Melhoria da qualidade do produto a partir da modelagem estatística de captura com remoção em inspeções imperfeitas

Autores
DOI:
https://doi.org/10.47456/bjpe.v12i2.50546
Palavras-chave:
Controle de qualidade, Inspeções Imperfeitas, Modelo de Captura com Remoção
Resumo

Este artigo propõe uma abordagem para avaliação e melhoria da qualidade do produto em processos produtivos sujeitos a inspeções imperfeitas. O objetivo é estimar o número de itens não conformes após as inspeções e subsidiar decisões no planejamento do controle da qualidade. A metodologia baseia-se em um modelo estatístico de captura com remoção, que estima a proporção de itens defeituosos e a eficiência das inspeções na detecção de não conformidades. Além disso, permite estimar o número esperado de itens não conformes antes das inspeções e determinar o número mínimo de etapas necessário para atingir níveis toleráveis de defeitos. A modelagem foi aplicada em uma fábrica de peças para elevadores, com dados de 2.447 caixas inspecionadas ao longo de 13 semanas. Os resultados indicam que aproximadamente 3,7% das caixas aprovadas ainda apresentam não conformidades, o que evidencia limitações do sistema atual de controle. Além disso, as predições do número de itens não conformes antes das inspeções apresentaram proximidade com as estimativas obtidas após as inspeções, evidenciando a consistência e a aplicabilidade do modelo proposto. De forma geral, a metodologia proposta mostrou-se uma ferramenta eficaz para o planejamento e o controle da qualidade, contribuindo para o apoio à tomada de decisão em ambientes produtivos.

Biografia do Autor
  1. Nágilla Aléxia Ferreira Rocha Vaz, Universidade Estadual de Maringá

    É bacharel em Engenharia Elétrica pela Universidade Norte do Paraná (UNOPAR). Atualmente, cursa o Mestrado Acadêmico em Engenharia de Produção na Universidade Estadual de Maringá (UEM). Possui formação técnica em Administração de Empresas e em Eletricista de Manutenção Industrial, além de certificações complementares em AutoCAD, Melhoria Contínua, NR10 e Matemática Aplicada. Trajetória acadêmica e profissional concentra-se nas áreas de engenharia elétrica, produção e qualidade industrial, com foco em melhoria contínua, gestão de processos e análise da qualidade. https://orcid.org/0009-0008-4461-1125

  2. Vanessa Rufino da Silva, Universidade Estadual de Maringá

    Possui mestrado em Estatística pelo Programa Interinstitucional de Pós-Graduação em Estatística (USP/UFSCar) e graduação em Estatística pela Universidade Estadual de Maringá (UEM). Atualmente é docente do Departamento de Estatística da UEM e doutoranda em Bioestatística pelo Programa de Pós-Graduação em Bioestatística da mesma instituição. Desenvolve atividades de pesquisa nas áreas de Teoria de Resposta ao Item (TRI), análise de dados e modelos probabilísticos para mensuração de habilidades e atitudes, com foco na aplicação de métodos estatísticos à avaliação educacional. https://orcid.org/0009-0008-5735-1334

  3. Edwin Vladimir Cardoza Galdamez, Universidade Estadual de Maringá

    É Professor Associado da Universidade Estadual de Maringá. Atua como Docente Permanente do Programa de Pós-graduação em Engenharia de Produção. É Doutor em Engenharia de Produção e graduado em Engenharia Mecânica. Desenvolve pesquisas nas áreas de Engenharia da Qualidade e Engenharia do Trabalho (Segurança e Saúde do Trabalho). https://orcid.org/0000-0002-1763-9332

  4. George Lucas Moraes Pezzott, Universidade Estadual de Maringá

    Possui doutorado em Estatística pelo Programa Interinstitucional de Pós-Graduação em Estatística (USP/UFSCar), mestrado em Estatística pela Universidade Federal de São Carlos (UFSCar) e bacharelado em Estatística pela Universidade Estadual de Maringá (UEM). Atualmente é Professor Adjunto da Universidade Estadual de Maringá (UEM). Tem experiência nas áreas de Probabilidade e Inferência Estatística com ênfase em Modelos Probabilísticos Discretos e Inferência Bayesiana, atuando principalmente em inferências sobre tamanho populacional em modelos de captura-recaptura. https://orcid.org/0000-0002-2483-7388

Referências

Berrade, M. D., Scarf, P. A., Cavalcante, C. A. V., & Dwight, R. A. (2013). Imperfect inspection and replacement of a system with a defective state: a cost and reliability analysis. Reliability Engineering & System Safety, 120, 80-87. https://doi.org/10.1016/j.ress.2013.02.024

Byrd, R. H., Lu, P., Nocedal, J., & Zhu, C. (1995). A limited memory algorithm for bound constrained optimization. SIAM Journal on scientific computing, 16(5), 1190-1208 https://doi.org/10.1137/0916069

Bonett, D. G. & Woodward, J. A. (1994). Sequential defect removal sampling. Management Science, 40(7), 898-902. https://doi.org/10.1287/mnsc.40.7.898

Casella, G., & Berger, R. (2024). Statistical inference. Chapman and Hall/CRC. https://doi.org/10.1201/9781003456285

Chun, Y. H. (2005). Serial inspection plan in the presence of inspection errors: maximum likelihood and maximum entropy approaches. Quality Engineering, 17(4), 627-632. https://doi.org/10.1080/08982110500225463

Chun, Y. H. (2008). Bayesian analysis of the sequential inspection plan via the Gibbs sampler. Operations Research, 56(1), 235-246. https://doi.org/10.1287/opre.1070.0501

Chun, Y. H. (2015). Improved method of estimating the product quality after multiple inspections. International Journal of Production Research, 54(19), 5686-5696. https://doi.org/10.1080/00207543.2015.1128128

Chun, Y. H. (2016). Designing repetitive screening procedures with imperfect inspections: an empirical Bayes approach. European Journal of Operational Research, 253(3), 639-647. https://doi.org/10.1016/j.ejor.2016.03.003

Chun, Y. H. (2019). Imperfect inspection with directional information: a general failure probability model. Journal of Quality Technology, 51(3), 300-313. https://doi.org/10.1080/00224065.2019.1569953

Chun, Y. H. (2023). Economic design of multiple inspection plans via the expectation-maximization algorithm. Journal of the Operational Research Society, 74(3), 762-776. https://doi.org/10.1080/01605682.2022.2053306

Duffuaa, S. O. & Khan, M. (2005). Impact of inspection errors on the performance measures of a general repeat inspection plan. International Journal of Production Research, 43(23), 4945-4967. https://doi.org/10.1080/00207540412331325413

Gadrich, T. & Katriel, G. (2021). Estimating the rate of defects under imperfect sampling inspection-a new approach. Probability in the Engineering and Informational Sciences, 35(2), 242-257. https://doi.org/10.1017/S0269964819000391

Kang, Z., Catal, C., & Tekinerdogan, B. (2022). Product failure detection for production lines using a data-driven model. Expert Systems with Applications, 202, 117398. https://doi.org/10.1016/j.eswa.2022.117398.

Maisano, D. A., Ferrara, L., & Franceschini, F. (2025). Characteristic curves for multiple‐inspector sampling plans with inspection errors. Quality and Reliability Engineering International. https://doi.org/10.1002/qre.70058

Myung, I. J. (2003). Tutorial on maximum likelihood estimation. Journal of mathematical Psychology, 47(1), 90-100. https://doi.org/10.1016/S0022-2496(02)00028-7

Nunes, P., Santos, J., & Rocha, E. (2023). Challenges in predictive Maintenance-A review. CIRP Journal of Manufacturing Science and Technology, 40, 53-67. https://doi.org/10.1016/j.cirpj.2022.11.004

Pakkala, D., Kääriäinen, J., & Mätäsniemi, T. (2024). Improving efficiency and quality of operational industrial production assets information management in customer-vendor interaction. Journal of Industrial Information Integration, 41, 100644 https://doi.org/10.1016/j.jii.2024.100644

Powell, D., Magnanini, M. C., Colledani, M., & Myklebust, O. (2022). Advancing zero defect manufacturing: A state-of-the-art perspective and future research directions. Computers in Industry, 136, 103596. https://doi.org/10.1016/j.compind.2021.103596

R Core Team. (2021). R: a language and environment for statistical computing. R foundation for statistical computing, Vienna, Austria.

Sabry, A. H. & Amirulddin, U. A. B. U. (2024). A review on fault detection and diagnosis of industrial robots and multi-axis machines. Results in Engineering, 23, 102397. https://doi.org/10.1016/j.rineng.2024.102397

Shahmoradi, Z. & Ünlüyurt, T. (2018). Failure detection for series systems when tests are unreliable. Computers & Industrial Engineering, 118, 309-318. https://doi.org/10.1016/j.cie.2018.02.033

Wang, J., Ma, X., Yang, L., Qiu, Q., Shang, L., & Wang, J. (2024). A hybrid inspection-replacement policy for multi-stage degradation considering imperfect inspection with variable probabilities. Reliability Engineering & System Safety, 241, 109629. https://doi.org/10.1016/j.ress.2023.109629

Wei, W., Li, H., & Leus, R. (2017). Test sequencing for sequential system diagnosis with precedence constraints and imperfect tests. Decision Support Systems, 103, 104-116. https://doi.org/10.1016/j.dss.2017.09.009

White, G. C. (1982). Capture-recapture and removal methods for sampling closed populations. Los Alamos National Laboratory. Recuperado de https://doi.org/10.2307/2347719

Yang, M. H. & Cho, J. H. (2013). Minimisation of inspection and rework cost in a BLU factory considering imperfect inspection. International Journal of Production Research, 52(2), 384-396. https://doi.org/10.1080/00207543.2013.828171

Cover Image
Imagem que apresenta um painel de controle de elevador em aço escovado sendo acionado por uma mão humana, com destaque para um botão iluminado, simbolizando um processo de decisão baseado em seleção e inspeção. A composição visual remete ao conceito de captura e remoção de eventos ou itens específicos dentro de um sistema, estabelecendo uma analogia com modelos estatísticos aplicados ao controle da qualidade em ambientes produtivos. O cenário representa a utilização de técnicas quantitativas para aprimorar a qualidade do produto por meio da modelagem estatística de processos sujeitos a inspeções imperfeitas, contribuindo para a redução de falhas, melhoria da confiabilidade e otimização do desempenho operacional. Na parte superior, encontra-se o título do artigo “Melhoria da qualidade do produto a partir da modelagem estatística de captura com remoção em inspeções imperfeitas”, seguido dos autores Vaz, Silva, Galdamez & Pezzott (2026). Na parte inferior, consta a identificação da Brazilian Journal of Production Engineering e o ISSN da revista.
Downloads
Arquivos adicionais
Publicado
15.06.2026
Edição
v. 12 n. 2 (2026): N° Regular (Abril - Junho)
Seção
ENGENHARIA DA QUALIDADE
Licença

Direitos autorais (c) 2026 Vaz, N. A. F. R., Silva, V. R. da, Galdamez, E. V. C., & Pezzott, G. L. M.

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Qualquer pessoa pode copiar, distribuir, exibir, adaptar, remixar e até utilizar comercialmente os conteúdos publicados na revista; Desde que sejam atribuídos os devidos créditos aos autores e à BJPE como fonte original; Não é exigida permissão adicional para reutilização, desde que respeitados os termos da licença. Esta política está em conformidade com os princípios do acesso aberto, promovendo a ampla disseminação do conhecimento científico. 🔗 CC BY 4.0

Como Citar

Vaz, N. A. F. R., Silva, V. R. da, Galdamez, E. V. C., & Pezzott, G. L. M. (2026). Melhoria da qualidade do produto a partir da modelagem estatística de captura com remoção em inspeções imperfeitas. Brazilian Journal of Production Engineering, 12(2), 193-204. https://doi.org/10.47456/bjpe.v12i2.50546