Início / Lean Six Sigma / Análise estatística

Simulação Monte Carlo e empilhamento de tolerâncias

Descubra quantas peças sairão fora da especificação antes de fabricar: a variação de cada entrada vira a variação do resultado, e a página mostra qual tolerância vale a pena apertar.

Ferramenta de pré-dimensionamento e estimativa: os resultados não substituem projeto, cálculo ou laudo assinado por profissional habilitado nem a verificação conforme as normas aplicáveis.

VerificaçãoRevisão 03/11/2026
Modelo
Exemplos:
Ver o que foi lido

Parâmetros por distribuição: normal (média, desvio-padrão) · uniforme (mínimo, máximo) · triangular (mínimo, máximo, moda) · lognormal (média, desvio-padrão, limiar) · Weibull (forma, escala, limiar) · constante (valor).

Ver o que foi lido

Sentido +: a cota aumenta o resultado (ex.: o alojamento aumenta a folga); −: diminui (as peças montadas dentro). Tolerância − é a variação para baixo, sem sinal. Normal: a tolerância vale ± k σ (3σ = 99,73% das peças); uniforme e triangular: a cota ocupa a faixa toda.

Especificação do resultado
Simulação

A mesma semente repete exatamente os mesmos números; troque-a para ver a variação de uma simulação para outra.

Custo (opcional)

Os dados ficam só neste navegador e não são enviados. Desmarque para apagar.

—Simulação Monte Carlo
—

Pior caso, RSS e Monte Carlo

Histograma do resultado simulado

Barras = valores simulados (vermelho = fora da especificação); curva = normal com a mesma média e desvio-padrão.

Toque no gráfico para ver os valores.

Resultados da simulação

Contribuição de cada entrada à variação

Parte da variância do resultado que vem de cada entrada; a de cima é a que mais vale a pena controlar.

Toque no gráfico para ver os valores.

Tornado: efeito de cada entrada

Resultado com cada entrada no percentil 5% e 95% e as demais no valor médio; a linha é o resultado com todas no valor médio.

Toque no gráfico para ver os valores.

Sensibilidade: e se o desvio-padrão mudar?

Porcentagem fora (ou desvio-padrão do resultado) quando o desvio-padrão de uma entrada vai de 25% a 150% do atual. Linha inclinada = entrada que vale apertar; plana = pode afrouxar.

Toque no gráfico para ver os valores.

Qual entrada apertar?

Resultado × entrada mais influente

Cada ponto é uma montagem simulada (amostra de até 1.500); as linhas horizontais são a especificação.

Toque no gráfico para ver os valores.

Convergência da simulação

Média e porcentagem fora acumuladas a cada iteração: quando as curvas ficam planas, o número de iterações basta.

Toque no gráfico para ver os valores.

Próximo passo

Leve os resultados desta página para outra calculadora, com os campos já preenchidos.

O memorial reúne entradas, resultados, equações, hipóteses e referências desta página, com campos para projeto, responsável e revisão. O relatório completo traz também os gráficos e as interpretações, em cores. Na janela de impressão, escolha Salvar como PDF.

Método, hipóteses e referências

Equações usadas

Y⁽ⁱ⁾ = f(X₁⁽ⁱ⁾, …, Xₙ⁽ⁱ⁾), i = 1 … N, com cada Xⱼ sorteado da sua distribuição (gerador xoshiro128** com semente; normal pelo método polar)
Empilhamento: Y = Σ sⱼ·Xⱼ; pior caso: Y₀ ± Σ|sⱼ|·Tⱼ; RSS: Y₀ ± √Σ sⱼ²·Tⱼ²; RSS modificado: Y₀ ± 1,5·√Σ sⱼ²·Tⱼ²; normal: σⱼ = Tⱼ/k
% fora = nº de Y < LIE ou > LSE / N, IC de Clopper-Pearson; Ppk (normal) = mín[(LSE − ȳ)/3s; (ȳ − LIE)/3s]; Ppk (percentis) = mín[(LSE − Y₅₀)/(Y₉₉,₈₆₅ − Y₅₀); (Y₅₀ − LIE)/(Y₅₀ − Y₀,₁₃₅)]
Contribuição à variância: rⱼ²/Σr² (r = correlação de Pearson entre Xⱼ e Y); no empilhamento, sⱼ²σⱼ²/Σ sⱼ²σⱼ²
Sensibilidade e otimização: Xⱼ′ = μⱼ + f·(Xⱼ − μⱼ) com os mesmos números sorteados; f para o Ppk alvo por bisseção

Hipóteses e limites

  • Entradas independentes entre si; a equação descreve bem o processo na faixa simulada (equações de regressão ou DOE só valem dentro da região estudada).
  • No empilhamento, as cotas são lineares (sentido ±1 ou coeficiente informado); para cadeias com ângulos ou raios, use o modo equação.
  • Sensibilidade, tornado e otimização mudam só a dispersão de cada entrada em torno da sua média, mantendo a forma da distribuição.

Normas e documentos técnicos

  • ASME Y14.5-2018 Dimensioning and Tolerancing; Fortini, E. T. Dimensioning for Interchangeable Manufacture. Industrial Press, 1967
  • Bender, A. Statistical tolerancing as it relates to quality control and the designer. SAE Transactions 77, 1968
  • JCGM 101:2008 Evaluation of measurement data — Supplement 1 to the GUM: Propagation of distributions using a Monte Carlo method
  • ISO 22514-2:2017 Statistical methods in process management — Capability and performance — Part 2
  • Blackman, D.; Vigna, S. Scrambled linear pseudorandom number generators. ACM TOMS 47(4), 2021 (xoshiro128**)
  • Creveling, C. M. Tolerance Design: A Handbook for Developing Optimal Specifications. Addison-Wesley, 1997

Legislação e regulamentos no Brasil

  • ABNT NBR ISO 286-1:2015 (sistema ISO de tolerâncias e ajustes)
  • ABNT NBR ISO 9001:2015, 8.3: projeto e desenvolvimento

Perguntas frequentes

O que é a simulação Monte Carlo?

É sortear milhares de vezes os valores das entradas (diâmetros, comprimentos, temperaturas), cada uma pela sua distribuição, calcular o resultado em cada sorteio e contar quantos ficam fora da especificação. Com 100 mil iterações, a porcentagem fora é estimada com boa precisão sem fabricar uma única peça.

Qual a diferença entre pior caso, RSS e Monte Carlo?

O pior caso soma todas as tolerâncias, como se todas as peças viessem no limite ao mesmo tempo: garante 100%, mas exige tolerâncias apertadas. O RSS supõe cotas independentes e normais e soma os quadrados. O Monte Carlo usa a distribuição de cada cota e dá a porcentagem real de montagens fora. No exemplo do conjunto de rolamentos, o pior caso dá ±0,45 mm (falha) e o RSS ±0,24 mm (atende).

Como escrever a equação?

Use os nomes da tabela de entradas, + − * / ^, parênteses e funções como sqrt, exp, ln, log, sin e cos. Exemplo: Vazão = pi*(D/2)^2*L*RPM. Separe argumentos com ponto e vírgula, como em max(A; B). A página interpreta a equação sem executar código.

Que distribuição escolher para cada entrada?

Normal quando a cota vem de um processo controlado (média e desvio-padrão da capacidade). Uniforme quando só se sabe que a peça está dentro da tolerância. Triangular quando há um valor mais provável. Lognormal ou Weibull para grandezas só positivas e assimétricas, como tempos e rugosidade.

Por que o Ppk pelos percentis?

Porque o resultado de uma equação não linear raramente é normal. O Ppk pelos percentis (ISO 22514) usa a mediana e os percentis 0,135% e 99,865% dos valores simulados, sem supor a curva normal. Para resultados normais, os dois cálculos coincidem.

Como saber qual tolerância apertar?

Veja a contribuição à variação e a tabela "Qual entrada apertar?". Na bomba de pistão, o curso (L) responde por cerca de 90% da variação da vazão: apertar o diâmetro quase não adianta. A tabela mostra o desvio-padrão necessário em cada entrada para atingir o Ppk alvo e quais podem ser afrouxadas.

Quantas iterações usar?

100 mil bastam na maioria dos casos. A regra é ter pelo menos 100 resultados fora da especificação para a porcentagem fora ter erro de 10%. Se nenhuma peça sair fora, o PPM real é menor que 3 dividido pelo número de iterações; use o Ppk. A mesma semente repete exatamente os mesmos números.