Neste trabalho estudamos o número ótimo de classificações independentes por unidade produzida supondo que haja dois tipos de erro: o tipo I, no qual classifica-se um produto como não-conforme quando ele na realidade é conforme; e o tipo II, no qual classifica-se um produto como conforme quando na realidade é não-conforme. Desenvolvemos um modelo econômico para minimizar o custo médio total em função dos erros de classificação e do custo de cada classificação. Pela complexidade da função-objetivo associada ao modelo, utilizamos um procedimento exaustivo de busca juntamente com um limitante superior do valor ótimo. Todo o procedimento computacional teve uma implementação relativamente simples e está disponível como uma planilha eletrônica do Excel e um código do software estatístico Minitab.

In this study we investigate the optimal number of independent classifications per unit produced when there are two types of classification errors: type I, where product is classified as conforming when it is not in reality, and type II, where product is classified as non-conforming when in reality it is conforming. We developed an economic model to minimize the total medium cost as a function of the classification errors and the cost of each classification. Due to the complexity of the objective function associated to the model, we used an exhaustive procedure with an upper bound of the optimal value. The procedure may be implemented easily and is available either as an Excel spreadsheet or as a macro of the statistical software Minitab.

Nos testes para atributos é importante avaliar a eficiência dos inspetores que julgam a qualidade do produto. Este trabalho apresenta um método bayesiano para avaliação de inspetores em testes de conformidade e não-conformidade. Avaliações em que não se encontram disponíveis a real classificação dos produtos também são discutidas.

When testing for attributes, it is important to assess the inspectors' efficiency as they judge the product quality by classifying it as conforming or non-conforming. This work presents a bayesian method for evaluating sensory inspectors, including discussions about situations in which classifications are made for which the real state of the product is not known.