∞ q E(WN ) − γ V (WN ) (9.22) q E(WN ) + γ V (WN ) v u u u γt λ σ02 . (2 − λ) n (9.23) • 268 Nota 9.23 — Com o objectivo de tornar menos complexa a determinação do desempenho do esquema e de evitar cálculos sucessivos dos limites de controlo (e deste modo aligeirar a manipulação da carta) é costume substituir os limites de controlo exactos pelos limites de controlo assintóticos. • Exercı́cio 9.24 — Elabore um gráfico com os limites de controlo exactos e assintóticos admitindo que γ = 3, w0 = µ0 = 0, λ = 0.05, σ0 = 1, n = 9 e N = 1, . . . , 10. Repita o gráfico considerando desta feita λ = 0.25, 0.5. Compare e • comente os gráficos obtidos. Atente-se que, ao utilizar o esquema com limites de controlo assintóticos, se corre maior risco de não emitir sinal válido às primeiras amostras e ser-se levado a crer que o processo está sob controlo quando efectivamente está fora de controlo. Há pois uma perda de sensibilidade do esquema no inı́cio do processo. Este problema é agravado quando λ toma valores próximos de 0 pois nestes casos V (WN ) converge mais lentamente para o seu valor limite. Por forma a minimizar as consequências da utilização dos limites assintóticos na fase inicial do processo é costume adoptar os limites de controlo exactos para as primeiras 8 a 10 observações e recorrer aos limites de controlo assintóticos para as seguintes observações. Exercı́cio 9.25 — Pretende controlar-se o processo de enchimento de saquetas de produto quı́mico que conduziu ao conjunto de resultados (em gramas) da Tabela 9.6. a) Obtenha os valores da estatı́stica de um esquema EWMA padrão 269 para o controlo do valor esperado do peso de cada saqueta, √ considerando µ0 = 10.0, w0 = µ0 , λ = 0.2, σ/ n = 2 e γ = 3. Tabela 9.6: Pesos médios de saquetas de produto quı́mico. Amostra Média Amostra Média Amostra Média 1 10.5 11 9.5 21 12.0 2 6.0 12 12.0 22 6.0 3 10.0 13 12.5 23 12.0 4 11.0 14 10.5 24 15.0 5 12.5 15 8.0 25 11.0 6 9.5 16 9.5 26 7.0 7 6.0 17 7.0 27 9.5 8 10.0 18 10.0 28 10.0 9 10.5 19 13.0 29 12.0 10 14.5 20 9.0 30 18.0 b) Após ter elaborado um gráfico com os limites de controlo exactos (e a seguir com os assintóticos) averigue se haverá alguma • observação fora de controlo. Exercı́cio 9.26 — Uma máquina é utilizada no enchimento de latas de óleo para motor de carro. Foram recolhidas amostras de n = 4 latas da produção, de meia em meia hora, tendo-se obtido os pesos médios (em onças) da Tabela 9.7. Uma vez que o processo de enchimento foi há muito automatizado o desvio-padrão do mesmo já se estabilizou e a experiência aponta para um valor de σ0 = 0.1. a) Construa um esquema EWMA sem head start (i.e. tal que w0 = µ0 ) e γ = 3, µ0 = 8.00 e λ = 0.05. b) O que poderá dizer acerca do estado do processo de produção considerando limites de controlo exactos. E considerando limites 270 de controlo assintóticos? Tabela 9.7: Pesos médios de latas de óleo para motor de carro. Amostra Média Amostra Média 1 8.00 9 8.05 2 8.01 10 8.04 3 8.02 11 8.03 4 8.01 12 8.05 5 8.00 13 8.06 6 8.01 14 8.04 7 8.06 15 8.05 8 8.07 16 8.06 • 9.4.2 Esquema EWMA unilateral superior para σ 2 O controlo de aumentos da variância de uma caracterı́stica de qualidade pode fazer-se também à custa de um esquema EWMA unilateral superior. Posto isto, a substituição de X̄N pelo estimador centrado da variância σ 2 , SN2 , parece um passo natural para a obtenção de uma estatı́stica do tipo EWMA para σ 2 . No entanto, essa substituição é descabida já que as cartas de controlo do tipo EWMA se propõem a detectar alterações no valor esperado e não em parâmetros de escala ou suas funções como é o caso de σ 2 . Crowder e Hamilton (1992) contornaram este problema do seguinte modo: em vez de substituı́rem X̄N na expressão WN = (1 − λ)WN −1 + λX̄N (9.24) pelo estimador centrado de σ 2 , substituı́ram-no por ln(SN2 ), logaritmo da variância corrigida da N −ésima amostra aleatória. 271 A escolha desta função especı́fica de SN2 tem a sua razão de ser: um aumento em σ 2 provoca um aumento no valor esperado de ln(SN2 ), ln(σ 2 ) + ln(2) − ln(n − 1) + ψ[(n − 1)/2], bem como na variância de ln(SN2 ), ψ 0 [(n − 1)/2], onde ψ e ψ 0 representam as funções digama e trigama. Nota 9.27 — Recorde-se que a função gama é definida por Γ(z) = Z +∞ tz−1 e−t dt, z 0 > 0. (9.25) Por seu lado as funções digama e trigama são definidas do seguinte modo d ln Γ(z) (9.26) dz d2 ln Γ(z) , (9.27) ψ 0 (z) = dz 2 respectivamente (Abramovitz e Stegun (1964, pp. 255 e 260)), ψ(z) = tratando-se, portanto, de casos particulares da função poligama dn ln Γ(z) ψ (z) = (9.28) dz n para n = 0, 1. Para além disso estas duas funções estão definidas no (n) package Mathematica (Polygamma[. . . ]). A função digama é, para valores inteiros positivos e segundo a fórmula 6.3.2 e a fórmula de recorrência 6.3.5 da p. 258 de Abramovitz e Stegun (1964), igual a: −γ, n = 0 ψ(n) + 1/n, n ∈ IN ψ(n + 1) = (9.29) onde γ representa a constante de Euler m X 1 γ = lim − ln(m) m→+∞ j j=1 = 0.5772156649 (9.30) 272 (Abramovitz e Stegun (1964, p. 255)). Refira-se também que, tendo em conta o valor de ψ 0 (1) na tabela 6.1 da p. 267 de Abramovitz e Stegun (1964) e a fórmula de recorrência 6.4.6 da p. 260 dessa mesma referência, a função trigama para valores inteiros positivos pode escrever-se recursivamente do seguinte modo: 1.6449340668, n = 0 ψ 0 (n) − 1/n2 , n ∈ IN ψ 0 (n + 1) = (9.31) • Exercı́cio 9.28 — Tirando partido do facto de a variância corrigida de uma amostra aleatória proveniente de uma população normal verificar (n−1)S 2 σ2 ∼ χ2(n−1) (i.e., S 2 tem distribuição gama com parâmetro de forma e de escala iguais a (n − 1)/2 e 2σ 2 /(n − 1)) e que ln(S 2 ) tem distribuição log-gama, demonstre que: E[ln(SN2 )] = ln(σ 2 ) + ln(2) − ln(n − 1) + ψ[(n − 1)/2]; (9.32) V [ln(SN2 )] = ψ 0 [(n − 1)/2]. (9.33) • Definição 9.29 — A carta EWMA unilateral superior — para a variância de uma caracterı́stica de qualidade normalmente distribuı́da — faz uso da estatı́stica v0 , N = 0 max ln(σ02 ), (1 − λ) × VN −1 + λ × ln(SN2 ) , N ∈ IN VN = n o (9.34) onde, convenhamos, só vale a pena mencionar que: • v0 é o valor inicial atribuı́do à estatı́stica, usualmente igual a v0 = ln(σ02 ); • SN2 = 1 Pn n−1 i=1 (XiN − X̄)2 a variância corrigida da N −ésima amostra aleatória. 273 Por seu lado esta carta possui limites de controlo assintóticos iguais a LCLa = ln(σ02 ) (9.35) U CLa = ln(σ02 ) + v u u γt λ ψ 0 [(n − 1)/2] (2 − λ) (9.36) • Exercı́cio 9.30 — A temperatura de um reagente quı́mico é uma factor crucial para a obtenção de resultados satisfatórios um processo quı́mico. O valor nominal para a média e o desvio-padrão da temperatura do reagente quı́mico são µ0 = 100o C e σ0 = 1o C, respectivamente. Tabela 9.8: Temperaturas de reagente quı́mico. N x1N x2N x3N x4N x5N s2N 1 99.3 99.7 100.0 100.2 99.6 0.123 2 98.2 101.1 100.3 100.3 98.0 1.937 3 97.3 100.2 101.0 99.7 100.2 1.987 4 97.9 100.5 97.9 101.0 98.4 2.233 5 101.1 98.7 99.9 101.5 97.8 2.450 6 101.1 98.4 97.9 100.4 100.1 1.867 7 102.4 99.8 99.7 101.3 100.0 1.383 8 100.7 98.6 99.4 101.2 100.0 1.062 9 98.0 100.4 101.0 100.4 101.8 2.012 10 100.4 101.4 99.7 100.2 101.8 0.760 vN Foram registados grupos de cinco observações da temperatura do reagente quı́mico de hora a hora, durante um perı́odo de dez horas, com a particularidade de o desvio-padrão do processo tomar valor distinto do seu alvo e igual a σ = 1.1o C. As temperaturas encontramse na Tabela 9.8, a par dos valores observados da variância amostral corrigida. 274 a) Preencha a Tabela 9.8 com os valores observados da estatı́stica EWMA sem head start e considerando λ = 0.05 e v0 = ln(σ02 ). b) Obtenha os limites de controlo da carta na situação em que γ = 1.25 e identifique a amostra responsável pelo primeiro sinal válido. c) Determine agora os limites de controlo de uma carta Shewhart unilateral superior com γShew = 1.25. Serão as amostras • responsáveis por algum sinal válido? Exercı́cio 9.31 — O diâmetro é uma caracterı́stica importante de uma fibra têxtil. Foram recolhidas vinte amostras com dimensão igual a n = 10 tendo-se obtido o conjunto de médias e variâncias corrigidas amostrais da Tabela 9.9 (Montgomery (1985, pp. 251–252)). Tabela 9.9: Médias e variâncias corrigidas do diâmetro de fibra têxtil. N x̄N s2N N x̄N s2N 1 1.04 0.87 11 0.99 0.79 2 1.06 0.85 12 1.06 0.82 3 1.09 0.90 13 1.05 0.75 4 1.05 0.85 14 1.07 0.76 5 1.07 0.73 15 1.11 0.89 6 1.06 0.80 16 1.04 0.91 7 1.05 0.78 17 1.03 0.85 8 1.10 0.83 18 1.05 0.83 9 1.09 0.87 19 1.06 0.79 10 1.05 0.86 20 1.04 0.85 wN vN wN vN a) Preencha a Tabela 9.9 com os valores observados da estatı́stica EWMA padrão sem head start para µ e da estatı́stica EWMA unilateral superior também sem head start para σ 2 , admitindo que λµ = λσ = 0.05, w0 = 1.06 e v0 = ln(0.83). 275 b) Obtenha os limites de controlo de ambas as cartas na situação em que γµ = 3 e γσ = 1.25. c) Terá sido alguma amostra responsável por um sinal? • Textos de apoio: Montgomery (1985, pp. 239–243); Crowder e Hamilton (1992). 276 9.5 Desempenho de esquemas individuais EWMA para variáveis Sem perda de generalidade considerem-se cartas EWMA unilaterais superiores individuais para µ e σ 2 descritos a seguir e que privilegiam a detecção de aumentos em µ e na variância de Caracterı́stica de qualidade =st N ormal(µ, σ 2 ) Sob controlo µ = µ0 Fora de controlo √ µ = µ0 + δ × σ0 / n, δ > 0 σ = σ0 θ × σ0 , θ > 1 e que fazem uso das seguintes estatı́sticas sumárias e dos seguintes pares de limites de controlo: Tabela 9.10: Caracterização dos esquemas individuais Estatı́stica no instante de inspecção N Esquema E+ − µ Limites de controlo w+ , N = 0 µ,0 n + Wµ,N = + max 0, (1 − λ+ µ)×W + µ,N −1 + λµ × CE + −µ = [LCLE + −µ , U CLE + −µ ] = 0, γµ+ × E+ − σ q X̄N −µ √0 σ0 / n o , N >0 + λ+ µ /(2 − λµ ) w+ , N = 0 σ,0 n + o Wσ,N = + 2 max ln(σ 2 ), (1 − λ+ ) × W + σ 0 σ,N −1 + λσ × ln(SN ) , N > 0 CE + −σ = [LCLE + −σ , U CLE + −σ ] = ln(σ02 ), ln(σ02 ) + γσ+ r × ψ0 n−1 2 × λ+ σ 2−λ+ σ onde os valores iniciais das estatı́sticas sumárias são iguais a: + wµ,0 = α × (U CLE + −µ − LCLE + −µ ), α ∈ [0, 1) (9.37) + wσ,0 = ln(σ02 ) + β × (U CLE + −σ − LCLE + −σ ), β ∈ [0, 1). (9.38) Caso α > 0 (β > 0) afirma-se que foi dado um head start de α × 100% (β × 100%). 277 Seja RLαE + −µ (δ, θ) (RLβE + −σ (θ)) o número de amostras recolhidas até sinal da carta EWMA unilateral superior para µ (σ 2 ) quando é dado head starts de α × 100% (β × 100%) e a magnitude do shift é igual a δ (θ). A abordagem markoviana fornece aproximação caracterı́sticas de RLαE + −µ (δ, θ) e de RLβE + −σ (θ). das Por exemplo, para o caso do esquema para µ é necessário: • dividir o intervalo [LCLE + −µ , U CLE + −µ ] em x+ µ +1 sub-intervalos com amplitude ∆µ , Ei = [eµ, i , eµ, • associar estes sub-intervalos i+1 ), i aos = 0, . . . , x+ µ; estados transeuntes {0, 1, . . . , x+ µ } de uma cadeia de Markov absorvente com espaço de estados discreto {0, 1, . . . , x+ µ + 1}; • aproximar RLαE + −µ (δ, θ) pelo tempo até absorção da cadeia de Markov. Procede-se do mesmo modo para obter as caracterı́sticas de RLβE + −σ (θ). Assim, o número esperado de amostras recolhidas até sinal e a probabilidade de não ser emitido sinal entre as primeiras m amostras são, para os dois esquemas individuais aproximados por: Esquema Aproximação Markoviana E+ − µ ARLαE + −µ (δ, θ) ' e> × [I − Q(δ, θ)]−1 × 1 bα(x+ +1)c µ F RLα + E E+ − σ −µ (δ,θ) (m) ' e> × [Q(δ, θ)]m × 1, m = 0, 1, 2, . . . bα(x+ +1)c µ ARLβE + −σ (θ) ' e0[β(x+ +1)] × [I − Q(θ)]−1 × 1 σ F RLβ (θ) E + −σ (m) ' e0[β(x+ +1)] × [Q(θ)]m × 1 σ Importa notar que no cálculo do desempenho do esquema para µ (σ 2 ) se admitiu que σ 2 (µ) é desconhecido embora constante. 278 Discutiremos oportunamente o controlo simultâneo dos parâmetros µ e σ 2 e constataremos que o desempenho do esquema para µ depende não só de δ como da magnitude do shift em σ. Daı́ termos lindo a lidar com RLE + −µ (δ, θ). No que diz respeito ao esquema EWMA unilateral superior para µ, as transições entre os estados transeuntes são regidas por uma matriz sub-estocástica com entradas do tipo + + qµ, ij (δ, θ) = P [Wµ,N ∈ Ej |Wµ,N −1 = (eµ, i + eµ, = aµ, onde aµ, i −1 (δ, θ) = i j (δ, θ) − aµ, i+1 )/2, δ, θ] i j−1 (δ, θ) (9.39) 0, i = 0, . . . , x+ µ, e + × [(j + 1) − (1 − λ+ )(i + 1/2)] γ 1 µ µ q − δ , aµ, i j (δ, θ) = Φ × + + + θ (9.40) (xµ + 1) λµ (2 − λµ ) para i, j = 0, . . . , x+ µ . Analogamente, tem-se, para o esquema EWMA unilateral superior para σ 2 , + + qσ, ij (θ) = P [Wσ,N ∈ Ej |Wσ,N −1 = (eσ, i + eσ, = aσ, i j (θ) − aσ, i+1 )/2, θ] i j−1 (θ) (9.41) onde aσ, i j (θ) n−1 θ2 γ + × pψ0[(n − 1)/2] × [(j + 1) − (1 − λ+ )(i + 1/2)] σ σ , q × exp + + + (xσ + 1) λσ (2 − λσ ) = Fχ2 (n−1) para i, j = 0, . . . , x+ σ e com aσ, i −1 (θ) (9.42) = 0, i = 0, . . . , x+ σ. Nota 9.32 — Importa notar que todas as entradas da matriz Qµ (δ, θ) e Qσ (θ) são aproximações das probabilidades de transição da cadeia de Markov original com espaço de estados contı́nuo, resultantes da substituição, no acontecimento condicional, dos eventos {Wµ,+ N −1 ∈ Eµ, i } e {Wσ,+ N −1 ∈ Eσ, i } por {Wµ,+ N −1 = (eµ, i + eµ, {Wσ,+ N −1 = (eσ, i + eσ, i+1 )/2}, respectivamente. 279 i+1 )/2} e • Exercı́cio 9.33 — Deduza a expressão de qµ, i j (δ, θ) para uma carta EWMA unilateral superior e para uma carta EWMA padrão para µ. • Exercı́cio 9.34 — Deduza agora a expressão de qσ, i j (θ) para uma carta EWMA unilateral superior para σ 2 . • Exercı́cio 9.35 — Recorrendo a um programa para o package Mathematica e a 41 estados transeuntes, certifique-se que, de acordo com a aproximação markoviana, ARLE + −µ (0, 1) ' 500 para o esquema EWMA unilateral superior para µ com as seguintes caracterı́sticas: • µ0 = 0, σ0 = 1, γµ+ = 2.8116 e λ+ µ = 0.134. Obtenha o ARL desta carta para • δ = 0.05, 0.10, 0.20, 0.30, 0.40, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.5, 2.0, 3.0. • Exercı́cio 9.36 — Escreva um programa para o package Mathematica por forma a obter o ARL sob controlo da carta EWMA padrão descrita no Exercı́cio 9.26, considerando 41 estados transeuntes na aproximação markoviana. • Exercı́cio 9.37 — Considere uma carta EWMA unilateral superior para a variância de uma caracterı́stica de qualidade com distribuição sob controlo N ormal(µ0 , σ0 ), com n = 5, 0% head start, µ0 = 0, σ0 = 1, λ = 0.05, LCL = 0, U CL = 0.157079, θ = σ/σ0 ≥ 1 e o número esperado de amostras recolhidas até sinal igual a ARLE + −σ (1) = 370.414. Tome agora uma carta Shewhart unilateral superior para σ 2 com limites de controlo LCL = 0 e U CL = 4.06286. 280 a) Prove que ARLS + −σ (1) = 370.414, i.e., as duas cartas são comparáveis sob controlo. b) Elabore um programa no Mathematica por forma a obter valores de ARLS + −σ (θ), ARLE + −σ (θ) e a alteração percentual em ARL, ARLE + −σ (θ) 1 − × 100%, ARLS + −σ (θ) (9.43) por substituição do esquema Shewhart pelo esquema EWMA (ver Figura 9.2). Considere 21 estados transeuntes na aproximação markoviana (i.e. x+ σ = 20). Figura 9.2: Redução percentual em ARL por substituição de esquema Shewhart por esquema EWMA. • Texto de apoio: Morais (2001, pp. 163–170). 281 9.6 Desempenho de esquemas conjuntos para µ e σ2 É irrealista considerar, no contexto de caracterı́sticas de qualidade normalmente distribuı́das, que somente um dos parâmetros se altera pois de um modo geral quer µ, quer σ 2 estão sujeitos a shifts que é crucial detectar. O controlo conjunto de µ e σ 2 é em geral efectuado usando esquemas conjuntos, dividindo-se estes em duas categorias: • esquemas que recorrem a uma só carta e uma estatı́stica univariada (Chengalur et al. (1989), Domangue e Patch (1991)) ou bivariada (Takahashi (1989)); • esquemas que resultam do uso simultâneo de duas cartas de controlo individuais — uma para µ outra para σ 2 (Crowder (1987), Saniga (1989), Gan (1989, 1995), St. John e Bragg (1991), Morais e Pacheco (2000)). Exercı́cio 9.38 — Caracterize um esquema conjunto para µ e σ 2 que faz uso de uma carta Shewhart padrão para µ e uma carta Shewhart unilateral superior para σ 2 . a) Em que situações é emitido sinal por este esquema conjunto? b) Como se pode escrever o número de amostras recolhidas até que o esquema conjunto emita sinal, RLµ,σ (δ, θ), à custa dos RLs das cartas individuais? c) Qual a distribuição de RLµ,σ (δ, θ)? d) Obtenha um gráfico tridimensional de ARLµ,σ (δ, θ) para um esquema conjunto à sua escolha. 282 • Exercı́cio 9.39 — Retome o Exercı́cio 9.31 considerando agora um esquema conjunto similar ao do Exercı́cio 9.38. a) Defina os limites de controlo das cartas individuais de modo que a probabilidade de emissão de falso alarme é em qualquer dos casos igual a 0.002? b) Obtenha a probabilidade de o esquema conjunto emitir um falso alarme. c) Qual a probabilidade de vir a ser emitido um sinal válido entre as 10 primeiras amostras recolhidas após um shift simultâneo em µ e σ com magnitude (δ, θ) = (0.1, 1.1)? d) Obtenha um gráfico tridimensional de ARLµ,σ (δ, θ) para este • esquema conjunto. 9.6.1 Sinais erróneos — Misleading Signals Qualquer dos esquemas conjuntos que faça uso simultâneo de duas cartas emite um sinal aquando da recolha da N -ésima amostra desde que pelo menos uma das duas cartas o faça. Então há a possibilidade de • um aumento em σ ser seguido de sinal na carta para µ ou de • uma alteração em µ ser seguida de sinal na carta para σ. Estas ocorrências foram designadas, a par de outras, de Misleading Signals por St. John e Bragg (1991) e Morais e Pacheco (2000) classificaram-nos de Tipos III e IV, respectivamente. Exercı́cio 9.40 — Procure identificar outros tipos de misleading signals quando se faz uso de esquema EWMA padrão para µ. 283 • Exemplo 9.41 — Os valores alvo para o valor esperado e desviopadrão da temperatura de um reagente quı́mico são µ0 = 100o C and σ0 = 1o C, respectivamente. Suponha que se recolhe gupos de n = 9 temperaturas de reagente de hora a hora, durante 10 horas consecutivas. Considere-se um primeiro caso em que somente o desvio-padrão do processo está fora de controlo e toma o valor σ = 1.2o C. No segundo caso assuma-se que somente o valor esperado do processo está fora de controlo mais precisamente no nı́vel µ = 100.05o C. Tabela 9.11: Médias (x̄), variâncias (s2 ) e max{σ02 , s2 } das temperaturas do reagente. (µ, σ) = (100o C, 1.2o C) (µ, σ) = (100.05o C, 1o C) N x̄ s2 max{σ02 , s2 } x̄ s2 max{σ02 , s2 } 1 99.887 0.437 1.000 99.980 3.295 3.295*** 2 99.429 1.085 1.085 100.478 0.922 1.000 3 100.807 0.610 1.000 99.962 0.963 1.000 4 99.992 1.497 1.497 99.878 0.978 1.000 5 100.025 0.761 1.000 100.130 0.904 1.000 6 100.380 1.113 1.113 99.589 1.402 1.402 7 100.702 1.861 1.861 99.776 0.943 1.000 8 99.897 0.512 1.000 100.093 1.819 1.819 9 101.015* 1.343 1.343 100.408 1.507 1.507 10 100.139 4.779 4.779** 100.116 1.281 1.281 * Misleading signal de Tipo III *** Misleading signal de Tipo IV ** Sinal válido µ0 = 100o C; σ0 = 1o C; n = 9; [LCLS−µ , U CLS−µ ] = [99.064, 100.936]; [LCLS + −σ , U CLS + −σ ] = [1, 2.744]. Os dados respeitantes às médias e variâncias corrigidas das temperaturas de do reagente quı́mico encontram-se na Tabela 9.11 284 e ilustram a ocorrência de sinais erróneos nestes dois casos quando se faz uso de um esquema conjunto com uma carta X̄ padrão para µ (S − µ) e uma carta S 2 unilateral superior para σ 2 (S + − σ), com limites de controlo (LCLS−µ , U CLS−µ ) = (99.064, 100.936) e (LCLS + −σ , U CLS + −σ ) = (1, 2.744). Com efeito, o esquema conjunto produziu um misleading signal de Tipo III à 9a observação no 1o conjunto de dados como se pode constatar na Tabela 9.11. Analogamente, a 1a observação de 2o conjunto de dados está para além dos limites de controlo do esquema para σ 2 , dando a indicação de que o desvio-padrão do processo está aparentemente fora de controlo, logo produzindo um misleading signal de Tipo IV. Convém mencionar que a 10a amostra do 1o conjunto de dados foi responsável por um sinal válido, emitido pela carta S + − σ. Contudo, a carta S − µ não emitiu nenhum sinal válido entre as primeiras 10 observações do 2o conjunto de dados. 9.6.2 • Probabilidades de Misleading Signal (PMS) Os misleading signals podem levar o utilizador do esquema conjunto a tentar • diagnosticar e corrigir causa determinı́stica inexistente, logo a agravar custos de inspecção. Esta situação sugere a utilização de pelo menos uma outra medida de desempenho para além de RL: • P M S — Probabilidade de MS. A independência entre as estatı́sticas sumárias das cartas individuais para µ e σ 2 volta a desempenhar um papel importante na obtenção 285 de expressões simples para as probabilidades de misleading signals dos Tipos III e IV, denotadas por P M SIII (θ) e P M SIV (δ). Lema 9.42 — As expressões das PMSs de Tipos III e IV para esquemas conjuntos envolvendo esquemas individuais com estatı́sticas sumárias independentes são iguais a P M SIII (θ) = P [RLσ (θ) > RLµ (0, θ)] = = +∞ X i=2 +∞ X FRLµ (0,θ) (i − 1) × PRLσ (θ) (i) (9.44) PRLµ (0,θ) (i) × F RLσ (θ) (i), θ > 1 (9.45) i=1 P M SIV (δ) = P [RLµ (δ, 1) > RLσ (1)] = = +∞ X i=1 +∞ X F RLµ (δ,1) (i) × PRLσ (1) (i) (9.46) PRLµ (δ,1) (i) × FRLσ (1) (i − 1), δ 6= 0 (9.47) i=2 (ou δ > 0 ao utilizar-se esquemas unilaterais superiores para µ), onde RLµ (δ, θ) e RLσ (θ) representam os RLs dos esquemas individuais para µ e σ2. • Exercı́cio 9.43 — Prove que as expressões exactas das PMSs dos esquemas conjuntos SS 4 e SS + 5 são as que se encontram na Tabela 9.12. 4 Este esquema conjunto resulta do uso de uma carta X̄ para µ e uma carta S 2 unilateral superior para σ 2 . 5 Este esquema faz uso da carta X̄ unilateral superior para µ e carta S 2 unilateral superior para σ2 . 286 Tabela 9.12: Expressões exactas das PMSs de Tipos III e IV para os esquemas conjuntos SS e SS + . Esq. conjunto SS P M SIII (θ), θ > 1 [Fχ2 n−1 SS + 1−[Φ(γµ /θ)−Φ(−γµ /θ)] (γσ+ /θ2 )]−1 −[Φ(γµ /θ)−Φ(−γµ /θ)] [Fχ2 n−1 + 1−Φ(γµ /θ) + 2 −1 + (γσ /θ )] −Φ(γµ /θ) P M SIV (δ), δ 6= 0 (δ > 0) 1−Fχ2 n−1 (γσ+ ) [Φ(γµ −δ)−Φ(−γµ −δ)]−1 −Fχ2 n−1 (γσ+ ) (γσ+ ) n−1 + [Φ(γµ −δ)]−1 −Fχ2 (γσ+ ) n−1 1−Fχ2 • Exercı́cio 9.44 — Elabore gráficos para as PMSs dos Tipos III e IV, considerando o esquema conjunto descrito no Exemplo 9.41. • Refira-se que a obtenção das PMSs para esquemas que fazem uso de cartas do tipo EWMA ou CUSUM passa pela substituição das funções de sobrevivência e de probabilidade em (9.45) e (9.46) pelas suas aproximações markovianas. Refira-se ainda que estes esquemas conjuntos possuem de um modo geral PMSs inferiores às dos esquemas conjuntos do tipo Shewhart, a acrescer a uma maior capacidade de detecção de shifts em µ e σ 2 , como se ilustra no exemplo seguinte. Exemplo 9.45 — Na tabela abaixo encontram-se valores das PMSs dos Tipos III e IV para esquemas conjuntos SS + e EE + para • dimensão da amostra igual a n = 5; • valores nominais do parâmetros, µ0 = 0 e σ0 = 1; e • δ = 0.05, 0.10, 0.20, 0.30, 0.40, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.5, 2.0, 3.0, θ = 1.01, 1.03, 1.05, 1.10, 1.20, 1.30, 1.40, 1.50, 1.60, 1.70, 1.80, 1.90, 2.00, 3.00. 287 Estes esquemas conjuntos possuem as seguintes caracterı́sticas: • SS + — faz uso de cartas X̄ e S 2 unilaterais superiores tais que γµ+ = 2.87816, γσ+ = 16.9238 e ARLS + −µ (0, 1) = ARLS + −σ (1) = 500.000; • EE + — resulta da utilização simultânea de cartas EWMA unilaterais superiores para µ e σ 2 tais que γµ+ = 2.8116, λ+ µ = 0.134 e ARLE + −µ (0, 1) = 500.047, γσ+ = 1.2198, λ+ σ = 0.043, ARLE + −σ (1) = 500.027, e 41 estados transeuntes na aplicação da abordagem markoviana quer para a carta para µ, quer para a carta para σ 2 . Tabela 9.13: Valores das PMSs dos Tipos III e IV para esquemas conjuntos SS + e EE + . P M SIII (θ) θ SS + P M SIV (δ) EE + δ SS + EE + 1.01 .484676 .455274 0.05 .460162 .403991 1.03 .456701 .377092 0.10 .421864 .319232 1.05 .430911 .313194 0.20 .349949 .191651 1.10 .375334 .206131 0.30 .286075 .114210 1.20 .295048 .114615 0.40 .231295 .069767 1.30 .242637 .081130 0.50 .185599 .044152 1.40 .206805 .065605 0.60 .148269 .028898 1.50 .180893 .057295 0.70 .118230 .019432 1.60 .161108 .052531 0.80 .094298 .013327 1.70 .145270 .049768 0.90 .075349 .009262 1.80 .132095 .048249 1.00 .060389 .006491 1.90 .120806 .047556 1.50 .021323 .001126 2.00 .110920 .047439 2.00 .008458 .000185 3.00 .051170 .059958 3.00 .001644 .000004 Importa notar que dar head-starts às cartas EWMA unilaterais superiores para µ (σ) agrava as P M S’s de Tipos III (IV). Os resultados 288 sugerem que a substituição de um esquema combinado Shewhart unilateral superior por um do tipo EWMA reduz as P M Ss e que a ocorrência de misleading signals quer do Tipo III, quer do Tipo IV, não parece negligenciável especialmente para os esquemas SS + . • Exercı́cio 9.46 — A qualidade do enchimento de garrafas de refrigerante é controlada recolhendo observações respeitantes ao desvio entre a altura do lı́quido em cada garrafa e uma marca-chave no gargalo da mesma. Admita que o referido desvio possui, sob controlo, distribuição normal com valor esperado µ0 = 0cm e desvio-padrão σ0 = 0.1cm. Na tabela seguinte foram registadas as médias e as variâncias de 10 amostras de 5 garrafas cada: N 1 2 3 4 5 6 7 8 9 10 x̄N 0.108 -0.074 -0.248 0.539 0.144 0.497 0.206 1.152 0.560 0.235 s2N 0.236 1.364 0.552 1.823 2.504 0.504 0.923 1.354 0.898 3.723 a) Considere-se que o controlo de σ é feito à custa de uma carta EWMA unilateral superior, caracterizada por λσ = 0.043 e γσ = 1.2198, que possui ARLσ (1) = 500.027 e ARLσ (1.9) = 4.120. Averigue se alguma das três primeiras observações apontam para a alteração de σ. (b) Admita agora que para o controlo de µ se toma uma carta padrão do tipo Shewhart cujos limites de controlo são tais que – o número esperado de amostras recolhidas até à emissão de falso alarme por parte desta carta é de 370.4. 289 Determine a probabilidade de esta carta emitir um sinal quando ocorre um aumento de 81% na variância σ 2 . Comente. (c) Ao utilizar-se a carta descrita em (b) e simultaneamente uma carta unilateral superior do tipo Shewhart para σ, obtém-se o que se designa por esquema conjunto para µ e σ. Determine a probabilidade de ocorrência de sinal erróneo de Tipo III (IV) quando θ = 1.9 (δ = 0.1), caso a carta para σ possua ARLσ (1) = 200. Comente estes resultados. Nota: Na impossibilidade de obter valores exactos obtenha intervalos de valores para estas duas probabilidades. (Exame de Época Especial, 2o. Sem. – 2004/05) • Exercı́cio 9.47 — O fenómeno dos sinais erróneos não é exclusivo dos esquemas conjuntos para µ e σ. a) Qual a probabilidade de ser emitido um sinal erróneo pelo esquema S 2 unilateral superior com número esperado de amostras até falso alarme igual a 100, quando n = 10 e há uma redução de 10% no desvio-padrão? b) Compare-a com a correspondente probabilidade de emissão de sinal válido por parte de um esquema S 2 padrão com ARL sob controlo também igual a 100. Confronte também as probabilidades de emissão de sinal entre as primeiras 100 amostras destas duas cartas, mais uma vez quando θ = 0.9. Comente estes resultados. (Exame de 2a. Época, 2o. Sem. – 2004/05) • Texto de apoio: Morais (2001, pp. 107–137). 290 Capı́tulo 10 Amostragem de aceitação 10.1 Introdução Não existem processos de produção perfeitos ou sem variabilidade, por mais cuidadosos que sejam o seu planeamento e a sua manutenção, pelo que a inspecção de matéria-prima, de produtos semiacabados ou de produtos acabados é fundamental para assegurar a qualidade da produção. Quando a inspecção tem por propósito aceitar ou rejeitar um lote de um produto de acordo com determinada regra padrão, ela é habitualmente designada por amostragem de aceitação. A amostragem de aceitação não fornece, no entanto, nenhuma forma directa de reduzir a variabilidade do processo de produção, ao contrário do que acontece com o controlo estatı́stico de processos. Apresenta-se, de seguida, uma aplicação tı́pica da amostragem de aceitação. Exemplo 10.1 (Montgomery (1991, p. 551)) — Uma companhia recebe um produto de um vendedor. Este produto é uma componente ou matéria-prima usada no processo de fabrico da companhia. É 291 retirada uma amostra de um lote e são inspeccionadas algumas caracterı́sticas de qualidade de cada unidade da amostra. Com base na informação obtida desta amostra, é tomada uma decisão no que diz respeito ao lote. Os lotes aceites são utilizados na produção, ao passo que os lotes rejeitados ou são devolvidos ao vendedor ou são sujeitos a outro tipo • de acção. A amostragem de aceitação é pois um compromisso entre a inspecção a 100% e a aceitação dos lotes sem recurso a qualquer observação. Segundo Montgomery (1991, p. 552), a amostragem de aceitação é normalmente usada quando, por exemplo: • testar uma unidade incorre na sua destruição; • o custo de uma inspecção a 100% é demasiado elevado; • a inspecção a 100% não é viável tecnologicamente ou requereria tanto tempo que teria um impacto bastante negativo ao nı́vel da produção; • apesar do processo de produção ter uma notável história de qualidade, a não inspecção não é de todo razoável e a inspecção a 100% é desprovida de sentido. A amostragem de aceitação apresenta vantagens óbvias, quando confrontada com o recurso à inspecção a 100%: • é geralmente menos dispendiosa por haver um menor número de observações; • diminui o contacto com o produto implicando, por isso, uma redução em eventuais danos no produto; 292 • envolve menor número de operadores em actividades de inspecção; • reduz frequentemente o erro de inspecção, nomeadamente, pela menor fadiga dos inspectores; • provoca uma maior motivação ao vendedor no sentido de uma melhor qualidade para os seus produtos, mediante a rejeição de lotes completos por oposição à simples rejeição de unidades com defeitos. No entanto, a amostragem de aceitação tem também as suas desvantagens por comparação com a inspecção a 100%. Entre elas incluem-se, de acordo com Montgomery (1991, p. 556): • a existência do risco de aceitar lotes “maus”e, naturalmente, rejeitar lotes “bons”; • a geração de menor informação acerca do produto ou do processo de produção; • a necessidade do planeamento e documentação dos planos de amostragem de aceitação, ao contrário do que acontece com a inspecção a 100%. Os planos de amostragem de aceitação dividem-se essencialmente em amostragem por atributos e amostragem para variáveis. Note-se, no entanto, que ambos os tipos de planos de amostragem de aceitação acabam por avaliar a qualidade do lote através da fracção de unidades defeituosas (ou não-conformes) e a sua aplicação passa, na prática, pela consulta de normas de falaremos mais tarde. A saber: 293 • a norma Military Standard 105D (MIL-STD 105D)1 para atributos ou a sua versão civil ANSI/ASQC Z1.4-1981 (1981) ou ainda uma versão mais recente desta norma;2 e • a norma Military Standard 414 (MIL-STD 414) para variáveis ou a sua versão civil ANSI/ASQC Z1.9-1980 (1980).3 Embora menos popular, a amostragem de aceitação para variáveis apresenta uma vantagem importante quando comparada com a amostragem por atributos (Montgomery (1991, p. 623-624)): • os planos de amostragem para variáveis apresentam um menor risco de aceitação de lotes com qualidade inaceitável que os planos de amostragem por atributos, ao considerar-se amostras de dimensões iguais. Debruçar-nos-emos também sobre dois tipos de amostragem de aceitação: • os planos de amostragem simples, de longe os mais usados que estão associados a uma decisão sobre lotes baseada na informação respeitante a uma amostra; • os planos de amostragem dupla que, grosso modo, fazem depender o processo de decisão da recolha de duas amostras; estes planos podem ser generalizados, obtendo-se, por exemplo, planos de amostragem múltipla ou ainda planos de amostragem sequencial. Acrescente-se ainda que se averiguará as implicações da rectificação da inspecção no desempenho de planos de amostragem de aceitação simples ou dupla. 1 De acordo com Montgomery (1985, p. 389), esta norma data de 1963. É o caso da norma ANSI/ASQC Z1.4-2003 (2003). 3 Ou ainda a versão mais recente, a norma ANSI/ASQC Z1.9-2003 (2003). 2 294 Fontes: Casquilho et al. (2005) e Constantino (2004, pp. 6–9). Texto de apoio: Gomes e Barão (1999, pp. 115-119). 295 10.2 Planos de amostragem de aceitação simples por atributos Comece-se por admitir que se tem um lote de dimensão N , com fracção de unidades defeituosas p. Recorrer a um plano de amostragem de aceitação simples por atributos pressupõe normalmente a recolha aleatória de uma amostra de dimensão n e apurar o número de unidades defeituosas da amostra. De seguida, deve comparar-se esse valor com o chamado número de aceitação, c. Se o número de unidades defeituosas da amostra não for superior ao número de aceitação c , aceita-se o lote; caso contrário, rejeita-se o lote. A definição de um plano de amostragem simples por atributos passa por determinar a dimensão da amostra n e o número de aceitação c. A escolha destas duas constantes pressupõe a obtenção prévia da curva caracterı́stica operatória (“operating characteristic curve”ou curva OC). Esta curva não passa da probabilidade de aceitação dum lote em função da sua qualidade, i.e., de p. Considere-se M = N ×p um inteiro que mais não é que o número de unidades defeituosas no lote. Então a v.a. D que representa o número de unidades defeituosas numa amostra de n unidades seleccionadas ao acaso sem reposição segue uma distribuição hipergeométrica, cuja função de probabilidade é dada por: P (D = d) = M d N −M n−d N n , 296 (10.1) para d = max {0, n − (N − M )} , ..., min {n, M }. A probabilidade de aceitação do lote é, evidentemente, função de p e igual a: Pa = Pa (p) = P (D ≤ c) = c X M d N −M n−d d=0 N n , (10.2) onde, recorde-se, M = N p. A equação (10.2) define o que se denomina de curva OC do tipo A. Ao supor-se que a dimensão do lote é suficientemente grande, a distribuição de D pode ser aproximada pela distribuição binomial de parâmetros n e p = M/N . Esta aproximação é particularmente boa quando n/N < 0.1 e conduz à seguinte aproximação da probabilidade de aceitação do lote Pa (p) ' c X n! pd (1 − p)n−d = FBinomial(n,p) (c). d=0 d!(n − d)! (10.3) (10.3) define a chamada curva OC do tipo B. Exercı́cio 10.2 — Considere n = 89 e c = 2. Esboce a curva OC do tipo B. Esboce agora a curva OC ideal, ou seja, a curva que caracteriza um plano de amostragem de aceitação que distingue perfeitamente os lotes “bons”4 de lotes “maus”. • A escolha das constantes n e c que determinam o plano de amostragem de aceitação simples por atributos é norteada por um compromisso: é necessário que a curva OC passe por dois pontos, 4 I.e., lotes com fracção de unidades defeituosas não superior a p1 . 297 de forma a que a probabilidade de aceitação seja igual a 1 − α para lotes com fracção de unidades defeituosas p1 , e que a probabilidade de aceitação seja β para lotes com fracção de unidades defeituosas p2 (p2 > p1 ). Assim: (n, c) : Pa (p1 ) = 1 − α Pa (p2 ) = β. (10.4) É costume designar os valores da fracção de unidades defeituosas p1 e p2 de ı́ndices: • AQL (“Acceptable Quality Level”ou nı́vel de qualidade aceitável) • LTPD (“Lot Tolerance Percent Defective”ou fracção tolerável de defeituosos), respectivamente. O ı́ndice AQL(= p1 ) corresponde à pior qualidade a que o processo pode operar e que ainda conduz a uma probabilidade elevada de aceitação do lote. Por seu lado, o ı́ndice LTPD(= p2 ) é o valor da qualidade a partir do qual se considera que o produto não é aceitável. (Veja-se Gomes e Barão (1999, pp. 121122).) Deste modo, n e c são escolhidos de modo a curva OC passe pelos pontos (AQL, 1 − α) e (LT P D, β), habitualmente designados de ponto do risco do produtor e o ponto do risco do consumidor, respectivamente. Estas designações têm a sua razão de ser: • o produtor deseja evitar rejeitar lotes de boa qualidade, daı́ exigir-se que a probabilidade de aceitação do lote verifique Pa (p) ≥ 1 − α, para p ≤ AQL, onde 1 − α toma um valor próximo de 1 e α denota o risco do produtor; 298 • o consumidor pretende evitar aceitar lotes de má qualidade, donde exigir-se que Pa (p) ≤ β, para p ≥ LT P D, onde β toma valor próximo de 0 e representa o risco do consumidor. Ao recordar o carácter discreto da v.a. D, a natureza inteira de n e c, o reparo do parágrafo anterior e ao assumir-se a validade da aproximação à distribuição binomial, o tamanho da amostra n e o número de aceitação c deverão ser escolhidos por forma a satisfazerem as duas inequações seguintes: (n, c) : P n! c d=0 d!(n−d)! n! Pc d=0 d!(n−d)! pd1 (1 − p1 )n−d ≥ 1 − α pd2 (1 − p2 )n−d ≤ β. (10.5) (10.5) assegura (ao produtor) uma probabilidade de aceitação maior que 1 − α para lotes com fracção de unidades defeituosas AQL = p1 e garante (ao consumidor) uma probabilidade de aceitação menor que β para lotes com fracção de unidades defeituosas LT P D = p2 . A resolução de (10.5) pode conduzir a diferentes pares de inteiros (n, c) logo a distintos planos de amostragem de aceitação simples por atributos, com as correspondentes curvas OC passando próximo dos pontos do risco do produtor e do risco do consumidor. Descreve-se, de seguida, um método aproximado de obtenção do par (n, c) do plano de amostragem. Este método é descrito por Wetherill e Brown (1991) e basea-se no uso da distribuição de Poisson como uma aproximação binomial e tira partido de uma relação conhecida entre a f.d. da v.a. de Poisson e a f.d. da v.a. qui-quadrado. Uma vez estabelecidos os pontos do risco do consumidor (AQL = p1 , 1−α) e do risco do produtor (LT P D = p2 , β), o uso da aproximação 299 da Poisson à binomial, leva-nos a concluir que (n, c) : Pc e−np1 (np1 )d d=0 d! −np2 P e (np2 )d c d=0 d! ≥1−α ≤ β. (10.6) Tirando agora partido do facto de e−λ λd FP oisson(λ) (c) = = 1 − Fχ22(c+1) (2λ), d! d=0 c X (10.7) (10.6) passa a ser equivalente a (n, c) : 1 − Fχ22(c+1) (2np1 ) ≥ 1 − α 1 − Fχ22(c+1) (2np2 ) ≤ β 2np1 ≤ Fχ−1 2 (α) 2np2 ≥ Fχ−1 2 (1 − β). (10.8) ou ainda a (n, c) : 2(c+1) (10.9) 2(c+1) Agora, ao tomar-se r(c) = Fχ−1 2 (1 − β) 2(c+1) Fχ−1 2 (α) , (10.10) 2(c+1) conclui-se que a constante de aceitação do plano de amostragem simples por atributos c é o menor inteiro que satisfaça a condição p2 (10.11) r(c) ≤ . p1 Por seu lado, a dimensão da amostra n decorre das duas desigualdades em (10.6) e como tal é enquadrada do seguinte modo: Fχ−1 2 (1 − β) 2(c+1) 2p2 ≤n≤ Fχ−1 2 (α) 2(c+1) . 2p1 (10.12) Qualquer valor de n que satisfaça (10.12) é solução do problema. Recomenda-se, no entanto, que se tome, por exemplo, o menor inteiro que satisfaça (10.12) para o valor da dimensão da amostra. 300 Exercı́cio 10.3 — Considere os valores • p1 = AQL = 0.01, • p2 = LT P D = 0.10, • α = 0.05 (risco do produtor) e • β = 0.10 (risco do consumidor), e responda às questões seguintes: (a) Defina o plano de amostragem simples por atributos. (b) Obtenha uma tabela com valores aproximados da probabilidade associada de aceitação do lote para p = 0.005, 0.01, 0.04, 0.065, 0.1, 0.15. (c) Esboce o gráfico da curva OC do tipo B. (d) Repita (a)–(c), resolvendo o sistema de inequações (n, c) : Pa (p1 ) ≥ 1 − α Pa (p2 ) ≤ β, (10.13) considerando agora a distribuição exacta de D (hipergeométrica) e o tamanho do lote igual aN = 800. Comente. (e) Repita (d) considerando somente a aproximação binomial à hipergeométrica na resolução do problema. (f) Compare as três curvas OC obtidas. Fonte: Constantino (2004, pp. 13–21). 301 • 10.3 A norma Military Standard 105 (ANSI/ASQC Z1.4) A norma Military Standard 105D5 ou uma sua versão civil, como é o caso de norma ANSI/ASQC Z1.4-1981 surge como alternativa à resolução do sistema (10.13) para a definição de um plano de amostragem de aceitação simples por atributos. Ao invés dos valores correspondentes à dimensão do lote N e aos pontos do risco do produtor (AQL, 1−α) e do consumidor (LT P D, β), a norma ANSI/ASQC Z1.4-1981 requer simplesmente o ı́ndice AQL e o letra de código da dimensão da amostra (sample size code letter )6 para a obtenção do plano de amostragem considerado acima. De realçar que só é possı́vel considerar certos valores para o ı́ndice AQL. O valor mı́nimo e máximo de AQL correspondem a 0.01% e 10%, respectivamente. Saliente-se que os valores tabelados superiores a 10% correspondem ao número de defeitos por cada 100 unidades e não à percentagem de defeituosos. É importante notar que a norma não dá qualquer indicação acerca da probabilidade de aceitação do plano de amostragem ao nı́vel do ı́ndice AQL, nem tão pouco dá qualquer informação acerca de LTPD e respectiva probabilidade de aceitação. A letra de código da dimensão da amostra é obtida por recurso à Tabela I (Sample Size Code Letters) da norma ANSI/ASQC 5 A versão original desta norma, MIL-STD 105A, data de 1950, de acordo com Montgomery (1985, p. 389). 6 Esta designação deveras enganadora diz, na verdade, respeito ao tamanho do lote mas é por utilização desse código que se obtém, posteriormente e por recurso a outra tabela, a dimensão da amostra. 302 Z1.4-1981, determinando a linha onde se situa o intervalo onde se enquadra a dimensão do lote Nessa mesma linha encontra-se, consoante o nı́vel geral de inspecção (que aqui será sempre considerado o nı́vel II geral de inspecção), a correspondente letra de código da dimensão da amostra. Por exemplo, o código obtido para a dimensão da amostra é a letra H para lotes com dimensões compreendidas no intervalo entre 281 e 500). Inspeccionando a Tabela II-A (Single Sampling Plans for Normal Inspection) da norma ANSI/ASQC Z1.4-1981, obtém-se a dimensão da amostra n na linha correspondente ao código da dimensão da amostra. E ao intersectar esta linha com a coluna correspondente ao valor do ı́ndice AQL, obtém-se a constante de aceitação c. Está assim definido o plano de amostragem de aceitação simples por atributos. A tı́tulo de exemplo, ao considerar-se AQL=0.01 obtém-se o plano de amostragem caracterizado por n = 50 e c = 1. Exercı́cio 10.4 — Averigue quão concordantes são os planos obtidos no Exercı́cio 10.3 com o plano de amostragem determinado pela norma ANSI/ASQC Z1.4-1981, no que diz respeito à curva OC. Relembrese que naquele exercı́cio considerou-se AQL = p1 = 0.01, α = 0.05, • LT P D = p2 = 0.1 e β = 0.1. Exemplo 10.5 — A Tabela 10.1 permite uma comparação entre as constantes n e c dos planos de amostragem simples obtidos pela norma ANSI/ASQC Z1.4-1981 e dos planos obtidos resolvendo o sistema (10.6) fazendo uso da distribuição exacta de D, considerando para o efeito o tamanho do lote igual a N = 800 e diversos valores dos 303 pontos do consumidor e do produtor. Esta tabela revela uma série de diferenças entre os planos de amostragem obtidos pela norma e pelo sistema (10.6). Estas diferenças devem-se ao facto de serem considerados pela norma diferentes valores para o LTPD, sobre os quais não existe, por sinal, qualquer referência. Aliás, a norma vai fazendo uso de diferentes ı́ndices de LTPD para diferentes valores de AQL. De assinalar, igualmente, a evolução do tamanho da amostra para planos de amostragem em que só varia o valor de p2 . Assim, mantendo p1 constante e à medida que p2 vai aumentando, o valor obtido para a dimensão da amostra n vai diminuindo (para a distribuição hipergeométrica). Tal deve-se ao facto de um plano de amostragem com valores de p1 e p2 relativamente próximos ter que ser mais sensı́vel a pequenas alterações ao nı́vel da qualidade, exigindo, por isso, que se recolha uma amostra de dimensão maior. Repare-se por fim que, para um valor baixo de p1 , o plano de amostragem requer uma dimensão de amostra elevada: por sinal, para a norma ANSI/ASQC Z1.4-1981, é necessária uma inspecção a 100%; o valor obtido para n considerando a distribuição hipergeométrica não • lhe é muito inferior. Recomenda-se vivamente a leitura de Montgomery (1985, pp. 389– 413) para mais detalhes acerca da utilização das tabelas MIL-STD 105D e similares, nomeadamente no que diz respeito aos nı́veis de inspecção. Por curiosidade refira-se que existem três nı́veis gerais de inspecção (general inspection levels). A saber: • Nı́vel II (Level II) — é designado também de nı́vel normal de inspecção (normal level); 304 Tabela 10.1: Planos de amostragem obtidos por uso da norma ANSI/ASQC Z1.41981 e por recurso à distribuição hipergeométrica, para N = 800, α = 0.05 e β = 0.1. Norma ANSI/ASQC Z1.4-1981 p1 =AQL p2 =LTPD 0.0001 Hipergeométrica n c n c 0.001 800 0 720 0 0.001 0.01 125 0 325 1 0.001 0.05 125 0 74 1 0.01 0.1 80 2 37 1 0.04 0.2 80 7 32 3 0.04 0.3 80 7 16 2 0.1 0.2 80 14 96 14 0.1 0.3 80 14 33 6 • Nı́vel I (Level I) — requer cerca de metade da quantidade de unidades a inspeccionar que o nı́vel II, é designado de nı́vel reduzido de inspecção (reduced level) e o seu uso é recomendado quando não se pretende grande poder de discriminação entre lotes “bons”e ”maus”; • Nı́vel III (Level III) — requer cerca do dobro da quantidade de unidades a inspeccionar que o nı́vel II, é denominado de nı́vel “rigoroso”de inspecção (tightened level) e recomenda-se o seu uso quando se pretende uma grande discriminação entre lotes “bons”e ”maus”. A forma como se transita entre estes três nı́veis é também descrita por Montgomery (1985, pp. 390–391). Refira-se também que existem quatro nı́veis especiais de inspecção (special inspection levels), S1, S2, S3, S4. De acordo com Montgomery (1985, p. 390), os nı́veis especiais de inspecção requerem amostras de dimensão pequena e só devem ser usados quando os custos de 305 inspecção são proibitivos e quando pode tolerar-se uma certa falta de poder discriminatório por parte do plano de amostragem. Fonte (parcial): Constantino (2004, pp. 21–24). Texto de apoio: Montgomery (1985, pp. 389–413). 306 10.4 Planos de amostragem de aceitação simples por atributos – com rectificação da inspecção Por um lado parece perfeitamente natural que, face à aceitação de um lote, se • substitua todas as unidades amostrais que tendo sido inspeccionadas revelaram-se defeituosas e • não se inspeccione as restantes N − n unidades do lote. Por outro lado a rejeição de um lote deverá desencadear uma acção correctiva por parte do produtor que compreenda não só a substituição das unidades amostrais inspeccionadas e defeituosas como a inspecção das restantes N − n unidades do lote e a substituição de eventuais unidades defeituosas. Em resumo, a rejeição de um lote deve ter como resultado • uma inspecção a 100% do mesmo e • a substituição de todas as unidades defeituosas do lote. A este tipo de procedimento damos o nome de rectificação da inspecção. Esta designação tem a sua razão de ser já que as acções acabadas de descrever acabam por resultar numa “melhoria/rectificação”da qualidade do lote. Os planos com rectificação da inspecção são anteriores à II Guerra Mundial e são normalmente usados na inspecção de matéria-prima ou produtos semi-acabados (receiving inspection) antes de seguirem no processo de produção ou antes de os produtos acabados (final inspection) seguirem para os consumidores. Após a rectificação da inspecção, a fracção de unidades defeituosas nos lotes diminui, muito em particular nos lotes rejeitados. Importa 307 pois calcular a fracção de unidades defeituosas após a rectificação da inspecção. Para tal recorre-se ao que se designa de qualidade média à saı́da e se representa abreviadamente por AOQ (average outgoing quality).7 Para calcular AOQ basta notar que após a rectificação da inspecção: • acabamos por ficar com 0 (zero) unidades defeituosas no lote, caso se tenha rejeitado o lote. • restam em média p(N − n) unidades defeituosas entre as restantes N − n unidades não inspeccionadas do lote, caso o lote tenha sido aceite.8 Dividindo estes dois números pela dimensão do lote N obtém-se a fracção desejada: AOQ = AOQ(p) 1 × {0 × [1 − Pa (p)] + p (N − n) × Pa (p)} = N p (N − n) Pa (p) . = N (10.14) Este indicador é, obviamente, bem aproximado por p Pa (p), caso n/N seja suficientemente pequeno. De referir também que as curvas AOQ(p) estão sempre abaixo da recta y = x.9 Exercı́cio 10.6 — Esboce e compare as curvas AOQ(p), associadas a um par de planos de amostragem simples à sua escolha de entre os descritos na Tabela 10.1, ao adoptar-se rectificação da inspecção. 7 • Convém voltar a referir que AOQ, ao contrário do que possa sugerir esta designação, corresponde à fracção de unidades defeituosas após a rectificação da inspecção. 8 Recorde-se que entre as n unidades amostrais de um lote aceite não há quaisquer unidades defeituosas após a rectificação da inspecção. 9 Basta ter em conta a expressão (10.14) que define AOQ(p). 308 Ao esboçar curvas AOQ(p) rapidamente se conclui que AOQ é uma função monótona por troços: • começa por ser monótona crescente para valores pequenos da fracção original de unidades defeituosas p; • atinge um valor máximo e é, naturalmente, decrescente para valores de p associados a lotes originalmente com má qualidade. Ao máximo de AOQ(p), p ∈ (0, 1), dá-se o nome de (Average Outgoing Quality Limit) ou limite AOQ e representamo-lo por AOQL; trata-se da maior das fracções de unidades defeituosas devido à adopção de rectificação da inspecção. Por seu lado, 1 − AOQ(p) p × 100% corresponde à redução relativa da fracção de unidades defeituosas nos lotes graças à rectificação da inspecção. A rectificação da inspecção imprime não só um carácter aleatório ao número de unidades defeituosas num lote como ao número de unidades que é necessário inspeccionar. Se por um lado num plano de amostragem simples são recolhidas n unidades do lote, por outro ao efectuar rectificação da inspecção acabamos por inspeccionar um total de: • n unidades, caso o lote seja aceite; • N unidades, caso o lote seja rejeitado. O número esperado de unidades inspeccionadas é designado na literatura anglo-saxónica por ATI (average total inspection) e é uma outra medida de desempenho do plano de amostragem simples com rectificação da inspecção, e por sinal igual a AT I = AT I(p) = nPa (p) + N [1 − Pa (p)]. 309 (10.15) Exercı́cio 10.7 — Esboce agora as curvas AT I(p) para dois dos planos de amostragem simples descritos na Tabela 10.1, assumindo rectificação da inspecção. Confronte-as com o número de unidades inspeccionadas caso não se tivesse adoptado rectificação da inspecção. • É perfeitamente natural que AOQL e ATI sirvam, em conjunto, de critério para a selecção de um plano de amostragem simples com rectificação da inspecção. Com efeito, Montgomery (1985, pp. 372–373) sugere que se fixe um valor para AOQL e simultaneamente se minimize ATI, para um valor especı́fico de p, obtendo-se assim o que usualmente se designa por plano AOQL. Analogamente, pode procurar-se escolher um plano de amostragem simples com rectificação da inspecção com um risco fixo ao nı́vel LTPD que minimize o ATI para um valor especı́fico de p, obtendo-se deste modo um plano LTPD. Os valores de n e c que respeitam (aproximadamente) um destes dois critérios de selecção encontram-se em tabelas que se devem a Dodge e Romig e cuja utilização é descrita aturadamente em Montgomery (1985, Sec. 10-6). Textos de apoio: Gomes e Barão (1999, pp. 122-125); Montgomery (1985, pp. 368–373). 310 10.5 Planos de amostragem de aceitação dupla por atributos – com e sem rectificação da inspecção A extensão natural óbvia dos planos de amostragem simples compreende duas etapas de amostragem, sendo que a segunda amostra é recolhida somente em determinadas circunstâncias. Os planos resultantes denominam-se planos de amostragem dupla e são definidos à custa de quatro parâmetros: • n1 , a dimensão da primeira amostra; • c1 , o número de aceitação da primeira amostra; • n2 , a dimensão da segunda amostra; • c2 , o número de aceitação face à recolha das duas amostras; Dado que há a possibilidade de recolher duas amostras lida-se com duas v.a. D1 e D2 que representam os números de unidades defeituosas na primeira e na segunda amostras. Posto isto pode recorrer-se ao esquema abaixo para descrever sumariamente um plano de amostragem dupla: Figura 10.1: Descrição esquemática de um plano de amostragem dupla. % D1 ≤ c1 → Amostra 1 n1 Êunidades → c1 < D 1 ≤ c2 → & D1 > c2 → Aceitar lote Amostra 2 n2 Êunidades Rejeitar lote 311 % D1 + D2 ≤ c2 → Aceitar lote & D1 + D2 > c2 → Rejeitar lote Montgomery (1985, pp. 374–375) aponta não só vantagens como algumas desvantagens aos planos de amostragem dupla quando confrontados com os planos de amostragem simples. A tı́tulo de exemplo refere que o recurso a planos de amostragem dupla pode resultar numa diminuição dos custos de inspecção, para além da vantagem psicológica de dar ao lote (e, é claro, ao produtor) uma segunda oportunidade. Por sinal, ao dar-se esta segunda oportunidade ao lote, podemos ter que inspeccionar uma segunda amostra até ao fim a menos que se decida fazer o que se designa por censura (curtailment) e consiste em dar por finda a inspecção da segunda amostra assim que o número registado de unidades defeituosas nas duas amostras exceda c2 . É pois natural que, sem uma escolha criteriosa dos parâmetros n1 , c1 , n2 e c2 e sem a adopção de censura, se possa pôr em risco as potenciais vantagens económicas dos planos de amostragem dupla. Por fim, outra desvantagem óbvia dos planos de amostragem dupla prende-se com a complexidade (administrativa) deste procedimento e dos erros de inspecção daı́ decorrentes. Como seria de esperar, os planos de amostragem dupla requerem um cuidado particular no cálculo de medidas de desempenho como a probabilidade de aceitação do lote, bem como a determinação de uma medida adicional de desempenho: a dimensão média da amostra (average sample number). Sejam PaI (p) e PaII (p) as probabilidades de aceitação do lote na primeira e segunda fases do plano de amostragem simples. Ora, de acordo com o esquema da Figura 10.1, pode afirmar-se que PaI (p) = P (D1 ≤ c1 ) (10.16) 312 PaII (p) = P (c1 < D1 ≤ c2 , D1 + D2 ≤ c2 ) = c2 X P (D1 = k) × P (D2 ≤ c2 − k), (10.17) k=c1 +1 pelo que a probabilidade de aceitação do lote é, para um plano de amostragem dupla, dada por: Pa (p) = PaI (p) + PaII (p). (10.18) A esta função é usual dar o nome de curva OC primária (primary OC curve) do plano de amostragem dupla. Às probabilidades de aceitação e rejeição do lote à primeira amostra, PaI (p) e 1 − PaI (p), é costume dar o nome de curvas OC suplementares (supplementary OC curves). Saliente-se também que PaI (p) mais não é que a probabilidade de aceitação de um lote associada a um plano de amostragem simples com n = n1 e c = c2 . De assinalar que sob a validade da aproximação binomial obtemos as seguintes curvas OC do tipo B das quais depende a aproximação de Pa (p), também ela uma curva OC do tipo B: PaI (p) ' FBin(n1 ,p) (c1 ) PaII (p) ' c2 X (10.19) PBin(n1 ,p) (k) × FBin(n2 ,p) (c2 − k). (10.20) k=c1 +1 Exercı́cio 10.8 — Esboce as três curvas OC do tipo B que aproximam PaI (p), PaII (p) e Pa (p) para um plano de amostragem dupla caracterizado por n1 = 50, c1 = 1, n2 = 100 e c2 = 3. Acompanhe estas curvas por valores destas funções para valores de p à sua escolha. Compare e comente a curva OC primária de tipo B com a probabilidade de aceitação de um lote associada a um plano de amostragem simples com n = 75 e c = 2. 313 • É altura de nos debruçarmos sobre a dimensão média da amostra, que se designará abreviadamente por ASN. Ao ter presente o esquema da Figura 10.1 rapidamente se conclui que às n1 unidades amostrais vêm acrescidas outras n2 unidades amostrais, caso a primeira amostra não conduza nem à aceitação do lote nem à rejeição do mesmo. Assim: ASN = ASN (p) = n1 × [P (D1 ≤ c1 ) +P (D1 > c2 )] + (n1 + n2 ) × P (c1 < D1 ≤ c2 ) = n1 + n2 × P (c1 < D1 ≤ c2 ). (10.21) Exercı́cio 10.9 — Considere um plano de amostragem dupla caracterizado por n1 = 50, c1 = 2, n2 = 100 e c2 = 6. (a) Determine valores (aproximados) de ASN (p) e esboce o gráfico dessa mesma curva. (b) Compare ASN (p) e a dimensão (média) da amostra de um plano de amostragem simples com n = 79 e c = 4. Comente. • O exercı́cio anterior permite concluir que a dimensão média da amostra dos planos de amostragem dupla nem sempre é inferior à dimensão fixa dos planos de amostragem simples com riscos idênticos. Não surpreende pois que na prática se efectue censura (curtailment) na segunda amostra de um plano de amostragem dupla, censura esta que consistem em interromper a inspecção da segunda amostra assim que D1 + D2 > c2 . Face a esta modificação, o ASN do plano de amostragem dupla vem alterado: ASN (p) = n1 + c2 X P (n1 , j) × [n2 PL (n2 , c2 − j) j=c1 +1 +(c2 − j + 1)/p × PM (n2 + 1, c2 − j + 2)] , (10.22) 314 onde, caso se considere que D(ν) representa o número de unidades defeituosas numa amostra de dimensão ν, P (n1 , j) = P [D(n1 ) = j] (10.23) PL (n2 , c2 − j) = P [D(n2 ) ≤ c2 − j] (10.24) PM (n2 + 1, c2 − j + 2) = P [D(n2 + 1) = c2 − j + 2]. (10.25) Exercı́cio 10.10 — Deduza a expressão de ASN (p) para planos de • amostragem dupla sem censura. Exercı́cio 10.11 — Considere um plano de amostragem dupla com censura caracterizado por n1 = 60, c1 = 2, n2 = 120 e c2 = 3. (a) Determine valores de ASN (p) e esboce o gráfico desta curva. (b) Confronte a curva OC primária do tipo B deste plano de amostragem com o de um plano de amostragem simples com n = 89 e c = 2. (c) Compare ASN (p) e a dimensão da amostra do plano de amostragem simples referido em (b). • A selecção de n1 , c1 , n2 e c2 pode fazer-se exigindo que a curva OC passe o mais próximo possı́vel de um par de pontos de risco do produtor e do consumidor: (AQL = p1 , 1 − α) e (LT P D = p2 , β). Mas como seria de esperar estes dois pontos são insuficientes para definir univocamente aqueles quatro parâmetros, pelo que é usual acrescentar-lhe algumas restrições, nomeadamente, exigir que n2 seja um múltiplo de n1 e que a razão p2 /p1 tome um valor especı́fico. Assim, a selecção de planos de amostragem dupla passa pela consulta de tabelas próprias, usualmente designadas de Tabelas de Grubbs. 315 Em Montgomery (1985, pp. 379–381) pode encontrar-se dois exemplos dessas tabelas10 e ilustrações da utilização das mesmas. Exercı́cio 10.12 — Defina um plano de amostragem dupla com p1 = 0.01, α = 0.05, p2 = 0.06, β = 0.10 e n2 = 2n1 e obtenha a respectiva curva OC primária do tipo B e ASN (p). • Resta-nos falar do impacto da rectificação da inspecção neste tipo de planos de amostragem e já agora da selecção de planos de amostragem dupla. A rectificação da inspecção num plano de amostragem dupla sem censura conduz a uma qualidade média à saı́da AOQ igual a p[(N − n1 ) PaI (p) + (N − n1 − n2 ) PaII (p)] , AOQ(p) = N já que: (10.26) • ao rejeitar-se um lote à primeira ou à segunda amostra há inspecção de todo o lote e substituição de todas as unidades defeituosas e • em média restam p(N − n1 ) unidades defeituosas, caso o lote seja aceite à primeira amostra, e p(N − n1 − n2 ) unidades defeituosas, caso tal aceitação ocorra à segunda amostra. Por seu lado, o número médio de unidades inspeccionadas ATI num plano de amostragem dupla sem censura e com rectificação da inspecção é dado por: AT I(p) = n1 PaI (p) + (n1 + n2 )PaII (p) + N [1 − Pa (p)], (10.27) dado que são inspeccionadas 10 Na Tabela 10-3 da página 380 desta referência encontram-se os números de aceitação c1 e c2 , para o caso em que n1 = n2 = n, α = 0.05 e β = 0.10 e diversos valores de n e respectivas razões p2 /p1 . Por seu lado a Tabela 10-4 da página 381 reporta-se ao caso n2 = 2n1 , α = 0.05 e β = 0.10. 316 • n1 unidades se a primeira amostra conduzir à aceitação do lote; • n1 + n2 unidades se a aceitação do lote decorrer do resultado da inspecção da segunda amostra; • N unidades se houver rejeição do lote quer à primeira amostra, quer à segunda amostra. Exercı́cio 10.13 — Considere o plano de amostragem dupla com p1 = 0.01, α = 0.05, p2 = 0.06, β = 0.10 e n2 = 2n1 que definiu no Exercı́cio 10.12. (a) Obtenha a curva AOQ(p), determine AOQL e comente os seus resultados. (b) Esboce o gráfico de AT I(p) e compare este gráfico com o número médio de unidades inspeccionadas de um plano de amostragem simples com rectificação da inspecção com os pontos de risco do produtor e do consumidor similares. • Textos de apoio: Gomes e Barão (1999, pp. 125-128); Montgomery (1985, pp. 373–382). 317 10.6 Planos de amostragem de aceitação para variáveis Quando a caracterı́stica de qualidade é uma v.a. contı́nua, nomeadamente quando se assume que possui distribuição normal, o tratamento ao nı́vel dos planos de amostragem é totalmente distinto. É, de um modo geral, adoptado um intervalo [L, U ] de valores razoáveis para a caracterı́stica de qualidade, onde os limites L e U são denominados de limite superior e superior de especificação. Sem qualquer risco de perda de generalidade, não abordaremos o caso em que são usados dois limites de especificação. Considerese apenas o caso em que se faz uso de um limite superior de especificação U . Posto isto uma unidade amostral é considerada defeituosa, caso o correspondente valor observado da caracterı́stica de qualidade X exceda o limite superior de especificação U . Assim, a fracção de peças defeituosas é dada por U −µ , p = P (X > U ) = 1 − Φ σ ! (10.28) caso se assuma que X ∼ N ormal(µ, σ 2 ). Ao contrário da amostragem de aceitação por atributos que assenta no número de unidades defeituosas numa amostra, o plano de amostragem para variáveis baseia a decisão de aceitação ou rejeição do lote naquilo se designa por ı́ndice de qualidade que não passa de uma estatı́stica. Para além disso, a definição do plano de amostragem para variáveis passa pela determinação de uma dimensão da amostra e de uma constante de aceitação 318 que estejam associados a pontos de risco do produtor e do consumidor pré-especificados. Convinha também notar que o plano de amostragem de aceitação para variáveis auxiliar-nos-á a evitar que sejam expedidos lotes com valor esperado µ da caracterı́stica de qualidade X demasiado elevado ou, equivalentemente, com uma fracção de peças defeituosas11 demasiado elevada. Por seu lado, a determinação das curvas OC, embora similar à da amostragem de aceitação por atributos, conduz, de um modo geral, a cálculos mais complexos. Estes cálculos estão omissos na generalidade dos livros, que, após uma explicação normalmente exaustiva sobre as curvas OC em planos de amostragem por atributos, se limitam a referir que tais curvas se obtêm de forma análoga para os planos de amostragem para variáveis. Bowker e Goode (1952) é uma excepção. Refere, por exemplo, a forma como se obtêm as curvas OC para os planos para variáveis: os planos de amostragem para variáveis são definidos de forma que a curva OC se aproxime o mais possı́vel da correspondente curva OC obtida para os planos por atributos para um mesmo valor de AQL. Refira-se também que, no inı́cio deste capı́tulo, foi referida uma vantagem dos planos de amostragem por variáveis. Esta vantagem prende-se essencialmente com o facto de ser possı́vel obter uma curva OC similar à de um plano de amostragem por atributos recorrendo para o efeito a um plano de amostragem para variáveis com menor número de observações. Este facto é particularmente importante se notarmos que o custo das medições requeridas num plano de 11 Definida por exemplo por (10.28). 319 amostragem para variáveis é superior ao correspondente custo num plano por atributos. De assinalar também que as medições usadas num plano de amostragem para variáveis proporcionam informação mais detalhada acerca da qualidade do lote que as medições associadas a planos de amostragem por atributos. Não surpreende pois que este tipo de planos seja preterido a favor de planos de amostragem para variáveis, quando o valor de AQL é muito pequeno como é caso de situações em que este indicador é medido em número de defeitos por milhão. Montgomery (1985, p. 432) aponta também algumas desvantagens. O recurso a um plano de amostragem para variáveis pressupõe que se conheça a distribuição da caracterı́stica de qualidade. É frequente assumir que se trata de uma distribuição normal. E, como seria de esperar, o uso de um plano de amostragem de aceitação, que assuma incorrectamente que os dados têm distribuição normal, está necessariamente associado a riscos do produtor e do consumidor distintos do que seriam esses riscos sob a validade da distribuição normal.12 Fonte (parcial): Constantino (2004, pp. 25–26). Texto de apoio: Montgomery (1985, pp. 431–432). 12 Vejam-se os resultados em Constantino (2004, Caps.4–5), para as distribuções gaussiana inversa e exponencial. 320 10.7 Planos de amostragem de aceitação para variáveis — distribuição gaussiana: desvio padrão conhecido Ao lidarmos com uma caracterı́stica de qualidade com distribuição normal com valor esperado desconhecido e desvio padrão conhecido, teremos certamente que ter presente que deveremos rejeitar lotes quando a média amostral for consideravelmente grande, caso se esteja a lidar com um limite de especificação superior. Posto isto e considerando um limite superior de especificação U , o plano de amostragem simples para variáveis deverá conduzir à aceitação do lote se a média amostral x̄ satisfaz x̄ + kσ σ ≤ U , onde kσ denota a constante de aceitação. Ou seja, o lote será aceite se Q= U − X̄ ≥ kσ , σ (10.29) onde Q é denominado de ı́ndice de qualidade e X̄ depende, naturalmente, da dimensão da amostra nσ . E, tal como para os planos de amostragem por atributos, os planos para variáveis serão definidos à custa de nσ e kσ que satisfaçam as duas condições seguintes: • se a fracção de unidades defeituosas for igual a p1 = 1 − Φ[(U − µ1 )/σ],13 deve aceitar-se o lote com probabilidade elevada 1 − α; • se a fracção de defeituosos for p2 = 1 − Φ[(U − µ2 )/σ] > p1 ,14 deve aceitar-se o lote com probabilidade pequena β. 13 14 Equivalentemente, se o valor esperado de X for igual a µ1 . Equivalentemente, se o valor esperado de X for igual a µ2 . 321 O método de obtenção das constantes nσ e kσ encontra-se descrito em Wetherill e Brown (1991, pp. 271–275), embora de forma um pouco menos clara: (nσ , kσ ) : P (Q ≥ kσ |µ = µ1 ) = 1 − α P (Q ≥ kσ |µ = µ2 ) = β P X̄ ≤ U + kσ σ|µ = µ1 = 1 − α P X̄ ≤ U + kσ σ|µ = µ2 = β U +k√ σ −µ1 σ/ nσ U +k√ σ −µ2 Φ σ/ nσ Φ =1−α = β. (10.30) Notando agora que a fracção de unidades defeituosas (p) está relacionada com o valor esperado (µ) da caracterı́stica de qualidade X do seguinte modo µ = U + σ Φ−1 (p), (10.31) obtém-se sucessivamente: n√ h io Φ nσ kσ − Φ−1 (p1 ) = 1 − α io (nσ , kσ ) : n√ h Φ nσ kσ − Φ−1 (p2 ) = β Φ−1 (1−α) √ nσ Φ−1 (β) −1 kσ = Φ (p2 ) + √nσ 2 −1 −1 (β) nσ = ΦΦ−1(1−α)−Φ (p2 )−Φ−1 (p1 ) −1 −1 (1−α)−Φ−1 (p1 )Φ−1 (β) kσ = Φ (p2 )Φ . −1 Φ (β)−Φ−1 (1−α) kσ = Φ−1 (p1 ) + (10.32) Na prática nσ terá de ser aproximado pelo menor valor inteiro n∗σ que satisfaça Pa (p1 ) ≥ 1 − α Pa (p2 ) ≤ β, (10.33) 322 onde Pa (p) representa a probabilidade de aceitação do lote que pode ser indistintamente escrita à custa do valor esperado µ ou da fracção de peças defeituosas p: h io n√ U + kσ − µ = Φ nσ kσ − Φ−1 (p) . Pa (p) = Φ √ σ/ nσ (10.34) Trata-se, pois, da curva OC para um plano de amostragem de aceitação para variáveis com limite superior de especificação.15 Exercı́cio 10.14 — Considere os seguintes pontos de risco do produtor e do consumidor (p1 = 0.01, 1 − α = 0.95) e (p2 = 0.07, β = 0.10). (a) Tirando partido do resultado (10.32) e das condições em (10.33), certifique-se que o valor da dimensão da amostra e da constante de aceitação são, respectivamente, nσ = 12 e kσ = 1.85. (b) Justifique que os valores da dimensão da amostra e da constante de aceitação seriam n = 72 e c = 2, caso se considerasse um plano de amostragem por atributos para os mesmos pontos de risco do produtor e do consumidor, se recorresse à distribuição exacta hipergeométrica e se considerasse a dimensão do lote igual a N = 500. (c) Represente as curvas OC para estes dois tipos de planos de amostragem de aceitação para variáveis e por atributos. • Comente. Na Secção 10.9 debruçar-nos-emos sobre a utilização de uma norma, forma alternativa de obtenção de valores para nσ e kσ . Fonte: Constantino (2004, pp. 26–31). 15 De notar que (10.33) significa que a curva OC passará acima do ponto de risco do produtor e abaixo do ponto de risco do consumidor. 323 10.8 Planos de amostragem de aceitação para variáveis — distribuição gaussiana: desvio padrão desconhecido Analise-se agora a situação em que o desvio padrão é desconhecido. Neste caso o ı́ndice de qualidade será não só função de X̄ mas também função do estimador centrado de σ 2 , S2 = n 2 1 X Xi − X̄ n − 1 i=1 (10.35) e o procedimento de obtenção dos valores da dimensão da amostra (ns ) e da constante de aceitação (ks ) para o plano de amostragem de aceitação para variáveis é sem sombra de dúvida mais complexo. Ao considerar-se mais uma vez um limite superior de especificação U deve aceitar-se um lote se x̄ + ks s ≤ U ou, equivalentemente, e em termos do ı́ndice de qualidade, se: Q= U − X̄ ≥ ks . S (10.36) Antes de proceder à obtenção da probabilidade de aceitação, ao lidar-se com uma fracção de unidades defeituosas igual a p = 1 − Φ[(U − µ)/σ], é necessário relembrar/considerar: √ • Z = ns (X̄ − µ)/σ ∼ Normal(0,1); • Y = • δ= (ns −1)S 2 σ2 √ ns (µ−U ) σ ∼ χ2ns −1 ; √ = ns Φ−1 (p); q • T = (Z + δ)/ Y /(ns − 1) que representa uma variável aleatória com distribuição t não-central com ns − 1 graus de liberdade e parâmetro de “não centralidade”δ. 324 Assim sendo, tem-se a seguinte curva OC para o plano de amostragem de aceitação para variáveis com o desvio-padrão desconhecido: Pa (p) = P (Q ≥ ks | p) = P X̄ ≤ U − ks S | p √ Z + δ q ≤ − ns ks p = P Y /(ns − 1) h i √ √ = P T ≤ − ns ks | δ = ns Φ−1 (p) . Segundo Wetherill e Brown (1991, p. 278), (10.37) os planos de amostragem de aceitação para variáveis com desvio-padrão conhecido e desconhecido deverão ter praticamente a mesma curva OC, caso ns e ks sejam ajustados de tal forma que X̄ + ks S tenha o mesmo valor esperado e variância que X̄ + kσ σ. Deste modo, obtêm-se as seguintes expressões para ns e ks , em função de nσ e kσ : ks = ns = r 3ns −3 kσ 3ns −4 3ns kσ2 1 + 6ns −8 nσ . (10.38) Mais uma vez deve aproximar-se ns ao menor inteiro n∗s que garanta que Pa (p1 ) ≥ 1 − α e Pa (p2 ) ≤ β. De salientar que a dimensão da amostra requerida quando o desvio-padrão ns é desconhecido é, naturalmente, superior àquela necessária caso se conhecesse σ; com efeito ns /nσ é igual a 1 + claramente superior à unidade. 3ns kσ2 6ns −8 , Por outro lado, a constante de aceitação ks é praticamente igual a kσ . Dado que a utilização da distribuição t não-central não é corrente, recomenda-se o recurso à seguinte aproximação para a curva OC, aproximação esta originalmente proposta por Hamaker (1979) 325 e disponı́vel em Wetherill e Brown (1991, p. 278-279): Pa (p) ' Φ(θµ ) = Φ(θp ), (10.39) onde θµ = U − µ − ks σ s σ r 3ns −4 3ns −3 −1 θp = (10.40) 3n k2 s 1+ 6nss−8 ns Φ (1 − p) − ks s 3n k2 r 3ns −4 3ns −3 . (10.41) s 1+ 6nss−8 ns Exercı́cio 10.15 — Considerando os pontos de risco do produtor e do consumidor do Exercı́cio 10.14: (a) Obtenha os valores (exactos e aproximados) das constantes ns e ks . (b) Compare (os valores) das curvas OC (exacta e aproximada) com (os d)a curva OC obtida para o plano de amostragem para variáveis com desvio-padrão conhecido naquele exercı́cio. Comente os resultados obtidos. Fonte: Constantino (2004, pp. 31–38). 326 • 10.9 A norma Military Standard 414 (ANSI/ASQC Z1.9) A norma Military Standard 414 ou uma sua versão civil, como é o caso de norma ANSI/ASQC Z1.9-1980 (Sampling Procedures and Tables for Inspection by Variables for Percent Nonconforming), surge como alternativa a (10.32) e (10.38) para a definição de um plano de amostragem de aceitação simples por variáveis com desvio-padrão conhecido e desconhecido, respectivamente. A consulta da norma ANSI/ASQC Z1.9-1980 é em tudo similar à da norma para atributos ANSI/ASQC Z1.4-1981, pelo que se sugere uma leitura breve de Montgomery (1985, pp. 439–453) e do exemplo que se segue, bem como a elaboração do Exercı́cio 10.17. Exemplo 10.16 — Proceda-se a uma comparação do plano de amostragem para variáveis com desvio-padrão conhecido, obtido recorrendo a (10.32), e do plano que se obtém por utilização da norma ANSI/ ASQC Z1.9-1980. Admita-se que N = 500 e que os pontos de risco do produtor e do consumidor (p1 = 0.01, 1 − α = 0.95) e (p2 = 0.07, β = 0.10). Ao considerar-se o nı́vel II geral de inspecção, pela observação da Tabela A-2 (Sample Size Code Letters), o código obtido para a dimensão da amostra é a letra I, para lotes com dimensão do lote compreendida no intervalo entre 401 e 500. A consulta da coluna respeitante ao valor de AQL = p1 = 0.01, na Tabela D-1 (Master Table for Normal and Tightened Inspection for Plans Based on Variability Known), permite obter o plano de amostragem de aceitação para variáveis com desvio-padrão conhecido: é, caracterizado por nσ = 9 e kσ = 1.83, valores estes ligeiramente 327 distintos dos referidos no Exercı́cio 10.14. Esta diferença deve-se ao facto de a norma estar associada a: um valor da probabilidade de aceitação ao nı́vel do ı́ndice AQL = p1 = 0.01 distinto de 1−α = 0.95; e muito provavelmente a um risco do consumidor diferente de β = 0.10. • Tabela 10.2: Alguns planos de amostragem para variáveis com σ desconhecido (β = 0.10), recorrendo norma ANSI/ASQC Z1.9-1980 e a (10.38). Norma (10.38) p1 α p2 ns ks ns ks 0.001 0.05 0.04 25 2.50 20 2.36 0.0025 0.07 0.04 25 2.26 26 2.26 0.004 0.07 0.06 25 2.14 20 2.08 0.015 0.07 0.10 25 1.72 25 1.70 0.04 0.07 0.20 25 1.35 17 1.27 0.10 0.07 0.30 25 0.94 18 0.89 Na Tabela 10.2 confrontam-se os planos de amostragem para variáveis com σ desconhecido, para diferentes valores dos pontos de risco do consumidor e do produtor, obtidos pela norma e por utilização de (10.38). A análise da Tabela 10.2 permite concluir que os planos obtidos pela norma e pela expressão (10.38) conduzem a valores similares das constantes de aceitação e a algumas discrepâncias na dimensão da amostra. Exercı́cio 10.17 — Considerando exactamente os mesmos parâmetros que no Exemplo 10.16: (a) Certifique-se que a utilização da norma ANSI/ASQC Z1.9-1980 328 conduz aos valores ns = 25 e ks = 1.85 e compare-os com os obtidos na alı́nea (a) do Exercı́cio 10.15. (b) Compare as curvas OC (exacta e aproximada) com a curva OC obtida para o plano de amostragem para variáveis com desviopadrão desconhecido obtido na alı́nea anterior. • Assinale-se por fim que, ao contrário da norma, (10.32) e (10.38) não fazem uso da dimensão do lote para determinação do plano de amostragem. Para uma discussão aturada sobre a norma MIL STD 414 e as semelhanças entre esta norma e a MIL STD 105D, remete-se o leitor para Montgomery (1985, pp. 453–455). Texto de apoio: Montgomery (1985, pp. 439–455). 329 Capı́tulo 11 Esquemas com intervalos amostrais variáveis 11.1 Introdução O esquema de controlo de qualidade constitui, sem dúvida, o método gráfico mais divulgado empregue na distinção entre causas aleatórias e causas assinaláveis de variação de um processo. É usual recorrer-se a esquemas de controlo com intervalos amostrais fixos, isto é, a recolha de amostras é feita a intervalos fixos (e.g de hora em hora). Neste caso diz-se fazer uso da polı́tica amostral Fixed Sampling Intervals (FSI). No entanto, alguns trabalhos sobre as propriedades estatı́sticas dos esquemas de controlo com intervalos amostrais dependentes das observações recolhidas mostraram que esta polı́tica amostral denominada de Variable Sampling Intervals (VSI) pode aumentar a rapidez de detecção de alterações no processo. A ideia de fazer variar os intervalos entre recolhas amostrais sucessivas tem vindo a ser empregue em diferentes domı́nios. Reynolds e Arnold (1989) referem alguns exemplos. É o caso da amostragem 330 de aceitação em que surgem os continuous sampling plans (ver Dodge, 1943) cuja taxa de inspecção de itens produzidos varia de acordo com o nı́vel de qualidade dos itens já inspeccionados.1 Todavia, a aplicação formal desta ideia a esquemas de controlo e a averiguação das suas consequências no desempenho das cartas data do final dos anos 80. Embora existam alguns trabalhos anteriores a Reynolds et al. (1988), crê-se ter sido este o primeiro artigo publicado versando a aplicação da polı́tica amostral VSI ao esquema X̄ para o o valor esperado µ de caracterı́stica de qualidade com distribuição normal. De entre outros trabalhos com a mesma orientação destaque-se: • Saccucci et al. (1989) que estudam a aplicação da polı́tica amostral VSI às cartas EWMA; • Reynolds et al. (1990) que se debruçam sobre o seu uso de esquemas CUSUM associadas à polı́tica amostral VSI; • Ramalhoto e Morais (1994) que apresentam um resumo dos resultados mais importantes referentes à associação da polı́tica amostral VSI aos esquemas X̄, EWMA e CUSUM. A orientação comum a estas referências não é de estranhar dada a popularidade dos esquemas para o valor esperado da distribuição normal. Fonte: Morais (1995, pp. 1–2). 1 O principal objectivo deste tipo de planos amostrais não é, no entanto, controlar a qualidade dos itens on line mas sim o melhoramento da qualidade dos lotes a serem expedidos, por inspecção dos mesmos. 331 11.2 Descrição das polı́ticas amostrais FSI e VSI Ao utilizar uma carta de controlo para detectar alterações num (ou mais) parâmetro(s) de uma caracterı́stica de qualidade, é usual considerar os intervalos amostrais — intervalos entre qualquer par de observações consecutivas — fixos e iguais a d (d > 0, independentemente do resultado da primeira destas duas observações. Esta polı́tica amostral é designada por FSI e pressupõe que, após a recolha de cada amostra e registo do valor observado de uma estatı́stica sumária no esquema de controlo, se tome uma única decisão: • emitir (ou não) sinal de perda de controlo. Contudo, é plausı́vel permitir que os intervalos amostrais variem dependendo das observações recolhidas. Se o valor observado da estatı́stica sumária for extremo, mas não o suficiente para se emitir um sinal de perda de controlo, é perfeitamente natural antecipar a recolha de uma nova amostra de modo a confirmar se o referido valor é, ou não, uma indicação de que o processo se alterou. Por outro lado, se o valor observado da estatı́stica sumária se encontrar próximo do alvo da carta de controlo, não é descabido um adiamento do instante de recolha da próxima amostra. Assim sendo, ao considerar uma carta de controlo genérica com • região de continuação C = [LCL, U CL] e • estatı́stica sumária WN , referente à N −ésima amostra aleatória X N = (X1N , . . . , XnN ), é razoável actuar da seguinte forma sempre que WN pertença a C: 332 • Acção 1 — antecipar a recolha da próxima amostra, se WN estiver próximo dos extremos de C; • Acção 2 — adiar a recolha da próxima amostra, se WN estiver afastado dos extremos de C. O intervalo amostral que precede a (N + 1)−ésima recolha é, portanto, uma variável aleatória função de WN . Doravante tal intervalo amostral será designado por DN . A adopção da polı́tica amostral VSI pressupõe a escolha de • dois intervalos amostrais distintos d1 e d2 (d1 < d2 ). O intervalo amostral mı́nimo d1 é utilizado quando WN se encontrar próximo dos limites de controlo. Se pelo contrário WN estiver afastado desses mesmos extremos, deve usar-se o intervalo máximo d2 . Estas atribuições à variável aleatória DN sugerem a divisão da região de continuação C em duas sub-regiões que constituem uma sua partição: C1 , C2 : C1 ∩ C2 = ∅, C1 ∪ C2 = C. (11.1) A C1 e C2 estão associados o menor e o maior dos intervalos amostrais, respectivamente. Assim, a variável intervalo amostral pode ser definida como d1 (e.g. 10 min.; antecipação...), se WN ∈ C1 d2 DN = (e.g. 110 min.; adiamento...), se WN ∈ C2 . Fonte: Morais (1995, pp. 8–10). 333 (11.2) 11.3 Na Caracterı́sticas primárias caracterização de qualquer esquema de controlo, independentemente da polı́tica amostral, é da maior importância a análise do comportamento de duas variáveis aleatórias que Reynolds (1989) designou por caracterı́sticas primárias: • o número de amostras recolhidas até sinal, RL (run length); • o tempo até sinal, T S (time to signal). T S representa o tempo decorrido desde o (re)inı́cio do processo até ao instante em que é recolhida a amostra responsável pela emissão de sinal de perda de controlo. Consequentemente: • T SF SI = d × RL, se a polı́tica amostral adoptada for FSI • T SV SI = PRL N =1 DN −1 , caso a polı́tica amostral seja VSI. Note-se que, ao assumir que se recolhe uma amostra no instante em que o processo se (re)inicia ou ao fixar/gerar um valor para W0 pertencente a C, o intervalo amostral que precede a recolha da primeira amostra, D0 , fica de imediato definido. Para além disso, é recomendável que se considere D0 = d1 , caso se decida não atribuir/gerar ou não se disponha de um valor inicial para W0 . (Justifique!) Os valores esperados de RL e T S são representados por ARL e AT S (average time to signal) Nos esquemas de controlo FSI, pelo facto do intervalo amostral ser constante e igual a d tem-se AT SF SI = d × ARL. (11.3) No entanto, nos esquemas VSI, AT SV SI não é um múltiplo de ARL e escreve-se AT SV SI = E RL X DN −1 . (11.4) N =1 334 Tanto AT SF SI como AT SV SI dependem da magnitude (θ) da alteração do parâmetro sob controlo. De forma a tornar esta dependência mais explı́cita estes valores esperados passam a escrever-se doravante do seguinte modo: AT SF SI (θ) e AT SV SI (θ), respectivamente. Serão tratadas outras caracterı́sticas do tempo até sinal para estes dois tipos de polı́ticas amostrais na próxima secção. Fonte: Morais (1995, pp. 10–12). 335 11.4 Cálculo das caracterı́sticas primárias dos esquemas Shewhart Ao considerar um esquema do tipo Shewhart, a estatı́stica sumária WN é função exclusiva da amostra aleatória mais recente, isto é, WN = WN (X N ). Logo, ao assumir que as amostras aleatórias X N são independentes e que o valor do parâmetro se mantém constante e igual a µ, as estatı́sticas sumárias WN são i.i.d. a uma estatı́stica sumária W . Por consequência, a probabilidade de X N ser responsável pela emissão de um sinal é dada por ξ(θ) = P (W 6∈ C|θ), (11.5) independentemente do ı́ndice da amostra e da polı́tica amostral adoptada. Logo o RL(θ) ∼ geométrica(ξ(θ)), qualquer que seja a polı́tica amostral adoptada. Em contraponto, o tempo esperado até sinal depende da polı́tica amostral adoptada. Para o caso FSI, tal função é igual a AT SF SI (θ) = d . ξ(θ) (11.6) Na situação VSI a obtenção do tempo esperado até sinal pressupõe a descrição probabilı́stica dos intervalos aleatórios DN = DN (θ). Estes intervalos, pelas mesmas razões apontadas acima são, condicionalmente ao facto de WN ∈ C e da magnitude da alteração no parâmetro ser igual a θ, i.i.d. à variável aleatória D = D(θ) com f.p. dada por 1 − ρ2 (θ), se y = d1 ρ2 (θ), se y = d2 P [D(θ) = y] = 336 (11.7) onde ρ2 (θ) = P [WN (θ) ∈ C2 ] P [WN (θ) ∈ C] (11.8) representa a probabilidade de utilização do maior dos intervalos amostrais. Ora, tendo em consideração esta f.p., a expressão (11.4) e a equação de Wald, AT SV SI (θ) passa a escrever-se do seguinte modo: AT SV SI (θ) = E[D(θ)] × ARL(θ) d1 [1 − ρ2 (θ)] + d2 ρ2 (θ) = ξ(θ) d1 + (d2 − d1 )ρ2 (θ) × AT SF SI (θ). = d (11.9) Exercı́cio 11.1 — Na Tabela 11.1 podem encontrar-se estas e outras caracterı́sticas do tempo até sinal de esquemas Shewhart associados às polı́ticas FSI e VSI, nomeadamente os seus valores possı́veis, a sua distribuição, a sua variância e a sua função geradora de probabilidades, assumindo que o valor do intervalo amostral que antecede a recolha da primeira amostra tem a mesma distribuição que os restantes. 337 Tabela 11.1: Tempo até sinal para esquemas Shewhart FSI TS d × RL(θ) VSI PRL(θ) Conj. valores possı́veis {d, 2d, 3d, . . .} {k1 d1 + k2 d2 : k1 , k2 ∈ IN0 }\0 Distribuição d × Geométrica(ξ(θ)) Geométrica Composta Valor esperado AT SF SI (θ) = N =1 DN −1 (θ) d1 +(d2 −d1 )ρ2 (θ) d d ξ(θ) d2 [1−ξ(θ)] ξ 2 (θ) Variância V [T SF SI (θ)] = Coef. variação p CV [T SF SI (θ)] = 1 − p(θ) n × AT SF SI (θ) [d1 +(d2 −d1 )ρ2 (θ)]2 d2 o (d2 −d1 )2 p(θ)ρ2 (θ)[1−ρ2 (θ)] + d2 1−p(θ) ×V [T SF SI (θ)] q 1+ (d2 −d1 )2 p(θ)ρ2 (θ)[1−ρ2 (θ)] [d1 +(d2 −d1 )ρ2 (θ)]2 1−p(θ) ×CV [T SF SI (θ)] F.geradora prob. E(z T S(θ) ) = z d ξ(θ) 1−z d [1−ξ(θ)] E[z D(θ) ] ξ(θ) 1−E[z D(θ) ][1−ξ(θ)] D(θ) ∼ d1 + (d2 − d1 ) × Bernoulli(ρ2 (θ)); E[z D(θ) ] = z d1 + z d2 − z d1 ρ2 (θ). • Prove todos estes resultados. Importa notar que AT SV SI e V (T SV SI ) foram convenientemente escritos à custa de AT SF SI e V (T SF SI ). Fontes: Morais (1995, pp. 12–13), Morais e Pacheco (2007). 338 11.5 Obtenção numérica das caracterı́sticas primárias para esquemas do tipo markoviano A estatı́stica sumária de um esquema do tipo markoviano (CUSUM ou EWMA) não depende somente de X N . O carácter recursivo de WN = WN (WN −1 , X N ) impõe uma estrutura de dependência às estatı́sticas sumárias. Por este motivo a avaliação das caracterı́sticas primárias dos esquemas de controlo associadas deixa de ser trivial, passando a ter de se fazer numericamente. Ao adoptar-se a abordagem markoviana — descrita, por exemplo, em Lucas e Saccucci (1990) e Reynolds et al. (1990) — a estatı́stica sumária WN cujo espaço de estados é contı́nuo vê o seu contradomı́nio discretizado, obtendo-se deste modo um cadeia de Markov cujas propriedades podem ser avaliadas exactamente e que aproximam as propriedades do processo estocástico original — uma cadeia de Markov com espaço de estados contı́nuos. Distinga-se a situação em que os intervalos amostrais são fixos do caso em que se adopta a polı́tica amostral VSI. Segundo Lucas e Saccucci (1990) e Reynolds et al. (1990), a discretização do contradomı́nio da estatı́stica sumária deve ser feita, em qualquer dos casos, nos seguintes moldes: • a região de continuação C do esquema é dividida em k estados transeuntes correspondendo estes estados a intervalos disjuntos com amplitudes, de preferência, iguais; • o complementar de C corresponde ao estado absorvente da cadeia de Markov. Ao adoptar intervalos amostrais 339 variáveis a divisão do contradomı́nio em estados transeuntes deve ser feita de modo mais cuidado já que a região C foi particionada. Assim: • considera-se à mesma k estados transeuntes dos quais k1 e k2 estão associados a d1 e d2 , respectivamente; • o estado absorvente mantém-se. Os valores de k1 e k2 devem ser escolhidos de forma que a sua soma seja igual a k e que todos os estados transeuntes correspondam a intervalos disjuntos com amplitudes o menos distintas possı́vel. Refira-se que nada impede de adoptar esta última discretização quando a polı́tica amostral é a FSI. No entanto, a utilização da discretização considerada na situação FSI não é recomendável para o caso VSI pois ao fazê-lo pode tornar-se ambı́gua a definição do intervalo amostral na fronteira de C2 . Considere-se que: • Q(θ) representa a matriz de probabilidades de transição entre os k estados transeuntes da cadeia de Markov discretizada em que ocorre uma transição sempre que é recolhida uma amostra; • M(θ) = [mij (θ)]i,j=1,...,k = [I − Q(θ)]−1 denota a matriz fundamental desta cadeia de Markov com um estado absorvente, onde é sabido que mij (θ) representa o número esperado de vezes que a cadeia de Markov se encontra no estado transeunte Ej antes de atingir o estado absorvente, partindo do estado transeunte Ei (Reynolds, 1989). Sejam: • Ei o estado transeunte a que pertence o valor inicial da estatı́stica sumária, WN ; 340 • bj o intervalo amostral usado quando WN pertence ao estado transeunte Ej ; • D0 o primeiro intervalo amostral utilizado (D0 = bi ). Por fim, condicione-se ao facto do estado inicial ser Ei e considere-se: • ARLi (θ) o número esperado de amostras recolhidas até sinal; • AT S i (θ) o tempo esperado até sinal. Então, ao discretizar da mesma forma o contradomı́nio da estatı́stica sumária nos casos FSI e VSI, tem-se i ARL (θ) = k X −1 1, i = 1, . . . , k, (11.10) mij (θ) = e> i [I − Q(θ)] j=1 qualquer que seja a polı́tica amostral adoptada, tal como no caso em que as estatı́sticas sumárias são independentes. O tempo esperado até sinal escreve-se de forma distinta para as duas polı́ticas amostrais: AT SFi SI (θ) = d × ARLi (θ), i = 1, . . . , k; AT SVi SI (θ) = k X (11.11) mij (θ) × bj , i = 1, . . . , k. (11.12) j=1 ARLi (θ) e AT S i (θ) aproximam na verdade o número esperado de amostras recolhidas até sinal e o tempo esperado até sinal da cadeia original. Os valores esperados ARLi (θ) e AT SVi SI (θ) podem ser obtidos de forma alternativa (Reynolds et al., 1990). Com efeito, considere- se que ARLim (θ), m = 1, 2, o número esperado de vezes que o 341 intervalo amostral dm é utilizado depois do instante da obtenção da concretização de W1 e até que seja emitido um sinal. Então: ARLim (θ) = Pk j=1 mij (θ) Pk j=1 mij (θ) × Idm (bj ) − 1, D0 = dm × Idm (bj ), D0 6= dm , (11.13) para m = 1, 2; e ARLi (θ) = 1 + 2 X ARLim (θ) (11.14) i=1 Considere-se agora, para m = 1, 2, ρm (θ) = ARLim (θ)+1 ARLi (θ) , D0 = dm i ARLm (θ) , D 6= d , 0 m ARLi (θ) (11.15) onde ρm (θ) pode ser interpretado como a proporção de tempo em que o intervalo dm é utilizado até à emissão de sinal de perda de controlo. Logo AT SVi SI (θ) = D0 + 2 X dm × ARLim (θ) i=1 = d1 + (d2 − d1 )ρ2 (θ) × AT SFi SI (θ), d (11.16) à semelhança do que aconteceu no caso em que as estatı́sticas sumárias são independentes. Texto de apoio: Morais (1995, pp. 13–17). 342 11.6 Comparabilidade sob controlo; caracterı́stica primordial; comparação dos desempenhos de cartas FSI e VSI O tempo esperado até sinal não só quantifica o desempenho de qualquer carta de controlo, como serve de termo de comparação dos desempenhos de esquemas de controlo. O critério de comparabilidade entre esquemas de controlo, introduzido por Reynolds et al. (1988), refere que: • dois (ou mais) esquemas de controlo dizem-se comparáveis sob controlo (matched control charts) sse possuı́rem tempos esperados até sinal iguais quando o processo de produção está sob controlo, i.e., sse os respectivos tempos esperados até falso alarme forem iguais. A comparabilidade sob controlo escreve-se do seguinte modo, no contexto da comparação dos desempenhos de dois esquemas para um parâmetro, um com intervalos amostrais fixos e outro associado à polı́tica amostral VSI: AT SV SI (θ0 ) = AT SF SI (θ0 ), (11.17) onde θ0 corresponde ao valor de θ sob controlo (e.g. θ0 = 0 no controlo de parâmetro de localização). É recorrendo a esta igualdade que se obtém a partição de C do esquema VSI. Com efeito, ao recordar a relação existente entre os tempos esperados até sinal das versões FSI e VSI comparáveis sob controlo de uma mesma carta, a igualdade (11.17) pode escrever-se à 343 custa da probabilidade de utilização do intervalo amostral máximo: d − d1 d1 + (d2 − d1 )ρ2 (θ0 ) = 1 ⇔ ρ2 (θ0 ) = . (11.18) d d2 − d1 A escolha dos limites de controlo de um esquema bem como da partição da sua região de continuação C deve ainda reger-se de acordo com o seguinte princı́pio: • é preciso ter a garantia que o tempo esperado de detecção de uma alteração de magnitude θ, seja sempre inferior ao tempo esperado até à emissão de um falso alarme, i.e., AT S(θ) < AT S(θ0 ), ∀θ 6= θ0 , independentemente da polı́tica amostral e do tipo de esquema e controlo adoptados. Esta propriedade do tempo esperado até sinal é designada de caracterı́stica primordial. Atente-se que a literatura de controlo de qualidade é fértil em exemplos de esquemas de controlo que não possuem tempo esperado até sinal gozando da caracterı́stica primordial. Acrescente-se, a tı́tulo de curiosidade, que a caracterı́stica primordial contribui, nalgumas situações, para a definição unı́voca da região de continuação e da respectiva partição. Uma vez obtida a partição da região de continuação do esquema VSI e caracterizada este mesmo esquema, resta averiguar se se obteve um esquema mais rápida, em valor esperado, que a versão FSI que lhe é comparável sob controlo, na detecção de todas as alterações a que estes esquemas se propõem detectar. Ou seja, se AT SV SI (θ) < AT SF SI (θ), ∀θ 6= θ0 . (11.19) Só nesta situação o recurso à polı́tica amostral VSI é vantajoso. A verificação analı́tica desta propriedade é, por vezes, difı́cil. 344 Compreende-se, por isso, que a literatura que discute a polı́tica amostral VSI se limite de um modo geral à verificação numérica desta condição. Refira-se por fim que, qualquer confronto de tempos esperados até sinal de esquemas FSI e VSI comparáveis sob controlo pode ser escrito à custa da função ρ2 (θ). De facto (11.19) é equivalente a ρ2 (θ) < ρ2 (θ0 ), ∀θ 6= θ0 (11.20) A condição (11.20) é perfeitamente razoável já que sob controlo as recolhas amostrais devem ser o mais espaçadas possı́vel: deste modo não só se retarda as emissões de falsos alarmes, como se acelera a detecção de uma alteração do parâmetro. Fonte: Morais (1995, pp. 19–21). 345 11.7 Ilustração: esquemas X̄ dos tipos FSI e VSI com limites 3σ Com este esquemas pretende-se detectar “shifts”no valor esperado de caracterı́stica de qualidade com distribuição normal de µ0 para µ0 + √ θ × σ0 / n, θ 6= 0. Considere-se esquemas FSI e VSI com os seguintes intervalos amostrais, limites de controlo e outras caracterı́sticas: • d = 1.0, d1 = 0.1, d2 = 1.9; √ √ • LCL = µ0 − γσ/ n, U CL = µ0 + γσ/ n, onde γ = 3.0; ξ(θ) = P (X̄ ∈ [LCL, U CL]) = Φ(γ − θ) − Φ(−γ − θ) √ √ • LBL = µ0 − ασ/ n, U BL = µ0 + ασ/ n, com α = Φ−1 d−d1 d2 −d1 × [Φ(γ) − .5] + .5 = 0.672367; • ρ2 (θ) = P (usar intervalo amostral máximo d2 ) = P (X̄ ∈ (LBL, U BL)) = Φ(α−θ)−Φ(−α−θ) Φ(γ−θ)−Φ(−γ−θ) Com este conjunto de parâmetros obtêm-se os valores para o valor esperado, variância e coeficiente de variação do tempo até sinal da Tabela 11.2. Pode concluir-se da Tabela 11.2 que as alterações no parâmetro µ são, em valor esperado, mais facilmente detectadas pelo esquema VSI que pelo esquema FSI. De notar, no entanto, que a utilização desta polı́tica amostral é tanto mais vantajosa, quanto mais grave for a alteração em µ. Para além disso a adopção de intervalos amostrais variáveis nem sempre resulta (resulta sempre) numa redução da variância (coeficiente 346 Tabela 11.2: Valor esperado, variância e coeficiente de variação do tempo até sinal θ AT SF SI (θ) AT SV SI (θ) 370.4 155.2 43.9 2.0 370.4 141.5 30.6 0.3 V [T SF SI (θ)] V [T SV SI (θ)] 369.9 365.4 43.4 1.4 370.3 365.5 30.8 0.4 0.999 0.997 0.989 0.707 1.000 1.000 1.005 1.485 0.00 0.50 1.00 3.00 θ 0.00 0.05 1.00 3.00 θ 1− AT SV SI (θ) AT SF SI (θ) × 100% 0.000% 8.855% 30.253% 86.456% SV SI (θ)] 1 − VV [T [T SF SI (θ)] × 100% -0.110% -0.018% 29.062% 71.559% [T SV SI (θ)] CV [T SF SI (θ)] CV [T SV SI (θ)] 1 − CV CV [T SF SI (θ)] × 100% 0.00 0.50 1.00 3.00 -0.110% -0.313% -1.707% -109.982% e variação) do tempo até sinal. (Justifique analiticamente estes dois resultados!) Em Ramalhoto e Morais (1995) e Ramalhoto e Morais (1997) podem encontrar-se exemplos de esquemas VSI dos tipos Shewhart e EWMA (respectivamente) para o parâmetro de escala de uma caracterı́stica de qualidade com distribuição Weibull tri-paramétrica. Por seu lado, em Morais e Natário (1998) procede-se à averiguação das vantagens dos esquemas VSI no controlo do número esperado de defeitos em amostras de dimensão fixa. Por sinal o carácter discreto da caracterı́stica de qualidade exige cuidados especiais na adopção da polı́tica amostral VSI. Textos de apoio: Morais (2006); Morais e Pacheco (2007). 347 Referências Referências relevantes — Fiabilidade (Caps. 1–6) • Bagdonavicius, V. e Nikulin, M. (2002). Accelerated Life Models: Modeling and Statistical Analysis. Chapman & HALL/CRC, Boca Raton, Florida. (TA169.3.BAG.62110) • Bain, L.J. (1991). Statistical Analysis of Reliability and Lifetesting Models (2nd. edition). Marcel-Dekker, Inc. (QA276.7-.8.BAI.38659) • Barlow, R.E. (1998). Engineering Reliability. ASA-SIAM Series on Statistics and Applied Probability. (DM–CEMAT) • Barlow, R.E. e Proschan, F. (1965/1996). Mathematical Theory of Reliability. SIAM (Classics in Applied Mathematics). (DM–CEMAT) • Barlow, R.E. e Proschan, F. (1975). Reliability and Life Testing. Holt, Rinehart and Winston, Inc. (DEIO–FCUL) • Birolini, A. (1999). Reliability Engineering: Theory and Practice. 348 Springer-Verlag. (DM–CEMAT) • Dhillon, B.S. (1984). Quality Control, Reliability, and Engineering Design. Marcel Dekker, Inc. (QA274.12-.76.DHI.35860) • Gertsbakh, I.B. (1989). Statistical Relilability Theory. Marcel Dekker, Inc. (DM–CEMAT) • Gomes, M.I. e Barão, M.I. (1999). Controlo Estatı́stico de Qualidade. Notas de mini-curso do VII Congresso Anual da SPE. (DEIO–FCUL) • Leitch, R.D. (1995). Reliability Analysis for Engineers. An Introduction. Oxford University Press Inc. (DM–CEMAT) • Martz, H. e Waller, R. (1982). Bayesian Reliability Analysis. John Wiley & Sons, New York. (QA279.4-.7.MAR.30391) • Ross, S.M. (1989). Introduction to Probability Models (3th. edition). Academic Press, Inc. • Ross, S.M. (1993). Introduction to Probability Models (5th. revised edition). Academic Press, Inc. (QA274.12-.76.ROS.43540) • Ross, S.M. (2003). Introduction to Probability Models (8a. edição). Academic Press, San Diego. (QA273.ROS.62694) 349 • Shaked, M. e Shanthikumar, J.G. (1994). Stochastic Orders and Their Applications. Academic Press, Inc. (QA273.4-.67.SHA.48227) Referências adicionais — Fiabilidade (Caps. 1–6) • Berrettoni, J. (1964). Practical Applications of the Weibull Distribution. Industrial Quality Control 21, 71–79. • Birnbaum, Z.W., Esary, J.D. e Saunders, S.C. (1961). Multi-component systems and structures and their reliability. Technometrics 3, 55–77. • Birnbaum, Z.W. e Saunders, S.C. (1958). A statistical model for life-length of materials. Journal of the American Statistical Society 53, 151–160. • Campbell, N.R. (1941). The replacement of perishable members of a continually operating system. Journal of the Royal Statistical Society 7, 110–103. • Cerdeira, J. (1986). Determinação Estatı́stica de Minorantes para o Problema de Steiner. Nota No. 8/86. Departamento de Estatı́stica e Investigção Operacional – Faculdade de Ciências de Lisboa. • Davis, D.J. (1952). An analysis of some failure data. Journal of the American Statistical Society 47, 113—150. • Epstein, B. (1948). Application of the theory of extreme values in fracture problems. Journal of the American Statistical Society 43, 403–412. 350 • Epstein, B. (1958). The exponential distribution and its role in life-testing. Industrial Quality Control 15, 2–7. • Epstein, B. e Sobel, M. (1953). Life-testing. Journal of the American Statistical Society 48, 486—502. • Golden, B. (1977). A Statistical approach to the TSP. Networks 7, 209–225. • Golden, B. e Alt, F. (1979). Interval estimation of a global optimum for large combinatorial problems. Naval Research Logistics Quaterly 26, 69–77. • Gumbel, E.J. (1935). Les valeurs extremes des distributions statistiques. Annales de l’Institute Henri Poincaré 4(2), 115. • Gumbel, E.J. (1958). Statistics of Extremes. Columbia University Press, New York • Johnson, N. e Kotz, S. (1970). Distributions in Statistics: Continuous Univariate Distributions – 1. John Wiley & Sons, New York. • Kao, J. (1956). A new life-quality measure for electron tubes. IRE Transactions on Reliability and Quality Control, PGRQC-7. • Kao, J. (1958). Computer methods for estimating Weibull parameters in reliability studies. IRE Transactions on Reliability and Quality Control, PGRQC-13, 15–22. • Kao, J. (1959). A graphical estimation of mixed Weibull parameters in life-testing electron tubes. Technometrics 1, 389– 407. 351 • Khintchine, A. Ya. (1932). Mathematisches über die Erwartung von einin öffentlicher Schalter. Matem. Sbornik. • Lotka, A.J. (1939). A contribution to the theory of self-renewing aggregates with special reference to industrial replacement. Annals of Mathematical Statistics 10, 1–25. • McRoberts, K. (1966). Optimization of Facility Layout. Ph.D. Thesis, Iowa State University of science and Technology, Ames, Iowa. • Moore, E.F. e Shannon, C.E. (1956). Reliable circuits using less reliable relays. Journal of the Franklin Institute 262 Pt. I, 191– 208, and Pt. II, 281–297. • Morais, M.J.C. (1995). Cartas de controlo FSI e VSI para o parâmetro de escala da população Weibull tri-paramétrica. Tese de Mestrado, Departamento de Matemática, IST, UTL. Orientador: Profa. Dra. M.F. Ramalhoto. • Morais, M.J.C. (1998). PCV: Um velho problema revisitado estatisticamente. Em Actas da V Conferência do CEMAPRE, 439–458. Proença, I. e Mendes, Z. (eds.). • Palm, C. (1947). Arbetskraftens Fordelning vid betjaning av automatskiner. Industridningen Norden 75. • Seshadri, V. (1999). The Inverse Gaussian Distribution. Springer-Verlag, New York. • Weibull, W. (1939a). A Statistical Theory of the Strength of Materials. Ingeniors Vetenskaps Akademien Handlingar 151. Generalstaben Litografiska Anstalts Forlag, Stockholm. 352 • Weibull, W. (1939b). The Phenomenon of Rupture in Solids. Ingeniors Vetenskaps Akademien Handlingar 153. Generalstaben Litografiska Anstalts Forlag, Stockholm. • Weibull, W. (1951). A statistical distribution function of wide applicability. Journal of Applied Mechanics 18, 293–297. • Weiss, G. (1956a). On the theory of replacement of machinery with a random failure time. Naval Research Logistics Quaterly 3, 279–293. • Weiss, G. (1956b). On some economic factors influencing a reliability program. NAVORD 4256, Naval Ordnance Laboratory, White Oak, Maryland. • Weiss, G. (1956c). The reliability of a redundant system which operates repetitively. NAVORD 4348, Naval Ordnance Laboratory, White Oak, Maryland. • Zelen, M. e Dannenmiler, M.C. (1961). The robustness of life testing procedures derived from the exponential distribution. Technometrics 3, 29–49. 353 Referências relevantes – Controlo de Qualidade (Caps. 7-10) • ANSI/ASQC Z1.9-1980 (1980). Sampling Procedures and Tables for Inspection by Variables for Percent Nonconforming. American Society for Quality Control, Milwaukee, Wisconsin, EUA. • ANSI/ASQC Z1.4-1981 (1981). Sampling Procedures and Tables for Inspection by Attributes. American Society for Quality Control, Milwaukee, Wisconsin, EUA. • Casquilho, M., Constantino, M. e Morais, M.C. (2006). Sobre a amostragem de aceitação para a variável gaussiana inversa. Em Ciência Estatı́stica, 267–277. Canto e Castro, L., Martins, E.G., Rocha, C., Oliveira, M.F., Leal, M.M. e Rosado, F. (eds.). • Constantino, M. (2005). Sobre a Amostragem de Aceitação para Variáveis Não–Gaussianas. Trabalho de fim de curso, Dep. Matemática, IST, UTL. Orientadores: Prof. Drs. M.C. Morais e M. Casquilho. • DeVor, R.E., Chang, T. e Sutherland, J.W. (1992). Statistical Quality Design and Control: Contemporary Concepts and Method. Macmillan Publishing Company. (QA276/1.DEV.40794) • Gomes, M.I. e Barão, M.I. (1999). Controlo Estatı́stico de Qualidade. Notas de mini-curso do VII Congresso Anual da SPE. • Grant, E. L. e Leavenworth, R. S. (1996). Statistical Quality Control (7th edition). McGraw-Hill, New York, NY. (TS156 GRA*STA) 354 • Hawkins, D.M e Olwell, D.H. (1998). Cumulative Sum Charts and Charting for Quality Improvement. Springer-Verlag, New York. (CEMAT) • Montgomery, D.C. (1985). Introduction to Statistical Quality Control. John Wiley & Sons, New York. • Montgomery, D.C. (1991). Introduction to Statistical Quality Control (2nd. edition). John Wiley & Sons, New York. (QA276/1.MON.36911) • Morais, M.J.C. (2001). Stochastic Ordering in the Performance Analysis of Quality Control Schemes. Tese de Doutoramento, DM–IST, UTL. (17-11.54075) • Morais, M.C. (2006). Notas de Apoio de Fiabilidade e Controlo de Qualidade – Parte II (Caps. 8–11). Departamento de Matemática, IST, UTL. (http://www.math.ist.utl.pt/∼mjmorais/FCQ2-0607-{cap8–cap11}.pdf) • Wadsworth, H.M., Stephens, K.S. e Godfrey, A.B. (1986). Modern Methods for Quality Control and Improvement. John Wiley & Sons, New York. (QA276/1.WAD.38722) 355 Referências adicionais – Controlo de Qualidade (Caps. 7-10) • Bartmann, F.C. (1986). Idéias básicas do controle moderno de qualidade. VII Simpósio Nacional de Probabilidade e Estatı́stica. • Blacksell, S.D., Gleeson, L.J., Lunt, R.A. e Chamnanpood, C. (1994). Use of combined Shewhart-CUSUM control charts in internal quality control of enzyme-linked immunosorbent assays for the typing of foot and mouth disease virus antigen. Revue Scientifique et Technique 13, 687–699. • Bowker, A. H. e Good, H. P. (1952). Sampling Inspection by Variables. McGraw-Hill, New York, NY. (QA276.6.BOW.17074) • Derman, C. e Ross, S.M. (1997). Statistical Aspects of Quality Control. Academic Press, Inc. • Johnson, D.G. (1984). Trial by computer — A case study of the use of simple statistical techniques in the detection of a fraud. Journal of the Operational Research Society 35, 811–820. • Morais, M.C. and Pacheco, A. (2000). On the performance of combined EWMA schemes for µ and σ: A Markovian approach. Communications in Statistics — Simulation and Computation 29, 153–174. • Olwell, D.H. (1997). Managing misconduct: statistical process control applied to sexual harassment. 1997 Proceedings of the Section on Quality and Productivity. Alexandria, VA: American Statistical Association. 356 • Shewhart, W. (1931). Economic Control of Quality of Manufactured Product. Van Notrand, Princeton. • St. John, R.C. e Bragg, D.J. (1991). Joint X-bar & R charts under shift in mu or sigma. ASQC Quality Congress Transactions – Milwaukee, 547–550. • Stoumbos, Z.G., Reynolds, Jr., M., Ryan, T.P. e Woodall, W.H. (2000). The state of statistical process control as we proceed into the 21st century. Journal of the American Statistical Association 95, 992–998. • Wetherill, G. B. e Brown, D. W. (1991). Control. Chapman and Hall, London. (QA276/1.WET.36989) 357 Statistical Process Referências — Controlo de Qualidade (Cap. 11) • Dodge, H. (1943). A sampling inspection plan for continuous production. Annals of Mathematical Statistics 14, 264–279. • Lucas, J.M. and Saccucci, M.S. (1990). Exponentially weighted moving average control schemes: properties and enhancements. Technometrics 32, 1–12. • Morais, M.J.C. (1995). Cartas de controlo FSI e VSI para o parâmetro de escala da população Weibull tri-paramétrica. Tese de Mestrado, Dep. Matemática, IST, UTL. Orientadora: Profa. Dra. M.F. Ramalhoto. (17-11.43941) • Morais, M. e Natário, I. (1998). Improving an upper one-sided c-chart. Communications in Statistics — Theory and Methods 27, 353–364. • Morais, M.C. (2006). Shewhart Schemes with VSI Revisited. (Co-autor: António Pacheco.) Frankfurter Stochastik-Tage 2006. Frankfurt am Main (Alemanha), 14 a 17 de Março de 2006. (http://www.math.ist.utl.pt/ mjmorais/FCQ2-0607-cap12Frankfurt(M).pdf) • Morais, M.C. e Pacheco, A. (2007). Control schemes with variable sampling intervals revisited. Sequential Analysis 26, 1–18. • Ramalhoto, F. e Morais, M. (1994). Polı́tica VSI aplicada às cartas de controlo X̄, CUSUM e EWMA. Em A Estatı́stica e Futuro e o Futuro da Estatı́stica, 99–114. Pestana, D., Turkman, A., Branco, J., Duarte, L. e Pires, A. (Eds.). Edições Salamandra, Lisboa. 358 • Ramalhoto, M.F. e Morais, M. (1995). Cartas de controlo para o parâmetro de escala da população Weibull tri-paramétrica. Actas do II Congresso Anual da SPE, 345–371. • Morais, M. e Ramalhoto, M.F. (1997). Cartas EWMA–VSI unilaterais superiores para o parâmetro de escala da população Weibull de mı́nimos tri-paramétrica: Que vantagens? Em A Estatı́stica a Decifrar o Mundo, 247–262. Vasconcelos, R., Fraga Alves, I., Canto e Castro, L. e Pestana, D. (eds.). Edições Salamandra, Lisboa. • Reynolds Jr., M. (1989). Optimal variable sampling interval control charts. Sequential Analysis 8, 361–379. • Reynolds Jr., M., Amin, R., Arnold, J. (1990). CUSUM charts with variable sampling intervals. Technometrics 32, 371–384. • Reynolds Jr., M., Amin, R., Arnold, J. e Nachlas, J. (1988). X̄−charts with variable sampling intervals. Technometrics 30, 181–192. • Saccucci, M., Amin, R. e Lucas, J. (1989). An Enhanced Exponentially Weighted Moving Average Control Scheme. Drexel University Faculty Working Paper Series. 359 Alguns reparos e um agradecimento O autor destas notas de apoio salienta que a secção 8.3 resultou de uma tradução livre de diversos textos disponı́veis em http://www.asq.org/ learn-about-quality/history-of-quality/ e recomenda vivamente a leituras destes originais. A esta tradução livre foram acrescentados alguns reparos inspirados pela leitura de Bartmann (1986, pp.2–3), Derman e Ross (1997, pp.3–4) e Gomes e Barão (1999, pp.1–4). O autor salienta também que o Capı́tulo 11 resultou de uma adaptação parcial autorizada de Constantino (2004, Cap. 1–3) e muito agradece a Marco Constantino a permissão para o fazer. 360