Apostila Estatistica

Estatstica Basica
Instrutor:
Dorival Leao
Estatcamp Consultoria em Estatstica e Qualidade
Rua: Adolpho Cattani, 682
Jardim Macarengo CEP: 13560-470 Sao Carlos/SP
Fone/Fax: (16) 3376-2047
E-mail: estatistica@estatcamp.com.br
Novembro/2006
ii
Sumario
1 Introducao 1
2 Coleta de Dados 2
2.1 Dados Quantitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1 Dados Quantitativos Discretos . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2 Dados Quantitativos Contnuos . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Dados Qualitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.1 Construindo um Diagrama de Pareto . . . . . . . . . . . . . . . . . . . . 6
3 Gracos 9
3.1 Distribuicao de Freq uencias e Histograma . . . . . . . . . . . . . . . . . . . . . . 9
4 Medidas de Posicao 14
4.1 Media Aritmetica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5 Medidas de Dispersao 16
5.1 Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5.2 Variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.3 Desvio Padrao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6 Estatsticas Descritivas 19
6.1 Box-Plot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7 Probabilidades 23
7.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.2 Denicoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7.3 Distribuicao de Probabilidade Discreta . . . . . . . . . . . . . . . . . . . . . . . 28
Sumario iii
7.3.1 Funcao de Distribuicao Acumulada . . . . . . . . . . . . . . . . . . . . . 28
7.3.2 Relacao entre a Funcao de Distribuicao Acumulada e a Distribuicao de
Probabilidade Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7.3.3 Esperanca de Variaveis Aleatorias Discretas . . . . . . . . . . . . . . . . 29
7.3.4 Variancia de Variaveis Aleatorias Discretas . . . . . . . . . . . . . . . . . 30
7.4 Modelos Probabilsticos Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . 30
7.4.1 Distribuicao Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
7.4.2 Distribuicao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7.4.3 Distribuicao Geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7.4.4 Distribuicao Hipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . 38
7.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.6 Distribuicoes de Probabilidade Continua . . . . . . . . . . . . . . . . . . . . . . 41
7.6.1 Relacao entre a Funcao de Distribuicao Acumulada e a Funcao densidade
de Probabilidade Contnua . . . . . . . . . . . . . . . . . . . . . . . . . . 42
7.6.2 Esperanca de Variaveis Aleatorias Contnuas . . . . . . . . . . . . . . . . 42
7.6.3 Variancia de Variaveis Aleatorias Contnuas . . . . . . . . . . . . . . . . 42
7.7 Modelos Probabilsticos Contnuos . . . . . . . . . . . . . . . . . . . . . . . . . . 42
7.7.1 Distribuicao Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
7.7.2 Distribuicao Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
7.8 Modelos Probabilsticos para o Tempo de Falha . . . . . . . . . . . . . . . . . . 46
7.8.1 Distribuicao Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.8.2 Distribuicao de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
7.8.3 Distribuicao de Gumbel . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
7.8.4 Distribuicao Log-normal . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
8 A Distribuicao Normal 54
9 Teorema do Limite Central 61
10 Teste para Normalidade 64
10.1 Papel de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
10.2 Teste de Kolmogorov - Smirnov . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
10.3 Teste Anderson-Darling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Sumario iv
11 Indicadores da Qualidade 77
11.1 Rendimento de um Produto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
11.2 Intervalo de conanca para o rendimento . . . . . . . . . . . . . . . . . . . . . . 80
11.3 Defeitos por milhao de oportunidades (DPMO) . . . . . . . . . . . . . . . . . . 85
11.4 Intervalo de conanca para o DPMO . . . . . . . . . . . . . . . . . . . . . . . . 87
11.5 Rendimento: Analise da resposta do processo (Rolled Throughput Yield) . . . . 91
11.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
11.7 Metrica da Qualidade: SIGMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
12 Denicoes 98
A Tabela Normal Padrao - 6 100
Referencias Bibliogracas 100
v
Lista de Figuras
2.1 Classicacao dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Diagrama de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Diagrama de Pareto - Relativo a Custos . . . . . . . . . . . . . . . . . . . . . . 8
3.1 Histograma - Frequencia Absoluta . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Histograma - Porcentagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Histograma - Frequencia Absoluta . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.4 Histograma - Porcentagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
6.1 Construcao do Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.2 Comparacao entre dois Boxplots . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7.1 Gr aco da funcao densidade de probabilidade da Uniforme . . . . . . . . . . . . 43
7.2 Gr aco da funcao de conabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 47
7.3 Gr aco da funcao taxa de falha da distribuicao Weibull . . . . . . . . . . . . . . 49
7.4 Gr aco da funcao densidade da distribuicao Log-Normal . . . . . . . . . . . . . 52
8.1 Distribuicao Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
8.2

Areas sob a Curva Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
8.3 Distribuicao Normal Padronizada . . . . . . . . . . . . . . . . . . . . . . . . . . 55
8.4

Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
8.5

8.6

8.7

8.8

8.9

8.10

Lista de Figuras vi
8.11

9.1 Histograma-Dados Exponenciais . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
9.2 Media de Grupos de 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
9.3 Medias dos 5 Grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
10.1 Papel de Probabilidade para o exemplo 10.1. . . . . . . . . . . . . . . . . . . . . 67
10.2 Papel de Probabilidade do Teste Anderson-Darling . . . . . . . . . . . . . . . . 76
11.1 Graco da Estrategia de Rompimento . . . . . . . . . . . . . . . . . . . . . . . . 77
11.2 Graco de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.3 Graco do Rendimento Classico . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
11.4 Graco do Rendimento do Processo . . . . . . . . . . . . . . . . . . . . . . . . . 93
11.5

Areas sob a Curva Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
11.6 Limites de Variacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
vii
Lista de Tabelas
2.1 N umero de Pecas Defeituosas em Lotes de 1.000 (Com Apuracao) . . . . . . . . 3
2.2 Diametro do Eixo de 200 Motores . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Diametro do Eixo de 200 Motores (Com Apuracao) . . . . . . . . . . . . . . . . 4
2.4 Tipos de problemas Numa Ind ustria de Computadores . . . . . . . . . . . . . . 6
3.1 Diametro do Eixo de 200 Motores (Sem Apuracao) . . . . . . . . . . . . . . . . 9
3.2 Distribuicao de Frequencias dos Diametros dos Eixos . . . . . . . . . . . . . . . 11
3.3 Criterio Para Determinar os Intervalos . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 N umero de Pecas Defeituosas em Lotes de 1.000 (Sem Apuracao) . . . . . . . . 12
3.5 Distribuicao de Frequencias dos Dados do exemplo 2.1 . . . . . . . . . . . . . . 13
7.1 Tabela do Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
7.2 Tabela de probabilidade da distribuicao geometrica . . . . . . . . . . . . . . . . 37
9.1 Dados Exponenciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
10.1 Construcao do papel de probabilidade. . . . . . . . . . . . . . . . . . . . . . . . 68
10.2 Tabela de Valores para D
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
10.3 Resumo do Calculo de D
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
10.6 Tabela de pontos percentis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10.7 Calculando o valor de A
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
11.1 Resumo dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.2 Colheitadeira de Cana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
11.3 DPMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
11.4 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Lista de Tabelas viii
11.5 Colheitadeira de Cana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
11.6 Resumo dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
11.7 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
11.8 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
11.9 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
A.1 Tabela Normal 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
1
Captulo 1
Introducao
Neste captulo, vamos apresentar elementos basicos da analise de dados. Veremos as es-
tatsticas descritivas para um conjunto de dados, que e a forma de reduzir e conhecer o nosso
conjunto de dados.
O resumo de dados sera apresentado em forma de gracos, diagramas e tabelas.
As tecnicas estatsticas sao utilizadas para avaliar as variacoes. A variabilidade esta presente
em todo lugar. Por exemplo, ao estacionar um carro em uma garagem, sua posicao nao e a
mesma ao longo dos dias. A posicao do carro apresenta uma variacao.
Para se fazer uma aplicacao de tecnicas estatsticas existem varias etapas:
Coleta dos dados;
Exposi cao dos dados;
Modelos Estatsticos.
Vejamos cada uma destas etapas.
2
Captulo 2
Coleta de Dados
Uma populacao e um agregado de elementos (nitos ou nao) para o qual deseja-se obter
informacoes sobre algumas de suas caractersticas. Duas populacoes sao consideradas distintas
se uma delas contem um elemento que nao esta contido na outra populacao. Como exemplo
de populacao temos a producao diaria de um empresa, o conjunto de resultados de medicao de
uma haste de aco realizada com um micrometro, entre outras. A amostra e uma parcela de uma
populacao que pode conter informacoes sobre a populacao. Para estudarmos adequadamente
uma popula cao atraves de uma amostra devemos planejar a coleta de dados.
Planejando a Coleta de Dados
Qual a pergunta a ser respondida?
Como comunicar a resposta obtida?
Qual ferramenta de analise pretende-se usar e como serao comunicados os resultados?
Quais tipos de dados sao necessarios para utilizar as ferramentas desejadas e responder a
pergunta?
Onde acessar estes dados?
Como coletar esses dados com o mnimo de esforco e de erro?
Quais informacoes adicionais serao necessarias para estudos futuros, referencias ou reco-
nhecimento?
Os Dados podem ser classicados como:
2. Coleta de Dados 3
Figura 2.1: Classicacao dos Dados
2.1 Dados Quantitativos
Neste caso a caracterstica observada assume valores numericos. Este tipo de dado pode ser
ainda classicado como discreto ou contnuo.
2.1.1 Dados Quantitativos Discretos
Neste caso os dados observados formam um conjuto nito ou enumeravel de n umeros.
Exemplo 2.1. Foram observados 20 lotes de 1.000 pecas cada um. O n umero de pecas de-
feituosas encontradas em cada lote foi: 10, 12, 9, 11, 10, 8, 9, 10, 7, 10, 8, 9, 9, 10, 10, 11, 9,
11, 10, 10.
Podemos fazer a apuracao atraves de uma tabela (Tabela 2.1).
N umero de pecas Apuracao N umero de lotes
Defeituosas
7 / 1
8 / / 2
9 / / / / / 5
10 / / / / / / / / 8
11 / / / 3
12 / 1
Tabela 2.1: N umero de Pecas Defeituosas em Lotes de 1.000 (Com Apuracao)
Vemos entao que a variavel n umero de pecas defeituosas assume valores inteiros: . . . , 7, 8, 9, . . ..
Logo, e uma variavel discreta.
2.1.2 Dados Quantitativos Contnuos

Sao os que decorrem de mensuracoes. Os possveis valores incluem todos os n umeros do
intervalo de variacao da caracterstica medida, isto e, todos os possveis valores pertencem a um
intervalo de n umeros reais. Na pratica estes valores sao discretizados pela precisao do aparelho
de medida. Por exemplo, quando se mede diametros de eixos de determinados motores, se esta
coletando dados contnuos.
Exemplo 2.2. Numa fabrica de pequenos motores, problemas de encaixe estavam ocorrendo
com o eixo. Resolveu-se entao medir o diametro de 200 motores e o resultado foi apresentado
na tabela 2.2.
4,8 4,2 5,1 5,2 4,8 4,7 4,9 4,5 4,9 4,5
4,9 5,1 4,8 4,9 4,8 5,0 5,3 4,9 5,5 5,2
5,1 4,6 4,9 4,3 4,9 4,7 5,2 4,8 4,4 5,6
5,0 5,0 5,0 5,1 4,9 4,8 4,8 5,0 4,8 5,1
5,4 4,2 5,1 4,9 4,3 4,6 4,7 4,7 5,3 4,4
5,7 4,9 5,2 4,8 4,9 4,9 4,4 4,7 4,9 5,1
5,1 4,9 4,9 5,1 5,2 4,7 4,8 4,6 5,2 5,5
4,9 4,8 4,2 5,2 5,1 4,7 5,5 4,7 4,7 4,4
5,0 5,2 4,2 4,9 5,1 4,6 5,4 4,6 4,8 5,2
4,8 5,1 4,6 4,8 5,2 4,5 4,9 4,5 5,4 4,5
4,8 4,2 5,1 5,2 4,8 4,7 4,9 4,7 4,9 4,5
4,9 5,1 4,8 4,9 4,8 5,0 5,3 4,9 5,5 5,2
5,1 4,6 4,9 4,3 4,9 4,7 5,2 4,8 4,4 5,6
5,0 5,0 5,0 5,1 4,9 4,8 4,8 5,0 4,8 5,1
5,4 4,2 5,1 4,9 4,3 4,6 4,7 4,8 5,3 4,4
5,7 4,9 5,2 4,8 4,9 4,9 4,4 4,7 4,8 5,1
5,1 4,9 4,9 4,9 5,2 4,7 4,8 4,7 5,2 5,5
4,9 4,8 4,2 5,2 5,1 4,7 5,5 4,6 4,7 4,4
5,0 5,2 4,2 4,9 5,1 4,6 5,4 4,7 4,8 5,2
4,8 5,1 4,6 4,8 5,2 4,5 4,9 4,6 5,4 4,5
Tabela 2.2: Diametro do Eixo de 200 Motores
Podemos fazer a apuracao considerando intervalos de medidas, como apresentado na tabela
2.3.
Diametro Apuracao N
o
de motores
4, 2 4, 4 / / / / / / / / / / / / 12
4, 4 4, 6 //////////.../ 16
4, 6 4, 8 //////////...// 32
4, 8 5, 0 //////////...//// 64
5, 0 5, 2 //////////.../ 36
5, 2 5, 4 //////////...//// 24
5, 4 5, 6 / / / / / / / / / / / / 12
5, 6 5, 8 / / / / 4
Tabela 2.3: Diametro do Eixo de 200 Motores (Com Apuracao)
Veja que, ao se estabelecer intervalos, esta-se admitindo que o eixo pode assumir qualquer
valor entre o limite inferior, inclusive, e o limite superior, exclusive.
2.2 Dados Qualitativos

Os dados qualitativos apresentam como possveis realizacoes uma qualidade (ou atributo)
do indivduo pesquisado.
Dentre os dados quantitativos podemos fazer uma distincao entre dois tipos: dado quali-
tativo nominal, para o qual nao existe nenhuma ordenacao nas possveis realizacoes, e dado
qualitativo ordinal, para o qual existe uma ordem em seus resultados. Sexo, estado civil, sao
exemplos de dados qualitativos nominais. Ja grau de instrucao e um exemplo de dado qua-
litativo ordinal, pois ensinos fundamental, medio e superior correspondem a uma ordenacao.
Exemplo 2.3. Uma ind ustria de computador preocupada com varios defeitos que um de seus
produtos vem apresentando, fez um levantamento e constatou os seguintes problemas que foram
designados da seguinte forma:
A : Defeito na cobertura plastica.
B : Defeito no teclado.
C : Defeito na fonte de energia.
D : Soldas soltas.
E : Defeito na placa da unidade de processamento.
F : Defeito no visor.
G : Outros.
Nesta situacao consideremos uma variavel T como sendo o tipo de defeito encontrado no
produto. Portanto a variavel T pode assumir os valores T = A, T = B, . Assim, para um
computador com defeito na cobertura plastica temos que T = A, por exemplo.
Numa segunda fase tabelamos (tabela 2.4) os valores observados.
Assim, podemos ver que os dados A, B, ... sao dados qualitativos nominais.
Tipo de Problemas (T) Frequencia
A 10
B 20
C 55
D 80
E 25
F 3
G 7
Tabela 2.4: Tipos de problemas Numa Ind ustria de Computadores
Na gura 2.2 temos o Diagrama de Pareto referente a estes dados.

Figura 2.2: Diagrama de Pareto
2.2.1 Construindo um Diagrama de Pareto
1. Selecione os problemas a serem comparados e estabeleca uma ordem atraves de:
Brainstorming - Exemplo: Qual e o nosso maior problema de qualidade no depar-
tamento de compras?
Utilizacao de dados existentes - Exemplo: Vericar os registros da qualidade do
departamento de compras ao longo do ultimo mes.
2. Selecione um padrao de comparacao com unidade de medida - Exemplo: Custo mensal,
frequencia de ocorrencia.
3. Especique o perodo de tempo em que os dados serao coletados - Exemplo: Uma semana,
um mes.
4. Colete os dados necessarios para cada categoria - Exemplo: Defeito A ocorreu X vezes ou
defeito C custou Y.
5. Compare a frequencia ou custo de cada categoria com relacao a todas as outras categorias
- Exemplo: Defeito A ocorreu 75 vezes, defeito B ocorreu 107 vezes, defeito C ocorreu 42
vezes ou defeito A custa 75 reais mensalmente, defeito B custa 580 reais mensalmente.
6. Liste as categorias da esquerda para direita no eixo horizontal em ordem decrescente de
frequencia ou custo. Os itens de menor importancia podem ser combinados na categoria
outros, que e colocada no extremo direito do eixo, com a ultima barra.
7. Acima de cada categoria desenhe um retangulo cuja a altura representa a frequencia ou
custo daquela categoria.
8. A partir do topo da maior barra e da esquerda para a direita, ascendendo, uma linha
pode ser adiciona representando a frequencia acumulada das categorias.
Diagrama de Pareto Relativo a Custos
Exemplo 2.4. Consideremos um exemplo de cartoes perfurados, levando em consideracao os
custos envolvidos.
Principais Defeitos N
o
de Embalagens Custo por Unidade Custo do Defeito
Defeituosas Defeituosa (R$) (R$)
N umeros Trocados 28 0,05 1,40
Caracteres Errados 28 0,05 1,40
Amassada 4 1,00 4,00
Perfurada 3 0,05 0,15
Impressao Ilegvel de
Dados 2 0,05 0,10
Rasgada 2 1,00 2,00
Outros 1 0,05 0,05
TOTAL 68
Figura 2.3: Diagrama de Pareto - Relativo a Custos
A exposicao dos dados pode ser feita atraves de tabela e/ou gracos. Aproveitando os
exemplos anteriores poderamos apresentar os dados atraves de suas respectivas tabelas, com a
ressalva de que deveramos eliminar a coluna Apuracao, para uma apresentacao mais elegante.
Tambem e logico que se contarmos com um computador esta coluna nao faz sentido. In umeros
gracos auxiliam na apresentacao e interpretacao dos fatos, mas destacaremos os mais usuais
em ind ustrias.
9
Captulo 3
Gracos
3.1 Distribui cao de Freq uencias e Histograma
Com as tabelas e/ou gracos em maos, tendo uma melhor visualizacao dos dados, muitas
vezes ja temos condicoes de interpretar o fenomeno em estudo. Entretanto, para alguns casos
ainda havera necessidade de se efetuar operacoes numericas para se chegar a conclusoes mais
s olidas.
Devido ao fato de dados quantitativos serem os mais freq uentemente encontrados na ind ustria,
desenvolveremos inicialmente metodos de analise para eles. Ou seja, passamos à sua descricao,
atraves do que e chamado de distribuicao de frequencias.
Dados Contnuos
Vejamos o exemplo 2.2, onde a Tabela 2.3 e agora apresentada sem a coluna APURAC

AO,
ou seja:
Diametro N
o
de motores
4, 2 4, 4 12
4, 4 4, 6 16
4, 6 4, 8 32
4, 8 5, 0 64
5, 0 5, 2 36
5, 2 5, 4 24
5, 4 5, 6 12
5, 6 5, 8 4
Tabela 3.1: Diametro do Eixo de 200 Motores (Sem Apuracao)
Note que neste exemplo a variavel de interesse e o Diametro enquanto que N umero de
Motores e a freq uencia de medidas em cada intervalo.
3. Gracos 10
Freq uencia Absoluta (f
i
):

E o n umero de observacoes correspondente a cada intervalo. A
freq uencia absoluta e, geralmente, chamada apenas de frequencia. No exemplo 2.2, a frequencia
e o n umero de motores.
Para um dado intervalo i, denotaremos a frequencia absoluta correspondente a este intervalo
por f
i
. Assim, por exemplo, a frequencia do quarto intervalo, na Tabela 3.1, e f
4
= 64.
Frequencia Relativa (fr
i
):

E o quociente entre a frequencia absoluta e o n umero total
de observacoes, e sera denotada por fr
i
. Isto e, fr
i
=
f
i
n
onde n representa o n umero total de
observacoes. No nosso exemplo, como n = 200, temos que a freq uencia relativa e dada por
fr
4
=
64
200
= 0, 32.
Frequencia Percentual (p
i
):

E conseguida multiplicando-se a frequencia relativa por
100%. No exemplo que estamos usando a frequencia percentual da quarta classe e dada por:
p
4
=
64
200
100% = 32%.
Frequencia Acumulada:

E o total acumulado (soma) de todas as classes anteriores ate a
classe atual. Pode ser Frequencia Acumulada Absoluta (F
i
), Frequencia Acumulada Relativa
(Fr
i
), ou Frequencia Acumulada Percentual (P
i
).
Ponto Medio (x
i
):

E obtido somando o limite inferior e o limite superior de cada intervalo
e dividindo o resultado por 2. Consideramos este ponto como sendo o valor representativo de
cada intervalo. No caso do primeiro intervalo, no exemplo dado, temos:
x
1
=
4, 2 + 4, 4
2
= 4, 3.
Agora que temos estas quantidades denidas, vamos usar o exemplo que estamos acom-
panhando e mostrar todas elas atraves de uma tabela completa. Como Frequencia Acumulada
iremos apresentar somente a Frequencia Acumulada Percentual.
3. Gracos 11
Diametro x
i
f
i
fr
i
p
i
(%) P
i
(%)
4, 2 4, 4 4,3 12 0,06 6 6
4, 4 4, 6 4,5 16 0,08 8 14
4, 6 4, 8 4,7 32 0,16 16 30
4, 8 5, 0 4,9 64 0,32 32 62
5, 0 5, 2 5,1 36 0,18 18 80
5, 2 5, 4 5,3 24 0,12 12 92
5, 4 5, 6 5,5 12 0,06 6 98
5, 6 5, 8 5,7 4 0,02 2 100
Tabela 3.2: Distribuicao de Frequencias dos Diametros dos Eixos
Figura 3.1: Histograma - Frequencia Absoluta
Figura 3.2: Histograma - Porcentagens
Algumas indicacoes na construcao da distribuicao de frequencias sao:
1. Na medida do possvel, as classes deverao ter amplitudes iguais.
2. Escolher os limites dos intervalos entre duas possveis observacoes.
3. O n umero de intervalos nao deve ultrapassar 20.
4. Escolher limites que facilitem o agrupamento.
5. Marcar os pontos medios dos intervalos.
6. Ao construir um histograma, cada retangulo devera ter area proporcional à frequencia
relativa correspondente (ou à frequencia absoluta, o que d a no mesmo) .
7. Um criterio para determinar os intervalos (classes) e:
3. Gracos 12
Tamanho da Amostra (n) N umero de Classes (c)
30 a 50 5 a 7
51 a 100 6 a 10
10l a 250 7 a 12
acima de 250 10 a 20
Tabela 3.3: Criterio Para Determinar os Intervalos
Determinacao do tamanho da classe ou intervalo (L):
L =
amplitude
n
o
de classes
=
R
c
onde R e o maior valor da amostra menos o menor valor da amostra.
Como a tabela de frequencia, o histograma tem a caracterstica de analisar as relacoes
essenciais que os dados apresentam, e ainda vericar algumas suposicoes.
Dados Discretos
Consideremos agora o Exemplo 2.1, onde a Tabela 2.1 e apresentada sem a coluna
APURAC

AO.
N umero de Pecas N umero de lotes
Defeituosas
7 1
8 2
9 5
10 8
11 3
12 1
Tabela 3.4: N umero de Pecas Defeituosas em Lotes de 1.000 (Sem Apuracao)
A variavel de interesse e N umero de pecas defeituosas, enquanto que N umero de Lotes
e a frequencia observada para cada classe da variavel de interesse.
Com as quantidades ja denidas, construiremos a tabela completa para este exemplo. Note
que a coluna Ponto Medio nao e necessaria, pois se trata de dados discretos.
3. Gracos 13
N umero de Pecas f
i
fr
i
p
i
(%) P
i
(%)
Defeituosas
7 1 0,05 5 5
8 2 0,10 10 15
9 5 0,25 25 40
10 8 0,40 40 80
11 3 0,15 15 95
12 1 0,05 5 100
Tabela 3.5: Distribuicao de Frequencias dos Dados do exemplo 2.1
Figura 3.3: Histograma - Frequencia Absoluta Figura 3.4: Histograma - Porcentagens
14
Captulo 4
Medidas de Posicao
A seguir apresentaremos as medidas basicas para resumir um conjunto de dados. Estas
medidas sao amplamente utilizadas para descrever um conjunto de dados.
As medidas de posicao e uma forma de resumir os dados, fornecendo apenas um valor, por
exemplo, o valor medio de um conjunto de dados.
4.1 Media Aritmetica
A media aritmetica, ou simplesmente media, e calculada somando-se os valores das obser-
vacoes e dividindo-se o resultado pelo n umero de valores.
Notacao:
X : valor de cada indivduo da amostra.
X : media amostral.
: media populacional.
n : tamanho da amostra.
N : tamanho do universo (populacao).
Assim, a media amostral e dada por:
X =
X
1
+ . . . + X
n
n
(4.1)
4. Medidas de Posicao 15
Exemplo 4.1. Uma amostra de 5 barras de aco foi retirada da linha de producao e seus
comprimentos foram medidos. Os valores foram: 4,5; 4,6; 4,5; 4,4; 4,5. A media amostral dos
comprimentos e:
x =
4, 5 + 4, 6 + 4, 5 + 4, 4 + 4, 5
5
O comprimento medio das barras de aco desta amostra e x = 4, 5.
4.2 Mediana
Para calcular a mediana devemos, em primeiro lugar, ordenar os dados do menor para o
maior valor. Se o n umero de observacoes for mpar, a mediana sera a observacao central. Se
o n umero de observacoes for par, a mediana sera a media aritmetica das duas observacoes
centrais.
Notacao:

X : mediana
Exemplo 4.2. Uma amostra de 7 caixas de um dispositivo eletronico, com 100 unidades por
caixa, apresentou os seguintes n umeros de dispositivos defeituosos por caixa: 27, 5, 10, 7, 8,
12, 9.
Em primeiro lugar devemos ordenar os valores: 5, 7, 8, 9, 10, 12, 27.
Como o n umero de observacoes e mpar, a mediana e o valor central, isto e, x = 9.
Exemplo 4.3. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos

de o de aco: 65, 72, 70, 77, 60, 67, 69, 68.
Ordenando os valores, temos: 60, 65, 67, 68, 69, 70, 72, 77.
Como o n umero de observacoes e 8, portanto par, a mediana e dada pela media dos dois
valores centrais que sao 68 e 69, isto e:
x =
68 + 69
2
= 68, 5.
16
Captulo 5
Medidas de Dispersao
Dispersao e sinonimo de variacao ou variabilidade de uma distribuicao. Para medir a dis-
persao sao freq uentemente usadas a amplitude e o desvio padrao.
5.1 Amplitude
A amplitude e a diferenca entre o maior e menor valor do conjunto de dados.
Notacao:
R: amplitude.
X
(1)
: menor valor do conjunto de dados.
X
(n)
: maior valor do conjunto de dados.
Assim, a amplitude e dada por:
R = X
(n)
X
(1)
(5.1)
Exemplo 5.1. As temperaturas num perodo de 8 horas (uma medida/hora) foram: 60, 65,
67, 68, 69, 70, 72, 77.
A amplitude deste conjunto e:
R = 77 60 = 17
5. Medidas de Dispersao 17
5.2 Variancia
A variancia de uma populacao de N elementos e a medida de dispersao denida como a
media do quadrado do desvios dos elementos em relacao a media.
Notacao:

2
: variancia populacional.
s
2
: variancia amostral.
Assim, a variancia amostral e dada por:
s
2
=
n
i=1
(X
i
X)
2
n 1
. (5.2)
5.3 Desvio Padrao
O desvio padrao de um conjunto de dados e igual à raiz quadrada positiva da variancia.
Notacao:
: desvio padrao populacional.
s : desvio padrao amostral.
Assim, o desvio padrao amostral e dado por:
s =
_
2
=
_
N
i=1
(x
i
x)
2
n 1
. (5.3)
Exemplo 5.2. Considere a amostra dos comprimentos de 8 rolos de o de aco cujos valores
foram: 65, 72, 70, 77, 60, 67, 69, 68. Calcular o desvio padrao.
Para calcular o desvio padrao devemos primeiramente calcular a media x, isto e:
x =
65 + 72 + 70 + 77 + 60 + 67 + 69 + 68
8
= 68, 5.
Agora vamos subtrair x = 68, 5 de cada valor, elevar cada resultado ao quadrado e soma-los.
5. Medidas de Dispersao 18
(x x) (x x)
2
65 - 68,5 = -3,5 (3, 5)
2
= 12,25
72 - 68,5 = 3,5 (3, 5)
2
= 12,25
70 - 68,5 = 1,5 (1, 5)
2
= 2,25
77 - 68,5 = 8,5 (8, 5)
2
= 72,25
60 - 68,5 = -8,5 (8, 5)
2
= 72,25
67 - 68,5 = -1,5 (1, 5)
2
= 2,25
69 - 68,5 = 0,5 (0, 5)
2
= 0,25
68 - 68,5 = 0,5 (0, 5)
2
= 0,25
Total = 174,00
Ent ao dividimos o total dos quadrados pelo n umero de valores menos 1, ou seja, por (n-1)
e extramos a raiz quadrada:
174
7
= 24 s =
24 s = 4, 9
Portanto o desvio padrao e 4,9.
19
Captulo 6
Estatsticas Descritivas
Uma analise das estatsticas descritivas da amostra e fundamental para resumirmos algumas
informacoes sobre a populacao. Estas informacoes sao utilizadas para tomada de decisao e
formacao de modelos estatsticos parametricos.
Mnimo(Min): menor elemento da amostra;
Maximo(Max): maior elemento da amostra;
Primeiro quartil (Q1) e terceiro quartil (Q3): o conjunto de dados com n observacoes e
ordenado em ordem crescente.
Q1: n umero que deixa 25% das observacoes abaixo e 75% acima, isto e, e a obser-
vacao de posicao (n+1)/4.
Q3: n umero que deixa 75% das observacoes abaixo e 25% acima, isto e, e a obser-
vacao de posicao 3(n+1)/4.
Tri-Media: removemos os 5% maiores valores e os 5% menores valores, arredondados para
o maior inteiro, e entao a media e calculada.
Skewness : medida de assimetria. Um valor negativo indica que uma skewness esta
tendida à esquerda e um valor positivo indica que a skewness esta tendida à direita. Um
valor nulo nao necessariamente indica simetria.
A formula da Skewness:
b
1
=
[(x
i
x)/s]
3
n
onde:
6. Estatsticas Descritivas 20
x
i
: e a n-esima observac ao.
x: e a media das observacoes.
N: e o n umero de executadas.
s: e o desvio padrao.
Kurtosis: e a medida de quao diferente a distribuicao difere da distribuicao normal. Um
valor positivo costuma indicar um pico mais agudo, um corpo mais no e uma calda mais
gorda que a calda da distribuicao normal. Um valor negativo indica um pico mais tenue,
um corpo mais grosso e uma calda mais na que a da distribuicao normal.
A formula da Kurtosis:
b
2
=
N(N + 1)
(N 1)(N 2)(N 3)
_
x
i
x
s
_
4
3(N 1)
2
(N 2)(N 3)
onde:
x
i
: e a n-esima observacao.
x: e a media das observacoes.
N: e o n umero de executadas.
S: e o desvio padrao.
Exemplo 6.1. Consideremos uma amostra dos comprimentos de 11 rolos de o de aco cujos
valores sao: 72, 70, 77, 60, 67, 69, 68, 66, 65, 71, 69.
Os dados ordenados de forma crescente e: 60, 65, 66, 67, 68, 68, 69, 70, 71, 72, 77.
Os resultados serao:
Min = 60
Max = 77
A Tri-Media foi calculada retirando-se o maior e o menor valor do conjunto de dados e
calculamos a media dos 9 restantes, entao:
Tri-Media =
65 + 66 + + 72
9
= 68, 56
Posicao do Q1 =
11 + 1
4
= 3 Q1 = 66
Posicao do Q3 = 3
_
11 + 1
4
_
= 9 Q3 = 71
Skewness:
b
1
=
1
n
_
(60 68, 55)
3
+ (65 68, 55)
3
+ + (77 68, 55)
3
(4, 32)
3
_
= 0, 028
Kurtosis:
b
2
=
11(12)
(10)(9)(8)
_
(60 68, 55)
4
+ (65 68, 55)
4
+ + (77 68, 55)
4
(4, 32)
4
_
3(10)
2
(9)(8)
= 1, 53
6.1 Box-Plot
O Box Plot (graco de caixa) e importante para descrever varios aspectos dos dados, entre
estes, apresentar de forma visual a diferenca entre o terceiro e primeiro quartil. O box plot e
formado pelo primeiro e terceiro quartil, e pela mediana. As linhas verticais sao estendidas ate
os limites:
Limite inferior : Q
1
1, 5(Q
3
Q
1
)
Limite superior : Q
3
+ 1, 5(Q
3
Q
1
)
Os pontos fora destes limites sao considerados valores discrepantes
(outliers) e sao denotados com um asterisco (*). A Figura 6.1 apresenta o formato do Box Plot.
Figura 6.1: Construcao do Boxplot
O Box-Plot pode ainda ser utilizado para uma comparacao visual entre dois ou mais grupos.
Por exemplo, duas caixas sao colocadas lado a lado e se compara a variabilidade entre elas, a
mediana e assim por diante.
Figura 6.2: Comparacao entre dois Boxplots
23
Captulo 7
Probabilidades
7.1 Introducao
Podemos classicar os fenomenos da natureza ou criados pelo homem em dois tipos: aleatorios
(casuais) e nao aleatorios (determinsticos). Lidaremos com os aleatorios, os quais nao sabemos
o resultado a priori. No entanto, podemos listar os possveis resultados do fenomeno aleatorio,
que formarao um conjunto denominado de Espaco Amostral (S). Ao estudarmos uma carac-
terstica da qualidade de um processo (ou produto), o espaco amostral consiste de todos os
valores possveis que a caracterstica da qualidade pode assumir.
Exemplo 7.1. Considere o experimento de lancar um dado e observar a face que cair para cima.
O espaco amostral e S = 1, 2, 3, 4, 5, 6. Considere um experimento no qual classicamos um
produto em conforme ou nao conforme. Neste caso, o espaco amostral e S = Conforme, Nao
conforme. Outro experimento aleatorio consiste em contar o n umero de defeitos em uma peca
pintada (por exemplo). Neste caso, os possveis resultados sao S = 0, 1, 2, 3, .
Relacionado a um experimento, como acima, uma serie de sentencas podem ser formuladas.
Estas sentencas sao denominadas Eventos.
Exemplo 7.2. Consideremos o lancamento do dado no exemplo 7.1. Podemos denir varios
eventos. Alguns sao: A = sair n umero par, B = sair n umero mpar, C = sair n umero
maior do que 3. Esses eventos podem ser representados, respectivamente, pelos conjuntos:
A = 2, 4, 6 , B = 1, 3, 5 e C = 4, 5, 6. Considere o experimento de classicar a peca em
conforme ou nao, podemos denir como eventos, A = Conforme, B = Nao conforme. Ao
contarmos o n umero de defeitos em uma peca pintada, geralmente, estaremos interessados no
evento A = Zero Defeito = 0.
7. Probabilidades 24
7.2 Denicoes
De uma forma geral, qualquer subconjunto de um espaco amostral sera denominado Evento.
Os eventos sao denotados por letras mai usculas (A, B, C, ...). Outro aspecto importante da
teoria de probabilidade esta na manipulacao de eventos. Do ponto de vista pratico, os eventos
sao as sentencas (perguntas) que podemos formular sobre nosso experimento. Assim, desejamos
denir formas de manipular, ou seja, de operar estas sentencas. As tres operacoes basicas sao:
Uniao ( ) : A uniao de dois conjuntos quaisquer E e F contera todos os elementos de E
e de F , incluindo os elementos que sejam comum aos dois ou nao.
Interseccao ( ) : A interseccao de dois conjuntos quaisquer E e F contera os elementos
comuns a E e F.
Complementar (A
c
) : O evento complementar ao evento A e o conjunto dos elementos do
espaco amostral que nao pertencem a A.
Exemplo 7.3. Consideremos o lancamento do dado no exemplo 7.2 . Temos:
a) A B = 1, 2, 3, 4, 5, 6
b) A B = = conjunto vazio
c) A C = 4, 6 e A C = 2, 4, 5, 6
d) C
c
= 1, 2, 3
Na terminologia da teoria de conjuntos, o conjunto vazio e o conjunto composto por nenhum
elemento, que denotaremos por . Este conjunto esta contido em qualquer outro evento do
espaco amostral.
A probabilidade e uma forma de atribuirmos pesos relativo a ocorrencia dos eventos. A
probabilidade, que denotaremos por P, e uma funcao que tem domnio na classe de eventos e
tem como imagem n umeros (pesos) entre 0 e 1. Alem disso, a probabilidade deve satisfazer
as seguinte regras. Considere um experimento, S o espaco amostral associado e P uma funcao
denida sobre a classe de eventos, tal que:
1. P(S) = 1;
2. 0 P(A) 1;
3. Se A
1
, ..., A
n
sao mutuamente exclusivos, isto e, A
i
A
j
= , i ,= j, entao P(
n
i=1
A
i
) =
n
i=1
P(A
i
).
Onde A e B sao eventos, isto e, subconjuntos do espaco amostral S. Qualquer funcao P que
atribua pesos a eventos associados a um espaco amostral e que satisfaca as propriedades (1) e
(2) acima sera denominada probabilidade.
Se os elementos de um espaco amostral S = e
1
, e
2
, , e
n
(nito) sao equiprovaveis, isto e,
todos os elementos do espaco amostral tem o mesmo peso (probabilidade) de ocorrer, temos
que
P (e
i
) =
1
n
Neste caso, podemos denir a probabilidade de um evento E = ej1, , ejk, composto
por k (com k menor que n) elementos, como sendo:
P(E) =
n umero de casos favoraveis a E
n umero de casos possveis de S
=
k
n
Exemplo 7.4. Considere o lancamento do dado descrito nos exemplos 7.2 e o 7.3. Neste caso,
os elementos do espaco amostral S = 1, 2, 3, 4, 5, 6 sao equiprovaveis, pois cada resultado tem
a mesma chance de ocorrer, isto e,
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =
1
6
Assim, temos que
P(A) = P(2, 4, 6) = P(2) + P(4) + P(6) =
1
6
+
1
6
+
1
6
=
3
6
Com isso, obtemos que a probabilidade de ocorrer o evento A e igual ao n umero de elementos
favoraveis a A = 2, 5, 6 que e 3 (pois A tem 3 elementos) dividido pelo n umero de elementos
no espaco amostral que e 6. Desta forma, obtemos
P(A) =
3
6
, P(B) =
3
6
, P(C) =
3
6
P (A B) =
6
6
= 1 , P (A B) =
0
6
= 0
P (A C) =
4
6
, P (A C) =
2
6
Uma propriedade importante para calcularmos a probabilidade de ocorrencia de eventos
associados ao experimento e a regra da soma (uniao) de dois eventos.
Regra da Soma: a probabilidade da uniao de dois eventos E e F pode ser calculada por
P (E F) = P(E) + P(F) P (E F)
Exemplo 7.5. Considere o exemplo 7.4. Queremos calcular P (A C). Temos
P (A C) = P(A) + P(C) P (A C) =
3
6
+
3
6

2
6
=
4
6
Outra propriedade muito importante para a teoria de probabilidade e a independencia entre
dois eventos. Na pratica, dois eventos sao independentes quando a ocorrencia de um evento nao
inuencia na ocorrencia ou nao do outro evento. Do ponto de vista probabilstico, denimos:
Independencia: Dois eventos E e F sao ditos independentes se
P(E F) = P(E) P(F)
Exemplo 7.6. Uma caixa contem 10 pecas, sendo 7 boas (B) e 3 defeituosas (D). Retiramos
duas pecas, ao acaso e com reposicao, para inspecao. Qual a probabilidade de se obter duas
pecas defeituosas?
Resposta:
O experimento de realizar a primeira retirada tem como espaco amostral S
1
= D
1
; B
1
e
a segunda retirada tem como espaco amostral S
2
= D
2
; B
2
, onde D
i
signica que retiramos
uma peca Defeituosa na i-esima retirada e B
i
signica que retiramos uma peca Boa na i-esima
retirada, para i = 1, 2. Alem disso, temos que
P(D
1
) = P(D
2
) =
3
10
e P(B
1
) = P(B
2
) =
7
10
Pois as duas pecas sao retiradas ao acaso e com reposicao, isto e, apos retirarmos a primeira
peca, esta e a resposta à caixa para que possamos efetuar a segunda retirada. Associamos ao
experimento de retirar duas pecas ao acaso e com reposicao o espaco amostral
S = (D
1
, B
2
); (B
1
, D
2
); (D
1
, D
2
); (B
1
, B
2
) .
Desde que a primeira e a segunda retiradas sao executadas de forma independente, temos que
P [(D
1
; D
2
)] = P (D
1
D
2
) = P(D
1
) P(D
2
) =
3
10

3
10
=
9
100
Muitas vezes precisamos calcular a probabilidade da ocorrencia de dois eventos simultane-
amente. Para efetuarmos tal calculo, introduzimos o conceito de probabilidade condicional.
Probabilidade Condicional: A probabilidade de ocorrer um evento E dado que ocorreu
um evento F e dada por
P (E / F) =
P (E F)
P(F)
Dessa relacao sai a Regra do Produto que e dada por
P (E F) = P(F) P (E / F)
Com isso, conclumos que a probabilidade de ocorrencia simultanea dos eventos E e F e
igual a probabilidade de ocorrencia do evento F (ou E) vezes a probabilidade de ocorrencia do
evento E (ou F) dado que ocorreu o evento F (ou E).
Exemplo 7.7. Considere o exemplo 7.6, mas agora as retiradas serao feitas sem reposicao, isto
e, a primeira peca retirada nao volta ao lote para retirarmos a segunda peca. A probabilidade
de se retirar duas pecas defeituosas e dada por:
P (D
1
D
2
) = P(D
1
) P (D
2
/ D
1
) =
3
10

2
9
=
6
90
Exerccio 7.1. Considere um processo que apresenta 8% de defeituosos. Duas pecas sao sele-
cionadas ao acaso e classicadas em defeituosas ou nao.
a) Qual o espaco amostral associado ao experimento de selecionar duas pecas e classica-las?
b) Qual a probabilidade de obtermos duas pecas defeituosas?
Exerccio 7.2. Considere um processo composto por duas etapas. A etapa I apresenta 5%
de pecas defeituosas, enquanto que a etapa II apresenta 9% de pecas defeituosas. Qual a
probabilidade do processo fornecer uma peca sem defeito?
7.3 Distribuicao de Probabilidade Discreta
A distribuicao de probabilidades de uma variavel aleatoria discreta X, denida em um
espaco amostral (S), e uma tabela que associa a cada valor de X sua probabilidade.
Exemplo 7.8. Considere que uma moeda e lancada duas vezes. Seja X a funcao denida no
espaco amostral que e igual ao n umero de caras nos dois lancamentos (C - Cara e C - Coroa).
Temos entao: Os valores das probabilidades, na tabela acima, sao obtidos da seguinte maneira:
Valores de X Pontos amostrais Probabilidades
0 CC 1/4
1 CC, CC 1/2
2 CC 1/4
Tabela 7.1: Tabela do Exerccio
P[X = 0] = P(CC) =
1
4
P[X = 1] = P(CC) + P(CC) =
1
2
P[X = 2] = P(CC) =
1
4
7.3.1 Funcao de Distribuicao Acumulada
O conceito de funcao de distribuicao acumulada que introduziremos aplica-se tanto a variaveis
aleatorias discretas quanto a variaveis aleatorias contnuas. A funcao de distribuicao acumulada
nos da outra maneira de descrever como as probabilidades sao associadas aos valores ou aos
intervalos de valores de uma variavel aleatoria.
Denicao 7.3.1. A funcao de distribuicao acumulada de uma variavel aleatoria X e uma
funcao que a cada n umero real x associa o valor:
F(x) = P[X x]
A notacao [X x] e usada para designar o conjunto S : X() x, isto e, denota a
imagem inversa do intervalo (, x] pela variavel aleatoria X.
Lema 7.3.1. A funcao de distribuicao acumulada de uma variavel aleatoria X satisfaz as
seguintes condicoes:
1. 0 F(x) 1
2. F(x) e nao decrescente e contnua à direita
3. lim
x
F(x) = 0 e lim
x
F(x) = 1
7.3.2 Relacao entre a Funcao de Distribuicao Acumulada e a Dis-
tribuicao de Probabilidade Discretas
Seja X uma variavel aleatoria discreta cuja distribuicao de probabilidade associa aos valores
x
1
, x
2
, . . . , x
n
as respectivas probabilidades
P[X = x
1
], P[X = x
2
], . . . , P[X = x
n
]
.
Como os valores de X sao mutuamente exclusivos, temos que:
F(x) =
P[X = x
i
]
Assim, dada a distribuicao de probabilidade de uma variavel aleatoria discreta sua funcao
de distribuicao acumulada ca determinada.
7.3.3 Esperanca de Variaveis Aleatorias Discretas
Denicao 7.3.2. A esperanca matematica de uma variavel aleatoria discreta X que assume
os valores x
i
, com respectivas probabilidades P[X = x
i
], para i = 1, 2, . . . , e dada por:
E(X) =
x
i
P[X = x
i
] (7.1)
Lema 7.3.2. Se as esperancas das variaveis aleatorias X e Y existem, entao existe a esperanca
de X + Y e se c e uma constante tem-se:
E(X + Y ) = E(X) + E(Y )
E(cX) = cE(X)
7.3.4 Variancia de Variaveis Aleatorias Discretas
Denicao 7.3.3. A variancia de uma variavel aleatoria discreta X e denida por:
V ar(X) = E(X E(X))
2
(7.2)
ou
V ar(X) = E(X
2
) (E(X))
2
7.4 Modelos Probabilsticos Discretos
Agora iremos apresentar alguns dos principais modelos probabilsticos utilizados para de-
screver varios fenomenos ou situacoes que encontramos na natureza ou ainda experimentos por
nos construdos.
Na pratica, nossos experimentos consistem em medir etapas de um processo. Como resulta-
dos destas medicoes obtemos valores numericos ou atributos, que caracterizam a performance
do processo. Os resultados das medicoes sao denominados variaveis aleatorias.
7.4.1 Distribuicao Binomial
Quando queremos classicar um lote de 20 pecas em defeituosas ou nao, e contamos o
n umero de pecas defeituosas, associamos uma variavel aleatoria X, que representa este n umero
de pecas defeituosas.
Esta variavel pode assumir, por exemplo, valores 0, 1, 2, , 20. Associado a uma variavel
aleatoria, assumindo um n umero nito (ou innito enumeravel) de valores, denimos a funcao
de probabilidade da variavel aleatoria X, como a probabilidade da variavel X assumir o valor
x. A funcao de probabilidade sera denotada por P[X = x].
Como o leitor deve ter notado, em todas as situacoes descritas cada elemento da populacao
e classicado segundo possua ou nao uma dada caracterstica.
Para construir o modelo binomial vamos introduzir uma seq uencia de ensaios de Bernoulli.
Uma seq uencia de Bernoulli e denida por meio das tres condicoes seguintes:
i. Em cada ensaio considera-se somente a ocorrencia ou nao-ocorrencia de um certo evento
que sera denominado sucesso (S) e cuja nao ocorrencia sera denominada falha (F).
ii. Os ensaios sao independentes.
iii. A probabilidade de sucesso, que denotaremos por p, e a mesma para cada ensaio. A
probabilidade de falha sera denotada por 1 - p.
Para um experimento que consiste na realizacao de n ensaios de Bernoulli, o espaco amostral
pode ser considerado como o conjunto de n-uplas de comprimento n, em que cada posicao ha
um sucesso (S) ou uma falha (F).
Pelas condicoes 2 e 3 vemos que a probabilidade de um ponto amostral com sucessos nos
k primeiros ensaios e falhas nos n k ensaios seguintes e p
k
(1 p)
nk
. Note que esta e a
probabilidade de qualquer ponto com k sucessos e n-k falhas. O n umero de pontos do espaco
amostral que satisfaz essa condicao e igual ao n umero de maneiras com que podemos escolher k
ensaios dentre os n para a ocorrencia de sucesso, pois nos n-k restantes deverao ocorrer falhas.
Este n umero e igual ao n umero de combinacoes de n elementos tomados k a k, ou seja
_
_
n
k
_
_
.
Decorre do que foi exposto que, para k = 0,1,. . . ,n:
P[X = k] =
_
_
n
k
_
_
p
k
(1 p)
nk
. (7.3)
A f ormula 7.3 e denominada distribuicao binomial com parametros n e p, onde n e o n umero
de ensaios e p a probabilidade de sucesso em cada ensaio.
O n umero de sucessos X em n ensaios de Bernoulli pode ser representado por meio de
variaveis aleatorias associadas a cada ensaio, que assumem valores zero ou 1.
Seja X
i
= 1 se ocorre sucesso no i-esimo ensaio e X
i
= 0 se ocorre falha, para i = 1, 2, . . . , n.
Entao X pode ser expresso da seguinte maneira:
X = X
1
+ X
2
+ + X
n
.
Como motivacao, suponha que estamos interessados em retirar o n umero 4 ao lancar um
dado. Se ocorrer o n
o
4 diremos que ocorreu SUCESSO, caso contrario, diremos que ocorreu
FRACASSO. Assim temos
P (SUCESSO) =
1
6
e P (FRACASSO) =
5
6
Suponha agora que lancemos o dado 5 vezes.

E claro que o resultado de um lancamento
independe do anterior, do posterior ou de qualquer outro lancamento.
Digamos que estamos interessados em calcular a probabilidade de obter o n
o
4, duas vezes.
Podemos obter o n
o
4, duas vezes de varias maneiras. Uma maneira e (a nao ocorrencia de 4
sera denotada por 0):
4 4 0 0 0 com probabilidade
1
6

1
6

5
6

5
6

5
6
=
_
1
6
_
2
_
5
6
_
3
Uma outra maneira e
4 0 4 0 0 com probabilidade
1
6

5
6

1
6

5
6

5
6
=
_
1
6
_
2
_
5
6
_
3
com probabilidade igual a anterior. Assim, qualquer seq uencia contendo o n
o
4, duas vezes e tres
outros valores quaisquer tem a mesma probabilidade. Como qualquer uma dessas seq uencias
serve ao nosso interesse, a probabilidade procurada e a soma das probabilidades de todas as
seq uencias. Precisamos saber entao quantas seq uencias existem. A resposta e dada por:
C(5, 2) =
5!
2! (5 2)!
= 10
onde 5! = 5 4 3 2 1 = 120 (fatorial de 5) . O n umero C(i, j) corresponde ao n umero de
vezes que podemos combinar i elementos em subgrupos de j, com j menor ou igual a i.
Assim temos
P(n
o
4 duas vezes) = 10
_
1
6
_
2
_
5
6
_
3
Agora vamos generalizar esse resultado. Suponha um experimento com apenas dois resul-
tados possveis: SUCESSO e FRACASSO, tal que P(SUCESSO) = p e P(FRACASSO) =
1 p = q . Vamos repetir esse experimento n vezes e estamos interessados em obter k SUCES-
SOS, e conseq uentemente nk FRACASSOS. O n umero de sucessos a serem obtidos e variavel
e o chamaremos de X. Assim temos que
P(X = k) = C(n, k) p
k
(1 p)
nk
onde k = 0, 1, 2, , n e
C(n, k) =
n!
k! (n k)!
.
Exemplo 7.9. Suponha que numa linha de producao a probabilidade de se obter uma peca
defeituosa (sucesso) e p = 0, 1. Toma-se uma amostra de 10 pecas para serem inspecionadas.
Qual a probabilidade de se obter:
a) Uma peca defeituosa?
b) Nenhuma peca defeituosa?
c) Duas pecas defeituosas?
d) No mnimo duas pecas defeituosas?
e) No maximo duas pecas defeituosas?
Solucao:
a) P(X = 1) = C(10, 1) (0, 1)
1
(1 0, 1)
101
=
10!
1!(101)!
0, 1 (0, 9)
9
= 0, 3874
b) P(X = 0) = C(10, 0) (0, 1)
0
(1 0, 1)
100
=
10!
0!(100)!
(0, 9)
10
= 0, 3486
c) P(X = 2) = C(10, 2) (0, 1)
2
(1 0, 1)
102
=
10!
2!(102)!
(0, 1)
2
(0, 9)
8
= 0, 1937
d) P(X 2) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5) ou P(X
2) = 1 [P(X = 0) + P(X = 1)] = 0, 2639
e) P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0, 9298
Uma caracterstica de uma variavel aleatoria X e o seu valor esperado, que e denotado por
E[X]. O valor esperado representa o n umero medio de pecas defeituosas em uma amostra de
pecas. Por denicao, temos que
E[X] =
n
k=0
k P(X = k)
Considerando X com distribuicao binomial, entao
E[X] =
n
k=0
k C(n, k) p
k
(1 p)
nk
= n p
Para uma amostra de tamanho 10 e p = 0.1 , obtemos que
E[X] = n p = 10 0, 1 = 1
e a variancia Var[X] corresponde ao valor medio quadratico em torno de E[X], ou seja
V ar[X] = E (X E[X])
2
= E[X
2
] (E[X])
2
= n p (1 p)
Para o exemplo, temos que
2
x
= V ar[X] = n p (1 p) = 10 0, 1 0, 9 = 0, 9
e o desvio padrao e
x
=
_
2
x
= 0, 9487
Exerccio 7.3. Considere uma linha de montagem que apresenta 6% de produtos defeituosos.
Em um lote de 50 produtos calcule a probabilidade de:
a) Encontrarmos nenhum produto defeituoso;
b) Obtermos dois produtos defeituosos;
c) Obtermos dois ou mais produtos defeituosos;
d) Qual o n umero esperado de produtos defeituosos em um lote de 200 produtos?
e) Calcular tambem o desvio padrao.
7.4.2 Distribuicao de Poisson
Na distribuicao binomial quando o tamanho da amostra n e grande (n ) e p e pequeno
(p 0) , o calculo da probabilidade
P(X = k) = C(n, k) p
k
(1 p)
nk
pode ser feito usando a seguinte expressao
P(X = k) =
e
k
k!
onde k = 0, 1, 2, 3, , e = 2, 718 e = n p.
Essa expressao e devido a Poisson e e muito usada para calcular probabilidades de ocorrencias
de defeitos raros em sistemas e componentes. O n umero de defeitos e a variavel representada
por X. A media de X e dada por:
x
= E(X) =
k=0
k P(X = k) =
k=0
k
e
k
k!
=
que freq uentemente e chamada de taxa de defeitos. A variancia de X e dada por:
2
x
= E(X
2
) [E(X)]
2
=
e o desvio padrao e:
x
=
_
2
x
=
Exemplo 7.10. Para um processo que mantem uma taxa de 0,2 defeitos por unidade. Qual a
probabilidade de uma unidade qualquer apresentar:
a) Dois defeitos?
b) Um defeito?
c) Zero defeito?
Resposta:
Temos que = 0, 2 , entao
a) P(X = 2) =
e
0,2
(0,2)
2
2!
= 0, 0164
b) P(X = 1) =
e
0,2
(0,2)
1
1!
= 0, 1637
c) P(X = 0) =
e
0,2
(0,2)
0
0!
= 0, 8187
esse ultimo valor, P(X = 0), e chamado de rendimento do processo (ou produto).
Exerccio 7.4. Suponha que temos um produto composto por tres componentes A, B e C. A
taxa de ocorrencia de defeitos do componente A e de 0,02, do componente B e de 0,04 e do
componente C e de 0,03. Calcule a probabilidade do produto apresentar zero defeito.
7.4.3 Distribuicao Geometrica
Consideremos uma seq uencia ilimitada de Bernoulli, com probabilidade de sucesso p em
cada ensaio. Designemos sucesso por S e falha por F. Realizamos os ensaios ate que ocorra o
primeiro sucesso.
O espaco amostral para este experimento e o conjunto :
(S, FS, FFS, . . ., FF, . . ., FS, . . .)
Um elemento tpico desse espaco amostral e uma seq uencia de comprimento n em que nas
primeiras n 1 posicoes temos F e na n-esima temos S.
Seja X a variavel aleatoria que da o n umero de falhas que precedem o primeiro sucesso. A
distribuicao de probabilidade de X e dada por
P[X = j] = (1 p)
j
p , j = 0, 1, . . . . (7.4)
O evento [X = j] ocorre se e somente se ocorrem somente falhas nos j primeiros ensaios e
sucesso no (j + 1)-esimo ensaio. A expressao 7.4 segue da independencia dos ensaios. Vamos
calcular E(X) a partir da denicao. No Calculo de E(X), utilizaremos uma expressao que vale
a pena destacar, pois e de interesse geral.
Para todo n umero real x no intervalo (0,1) consideremos a serie geometrica cuja soma e
dada a seguir:
i=0
x
i
=
1
1 x
(7.5)
Derivando-se ambos os membros da igualdade, temos:
d
dx
x
i
=
ix
(i1)
=
1
(1 x)
2
. (7.6)
Usando-se a denicao de esperanca temos:
E(X) =
j(1 p)
j
p = p
j(1 p)
j
= p(1 p)
j(1 p)
j1
=
p(1 p)
p
2
. (7.7)
Observe que utilizamos 7.6 e x = 1p para obter a ultima desigualdade acima. Simplicando
vem:
E(X) =
1 p
p
(7.8)
Usando a expressao podemos calcular E(X
2
) e obter a variancia de X. Sugerimos ao leitor
que faca esse calculo que fornecera:
V ar[X] =
1 p
p
2
(7.9)
A distribuicao geometrica tem uma propriedade que serve para caracteriza-la no conjunto
das distribuicoes discretas, que e expressa no seguinte lema:
Lema 7.4.1. Se X e variavel aleatoria discreta com distribuicao geometrica, entao, para todo
j, k = 1, 2, . . . tem-se:
P[X j + k[X j] = P[X k]
Este Lema reete a falta de memoria ou de desgaste da distribuicao geometrica.
Exemplo 7.11. A duracao (em centenas de horas) de um determinado componente eletronico,
foi modelada por uma distribuicao geometrica com parametro p=0,8. Determine a probabilidade
desse componente eletronico:
a. Durar menos de 400 horas.
b. Durar mais de 500 horas.
Duracao em horas(centenas) Probabilidade Acumulada
0 0,8000 0,8000
1 0,1600 0,9600
2 0,0320 0,9920
3 0,0064 0,9984
4 0,0013 0,9997
5 0,0003 0,9999
Tabela 7.2: Tabela de probabilidade da distribuicao geometrica
Solucao:
a. Para tal temos :P[X = k] = (1 p)
k
.p, agora para a
P[X 400horas] = P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3]
= (1 0, 8)
0
(0, 8) + (1 0, 8)
1
(0, 8) + (1 0, 8)
2
(0, 8) + (1 0, 8)
3
(0, 8)
= 0, 800000 + 0, 160000 + 0, 032000 + 0, 006400 = 0, 9984
b. Para tal temos :P[X = k] = (1 p)
k
.p, agora para a
P[X 500horas] = 1 P[X = 5]
= 1 (1 0, 8)
5
(0, 8)
= 1 0, 999936 = 0, 000064
7.4.4 Distribuicao Hipergeometrica
Essa distribuicao representa um modelo para amostragem sem reposicao de uma populacao
com um n umero nito de elementos, em que cada elemento pode ser de um de dois tipos. Se a
populacao tem N elementos, M de um tipo e N M do outro. Entao podemos mostrar que a
distribuicao de probabilidade da variavel aleatoria X e dada por:
P[X = k] =
_
_
M
k
_
_
_
_
N M
n k
_
_
_
_
N
n
_
_
,
onde
max0, n (N M) k minM, n
Por exemplo, suponha uma urna contendo M bolas brancas e N M bolas vermelhas.
Retira-se da urna n bolas sem reposicao, isto e, apos cada retirada a bola selecionada nao e
reposta na urna. Vamos designar X o n umero de bolas brancas entre as n bolas retiradas da
urna. Para justicar os limites, notemos que o n umero de bolas brancas na amostra k e menor
ou igual ao n umero de bolas brancas na urna M e tambem menor ou igual ao n umero de bolas
na amostra n, portanto menor ou igual ao menor deles. Se o tamanho da amostra n e menor
ou igual ao n umero de bolas vermelhas N M, entao na amostra todas podem ser vermelhas
e portanto k = 0. Se n (N M), entao mesmo que todas as (N M) vermelhas pertencam
à amostra, havera n (N M) brancas na amostra.
O espaco amostral para esse experimento e formado pelo conjunto das amostras nao orde-
nadas de n bolas retiradas das N, ou o que e o mesmo, pelo conjunto das combinacoes de N
elementos tomados n a n, cuja representacao e igual a:
_
_
N
n
_
_
Existem
_
_
M
k
_
_
combinacoes de k bolas brancas retiradas das M e
_
_
N M
n k
_
_
com-
binacoes de n k vermelhas retiradas das N M. Assim o n umero de combinacoes com k
brancas e n k vermelhas e o produto:
_
_
M
k
_
_
_
_
N M
n k
_
_
Mostramos assim a Distribuicao de Probabilidade da Hipergeometrica.
Se X segue uma distribuicao Hipergeometrica com parametros N 1, M 1 e n 1,
entao a Esperanca e dada por:
E(X) = n.
M
N
e a Variancia e dada por:
V ar(X) = n
M
N
N M
N
_
1
n 1
N 1
_
Exemplo 7.12. Uma empresa fabrica um tipo de tomada que sao embalados em lote de 25
unidades. Para aceitar o lote enviado por essa fabrica, o controle de qualidade da empresa
tomou o seguinte procedimento. Sorteia um lote e desse lote seleciona 8 tomadas para teste,
sem reposicao. Se constatar no maximo duas defeituosas, aceita o lote fornecido pelo fabrica.
Se a caixa sorteada tivesse 7 pecas defeituosas, qual seria a probabilidade de rejeitar o lote?
N=25, n=8 (tamanho da amostra) e r=7 (n
de defeituosas).
Solucao:
P[aceitar o lote] = P[D 2] = P[D = 0] + P[D = 1] + P[D = 2]
=
_
_
7
0
_
_
_
_
25 7
8 0
_
_
_
_
25
8
_
_
+
_
_
7
1
_
_
_
_
25 7
8 1
_
_
_
_
25
8
_
_
+
_
_
7
2
_
_
_
_
25 7
8 2
_
_
_
_
25
8
_
_
= 0, 0010069
7.5 Exerccios
Nestes quatro captulos iniciais, discutimos a estrategia de rompimento para a melhoria
contnua e metodos estatsticos para contagem de pecas defeituosas. Abaixo, vamos revisar
alguns destes conceitos atraves de exerccios.
Exerccio 7.5. Uma instalacao e constituda por duas caldeiras e uma maquina. Esta in-
stalacao funciona se a maquina e pelo menos uma das caldeiras estiver funcionando. Sejam os
eventos:
A: Maquina em condicoes de funcionamento;
B
1
: A caldeira 1 esta em condicoes de funcionamento;
B
2
: A caldeira 2 esta em condicoes de funcionamento;
C: A instalacao esta em condicoes de funcionamento;
Expresse o evento C e o evento C
c
(complementar) em termos dos eventos A e B
k
(k = 1, 2).
Exerccio 7.6. Utilizando a mesma notacao do exerccio 7.5, se P(A) = 0, 95, P(B
1
) = 0, 78
e P(B
2
) = 0, 85, qual a probabilidade da instalacao nao estar em condicoes de funcionamento?
Exerccio 7.7. Um lote e formado por 10 pecas boas, 4 com defeitos menores e 2 com defeitos
graves. Uma peca e escolhida ao acaso. Ache a probabilidade de que:
a) A peca seja defeituosa;
b) A peca nao tenha defeito grave;
c) A peca seja boa ou tenha defeito grave;
Exerccio 7.8. Atraves de dados historicos, sabemos que a proporcao de pecas defeituosas em
uma fabrica e de 6%. Um lote de 30 pecas e retirado da producao:
a) Qual a probabilidade de encontrarmos nenhuma peca defeituosa na amostra?
b) Qual a probabilidade de encontrarmos duas ou mais pecas defeituosas na amostra?
c) Qual o n umero esperado de pecas defeituosas na amostra e qual o seu desvio padrao?
Exerccio 7.9. No processo de fundicao de pecas, o problema de descontinuidades na peca
(oxido, bolha, poros, entre outros) pode sucatear a peca. Utilizando dados historicos, sabemos
que a taxa de ocorrencia de descontinuidades por peca e de 0,2. Qual a probabilidade de obter-
mos uma pe ca com zero descontinuidades? Em um lote de 200 pecas, qual o n umero esperado
de descontinuidades?
7.6 Distribuicoes de Probabilidade Continua
As variaveis aleatorias contnuas, como o tempo de duracao de uma chamada telefonica num
dado instante assumem valores na reta ou em intervalos da reta. Nao podemos esperar que
possamos atribuir probabilidades aos valores de uma variavel contnua da mesma maneira que o
zemos para as variaveis discretas, pois a soma de uma quantidade nao enumeravel de n umeros
positivos nao poderia ser igual a um. Entao podemos atribuir probabilidades a intervalos de
valores da variavel contnua por meio de uma funcao.

E uma funcao nao negativa tal que sua
integral num dado intervalo e igual a probabilidade da variavel pertencer ao intervalo. Impoe-se
ainda a condicao de que a integral estendida à reta toda seja igual a um, pois ao ser realizado
o experimento algum evento ocorre.
Denicao 7.6.1. A funcao densidade de probabilidade de uma variavel aleatoria contnua e
uma funcao f(x) 0, tal que:
_
+
f(x)dx = 1
7.6.1 Relacao entre a Funcao de Distribuicao Acumulada e a Funcao
densidade de Probabilidade Contnua
Para uma variavel aleatoria contnua com densidade de probabilidade f(x) podemos obter
a funcao de distribuicao F(x) integrando-se a densidade de probabilidade,
F(x) = P[X x] =
_
x
f(y)dy
Se a densidade f(x) for contnua no seu campo de denicao, entao decorre do teorema
fundamental do calculo que:
F
(1)
(x) = f(x)
7.6.2 Esperanca de Variaveis Aleatorias Contnuas
Denicao 7.6.2. A esperanca matematica de uma variavel aleatoria contnua X, com densi-
dade de probabilidade f(x) e dada por:
E(X) =
_

xf(x)dx
7.6.3 Variancia de Variaveis Aleatorias Contnuas
Denicao 7.6.3. A variancia de uma variavel aleatoria contnua X e denida por:
V ar(X) = E(X E(X))
2
ou
V ar(X) = E(X
2
) (E(X))
2
7.7 Modelos Probabilsticos Contnuos
Agora apresentaremos os modelos probabilsticos descritos por variaveis aleatorias que pos-
suem uma densidade de probabilidade. Cada modelo corresponde a uma famlia de distribuicoes
de probabilidade, expressa por densidades de probabilidade que dependem de um ou mais
parametros.
7.7.1 Distribuicao Uniforme
Denicao 7.7.1. A variavel aleatoria X tem distribuicao uniforme no intervalo [a, b] se sua
densidade de probabilidade for dada por:
f(x) =
1
b a
para a x b e f(x) = 0 fora desse intervalo
Figura 7.1: Graco da funcao densidade de probabilidade da Uniforme
Vamos calcular a expressao 7.10.
E(X) =
_
x
1
b a
dx =
a + b
2
(7.10)
O segundo momento de X e dado por:
E(X
2
) =
1
b a
_
b
a
x
2
dx =
a
2
+ ab + b
2
3
(7.11)
Substituindo os valores dados por 7.10 e 7.11 na expressao 7.12 obtemos a variancia de X
V ar(X) = E(X
2
) (E(X))
2
=
(b a)
2
12
. (7.12)
Vamos descrever um experimento cujo resultado nos da a distribuicao uniforme no intervalo
(0, 2). Consideremos um segmento de comprimento 2. Vamos unir as duas pontas desse
segmento e formar um crculo de raio unitario. O comprimento desse crculo e precisamente de
2. Vamos xar um ponteiro no centro desse crculo e vamos entao gira-lo, observando ate que
ele venha a parar. Por razoes de simetria nos vemos que a chance do ponteiro parar de girar
em qualquer arco do crculo e a mesma para qualquer arco de um comprimento dado. Seja X
o comprimento do arco determinado pela origem e pelo ponto onde o ponteiro parar. Assim
temos uma variavel aleatoria com distribuicao uniforme no intervalo (0, 2).
Se quisermos obter a distribuicao uniforme no intervalo [a, b] basta por ba = 2r, construir
um crculo de raio r =
ba
2
e proceder da maneira descrita.
Exemplo 7.13. A ocorrencia de panes em qualquer ponto de uma rede telefonica de 7 km foi
modelada por uma distribuicao Uniforme entre [0 e 7]. Qual e a probabilidade de que uma pane
venha a ocorrer nos primeiros 800 metros? E de que ocorra nos 3 km centrais da rede?
Solucao:A funcao densidade da distribuicao Uniforme e dada por f(x) =
1
7
, 0 x 7.
Assim,
P[X 0, 8] =
_
0,8
0
f(x)dx =
0, 8 0
7
= 0, 1142.
P[2 x 5] =
_
5
2
f(x)dx = P[X 5] P[X 2] =
5
7

2
7
=
5 2
7
= 0, 4285.
7.7.2 Distribuicao Normal
Uma variavel aleatoria X com distribuicao normal tem funcao densidade de probabilidade
em forma de sino, como abaixo
A funcao densidade de probabilidade e denida por:
f(x) =
1
2
2
exp
_
1
2
_
x
_
2
_
, x (, +)
Alem disso,
= E[X] =
_

f(x)dx (, +) e
2
= E[X
2
] (E[X])
2
[0, +)
Se tomarmos = 0 e = 1, dizemos que a variavel aleatoria tem distribuicao normal padrao.
Abaixo, apresentamos o graco da funcao densidade da normal e algumas areas (probabilidades)
importantes.
Quando e sao desconhecidos, como geralmente acontece, sao substitudos por x e s,
respectivamente, a partir da amostra.
x =
x
1
+ x
2
+ . . . + x
n
n
s =
_
1
n 1
n
i=1
(x
i
x)
2
Para cada valor de e/ou , temos uma distribuicao. Mas para se calcular areas es-
peccas, se faz uso de uma distribuicao particular: a distribuicao normal padronizada. Esta
distribuicao tem media = 0 e desvio padrao = 1, e esta tabelada. Como a distribuicao e
simetrica em relacao à media, a area à direita e igual a area à esquerda de . Assim, as tabelas
fornecem areas acima de valores nao-negativos que vao desde 0.00 ate 4.09, dependendo da
tabela.
Se X e uma variavel aleatoria com distribuicao normal, com media e desvio padrao quaisquer,
podemos reduzir X a uma variavel aleatoria normal com media zero e variancia
2
, na forma:
Z =
X
(7.13)
Exemplo 7.14. Considere X uma variavel aleatoria Normal com media 11,15 e desvio-padrao
2,238. Para calcularmos a probabilidade de X ser menor que 8,7 procedemos:
P[X < 8, 7] = P
_
8, 7 11, 15
2, 238
_
= P[Z < 1, 0947] = 0, 1368 = 13, 7% (7.14)
7.8 Modelos Probabilsticos para o Tempo de Falha
Existe uma serie de modelos probabilsticos utilizados em analise de dados de conabili-
dade, alguns destes modelos ocupam uma posicao de destaque por sua comprovada adequacao
a varias situacoes praticas. Entre estes modelos podemos citar o Exponencial, Weibull, Valor
Extremo ou Gumbel, o Log-normal.

E importante entender que cada distribuicao de probabili-
dade pode gerar estimadores diferentes para caractersticas de durabilidade do produto. Desta
forma, a utilizacao de um modelo inadequado levara a erros grosseiros nas estimativas destas
quantidades. A escolha de um modelo adequado para descrever o tempo de falha de um deter-
minado produto deve ser feita com bastante cuidado. Uma funcao que sera utilizada in umeras
vezes para descrever dados de tempo de falha e a funcao taxa de falha. A funcao taxa de falha
no intervalo [t
1
, t
2
) e denida como a probabilidade de que a falha ocorra nesse intervalo, dado
que esta falha nao ocorreu antes de t1, dividida pelo comprimento do intervalo. A taxa de falha
no intervalo [t
1
, t
2
) e expressa por:
h(t) =
R(t
1
) R(t
2
)
(t
2
t
1
)R(t
1
)
,
onde R(t) e a funcao de conabilidade.
No caso de distribuicoes contnuas, a expressao para taxa de falha e dada por:
h(t) =
f(t)
R(t)
7.8.1 Distribuicao Exponencial
Esta e uma distribuicao que se caracteriza por ter uma funcao de taxa de falha constante.
A distribuicao exponencial e a unica com esta propriedade. Ela e considerada uma das mais
simples em termos matematicos. Esta distribuicao tem sido usada extensivamente como um
modelo para o tempo de vida de certos produtos e materiais. Ela descreve adequadamente o
tempo de vida de oleos isolantes e dieletricos entre outros. A funcao densidade para um tempo
de falha T com distribuicao exponencial e dada por
f(t) =
1
exp
(t/)
(7.15)
onde 0 e o tempo medio de vida. O parametro tem a mesma unidade do tempo da falha
t. Isto e, se t e medido em horas, tambem sera medido em horas. A funcao de conabilidade
R(t) que e a probabilidade do produto continuar funcionando alem do tempo t, e dada para a
distribuicao exponencial por
R(t) = 1 F(t) = 1
_
t
0
f(s)ds = exp
(t/)
(7.16)
Figura 7.2: Graco da funcao de conabilidade
A Figura 7.2 mostra a forma tpica desta funcao de conabilidade. A funcao da taxa de
falha associada a distribuicao exponencial e constante igual a
1
0. Como foi dito anteriormente,

somente a distribuicao exponencial tem uma taxa de falha constante. Isto signica que, tanto
uma unidade velha quanto uma unidade nova que ainda nao falharam tem a mesma proba-
bilidade de falhar em um intervalo futuro. Esta propriedade e chamada de falta de memoria
da distribuicao exponencial. Outras caractersticas de durabilidade de interesse sao a media,
a variancia e os percentis. O percentil 100p% corresponde ao tempo medio em que 100p% dos
produtos falharam. A media da distribuicao exponencial (MTTF ou MTBF) e e a variancia
e
2
. Os percentis sao importantes quando queremos obter informacoes, por exemplo, a re-
speito de falhas prematuras. Eles podem ser obtidos a partir da funcao de conabilidade. Estes
calculos sao ilustrados a seguir.
Exemplo 7.15. O tempo ate a falha do ventilador de motores a diesel tem uma distribuicao
exponencial com MTBF () e igual a 28700 horas. A probabilidade de um destes ventiladores
nao falhar nas primeiras 8000 horas de funcionamento e entao:
R(8000) = exp
(8000/28700)
= 0.76
Se 8000 horas e o tempo de garantia dado pelo fabricante, signica que 24% e a fracao
esperada de ventiladores que falharam na garantia. O percentil 100p%, tp, e dado para a
distribuicao exponencial por
1 p = R(tp) = exp
(t
p
/)
Aplicando o logaritmo de ambos os lados, obtemos
tp = log(1 p). Em estudos de durabilidade queremos muitas vezes conhecer baixos
percentis de 1% e tambem a mediana que e o percentil de 50%. A media da distribuicao
exponencial corresponde ao t
0,63
, ou seja, o percentil 63%.
Por exemplo, para ventiladores de motores a diesel no exemplo acima o percentil 1% e
T
0,01
= 28700log(1 0.01) = 288 horas.
Isto signica, que e esperado que cerca de 1% dos ventiladores falhem nas primeiras 288
horas de uso. De forma similar a mediana e calculada obtendo 19900 horas.
7.8.2 Distribuicao de Weibull
A Distribuicao de Weibull foi proposta originalmente por W. Weibull (1954) em estudos
relacionados ao tempo de falha devido a fadiga de metais. Ela e frequentemente usada para
descrever o tempo de vida de produtos industriais. A sua popularidade em aplicacoes praticas
deve-se ao fato dela apresentar uma grande variedade de formas, todas com uma propriedade
basica: a sua funcao de taxa de falha e monotona. Isto e, ou ela e crescente ou decrescente ou
constante. Ela descreve adequadamente vida de mancais, componentes eletronicos, ceramicas,
capacitores e dieletricos.
A funcao de densidade da distribuicao de Weibull e dada por
f(t) =

t
1
exp[(t/)
], t 0
Exemplo 7.16. Um exemplo de uso da distribuicao de Weibull e o tempo de vida de um
capacitor com = 100000 horas e = 0, 5. A funcao de conabilidade e dada por
R(t) = 1
_
t
0
f(s)ds = exp
_
_
t
_
, t 0
Desta forma a conabilidade para um ano e R(8760) = exp[(8760/100000)
0,5
] = 0,74 ou
74%. Isto signica que a probabilidade do capacitor operar por um tempo superior a um ano e
de 0,74.
As expressoes para a media e a variancia da Weibull inclui o uso da funcao gama, isto e
MTTF(ou MTBF) = E[T] = [1 + (1/)] V ar(T) =
2
[1 + (2/)] [1 + (1 + )]
2
)]
onde (r) = (r 1)! para r inteiro. Os valores para a funcao gama podem ser obtidos via
Minitab. E os percentis sao dados por t
p
= [ln(1 p)]
1/
No exemplo acima, o tempo medio de vida do capacitor e 100000(1 + 2) = 200000 horas.
O percentil 10% e t
0,10
= 100000(ln(0, 9))
2
= 1110 horas. A distribuicao de Weibull tem uma
funcao de taxa de falha dada por
h(t) =

(t/)
1
, t 0
Figura 7.3: Graco da funcao taxa de falha da distribuicao Weibull
A Figura 7.3 mostra algumas formas desta funcao para a distribuicao de Weibull. Observe
que h(t) e estritamente crescente para > 1 e estritamente decrescente para < 1. A dis-
tribuicao exponencial e um caso particular da distribuicao de Weibull quando = 1 e entao,
com taxa de falha constante.
7.8.3 Distribuicao de Gumbel
E importante neste ponto, introduzir uma distribuicao que e bastante relacionada a Weibull.
Ela e chamada de distribuicao do valor extremo ou de Gumbel e surge quando se toma o
logaritmo de uma variavel com a distribuicao de Weibull. Isto e, se a variavel T tem uma
distribuicao de Weibull, entao a variavel Y = log(T) tem uma distribuicao Valor Extremo com
a seguinte funcao densidade
f(y) =
1
exp[
y
exp(
y
)]
onde = 1/ e = log().
A funcao de conabilidade da variavel Y e dada por
R(y) = exp[exp[
y
]]
A media e a variancia sao respectivamente v e (
2
/6)
2
, onde v = 0, 5772 . . . e a
conhecida constante de Euler. O percentil 100p% e dado por
t
p
= + ln[ln(1 p)]
Na analise de dados de durabilidade e muitas vezes conveniente trabalhar com o logaritmo
dos valores observados. Desta forma, se os dados tiverem uma distribuicao de Weibull, a
distribuicao Valor Extremo aparecera naturalmente na modelagem.
7.8.4 Distribuicao Log-normal
Assim como a distribuicao de Weibull, a distribuicao Log-normal e muito usada para caracteri-
zar tempo de vida de produtos e materiais. Isto inclui, fadiga de metal, semicondutores, diodos
e isolacao eletrica. A funcao de densidade para uma distribuicao log-normal e dada por:
f(t; , ) =
1
t
2
e
[log(t)]
2
2
2
, t > 0 (7.17)
onde, ' e madia do logaritmo do tempo de falha e > 0 e o desvio padrao. Existe
uma relacao entre as distribuicoes Log-normal e Normal similar à relacao existente entre as
distribuicoes de Weibull e do valor extremo. Como o nome sugere, o logaritmo de uma variavel
com distribuicao Log-normal com parametros e tem uma distribuicao Normal com media e
desvio-padrao . Esta relacao signica que dados provenientes de uma distribuicao Log-normal
podem ser analisados segundo uma distribuicao Normal se trabalharmos com o logaritmo dos
dados ao inves dos valores originais.
Figura 7.4: Graco da funcao densidade da distribuicao Log-Normal
A funcao de conabilidade de uma variavel Log-normal e dada por
R(t) =
[log(t) ]
(7.18)
onde, (.) e a funcao de distribuicao acumulada de uma Normal padrao.
Exemplo 7.17. Um exemplo de uso da distribuicao Log-normal e o tempo de vida de isolacoes
da classe H. Na temperatura de uso o tempo de vida tem uma distribuicao Log-normal com
= 9, 65 horas e = 0, 1053 horas. A conabilidade de isolacao nas 20000 primeiras horas de
uso e:
R(20000) =
[log(20000) 9.65]
0, 1053
= 0.008
Isto signica que a grande maioria (99, 2%) das isolacoes falhariam nas 20000 primeiras
horas de uso.
Os percentis para a distribuicao Log-normal podem ser obtidos a partir da tabela da normal
padrao, usando a seguinte expressao
t
p
= exp(Z
p
+)
onde Z
p
e o 100p% percentil da normal padrao. A media a variancia da distribuicao log-
normal sao dadas respectivamente por e exp( +
2
/2) e exp(2 +
2
)(exp(
2
) 1).
54
Captulo 8
A Distribuicao Normal
A variacao natural de muitos processos industriais e realmente aleatoria. Embora as dis-
tribuicoes de muitos processos possam assumir uma variedade de formas, muitas variaveis ob-
servadas possuem uma distribuicao de freq uencias que e, aproximadamente, uma distribuicao
de probabilidade Normal.
A distribuicao e normal quando tem a forma de sino:
Figura 8.1: Distribuicao Normal
Veremos na Secao seguinte como testar se uma distribuicao e normal ou nao. Se concluirmos
que ha normalidade, e possvel calcular probabilidade de intervalos de medida ocorrerem, cal-
culando a area sob a curva naquele intervalo.
Para achar a area sob a curva normal devemos conhecer dois valores numericos (tambem
chamados de parametros), a media e o desvio padrao .
O graco a seguir mostra algumas areas importantes:
Quando e sao desconhecidos, como geralmente acontece, sao substitudos por

X e S,
respectivamente, a partir da amostra.
Nota:

Areas sob a curva normal sao probabilidades que na pratica sao dadas em percent-
8. A Distribuicao Normal 55
Figura 8.2:

Areas sob a Curva Normal
agens.
Para cada valor de e/ou , temos uma distribuicao.
Mas para se calcular areas especcas, se faz uso de uma distribuicao particular: a dis-
tribuicao normal padronizada, tambem chamada de standartizada ou reduzida. Esta dis-
tribuicao tem media = 0 e desvio padrao = 1, e esta tabelado.
Veja o graco da curva normal padronizada na Figura 8.3.
Figura 8.3: Distribuicao Normal Padronizada
Nota: A variavel que tem distribuicao normal padronizada e denotada por Z.
Exemplo 8.1. A area sob a curva normal para Z maior do que 4,00 e 0,00003. Ou seja, a
probabilidade de Z ser maior do que 4,00 e 0,003%. Veja o graco na Figura 8.4
Figura 8.4:

Area sob a curva normal
Exemplo 8.2. A area sob a curva para Z maior do que 1,00 e 0,1587. Ou seja, a probabilidade
de Z ser maior do que 1 e 15,87%. Veja o graco na Figura 8.5
Figura 8.5:

Exemplo 8.3. A area sob a curva para Z maior do que 1,19 e 0,1170, ou seja, a probabilidade
de Z ser maior do que 1,19 e 11,70%. Veja o graco na Figura 8.6
Figura 8.6:

Exemplo 8.4. A area sob a curva para Z menor do que 2,00 nao e fornecida diretamente pela
tabela. Entao devemos encontrar a area para Z maior do que 2,00. Em seguida fazemos 1
menos a area encontrada e temos a area desejada.
A area sob a curva para Z maior do que 2,00 e 0,0228. A area desejada e 1 0, 0228 =
0, 9772. Ou seja, a probabilidade de Z ser menor do que 2,00 e 97,72%. Veja o graco na
Figura 8.7
Quando se tem uma variavel X com distribuicao normal com media diferente de 0 (zero)
e/ou desvio padrao diferente de 1 (um), devemos reduzi-la a uma Z, efetuando o seguinte
calculo:
Z =
X
Exemplo 8.5. Consideremos os diametros do Exemplo 2.2 como tendo distribuicao normal
com media = 4, 888 e desvio padrao = 0, 31949. Queremos calcular a probabilidade de um
eixo apresentar diametro inferior a 5,0 mm.
Figura 8.7:

Z =
5, 0 4, 888
0, 31949
= 0, 35
Usando a tabela da normal padronizada, temos que a area sob a curva e abaixo de 0,35 e
0,6368. Ou seja, a probabilidade de um eixo apresentar diametro inferior a 5,0 mm e 63,68%.
Vejam os gracos nas Figuras 8.8 e 8.9.
Figura 8.8:

Exemplo 8.6. Suponha que a espessura das arruelas no exemplo 4 tenha distribuicao normal
com media 11,15 e desvio padrao 2,238. Qual a porcentagem de arruelas que tem espessura
entre 8,70 e 14,70?
Temos que encontrar dois pontos da distribuicao normal padronizada. O primeiro ponto e:
Figura 8.9:

Z
1
=
8, 70 11, 15
2, 238
= 1, 09
A area para valores maiores do que -1,09 e 0,8621 ou 86,21%.
O segundo ponto e:
Z
1
=
14, 70 11, 15
2, 238
= 1, 58
A area para valores maiores do que 1,58 e 0,0571 ou 5,71%.
O que procuramos e a area entre Z1 e Z2, como mostram os gracos nas Figuras 8.10 e 8.11.
Figura 8.10:

Portanto, fazemos:
0, 8621 0, 0571 = 0, 8050
Ou seja, a porcentagem de arruelas com espessura entre 8,70 e 14,70 (limites de tolerancia da
especicacao) e somente de 80,50%. Portanto, cerca de 19,50% das arruelas nao atendem aos
Figura 8.11:

limites de especicacoes. Anteriormente, havamos calculado esta porcentagem diretamente do
histograma e o valor encontrado foi de 22%. A diferenca entre os dois calculos ca por conta
da suposicao de normalidade que zemos.
61
Captulo 9
Teorema do Limite Central
Suponha uma amostra aleatoria simples de tamanho n retirada de uma populacao com media
e variancia
2
(note que o modelo da variavel aleatoria nao e apresentado). Representando
tal amostra por n variaveis aleatorias independentes X
1
,. . .,X
n
e, denotando sua media por X,
temos, pelo Teorema do Limite Central, que, quando n for grande, a variavel
Z =
X
/
n
,
tem distribuicao aproximadamente N(0, 1).
Assim, o Teorema do Limite Central garante que, para n grande, a distribuicao da media
amostral, devidamente padronizada, se comporta segundo um modelo normal com media = 0
e variancia
2
= 1. De imediato, podemos notar a importancia do Teorema do Limite Central,
pois em muitas situacoes praticas, em que o interesse reside na media amostral, o teorema
permite que utilizemos a distribuicao normal para estudar X probabilisticamente. Pelo teorema
temos que quanto maior a amostra, melhor e a aproximacao. Estudos envolvendo simulacoes
mostram que em muitos casos valores em torno de 30 fornecem boas aproximacoes para as
aplicacoes praticas. Em casos que a verdadeira distribuicao e simetrica, excelentes aproximacoes
sao obtidas, mesmo com valores de n inferiores a 30.
Vamos justicar o intuito matematico de modo mais instrutivo, ou seja, utilizar um exemplo
para demonstrar tal resultado.
Considere os dados da tabela 9.1, com o histograma apresentado na gura 9.1.
Notemos que o graco mostra que o conjunto de dados segue uma distribuicao nao simetrica.
Vamos, agora, agrupar os valores do conjunto de dados em grupos de 5 e tirar a media de cada
grupo. Podemos observa-los conforme a gura 9.2.
9. Teorema do Limite Central 62
0,18039 0,06105 0,33264 1,0589 0,04611 2,07919 0,16426 0,13756 2,25764 0,69611 0,00666 1,43685
0,04858 0,05189 0,04937 4,0006 2,44309 1,19279 0,36034 0,14896 1,02117 0,22775 0,19664 0,67209
2,04899 0,00578 0,24781 0,43687 0,02991 0,52321 1,19931 0,97063 0,65404 1,2899 0,56337 0,28809
0,29371 0,07804 0,483 0,2983 3,75236 0,283 0,01252 0,07863 1,51493 0,58831 0,40478 0,12692
1,82698 0,9184 1,30431 0,68007 3,9539 1,00186 2,1392 0,65945 2,44657 2,26175 0,04064 0,90853
0,70571 2,32028 1,44356 1,04687 3,07768 0,91547 1,0711 0,78354 0,10735 1,8086 3,58991 0,28985
0,10034 1,09242 0,11591 0,93788 0,86555 0,11135 0,22064 2,54724 2,32252 0,21121 0,99732 0,73894
0,18068 0,03391 0,33554 2,82354 0,21896 0,61599 2,70122 0,59041 0,9296 0,37208 0,96049 0,97886
1,67637 0,3829 0,66678 1,27616 0,15644 1,49853 0,2438 0,69662 0,03946 1,68575 1,68336 1,97248
0,75177 0,14673 0,85142 0,60226 0,10131 0,00041 1,04934 0,71689 0,6841 0,40779 0,655 2,59891
1,86995 0,11694 1,0702 5,24055 0,91629 0,74449 1,54706 1,71929 0,57949 0,06082 4,50549 1,31121
1,20456 1,32523 0,15098 3,82457 2,21574 1,24752 3,01742 0,48124 0,50226 0,752 0,07319 0,7532
1,84546 1,00032 0,18113 1,95966 0,12043 0,02755 1,12134 0,15825 0,39719 0,73928 0,75933 0,98665
0,20692 1,04208 0,77392 0,53456 0,37931 0,55943 0,1528 0,32622 1,34607 0,1881 0,63464 0,01368
1,07056 1,56307 3,97567 0,12068 0,0591 0,09311 0,13433 1,13353 0,06729 0,73302 3,68017 0,36334
0,33364 0,10242 0,24987 0,436 0,63775 0,92961 0,1736 0,5642 0,07914 1,69506 3,81342 1,18567
0,835 1,0241 1,75904 0,655 1,5316 2,38105 1,31363 4,87441 1,87911 1,19198 4,01736 0,98998
0,97558 0,70493 0,02362 1,8392 0,23149 0,42528 0,70005 0,81429 0,14648 1,14152 1,63649 0,42354
0,49084 0,42526 0,21363 1,71473 0,1912 0,30273 0,50795 0,59502 0,0055 0,99069 0,05411 0,08015
1,88966 2,54082 0,05887 0,49302 1,94563 2,88959 0,76715 0,08922 1,50332 1,44135 0,25575 0,52356
1,21121 1,63265 2,49013 0,58964 0,73067 0,5809 0,20309 1,19891 0,41577 4,83329 0,83598 3,31921
0,3745 0,55206 0,96108 0,87766 0,52777 0,10678 0,89247 0,68666 0,40921 3,13698 0,15909 0,78276
1,19616 1,31787 0,1115 0,3589 0,61516 2,2579 0,5537 1,12084 1,18308 5,6274 0,38246 1,26049
0,30181 1,88888 0,9136 1,7155 0,49844 1,80252 0,78627 2,30031 0,37888 0,27255 0,13101 0,25451
3,21402 2,01428 1,5868 0,01396 0,31211 1,41659 0,20996 0,56251 0,64183 0,7217 0,01722 0,2567
0,0903 2,67363 0,38425 0,17188 4,38611 0,47624 1,7204 1,97416 0,15397 0,20741 1,23387 0,83222
2,61544 0,34815 3,7862 0,17602 0,49381 1,11899 0,33027 0,91986 1,10484 0,3501 0,6366 0,64013
0,49725 0,29042 2,32141 0,56294 1,10058 0,23771 0,16611 0,19464 0,53044 1,10223 2,63819 1,73767
0,35147 0,13475 2,31799 1,42038 0,28477 0,61507 0,70722 0,16977 2,07863 0,21453 2,31535 0,06885
0,97265 0,05683 0,08027 0,6846 0,29454 0,40381 0,38346 0,3467 0,08971 0,29033 0,71624 2,05792
0,77907 0,04533 1,21407 0,15632 1,54651 1,03375 0,20112 0,21492 1,23729 0,02209 1,92794 1,81139
0,25324 0,06947 0,14656 1,43476 0,58053 0,2361 1,30842 0,90432 0,38311 0,01359 0,2938 1,03444
0,57609 0,00047 0,15099 0,74214 0,88673 1,0456 3,40522 1,31729 0,19672 0,84027 0,38748 1,29327
Tabela 9.1: Dados Exponenciais
Figura 9.1: Histograma-Dados Exponenciais
Percebemos que a media dos dados foi deslocada, fazendo com que os dados mudassem suas
caractersticas de simetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a media.
O resultado esta na gura 9.3.
9. Teorema do Limite Central 63
Figura 9.2: Media de Grupos de 5
Como podemos perceber, este graco ja possui uma distribuicao similar a da distribuicao
normal.
Figura 9.3: Medias dos 5 Grupos
64
Captulo 10
Teste para Normalidade
10.1 Papel de Probabilidade
O papel de probabilidade e uma tecnica graca utilizada para vericar a adequacao de um
determinado modelo estatstico aos dados. A tecnica que iremos descrever e simples de utilizar
e pode ser aplicada a in umeros tipos de modelos estatsticos. Aqui, vamos considerar o modelo
Normal com media e variancia , cuja densidade e dada por
f(x) =
1
2
2
exp
_
(x )
2
2
2
_
e funcao distribuicao de probabilidade acumulada F, dada por
F(x) = P(X x) =
_
x
f(s)ds =
_
x
2
2
exp
_
(s )
2
2
2
_
ds
E comum trabalharmos, ao inves da distribuicao Normal com media e variancia , com a

distribuicao Normal padronizada, N(0, 1), cuja funcao densidade e dada por
f(z) =
1
2
exp
_
z
2
2
_
,
obtida mediante a transformacao
Z =
X
.
Sua funcao distribuicao acumulada e denotada por . A relacao entre a funcao distribuicao
acumulada F, de uma distribuicao Normal com media e variancia e a funcao distribuicao
10. Teste para Normalidade 65
acumulada de uma distribuicao Normal padronizada e dada por:
F(x) =
_
x
_
= (z) (10.1)
A distribuicao Normal Padrao e tabelada e por isso ca facil calcular probabilidades. Na
relacao dada em 10.1, vamos aplicar a funcao
1
em ambos os lados, ou seja,
1
(F(x)) =
1
_
_
x
__
=
x
Da, obtemos que

x =
1
(F(x)) + (10.2)
onde
1
(F(x)) e o quantil da distribuicao normal padrao, calculado para o valor de F(x).
Observe que a expressao 10.2 tem o formato de uma expressao linear. Com isso, ao fazermos
o graco entre x e
1
(F(x)) devemos esperar um comportamento linear dos pontos caso a
distribuicao normal for adequada.
Para construir o papel de probabilidade Normal devemos seguir os passos:
1. Considere uma amostra aleatoria X
1
, ..., X
n
. Primeiramente, vamos ordenar esses valores
de forma crescente, ou seja, X
(1)
... X
(n)
. Aqui, consideramos que X
(1)
e a primeira
estatstica de ordem, ou seja, o menor valor da amostra.
2. Calcule n pontos d
i
= (i 0, 3)/(n + 0, 4), i = 1, ..., n. Existem outras opcoes para o
calculo dos d
i
s.
3. Calcule os quantis da distribuicao normal padrao para cada um dos valores de d
i
, isto e,
calcule os valores de
1
(d
i
), i = 1, ..., n.
4. Faca um graco com os pontos (x
(i)
,
1
(d
i
)), i = 1, ..., n.
Para avaliarmos a normalidade dos dados, devemos construir o graco entre as variaveis
resduos ordenados e
1
(d
i
).
Exemplo 10.1. Em uma analise de capacidade do processo, o engenheiro da qualidade retirou
uma amostra de 25 pecas e as mediu. Para calcularmos os ndices de capacidade do processo,
precisamos avaliar a normalidade dos dados. Aqui, vamos realizar uma analise graca atraves
do papel de probabilidade. O calculo dos d
i
s e os quantis normais sao encontrados na tabela
da normal padronizada) para cada d
i
. Na tabela 10.1, temos os dados de medicao das pecas
ordenados e os respectivos d
i
s. A seguir, exemplicamos o calculo dos d
i
s para alguns pontos:
d
1
=
i 0, 3
n + 0, 4
=
1 0, 3
25 + 0, 4
=
0, 7
25, 4
= 0, 027559
d
2
=
2 0, 3
25, 4
= 0, 066969
.
.
. =
.
.
.
d
25
= 0, 972441.
assim, obtemos
1
(d
1
) = F(0, 027559) = 1, 917945
1
(d
2
) = F(0, 066969) = 1, 498752
.
.
. =
.
.
.
1
(d
25
) = F(0, 972441) = 1, 917945.
Fazendo o graco dos pontos (x
(i)
,
1
(d
i
)), i = 1, ..., 25, obtemos a gura 10.1.
Figura 10.1: Papel de Probabilidade para o exemplo 10.1.
10.2 Teste de Kolmogorov - Smirnov
Grande parte dos problemas que encontramos na pratica, sao solucionados, primeiramente,
considerando algumas suposic oes iniciais, tais como, assumir uma funcao de distribuicao para
os dados amostrados. Nesse sentido, surge a necessidade de certicarmos se essas suposicoes
podem, realmente, ser assumidas. Em alguns casos, assumir a normalidade dos dados e o
primeiro passo que tomamos para simplicar sua analise. Para dar suporte a esta suposicao,
consideramos, dentre outros, o teste de Kolmogorov - Smirnov.
O teste de Kolmogorov - Smirnov pode ser utilizado para avaliar as hipoteses:
_
_
_
H
0
: Os dados seguem uma distribuicao normal
H
1
: Os dados nao seguem uma distribuicao normal
Este teste observa a maxima diferenca absoluta entre a funcao de distribuicao acumulada
assumida para os dados, no caso a Normal, e a funcao de distribuicao emprica dos dados.
Como criterio, comparamos esta diferenca com um valor crtico (tabela 10.2), para um dado
nvel de signicancia.
Medicao posicao d
i

1
(d
i
)
-3,8 1 0,027559 -1,91794
-3,6 2 0,066929 -1,49906
-3,4 3 0,106299 -1,24645
-3,4 4 0,145669 -1,05519
-2,8 5 0,185039 -0,89633
-2,8 6 0,224409 -0,75739
-2,6 7 0,26378 -0,63174
-2,6 8 0,30315 -0,51536
-0,8 9 0,34252 -0,4056
-0,8 10 0,38189 -0,30052
0,2 11 0,42126 -0,19867
0,2 12 0,46063 -0,09885
0,4 13 0,5 0
0,4 14 0,53937 0,09885
0,4 15 0,57874 0,19867
1,2 16 0,61811 0,30052
1,4 17 0,65748 0,4056
1,4 18 0,69685 0,51536
1,4 19 0,73622 0,63174
1,6 20 0,775591 0,75739
2,6 21 0,814961 0,89633
2,6 22 0,854331 1,05519
3,4 23 0,893701 1,24645
4,2 24 0,933071 1,49906
5,2 25 0,972441 1,91794
Tabela 10.1: Construcao do papel de probabilidade.
A estatstica utilizada para o teste e:
D
n
= sup
x
[ F(x) F
n
(x) [
Esta funcao corresponde a distancia maxima vertical entre os gracos de F(x) e F
n
(x) sobre a
amplitude dos possveis valores de x. Em D
n
temos que
F(x) representa a funcao de distribuicao acumulada assumida para os dados;
F
n
(x) representa a funcao de distribuicao acumulada emprica dos dados.
Sejam X
(1)
, X
(2)
, , X
(n)
observacoes aleatorias ordenadas de forma crescente da variavel
aleatoria contnua X. A funcao de distribuicao acumulada assumida para os dados e denida
por F(x
(i)
) = P(X x
(i)
) e a funcao de distribuicao acumulada emprica e denida por uma
funcao escada, dada pela formula:
F
n
(x) =
1
n
n
i=1
I
{(, x]}
(x
(i)
) (10.3)
onde I
{A}
e a funcao indicadora. A funcao indicadora e denida da seguinte forma:
I
{A}
(x) =
_
_
_
1 se x A
0 c.c.
Observe que a funcao da distribuicao emprica F
n
(x) corresponde à proporcao de valores
menores ou iguais a x.
A expressao (10.3) pode tambem ser escrita da seguinte forma:
F
n
(x) =
_
_
0 se x < x
(1)
k
n
se x
(k)
x < x
(k+1)
1 se x > x
(n)
Consideremos duas outras estatsticas:
D
+
= sup
x
(i)
[ F(x
(i)
) F
n
(x
(i)
) [
D
= sup
x
(i)
[ F(x
(i)
) F
n
(x
(i1)
) [
Essas estatsticas medem as distancias (vertical) entre os gracos das duas funcoes, teorica e
emprica, nos pontos x
(i1)
e x
(i)
. Com isso, podemos utilizar como estatstica de teste:
D
n
= max(D
+
; D
)
Se D
n
for maior que o valor crtico encontrado na tabela 10.2, rejeitamos a hipotese de
normalidade dos dados com (1)100% de conanca. Caso contrario, nao rejeitamos a hipotese
de normalidade.
Valores Crticos para a estatstica do teste de Komolgorov - Smirnov (D
n
).
Nvel de Signicancia ()
n 0,2 0,1 0,05 0,01
5 0,45 0,51 0,56 0,67
10 0,32 0,37 0,41 0,49
15 0,27 0,30 0,34 0,40
20 0,23 0,26 0,29 0,36
25 0,21 0,24 0,27 0,32
30 0,19 0,22 0,24 0,29
35 0,18 0,20 0,23 0,27
40 0,17 0,19 0,21 0,25
45 0,16 0,18 0,20 0,24
50 0,15 0,17 0,19 0,23
Valores maiores
1,07
n
1,22
n
1,36
n
1,63
n
Tabela 10.2: Tabela de Valores para D
n
Estas estatsticas podem ser resumidas na Tabela 11.3.
x (ordenado) F
n
(x) F(x) = P
z
(i)

x
(i)
x
s
|F(x
(i)
) F
n
(x
(i)
)| |F(x
(i)
) F
n
(x
(i1)
)|
x
(1)
1
n
F(x) = P
z
(1)

x
(1)
x
s
|F(x
(1)
) F
n
(x
(1)
)| |F(x
(1)
) 0)|
x
(2)
2
n
F(x) = P
z
(2)

x
(2)
x
s
|F(x
(2)
) F
n
(x
(2)
)| |F(x
(2)
) F
n
(x
(1)
)|
. . . . .
. . . . .
. . . . .
x
(n1)
n1
n
F(x) = P
z
(n1)

x
(n1)
x
s
|F(x
(n1)
) F
n
(x
(n1)
)| |F(x
(n1)
) F
n
(x
(n2)
)|
x
(n)
1 F(x) = P
z
(n)

x
(n)
x
s
|F(x
(n)
) F
n
(x
(n)
)| |F(x
(n)
) F
n
(x
(n1)
)|
Tabela 10.3: Resumo do Calculo de D
n
Observacao: o valor de P
_
Z
(i)

x
(i)
x
s
_
e encontrado na tabela da distribuicao normal
padrao.
Exemplo 10.2. Uma amostra de dez elementos forneceu os seguintes valores:
27,8 29,2 30,6 27,0 33,5
29,5 27,3 25,4 28,0 30,2
Testar a hipotese de que ela seja proveniente de uma populcao normal de media 30 e desvio
padrao 2.
Primeiramente devemos ordenadar os dados em forma crescente. Apos ordenarmos os dados,
obtemos o valor de F
n
(x
(i)
) fazendo a razao entre a posicao i e o valor total de dados, n.
Exemplo 10.3. Avaliar a normalidade dos dados referente a medicao de 10 pecas.
1,90642 2,10288 1,52229 2,61826 1,42738 2,22488 1,69742 3,15435 1,98492 1,99568
Apos ordenarmos os dados, obtemos o valor de F
n
(x
(i)
) fazendo a razao entre a posicao i
e o valor total de dados, n. O valor de F(x
(i)
) e encontrado na tabela da distribuicao normal
padrao, apos transformarmos os dados pela relacao
Z
(i)
=
x
(i)
x
s
onde x e a media aritmetica dos dados e s e o desvio padrao dos dados.
Dados F
n
(x) (emprica) F(x) (teorica) | F(x
(i)
) F
n
(x
(i)
) | | F(x
(i)
) F
n
(x
(i1)
) |
1,42738 0,1 0,109008 0,009008 0,109008
1,52229 0,2 0,147346 0,052654 0,047346
1,69742 0,3 0,239320 0,060680 0,039320
1,90642 0,4 0,380772 0,019228 0,080772
1,98492 0,5 0,439859 0,060141 0,039859
1,99568 0,6 0,448101 0,151899 0,051899
2,10288 0,7 0,530802 0,169198 0,069198
2,22488 0,8 0,623132 0,176868 0,076868
2,61826 0,9 0,859056 0,040944 0,059056
3,15435 1,0 0,982786 0,017214 0,082786
Maximo 0,176868 0,109008
Tabela 10.4: Teste de Kolmogorov - Smirnov
Com isso,
D
n
= max(0, 176868; 0, 109008) = 0, 176868 .
Considerando = 0, 05 e n = 10, encontramos pela tabela 10.2 o valor crtico 0,41.
Como D
n
= 0, 176868 < 0, 41 nao temos evidencias para rejeitar a hipotese de normalidade
dos dados.Figura.
Exemplo 10.4. Para os dados referente a analise de capacidade do processo, apresentado no
Exemplo 10.1, vamos testar a normalidade atraves do teste de Kolmogorov-Smirnov.
Apos ordenarmos os dados (vide tabela 10.1), obtemos o valor de F
n
(x
(i)
) tomando a razao
entre a posicao i e o valor total de dados, n = 25. O valor de F(x
(i)
) e encontrado na tabela
da distribuicao normal padrao, apos transformarmos os dados pela relacao
Z
(i)
=
x
(i)
x
s
onde x e a media aritmetica dos dados, dado por
x =
3, 8 + (3, 6) + (3, 4) + + 5, 2
25
=
6, 661338e 16
25
= 2, 664535e 17 0.
e s e o desvio padrao dos dados, dado por
s =
_
(3, 8 0)
2
+ (3, 6 0)
2
+ + (5, 2 0)
2
24
= 2, 591
Assim, obtemos a tabela 10.5.
Dados Padronizados (Z
(i)
) F
n
(x) (emprica) F(x) (teorica) | F(x
(i)
) F
n
(x
(i)
) | | F(x
(i)
) F
n
(x
(i1)
) |
-1,466246 0,04 0,071291 0,031291 0,071291
-1,389075 0,08 0,082405 0,002405 0,042405
-1,311904 0,12 0,094776 0,025224 0,014776
-1,311904 0,16 0,094776 0,065224 -0,025224
-1,080391 0,20 0,139984 0,060016 -0,020016
-1,080391 0,24 0,139984 0,100016 -0,060016
-1,003221 0,28 0,157877 0,122123 -0,082123
-1,003221 0,32 0,157877 0,162123 -0,122123
-0,308683 0,36 0,378781 0,018781 0,058781
-0,308683 0,40 0,378781 0,021219 0,018781
0,077171 0,44 0,530756 0,090756 0,130756
0,077171 0,48 0,530756 0,050756 0,090756
0,154342 0,52 0,561330 0,041330 0,081330
0,154342 0,56 0,561330 0,001330 0,041330
0,154342 0,60 0,561330 0,038670 0,001330
0,463025 0,64 0,678327 0,038327 0,078327
0,540196 0,68 0,705469 0,025469 0,065469
0,540196 0,72 0,705469 0,014531 0,025469
0,540196 0,76 0,705469 0,054531 -0,014531
0,617367 0,80 0,731504 0,068496 -0,028496
1,003221 0,84 0,842123 0,002123 0,042123
1,003221 0,88 0,842123 0,037877 0,002123
1,311904 0,92 0,905224 0,014776 0,025224
1,620587 0,96 0,947447 0,012553 0,027447
2,006441 1,00 0,977595 0,022405 0,017595
Maximo 0,162123 0,130756
Tabela 10.5: Teste de Kolmogorov - Smirnov
Com isso, D
n
= max(0, 162123; 0, 130756) = 0, 162123.
Considerando = 0, 05 e n = 25, encontramos pela tabela 10.2 do apendice o valor crtico
0,27. Como D
n
= 0, 162123 < 0, 27 nao temos evidencias para rejeitar a hipotese de normali-
dade dos dados.
10.3 Teste Anderson-Darling
Seja X
1
, X
2
, . . . , X
n
uma amostra aleatoria simples retirada de uma dada populacao.
Suponha que F(x) seja uma provavel candidata para funcao de distribuicao acumulada dos
dados. Estamos interessados agora em vericar a adequabilidade da distribuicao, ou seja, tes-
tar as seguintes hipoteses:
_
_
_
H
0
: a amostra tem distribuicao F(x)
H
1
: a amostra nao tem distribuicao F(x)
(10.4)
Anderson e Darling (1952, 1954) propuseram a seguinte estatstica para testar (10.4)
A
2
= n
_

[F
n
(x) F(x)]
F(x)(1 F(x))
dF(x) (10.5)
onde F
n
(x) e a funcao de distribuicao acumulada emprica denida como
F
n
(x) =
1
n
n
i=1
=
_
_
0, se x < x
(1)
k
n
, se x
(k)
x < x
(k+1)
1, se x > x
(n)
(10.6)
e x
(1)
x
(2)
... x
(n)
sao as estatsticas de ordem da amostra aleatoria.
A estatstica A
2
pode ser colocada numa forma equivalente:
A
2
= n
1
n
n
i=1
_
(2i 1) ln( F(x
(i)
) ) + ( 2(n i) + 1 ) ln(1 F(x
(i)
) )
(10.7)
Consideremos que a transformacao F(x
(i)
) leva x
(i)
em U
(i)
de uma amostra de tamanho n
com distribuicao uniforme em (0, 1). Logo,
A
2
= n
1
n
n
i=1
_
(2i 1) ln( U
(i)
) + ( 2(n i) + 1 ) ln(1 U
(i)
)
(10.8)
Para calcular o valor da estatstica A
2
procedemos da seguinte forma:
1- Ordenamos os valores da amostra: x
(1)
x
(2)
... x
(n)
;
2- Quando necessario estime os parametros da distribuicao de interesse;
3- Calcule U
i
= F(x
(i)
) e calcule o valor da estatstica de Anderson Darling ( 10.8);
A
2
= n
1
n
n
i=1
[(2i 1) (ln( U
i
) + ln(1 U
n+1i
))]
(observe que esta e uma forma equivalente à (10.8) );
4- Para cada uma das distribuicoes calcule, se for o caso, o valor da estatstica modicado
de acordo com as tabelas dadas para cada uma delas.
O Teste Anderson-Darling pode ser aplicado às distribuicoes de probabilidade como: Dis-
tribuicao Normal, Exponencial, Weibull, Lognormal, Valor Extremo e Logstica. Para estas
distribuicoes o parametro = (, ) pode ser univariado ou bivariado, isto e, ele tem no
maximo dois componentes, conforme os seguintes casos:
Caso 1 : O parametro = (, ) e totalmente conhecido;
Caso 2 : e conhecido;
Caso 3 : e conhecido;
Caso 4 : Nenhum dos componentes de = (, ) e conhecido.
Vamos agora ver um exemplo para o caso da Distribuicao Normal.
Distribuicao Normal
Consideremos X uma variavel aleatoria com distribuicao Normal com funcao densidade de
probabilidade dada por
f(x) =
1
2
2
exp
_
(x )
2
2
2
_
(< x < ).
Caso 1 : O parametro = (, ) e totalmente conhecido;
Caso 2 : e conhecido e e estimado por s
2
;
Caso 3 : e conhecido e e estimado por x;
Caso 4 : Nenhum dos componentes de = (, ) e conhecido e sao estimados por (x, s
2
).
A seguinte tabela fornece alguns valores de quantis e a estatstica de Anderson-Darling
modicada:
Pontos percentis para cada (%)
Caso Modicacao 15.0 10.0 5.0 2.5 1.0
0 Nenhuma 1.610 1.933 2.492 3.070 3.857
1 - 0.784 0.897 1.088 1.281 1.541
2 - 1.443 1.761 2.315 2.890 3.682
3 A
2
(1 + (4/n) (25/n
2
)) 0.560 0.632 0.751 0.870 1.029
Tabela 10.6: Tabela de pontos percentis
Exemplo 10.5. Considere as seguintes medidas de peso de pecas (em pounds) 148, 154, 158,
160, 161, 162, 166, 170, 182, 195, 236.
Vamos testar:
_
_
_
H
0
: Os dados seguem uma distribuicao Normal N(, )
H
1
: Os dados nao seguem uma distribuicao Normal
A media dos dados e x = 172 e o desvio padrao e s = 24, 9520.
dados dados ordenados F(x
i
) ln(F(x
i
)) ln(1 F(x
i
))
154 148 0,168063 -1,78341 -0,184
148 154 0,235336 -1,44674 -0,26832
170 158 0,287372 1,24698 -0,3388
161 160 0,315285 -1,15428 0,37875
160 161 0,329662 -1,10969 -0,39997
166 162 0,344295 -1,06626 -0,42204
162 166 0,404986 -0,9039 -0,51917
158 170 0,468057 -0,75916 -0,63122
182 182 0,655705 -0,42204 -1,06626
195 195 0,821676 -0,19641 -1,72415
236 236 0,99484 -0,00517 -5,26684
Tabela 10.7: Calculando o valor de A
2
Utilizando a formula ( 10.8), temos:
D = (2 1 1) (1, 78341) + (2 (11 1) + 1) (0, 184)
+ (2 2 1) (1, 44674) + (2 (11 2) + 1) (0, 26832)
+ (2 3 1) (1, 24698) + (2 (11 3) + 1) (0, 3388)
+ (2 4 1) (1, 15428) + (2 (11 4) + 1) (0, 37875)
+ (2 5 1) (1, 10969) + (2 (11 5) + 1) (0, 39997)
+ (2 6 1) (1, 06626) + (2 (11 6) + 1) (0, 42204)
+ (2 7 1) (0, 9039) + (2 (11 7) + 1) (0, 51917)
+ (2 8 1) (0, 75916) + (2 (11 8) + 1) (0, 63122)
+ (2 9 1) (0, 42204) + (2 (11 9) + 1) (1, 06626)
+ (2 10 1) (0, 19641) + (2 (11 10) + 1) (1, 72415)
+ (2 11 1) (0, 00517) + (2 (11 11) + 1) (5, 26684)
= 131.4145
A
2
=
D
n
n =
131, 4145
11
11 = 0, 9467719.
A estatstica de Anderson Darling modicada para esse caso (Caso 4: e desconhecidos) e
dada por:
A
2
m
= A
2
(1 + (4/n) (25/n
2
))
= 0, 9467719 1, 157025 = 1, 095439.
Para o obter o p-valor aproximado vamos fazer uma interpolacao com os dados da Tabela (10.6)
1, 291 1, 088
2, 5 5, 0
=
1, 095439 1, 088
x 5, 0
Assim, temos
(x 5, 0) 0, 193 = 0, 007439 2, 5
x =
0, 0185975
0, 193
+ 5, 0 = 0, 003589318 + 5, 0 = 4, 996411
= 4, 9%.
Portanto, o p-valor e aproximadamente 4,9%. Portanto, existe forte evidencia de que os dados
podem nao vir de uma distribuicao Normal. Podemos ainda realizar uma analise graca, como
mostra a gura 10.2: note que os pontos entao distribudos de forma aleatoria em torno da
reta.
Figura 10.2: Papel de Probabilidade do Teste Anderson-Darling
77
Captulo 11
Indicadores da Qualidade
Este Captulo tem como objetivo apresentar as principais metricas para avaliar produtos
e processos. Como a competicao entre as empresas esta cada vez mais competitiva, existe
uma forte pressao sobre os setores de desenvolvimento de produtos, producao e servicos de
suporte para se tornarem cada vez mais produtivos e ecientes. O setor de desenvolvimento
de produto tem que criar produtos inovadores em menor tempo e com grau de complexidade
cada vez maior. A producao deve aumentar a qualidade dos produtos enquanto diminui custos
e aumenta o volume de producao. Os setores de servicos devem reduzir o tempo de ciclo de
seus processos e aumentar a satisfacao dos clientes. A metodologia 6 SIGMA atua diretamente
sobre estas necessidades, com a seguinte estrategia de rompimento:
Figura 11.1: Graco da Estrategia de Rompimento
11. Indicadores da Qualidade 78
O termo SIGMA () e uma letra grega usada para descrever variabilidade. A metrica da
qualidade sigma, que estudaremos neste curso, oferece um indicador da freq uencia com que os
defeitos ocorrem. Uma empresa atinge o nvel 6 SIGMA quando a taxa de ocorrencia de defeitos
alcanca 3,4 defeitos por milhao de oportunidades. Para atingir o nvel de qualidade 6 SIGMA,
precisamos identicar os processos chaves para os negocios da empresa, e medir estes processos
de tal forma que possamos avaliar se (e quanto) os nossos processos de negocio atingem seus
objetivos e metas.
E extremamente importante escolhermos o melhor conjunto medicoes para cada situacao

e focar sua enfase na analise estatstica e nas ferramentas para melhoria. A estrategia para
medicao consiste em atacar os pontos com alto custo devido a ma qualidade, pois eles podem
afetar drasticamente os negocios da empresa O custo da ma qualidade deve incluir, sucata,
retrabalho e reunioes sem proposito. As empresas podem perder muito dinheiro quando focam
apenas a ponta do iceberg, sendo importante dirigir os esforcos para o problema (iceberg)
como um todo.
Este curso vai se concentrar nas tecnicas para medir, de forma adequada, processos e produ-
tos, focando no problema (iceberg) como um todo. Como as metricas para medir os processos
e produtos sao baseadas na contagem de defeitos, vamos discutir alguns aspectos da teoria de
contagem e probabilidade antes de apresentarmos as metricas.
Quest oes:
1. Quais processos devemos medir?
2. O que deve fazer parte de nossas metricas?
3. Reita sobre qualidade e competitividade.
4. O que e processo?
11.1 Rendimento de um Produto
Com os princpios da teoria de contagem e probabilidade, vamos apresentar a primeira
metrica para qualidade. Aqui, vamos analisar o rendimento de um produto atraves do n umero
de defeitos associado aos seus componentes. Considere um produto que e composto por diversos
componentes. As ocorrencias de assistencia tecnica deste produto foram registradas. Apos um
perodo de coleta de dados, uma tabela contendo o n umero de unidades em acompanhamento,
n umero de defeitos registrados e os componentes defeituosos, e montada conforme abaixo:
Componentes Unidades Defeitos DPU Rendimento
1 U D D/U e
DPU
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
K U D D/U e
DPU
Somas
Soma de Soma de
Soma de DPU Y
TR
= Produto Resposta
Unidades Defeitos
Medias
Media da soma Media de
Media de DPU ln(Y
TR
)
de unidades defeitos
Tabela 11.1: Resumo dos Dados
DPU : Defeitos por Unidade
Denimos como rendimento de um produto a probabilidade de zero defeito.
Probabilidade de um componente sem defeitos (dentro das especicacoes). Utilizando a
distribuicao de Poisson, temos que
Prob [ Obter zero defeito ] =Prob [
e
0
0!
] = Exp ( - DPU )= rendimento do produto
Como estamos analisando a probabilidade de obtermos produtos defeituosos em uma linha
de producao, o parametro da distribuicao ,, sera o DPU.
Regras da Teoria da Probabilidade: Desde que cada componente falha independentemente
de qualquer outro (hipotese), a probabilidade de zero defeito do produto e dada por:
P[Zero defeito no C
1
e Zero defeito no C
2
e ... e Zero defeito no C
k
] =
P[Zero defeito no C
1
] P[Zero defeito no C
2
] P[Zero Defeito no C
k
]
Portanto o rendimento do produto sera calculado atraves da multiplicacao dos rendimen-
tos das componentes do produto.
Uma metrica bastante utilizada, o PPM, representa o n umero esperado de pecas defeituosas
em um lote de um milhao de pecas. Assim, temos que
PPM do produto = 10
6
(Prob falha)
Obs: Podemos calcular o PPM utilizando apenas o rendimento, da seguinte forma:
Seja R = rendimento, portanto R
C
= 1R = probabilidade de defeito. Como o PPM = 10
6
probabilidade de defeito, temos que PPM = 10

6
1 R.
Exerccio 11.1. Considere uma maquina colheitadeira de cana onde vamos vericar a cab-
ine da maquina. Dentro da cabine temos diversos componentes que falham ao longo do uso.
Complete a tabela 11.2:
Componentes Unidade Defeito DPU Rend. Prob. defeito PPM
Tacometro 57 49 0,86 0,423 0,576 576680
Mangueiras 57 29 0,509 0,601 0,398 398760
Vedacao 57 18
Ar Condicionado 57 14
Portas 57 10
Caixa de Controle 57 6
Sistema Eletrico no Painel 57 5
Cabo de Controle 57 3
Instrumento 57 2
Ventilacao 57 2
Coluna 57 1
Tabela 11.2: Colheitadeira de Cana
a) Calcular o rendimento do produto cabine;
b) Obter o PPM do produto.
11.2 Intervalo de conanca para o rendimento
Seja X
i
uma variavel aleatoria (v.a.) que representa o n umero de defeitos da componente i de
uma producao, i = 1, 2, . . . , n. Portanto:
X
1
, X
2
, . . . , X
n
iid
Poisson()
Estimador de maxima verossimilhanca
Sabemos que a funcao densidade de uma distribuicao Poisson e dada por:
f(x, ) = P[X = x] =
e
x
x!
, x = 0, 1, 2, . . .
Logo, a funcao verossimilhanca L(; x) sera:
n
i=1
f(x
i
, ) =
e
n
n
i=1
x
i
n
i=1
x
i
!
O EMV de e o valor

que maximiza a funcao verossimilhanca L().
Como a funcao logaritmo e uma funcao monotona, entao o valor

que maximiza L(; x)
tambem maximiza l(; x).
l(; x) = n +
n
i=1
x
i
log log
n
i=1
x
i
!
Neste caso, e possvel fazer a maximizacao derivando em relacao a e igualando a equacao
à zero. Entao, temos:
l(
; x) = 0 n +
n
i=1
x
i
= 0

=
n
i=1
x
i
n

=
n
i=1
x
i
n
=

X

=

X e um ponto crtico da funcao l(; x). Vamos vericar se e um ponto de mnimo ou
de maximo:
2
l(; x) =
n
i=1
x
i
2
< 0
Entao, conclui-se que a derivada segunda de l(; x) e negativa e portanto

=

X e um ponto
de maximo.

=

X e o EMV de .
No caso do rendimento, temos que:

= DPU (defeitos por unidade)=
n
i=1
X
i
n
pois
n
i=1
X
i
representa a quantidade total de defeitos da amostra X
1
, X
2
, . . . , X
n
e n e o n umero de unidades
fabricadas pela linha de producao.
Intervalo de conanca (IC)
Temos que

=

X e o EMV de uma distribuicao Poisson. Entao:
E(
) = E(
n
i=1
X
i
n
) =
1
n
E(
n
i=1
X
i
) =
n
n
E(X
1
) =
V (
) = V (
n
i=1
X
i
n
) =
1
n
2
V (
n
i=1
X
i
) =
n
n
2
V (X
1
) =

n
Obs: E(X
1
) = V (X
1
) = pois X
1
, X
2
, . . . , X
n
iid
Poisson().
Aplicando o teorema do limite central, temos que
Q =
X E(

X)
_
V (

X)
=
X
_
n
N(0, 1)
para n grande. Observe que Q nao depende de .
Q e uma quantidade pivotal.
Note que Q foi encontrada a partir de um EMV, e portanto temos indcios de que e uma
boa escolha para encontrarmos um intervalo de conanca. Calculando o IC:
Seja z o valor que satisfaz (z) = , onde representa a funcao densidade da distribuicao
normal reduzida e e o coeciente de conanca escolhido arbitrariamente. Temos:
P
_
_
z <
X
_
n
< z
_
_
= P
_
z
_
n

X < < z
_
n

X
_
=
P
_
X z
_
n
< <

X + z
_
n
_
=
Sabemos que

X =

, e aproximando por

temos que:
I = (
z
_
n
;

+ z
_
n
) e um intervalo de conanca aproximado de 100% de conanca
para .
Como ja vimos, o rendimento e dado por e
DPU
. Utilizando o EMV encontrado, podemos
considerar a substituicao do par ametro por

X uma boa aproximacao, entao o rendimento
sera obtido por e
X
.
Note que e
X
e uma funcao decrescente e I e um IC para . Utilizando a Obs 2 dada no
Apendice, temos que:
(e
(
+z
n
)
; e
(
n
)
)
e um intervalo de 100% de conanca para e
, e portanto, e um IC para o rendimento.

Exemplo 11.1. Vamos encontrar intervalos de conanca para o produto cabine e tambem para
cada um de seus componentes. Baseados nos dados do exerccio 11.1
A tabela 11.2 traz informacoes sobre todos os componentes do produto cabine. Neste ex-
erccio, foram analisadas 57 cabines.
Note que, sobre o tacometro por exemplo, a unica informacao dada e que houveram 49
tacometros defeituosos. Nao sabemos quais tacometros de quais cabines estavam com defeitos
pois isso nao importa para os nossos calculos. Em uma linguagem mais estatstica, o rendimento
da cabine possui distribuicao Poisson (que pertence à famlia exponencial) e portanto
X
i
e
uma informacao suciente.
Nao e o caso deste exerccio, mas observe tambem que a quantidade de ocorrencia de de-
feitos nos tacometros poderia ser superior a 57, pois, ao termos um defeito em uma peca da
cabine, esta e trocada por uma peca que talvez tambem seja defeituosa. Note tambem que as
49 ocorrencias de defeitos podem ter vindo todas da mesma cabine.
Como ja vimos, um intervalo de conanca para o rendimento e dado por:
(e
(
+z
n
)
; e
(
n
)
)
Queremos encontrar um intervalo de 95% de conanca para o produto cabine, entao temos
pela tabela da distribuicao Normal padrao que z = 1, 96.
Sejam X
1
, X
2
, . . . , X
n
v.a.s independentes que representam o n umero total de defeitos da
componente i, i = 1, 2, . . . , 11; das cabines. Na tabela 11.2 podemos encontrar com facilidade a
quantidade de defeitos totais:
11
i=1
X
i
= 139
EMV
=

X =
139
57
= 2, 438 = DPU
cabine
(e
(2,438+1,96
2,438
57
)
; e
(2,4381,96
2,438
57
)
)
(0, 0582 ; 0, 1309)
e um IC de 95% de conanca para o rendimento da cabine.
O rendimento da cabine e dado por:
P[zero defeito na cabine] = P[zero defeito no tacometro e zero defeito na mangueira e . . . e
zero defeito na coluna]
ind
= P[zero defeito no tacometro] P[zero defeito na mangueira] . . . P[zero
defeito na coluna] = (0, 423)(0, 601) . . . (0, 983) = 0,0902
Note que o rendimento encontrado pertence ao intervalo (0,0582 ; 0,1309). Vamos agora,
encontrar intervalos de conanca para cada componente da cabine. o procedimento sera o
mesmo utilizado para encontrar um intervalo de conanca para a cabine, mas agora o EMV

sera o DPU de cada componente. Os valores serao calculados da seguinte forma:

Tacometro
IC(Rend
tac
; 0, 95) = (e
(0,86+1,96
0,86
57
)
; e
(0,861,96
0,86
57
)
) = (0, 3326; 0, 5383)
Sejam LI e LS os limites inferiores e superiores, respectivamente, do intervalo de conanca
encontrado para cada componente.
Componentes Unidade Defeito DPU Rend LI LS
Tacometro 57 49 0,86 0,423 0,3326 0,5383
Mangueiras 57 29 0,509 0,601 0,4994 0,7234
Vedacao 57 18 0,316 0,729 0,630 0,8436
Ar Condicionado 57 14 0,246 0,782 0,6874 0,8893
Portas 57 10 0,175 0,839 0,7530 0,9357
Caixa de Controle 57 6 0,105 0,900 0,8276 0,9793
Sistema Eletrico no Painel 57 5 0,088 0,916 0,8478 0,9890
Cabo de Controle 57 3 0,053 0,949 0,8933 1,0000
Instrumento 57 2 0,035 0,965 0,9198 1,0000
Ventilacao 57 2 0,035 0,965 0,9198 1,0000
Coluna 57 1 0,017 0,983 0,9504 1,0000
11.3 Defeitos por milhao de oportunidades (DPMO)
Algumas empresas avaliam apenas a taxa de defeituosos no nal do processo. Por exemplo,
se foram produzidos 200 unidades e 10 unidades falharam no nal da montagem, a taxa de
defeitos reportada e de 5%.
A taxa de defeito por unidade pode ser melhorada incluindo o n umero de oportunidades,
para focar no processo e/ou produto. Um indicador adequado para a taxa de defeitos por
unidade deve considerar o n umero de oportunidade para a falha nos calculos. Para ilustrar,
considere um processo onde os defeitos sao classicados por tipo e o n umero de oportunidades
para a falha (OP) sao denidos para cada tipo. O n umero de defeitos (D) e unidades (U) sao
obtidos do processo durante algum perodo de tempo. O calculo do indicador pode ser obtido
na forma:
Tipo de defeito Descricao
N umero de Defeitos D
Unidades U
Oportunidades OP
Total de Oportunidades TOP = U OP
Defeitos por Unidade DPU = D / U
Defeitos pelo Total de Oportunidades DPO = D /TOP
Defeitos por Milhao de Oportunidades DPMO = DPO 1000000
Tabela 11.3: DPMO
Nas aplicacoes temos ate 20 tipos diferentes de defeitos, cujo calculo do indicador DPMO
deve ser obtido para cada tipo de defeito. Entao, tomamos a media do indicador DPO e DPMO
para o processo e/ou produto e construmos um graco de Pareto para o DPMO dos defeitos.
Para uma aplicacao na ind ustria eletronica, considere o processo de solda de componentes
em uma placa de circuito impresso. Neste caso, o n umero de oportunidades para a falha pode
ser o n umero de componentes (de cada tipo) vezes o n umero de pontas de solda. A vantagem
de utilizar o DPMO para esta situacao e que diferentes componentes sao montados na placa,
cada um desses componentes contem um n umero diferente de pontos de solda. Assim, com o
DPMO podemos uniformizar o indicador sobre o processo.
Exemplo 11.2. Os defeitos encontrados na assistencia tecnica de um produto foram classica-
dos em tipos A, B, C, D, E, e F. Durante um certo perodo de tempo foram coletados os dados
referentes ao n umero de defeitos (D), unidades (U) e oportunidades por unidade. Os dados sao
apresentados na tabela 11.4:
Tipo D U OP TOP DPU DPO DPMO
A 21 327 92 30084 0,06422 0,000698 698,0455
B 10 350 85 29750 0,028571 0,000336 336,1345
C 8 37 43 1591 0,216216 0,005028 5028,284
D 68 743 50 37150 0,091521 0,00183 1830,417
E 74 80 60 4800 0,925 0,015417 15416,67
F 20 928 28 25984 0,021552 0,00077 769,7044
TOTAL 201 2465 358 129359
Tabela 11.4: Dados
DPO
TOTAL
=
n
i=1
D
i
n
i=1
TOP
i
=
201
129359
= 0, 00155
DPMO
TOTAL
= DPO
TOTAL
1000000 = 1553, 8153
Figura 11.2: Graco de Pareto
Exerccio 11.2. Considere uma maquina colheitadeira de cana onde vamos vericar a cabine
da maquina. Abaixo estao relacionados os tipos de defeitos, unidades fabricadas e n umero de
oportunidades por defeito. Preencher a tabela 11.5 e montar o graco de Pareto para o tipo de
defeito utilizando o DPMO.
a) Calcule o DPO e DPMO do produto:
b) Montar o graco de Pareto:
Componentes Unid Defeito Oport TOP DPO DPMO
Tacometro 57 49 2 114 0,43 429824,561
Mangueira 57 29 2 114 0,254 254385,964
Vedacao 57 18 6 342 0,053 52631,5789
Ar Condicionado 57 14 1
Portas 57 10 2
Caixa de Controle 57 6 1
Sistema Eletrico no Painel 57 5 10
Cabo de Controle 57 3 2
Instrumento 57 2 2
Ventilacao 57 2 1
Coluna 57 1 1
Tabela 11.5: Colheitadeira de Cana
11.4 Intervalo de conanca para o DPMO
Ao estudarmos o rendimento, vimos que a amostra X
1
, X
2
, . . . , X
n
tinha distribuicao Poisson.
Neste captulo a metrica utilizada sera o DPMO, e como a quantidade de defeitos e nita (pois
a cabine sera classicada como defeituosa ou nao), X
1
, X
2
, . . . , X
n
tera distribuicao Binomial.
Portanto:
X
1
, X
2
, . . . , X
n
iid
Bernoulli()
Estimador de maxima verossimilhanca
A funcao densidade de uma distribuicao Bernoulli e dada por:
f(x, ) = P[X = x] =
x
(1 )
1x
Logo, a funcao verossimilhanca sera:
L(x; ) =
n
i=1
f(x
i
, ) =
n
i=1
x
i
(1 )
n
n
i=1
x
i
E portanto:
l(x; ) =
n
i=1
x
i
log + nlog (1 )
n
i=1
x
i
log (1 )
Novamente, derivando e igualando a zero, temos:
l(
; x) =
n
i=1
x
i
n
i=1
x
i
1

= 0
1

=
n
n
i=1
x
i
n
i=1
x
i
1 =
n
n
i=1
x
i
1

=
n
i=1
x
i
n
= x
x e um ponto crtico de l(; x).
Vamos vericar se e um ponto de mnimo ou de maximo:
2
l(; x) =
n
i=1
x
i
2

n
(1 )
2
+
n
i=1
x
i
(1 )
2
Como X
1
, X
2
, . . . , X
n
tem distribuicao Bernoulli, entao:
X
i
=
_
_
_
1 sucesso, i = 1, . . . , n
0 fracasso
i=1
x
i
n
e
2
l(; x) < 0

= x e o EMV de .
Intervalo de Conanca
=

X e o EMV de e
n
i=1
X
i
iid
Binomial(n; )
E(
) = E(
n
i=1
X
i
n
) =
1
n
E(
n
i=1
X
i
) =
n
n
E(X
1
) =
V (
) = V (
n
i=1
X
i
n
) =
1
n
2
V (
n
i=1
X
i
) =
n
n
2
V (X
1
) =
(1 )
n
Obs: E(X
1
) = e V (X
1
) = (1 ) pois X
1
, X
2
, . . . , X
n
iid
Binomial().
Aplicando o TLC, temos:
Q =
X
_
(1)
n
N(0, 1)
e portanto Q e uma quantidade pivotal. Seja z denido como anteriormente, entao:
P
_
_
z <
X
_
(1)
n
< z
_
_
= P
_
z
_
(1 )
n

X < < z
_
(1 )
n

X
_
=
P
_
_
X z
(1

)
n
< <

X + z
(1

)
n
_
_
=
_
_
z
(1

)
n
;

+ z
(1

)
n
_
_
e um IC aproximado de 100% de conanca para .
Exemplo 11.3. Vamos encontrar intervalos de conanca para o DPMO da cabine e tambem
para o DPMO de cada componente da cabine. Baseados nos dados do exerccio 11.2.
No calculo do DPMO, nao e possvel que o n umero de defeitos seja maior que o n umero de
cabines pois cada componente sera classicada como defeituosa ou nao defeituosa (distribuicao
de Bernoulli). Novamente temos apenas a informacao sobre a estatstica suciente (
X
i
).
Completando a tabela fornecida no Exerccio 11.2, temos:
Sejam X
1
, X
2
, . . . , X
n
v.a.s independentes que representam o n umero total de defeitos da
componente i, i = 1, 2, . . . , 11; das cabines. Seja n o n umero total de componentes utilizados
na producao das 57 cabines (
total de oportunidades de cada componente). Temos que:

Componentes Unid Defeito Oport TOP DPO
Tacometro 57 49 2 114 0,43
Mangueira 57 29 2 114 0,254
Vedacao 57 18 6 342 0,053
Ar Condicionado 57 14 1 57 0,245
Portas 57 10 2 114 0,087
Caixa de Controle 57 6 1 57 0,105
Sistema Eletrico no Painel 57 5 10 570 0,0087
Cabo de Controle 57 3 2 114 0,0263
Instrumento 57 2 2 114 0,0175
Ventilacao 57 2 1 57 0,035
Coluna 57 1 1 57 0,0175
EMV
=

X = DPO
cabine
=
11
i=1
X
i
n
=
139
1710
= 0, 081286
Entao o DPMO da cabine sera dado por 10
6
DPO
cabine
= 81.286, 54.
Uma formula para encontrar um intervalo de conanca para o DPMO e dada por:
10
6
_
_
z
(1

)
n
;

+ z
(1

)
n
_
_
Queremos um intervalo com 95% de conanca, e portanto temos que z=1,96. Entao:
10
6
_
0, 081286 1, 96
_
0, 081286(0, 918714)
1.710
; 0, 081286 + 1, 96
_
0, 081286(0, 918714)
1.710
_
= (68.333, 43; 94.238, 57)
e um IC de 95% de conanca para o DPMO da cabine.
Repetindo este mesmo procedimento para cada componente da cabine, encontraremos inter-
valos de 95% de conanca.
Tacometro
IC(DPMO
tac
; 0, 95) = 10
6
_
0, 42982 1, 96
_
0, 42982(0, 57017)
1.710
; 0, 42982 + 1, 96
_
0, 42982(0, 57017)
1.710
_
= (406.360, 24; 453.288, 87)
Componentes DPMO LI LS
Tacometro 429.824,561 406.360,24 453.288,87
Mangueira 254.385,96 233.743,49 275.028,43
Vedacao 52.631,57 42.047,80 63.215,35
Ar Condicionado 245.614,03 225.211,62 266.016,44
Portas 87.719,29 74.311,11 101.127,47
Caixa de Controle 105.263,15 90.717,14 119.809,16
Sistema Eletrico no Painel 8.771,929 4.352,23 13.191,62
Cabo de Controle 26.315,78 18.728,69 33.902,88
Instrumento 17.543,859 11.321,18 23.766,53
Ventilacao 35.087,71 26.366,45 43.808,98
Coluna 17.543,85 11.321,18 23.766,53
11.5 Rendimento: Analise da resposta do processo (Rolled
Throughput Yield)
Quando analisamos somente a taxa de defeito no nal do processo, perdemos informacoes
sobre o retrabalho que ocorre durante o processo. Ao utilizarmos a analise da resposta do
processo podemos identicar a fase do processo com maior taxa de defeitos e/ou retrabalho.
Figura 11.3: Graco do Rendimento Classico
Tabela de calculo do indicador rendimento do processo.
Componentes Unidades Defeitos DPU Resposta
1 U D D/U e
DPU
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
K U D D/U e
DPU
Soma de Soma de
Soma de DPU Y
TR
= Produto Resposta Somas
Unidades Defeitos
Media da soma Media de
Media de DPU
Medias
de unidades defeitos
por operacao por operacao
por operacao
ln(Y
TR
)
Tabela 11.6: Resumo dos Dados
Figura 11.4: Graco do Rendimento do Processo
Sabemos que o rendimento corresponde a Rendimento = e
DPU
, portanto DPU = ln[e
DPU
].
Teorema da Probabilidade Total: Considere A
1
, A
2
, , A
n
eventos quaisquer. Entao,
temos que
P(A
1
A
2
A
n
) = P(A
n
[A
1
A
2
A
n1
) P(A
2
[A
1
) P(A
1
)
11.6 Exerccios
Exerccio 11.3. Considere um processo de fabricacao do pistao de um motor. Este processo e
dividido em quatro etapas basicas:
A - Fundicao;
B - Pre usinagem;
C - Usinagem e;
D - Tratamento supercial.
Calcule o rendimento total do processo de fabricacao do pistao.
Operacao Unid Defeito DPU Rendimento Prob. Def.
A 45.000 580
B 44.420 220
C 44.200 310
D 43.890 75
Soma
Medias
Tabela 11.7: Coleta de Dados
Exerccio 11.4. Um eletrodomestico e dividido em seis modulos basicos. Atraves de dados de
assistencia tecnica temos as ocorrencias de defeitos em cada produto. Os dados referentes a
um lote de producao estao dispostos na tabela :
Modulos Unidades Defeitos DPU Rendimento
1 1500 12
2 1500 16
3 1500 17
4 1500 8
5 1500 22
6 1500 5
Somas
Medias
a) Calcular o rendimento do produto;
b) Obter o PPM do produto;
c) Montar o graco de Pareto.
Exerccio 11.5. Considere o processo de solda de componentes em uma placa de circuito im-
presso. Neste caso, o n umero de oportunidades para a falha pode ser o n umero de componentes
(de cada tipo) vezes o n umero de pontas de solda. A placa e constituda por 8 transistores, 10
diodos, 15 resistores e 4 circuitos integrados. Os dados referentes a um dia montagem estao
dispostos na tabela :
Tipo D U OP TOP DPU DPO DPMO
Transistores 45 10000 24
Resistores 23 10000 20
Diodos 32 10000
CI 150 10000
Total
a) Calcule o DPO e DPMO do produto;
b) Montar o graco de Pareto.
11.7 Metrica da Qualidade: SIGMA
Aqui, vamos estudar a relacao entre a metrica da qualidade SIGMA obtida via a distribuicao
normal e a taxa de defeitos por milhao.
A distribuicao e Normal quando sua densidade tem a forma de sino:
Figura 11.5:

Areas sob a Curva Normal
Esta gura ilustra o conceito basico das metricas de sistema da qualidade onde as pecas sao
manufaturadas e avaliadas a porcentagem (ou PPM) de pecas fora de especicacao.
Especicacoes Porcentagem PPM de defeitos
1 68.27 317300
2 95.45 54500
3 99.73 2700
4 99.9937 63
5 99.999943 0.57
6 99.9999998 0.002
Em geral, n ao conseguimos manter um processo totalmente centrado, sempre temos uma
pequena variacao na media do processo devido a mudancas na materia-prima, condicoes ambi-
entais, manutencao de maquina e ferramentas, entre outras causas. Assim, a Motorola sugeriu
uma variacao natural de 1.5 em torno da media do processo. Abaixo apresentamos um graco
ilustrando a variacao.
Figura 11.6: Limites de Variacao
Especicacoes Porcentagem PPM de defeitos
1 30.23 697700
2 69.13 308700
3 93.32 66810
4 99.379 6210
5 999.767 233
6 9.999.966 3.4
Esta relacao e determinada utilizando a variacao de 1.5 , sendo expressa de forma
aproximada por [Schmidt e Launsby (1997)]:
N umero de SIGMA = 0, 8406 +
_
29, 37 2, 221 ln(PPM)
OBS: Se usarmos oportunidade de defeito para calcular o indicador da qualidade, devemos
substituir o PPM por DPMO.
Exemplo 11.4. Considere um processo com PPM igual a 20. Quantos sigma tem o processo?
N umero de SIGMA = 0, 8406 +
_
29, 37 2, 221 ln(20) = 0, 8406 + 4, 7661 = 5, 6
Exerccio 11.6. Com os dados do exerccio 11.1, calcular a metrica sigma.
98
Captulo 12
Denicoes
Def: (funcao verossimilhanca) Seja X
1
, X
2
, . . . , X
n
uma amostra aleatoria com funcao den-
sidade f(x; ). A funcao verossimilhanca de correspondente à amostra observada e dada
por:
L(; x) =
n
i=1
f(x
i
[)
Obs 1: O logaritmo da funcao verossimilhanca L() e denotado por l().
Def: (estimador de maxima verossimilhanca) O estimador de maxima verossimilhanca
(EMV) de e o valor

que maximiza a funcao verossimilhanca L(; x).
Def: (quantidade pivotal ) Uma v.a. Q(X
1
, X
2
, . . . , X
n
; ) = Q(X; ) e dita ser uma quan-
tidade pivotal para o parametro se a sua distribuicao for independente de .
Def: (intervalo de conanca) Seja X
1
, X
2
, . . . , X
n
uma amostra aleatoria com funcao den-
sidade f(; ). Sejam T
1
= t
1
(X
1
, X
2
, . . . , X
n
) e T
2
= t
2
(X
1
, X
2
, . . . , X
n
) duas estatsticas
satisfazendo T
1
T
2
para cada P
[T
1
< () < T
2
] , onde nao depende de . Entao
o intervalo aleatorio (T
1
, T
2
) e chamado de intervalo de conanca de 100% para (). e
chamado de coeciente de conanca, T
1
e T
2
sao chamados de limites de conanca inferior e
superior, respectivamente, para (). Um valor (t
1
, t
2
) do intervalo aleatorio (T
1
;T
2
) e tambem
chamado de intervalo de conanca de 100% para ().
Obs 2: Seja g uma funcao crescente e (T
1
, T
2
) um intervalo de conanca para o parametro
, entao (g(T
1
), g(T
2
)) e um IC para g(). Se g e decrescente, entao (g(T
2
), g(T
1
)) e um IC para
12. Denic oes 99
g().
Teorema do Limite Central (TLC): Seja X
1
, X
2
, . . . , X
n
uma sequencia de variaveis
aleat orias independentes com mesma distribuicao. Sejam = E(X
i
) e
2
= V (X
i
) a esperanca
e a variancia comuns. Seja S =
n
i=1
X
i
. Entao sob determinadas condicoes, temos:
S E(S)
_
V (S)
N(0, 1)
100
Apendice A
Tabela Normal Padrao - 6
A. Tabela Normal Padrao - 6 101
Z

Area Z

Area Z

Area Z

Area
0,00 0,500000000 0,50 0,308537539 1,00 0,158655254 1,50 0,066807201
0,01 0,496010644 0,51 0,305025731 1,01 0,156247645 1,51 0,065521712
0,02 0,492021686 0,52 0,301531788 1,02 0,153864230 1,52 0,064255488
0,03 0,488033527 0,53 0,298055965 1,03 0,151505003 1,53 0,063008364
0,04 0,484046563 0,54 0,294598516 1,04 0,149169950 1,54 0,061780177
0,05 0,480061194 0,55 0,291159687 1,05 0,146859056 1,55 0,060570758
0,06 0,476077817 0,56 0,287739719 1,06 0,144572300 1,56 0,059379941
0,07 0,472096830 0,57 0,284338849 1,07 0,142309654 1,57 0,058207556
0,08 0,468118628 0,58 0,280957309 1,08 0,140071090 1,58 0,057053433
0,09 0,464143607 0,59 0,277595325 1,09 0,137856572 1,59 0,055917403
0,10 0,460172163 0,60 0,274253118 1,10 0,135666061 1,60 0,054799292
0,11 0,456204687 0,61 0,270930904 1,11 0,133499513 1,61 0,053698928
0,12 0,452241574 0,62 0,267628893 1,12 0,131356881 1,62 0,052616138
0,13 0,448283213 0,63 0,264347292 1,13 0,129238112 1,63 0,051550748
0,14 0,444329995 0,64 0,261086300 1,14 0,127143151 1,64 0,050502583
0,15 0,440382308 0,65 0,257846111 1,15 0,125071936 1,65 0,049471468
0,16 0,436440537 0,66 0,254626915 1,16 0,123024403 1,66 0,048457226
0,17 0,432505068 0,67 0,251428895 1,17 0,121000484 1,67 0,047459682
0,18 0,428576284 0,68 0,248252230 1,18 0,119000107 1,68 0,046478658
0,19 0,424654565 0,69 0,245097094 1,19 0,117023196 1,69 0,045513977
0,20 0,420740291 0,70 0,241963652 1,20 0,115069670 1,70 0,044565463
0,21 0,416833837 0,71 0,238852068 1,21 0,113139446 1,71 0,043632937
0,22 0,412935577 0,72 0,235762498 1,22 0,111232437 1,72 0,042716221
0,23 0,409045885 0,73 0,232695092 1,23 0,109348552 1,73 0,041815138
0,24 0,405165128 0,74 0,229649997 1,24 0,107487697 1,74 0,040929509
0,25 0,401293674 0,75 0,226627352 1,25 0,105649774 1,75 0,040059157
0,26 0,397431887 0,76 0,223627292 1,26 0,103834681 1,76 0,039203903
0,27 0,393580127 0,77 0,220649946 1,27 0,102042315 1,77 0,038363570
0,28 0,389738752 0,78 0,217695438 1,28 0,100272568 1,78 0,037537980
0,29 0,385908119 0,79 0,214763884 1,29 0,098525329 1,79 0,036726956
0,30 0,382088578 0,80 0,211855399 1,30 0,096800485 1,80 0,035930319
0,31 0,378280478 0,81 0,208970088 1,31 0,095097918 1,81 0,035147894
0,32 0,374484165 0,82 0,206108054 1,32 0,093417509 1,82 0,034379502
0,33 0,370699981 0,83 0,203269392 1,33 0,091759136 1,83 0,033624969
0,34 0,366928264 0,84 0,200454193 1,34 0,090122672 1,84 0,032884119
0,35 0,363169349 0,85 0,197662543 1,35 0,088507991 1,85 0,032156775
0,36 0,359423567 0,86 0,194894521 1,36 0,086914962 1,86 0,031442763
0,37 0,355691245 0,87 0,192150202 1,37 0,085343451 1,87 0,030741909
0,38 0,351972708 0,88 0,189429655 1,38 0,083793322 1,88 0,030054039
0,39 0,348268273 0,89 0,186732943 1,39 0,082264439 1,89 0,029378980
0,40 0,344578258 0,90 0,184060125 1,40 0,080756659 1,90 0,028716560
0,41 0,340902974 0,91 0,181411255 1,41 0,079269841 1,91 0,028066607
0,42 0,337242727 0,92 0,178786380 1,42 0,077803841 1,92 0,027428950
0,43 0,333597821 0,93 0,176185542 1,43 0,076358510 1,93 0,026803419
0,44 0,329968554 0,94 0,173608780 1,44 0,074933700 1,94 0,026189845
0,45 0,326355220 0,95 0,171056126 1,45 0,073529260 1,95 0,025588060
0,46 0,322758110 0,96 0,168527607 1,46 0,072145037 1,96 0,024997895
0,47 0,319177509 0,97 0,166023246 1,47 0,070780877 1,97 0,024419185
0,48 0,315613697 0,98 0,163543059 1,48 0,069436623 1,98 0,023851764
0,49 0,312066949 0,99 0,161087060 1,49 0,068112118 1,99 0,023295468
Z

Area Z

Area Z

Area Z

Area
2,00 0,022750132 2,50 0,006209665 3,00 0,001349898 3,50 0,000232629
2,01 0,022215594 2,51 0,006036558 3,01 0,001306238 3,51 0,000224053
2,02 0,021691694 2,52 0,005867742 3,02 0,001263873 3,52 0,000215773
2,03 0,021178270 2,53 0,005703126 3,03 0,001222769 3,53 0,000207780
2,04 0,020675163 2,54 0,005542623 3,04 0,001182891 3,54 0,000200064
2,05 0,020182215 2,55 0,005386146 3,05 0,001144207 3,55 0,000192616
2,06 0,019699270 2,56 0,005233608 3,06 0,001106685 3,56 0,000185427
2,07 0,019226172 2,57 0,005084926 3,07 0,001070294 3,57 0,000178491
2,08 0,018762766 2,58 0,004940016 3,08 0,001035003 3,58 0,000171797
2,09 0,018308900 2,59 0,004798797 3,09 0,001000782 3,59 0,000165339
2,10 0,017864421 2,60 0,004661188 3,10 0,000967603 3,60 0,000159109
2,11 0,017429178 2,61 0,004527111 3,11 0,000935437 3,61 0,000153099
2,12 0,017003023 2,62 0,004396488 3,12 0,000904255 3,62 0,000147302
2,13 0,016585807 2,63 0,004269243 3,13 0,000874032 3,63 0,000141711
2,14 0,016177383 2,64 0,004145301 3,14 0,000844739 3,64 0,000136319
2,15 0,015777607 2,65 0,004024589 3,15 0,000816352 3,65 0,000131120
2,16 0,015386335 2,66 0,003907033 3,16 0,000788846 3,66 0,000126108
2,17 0,015003423 2,67 0,003792562 3,17 0,000762195 3,67 0,000121275
2,18 0,014628731 2,68 0,003681108 3,18 0,000736375 3,68 0,000116617
2,19 0,014262118 2,69 0,003572601 3,19 0,000711364 3,69 0,000112127
2,20 0,013903448 2,70 0,003466974 3,20 0,000687138 3,70 0,000107800
2,21 0,013552581 2,71 0,003364160 3,21 0,000663675 3,71 0,000103630
2,22 0,013209384 2,72 0,003264096 3,22 0,000640953 3,72 0,000099611
2,23 0,012873721 2,73 0,003166716 3,23 0,000618951 3,73 0,000095740
2,24 0,012545461 2,74 0,003071959 3,24 0,000597648 3,74 0,000092010
2,25 0,012224473 2,75 0,002979763 3,25 0,000577025 3,75 0,000088417
2,26 0,011910625 2,76 0,002890068 3,26 0,000557061 3,76 0,000084957
2,27 0,011603792 2,77 0,002802815 3,27 0,000537737 3,77 0,000081624
2,28 0,011303844 2,78 0,002717945 3,28 0,000519035 3,78 0,000078414
2,29 0,011010658 2,79 0,002635402 3,29 0,000500937 3,79 0,000075324
2,30 0,010724110 2,80 0,002555130 3,30 0,000483424 3,80 0,000072348
2,31 0,010444077 2,81 0,002477075 3,31 0,000466480 3,81 0,000069483
2,32 0,010170439 2,82 0,002401182 3,32 0,000450087 3,82 0,000066726
2,33 0,009903076 2,83 0,002327400 3,33 0,000434230 3,83 0,000064072
2,34 0,009641870 2,84 0,002255677 3,34 0,000418892 3,84 0,000061517
2,35 0,009386706 2,85 0,002185961 3,35 0,000404058 3,85 0,000059059
2,36 0,009137468 2,86 0,002118205 3,36 0,000389712 3,86 0,000056694
2,37 0,008894043 2,87 0,002052359 3,37 0,000375841 3,87 0,000054418
2,38 0,008656319 2,88 0,001988376 3,38 0,000362429 3,88 0,000052228
2,39 0,008424186 2,89 0,001926209 3,39 0,000349463 3,89 0,000050122
2,40 0,008197536 2,90 0,001865813 3,40 0,000336929 3,90 0,000048096
2,41 0,007976260 2,91 0,001807144 3,41 0,000324814 3,91 0,000046148
2,42 0,007760254 2,92 0,001750157 3,42 0,000313106 3,92 0,000044274
2,43 0,007549411 2,93 0,001694810 3,43 0,000301791 3,93 0,000042473
2,44 0,007343631 2,94 0,001641061 3,44 0,000290857 3,94 0,000040741
2,45 0,007142811 2,95 0,001588870 3,45 0,000280293 3,95 0,000039076
2,46 0,006946851 2,96 0,001538195 3,46 0,000270088 3,96 0,000037475
2,47 0,006755653 2,97 0,001488999 3,47 0,000260229 3,97 0,000035936
2,48 0,006569119 2,98 0,001441242 3,48 0,000250707 3,98 0,000034458
2,49 0,006387155 2,99 0,001394887 3,49 0,000241510 3,99 0,000033037
Z

Area Z

Area Z

Area Z

Area
4,00 0,000031671 4,50 0,000003398 5,00 0,000000287 5,50 0,000000019
4,01 0,000030359 4,51 0,000003241 5,01 0,000000272 5,51 0,000000018
4,02 0,000029099 4,52 0,000003092 5,02 0,000000258 5,52 0,000000017
4,03 0,000027888 4,53 0,000002949 5,03 0,000000245 5,53 0,000000016
4,04 0,000026726 4,54 0,000002813 5,04 0,000000233 5,54 0,000000015
4,05 0,000025609 4,55 0,000002682 5,05 0,000000221 5,55 0,000000014
4,06 0,000024536 4,56 0,000002558 5,06 0,000000210 5,56 0,000000013
4,07 0,000023507 4,57 0,000002439 5,07 0,000000199 5,57 0,000000013
4,08 0,000022518 4,58 0,000002325 5,08 0,000000189 5,58 0,000000012
4,09 0,000021569 4,59 0,000002216 5,09 0,000000179 5,59 0,000000011
4,10 0,000020658 4,60 0,000002112 5,10 0,000000170 5,60 0,000000011
4,11 0,000019783 4,61 0,000002013 5,11 0,000000161 5,61 0,000000010
4,12 0,000018944 4,62 0,000001919 5,12 0,000000153 5,62 0,000000010
4,13 0,000018138 4,63 0,000001828 5,13 0,000000145 5,63 0,000000009
4,14 0,000017365 4,64 0,000001742 5,14 0,000000137 5,64 0,0000000085
4,15 0,000016624 4,65 0,000001660 5,15 0,000000130 5,65 0,0000000080
4,16 0,000015912 4,66 0,000001581 5,16 0,000000123 5,66 0,0000000076
4,17 0,000015230 4,67 0,000001506 5,17 0,000000117 5,67 0,0000000071
4,18 0,000014575 4,68 0,000001434 5,18 0,000000111 5,68 0,0000000067
4,19 0,000013948 4,69 0,000001366 5,19 0,000000105 5,69 0,0000000064
4,20 0,000013346 4,70 0,000001301 5,20 0,000000100 5,70 0,0000000060
4,21 0,000012769 4,71 0,000001239 5,21 0,000000094 5,71 0,0000000056
4,22 0,000012215 4,72 0,000001179 5,22 0,000000089 5,72 0,0000000053
4,23 0,000011685 4,73 0,000001123 5,23 0,000000085 5,73 0,0000000050
4,24 0,000011176 4,74 0,000001069 5,24 0,000000080 5,74 0,0000000047
4,25 0,000010689 4,75 0,000001017 5,25 0,000000076 5,75 0,0000000045
4,26 0,000010221 4,76 0,000000968 5,26 0,000000072 5,76 0,0000000042
4,27 0,000009774 4,77 0,000000921 5,27 0,000000068 5,77 0,0000000040
4,28 0,000009345 4,78 0,000000876 5,28 0,000000065 5,78 0,0000000037
4,29 0,000008934 4,79 0,000000834 5,29 0,000000061 5,79 0,0000000035
4,30 0,000008540 4,80 0,000000793 5,30 0,000000058 5,80 0,0000000033
4,31 0,000008163 4,81 0,000000755 5,31 0,000000055 5,81 0,0000000031
4,32 0,000007801 4,82 0,000000718 5,32 0,000000052 5,82 0,0000000029
4,33 0,000007455 4,83 0,000000683 5,33 0,000000049 5,83 0,0000000028
4,34 0,000007124 4,84 0,000000649 5,34 0,000000046 5,84 0,0000000026
4,35 0,000006807 4,85 0,000000617 5,35 0,000000044 5,85 0,0000000025
4,36 0,000006503 4,86 0,000000587 5,36 0,000000042 5,86 0,0000000023
4,37 0,000006212 4,87 0,000000558 5,37 0,000000039 5,87 0,0000000022
4,38 0,000005934 4,88 0,000000530 5,38 0,000000037 5,88 0,0000000021
4,39 0,000005668 4,89 0,000000504 5,39 0,000000035 5,89 0,0000000019
4,40 0,000005413 4,90 0,000000479 5,40 0,000000033 5,90 0,0000000018
4,41 0,000005169 4,91 0,000000455 5,41 0,000000032 5,91 0,0000000017
4,42 0,000004935 4,92 0,000000433 5,42 0,000000030 5,92 0,0000000016
4,43 0,000004712 4,93 0,000000411 5,43 0,000000028 5,93 0,0000000015
4,44 0,000004498 4,94 0,000000391 5,44 0,000000027 5,94 0,0000000014
4,45 0,000004294 4,95 0,000000371 5,45 0,000000025 5,95 0,0000000013
4,46 0,000004098 4,96 0,000000352 5,46 0,000000024 5,96 0,0000000013
4,47 0,000003911 4,97 0,000000335 5,47 0,000000023 5,97 0,0000000012
4,48 0,000003732 4,98 0,000000318 5,48 0,000000021 5,98 0,0000000011
4,49 0,000003561 4,99 0,000000302 5,49 0,000000020 5,99 0,0000000010
6,00 0,0000000010
Tabela A.1: Tabela Normal 6
104
Referencias Bibliogracas
[1] Douglas C. Montgomery - Introduction to Statistical Quality Control, John Wiley and
Sons, 1985.
[2] Fundamentos do Controle Estatstico do Processo - Manual de Referencia, IQA.
[3] Schmidt, S. R. and Launsby, R. G. - Understanding Industrial Designed Experiments, Air
Academic Press, Colorado Springs, CO, (1997).
[4] Forrest W. Breyfogle (1999) - Implementing Six Sigma: Smarter Solution Using Statistical
Methods, John Wiley & Sons, INC.
[5] M. N. Magalhaes e A. C. P. De Lima (2001) Nocoes de Probabilidade e Estatstica, 3
edicao, Editora USP.
[6] P. L. Meyer (1983) - Probabilidade: Aplicacoes à Estatstica, segunda edicao, Livros
tecnicos e Cientcos Editora.
[7] W. O. Bussab e P. A. Morettin (1987) - Estatstica Basica - 4 Edicao, Atual Editora.
[8] Breyfogle, Forrest W. - Implementing Six Sigma: Smarter Solution Using Statistical Meth-
ods, John Wiley & Sons, INC, (1999).
[9] Fundamentos do Controle Estatstico do Processo - Manual de Referencia, IQA.
[10] R. L. Mason, R. F. Gunst, J. L. Hess (1989) Statistical Design and Analysis of Experiments:
with applications do Engineering and Science, John Wiley & Sons.
[11] BIPM, IEC, IFCC, ISO, IUPAC, IUPAP, OIML, Guide to the Expression of Uncertainty
in Measurement, 1995.
[12] NBR ISO 10012-1, Requisitos de Garantia da Qualidade para Equipamentos de Medicao,
1993.
Referencias Bibliogracas 105
[13] MSA, Analise dos Sistemas de medicao, terceira edicao.
[14] Versao Brasileira do documento de referencia EA-4/02: Expressao da incerteza de medicao
na calibracao, INMETRO.
[15] Montgomery, Douglas C., Design and Analysis of Experiments - - Fourth Edition - Ed.
John Wiley & Sons, 1997.

Apostila Estatistica

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Apostila Estatistica

Încărcat de

Drepturi de autor:

Formate disponibile

Estatstica Basica

2.1.2 Dados Quantitativos Contnuos

2.2 Dados Qualitativos

Na gura 2.2 temos o Diagrama de Pareto referente a estes dados.

Exemplo 4.3. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos

0. Como foi dito anteriormente,

E comum trabalharmos, ao inves da distribuicao Normal com media e variancia , com a

Da, obtemos que

E extremamente importante escolhermos o melhor conjunto medicoes para cada situacao

probabilidade de defeito, temos que PPM = 10

, e portanto, e um IC para o rendimento.

sera o DPU de cada componente. Os valores serao calculados da seguinte forma:

total de oportunidades de cada componente). Temos que:

S-ar putea să vă placă și