Documente Academic
Documente Profesional
Documente Cultură
A Estatística e Deming.
W. E. DEMING
Nasceu em 14 de Outubro de 1900 em
Sioux City, Iowa. Em 1921 licenciou-se
em Física, na Universidade do Wyoming
e, em 1928, doutorou-se em Matemática
pela Yale University.
1
O impacto das suas idéias foi de tal forma elevado que
Deming é, hoje, considerado “o pai do milagre industrial
japonês”. Morreu em 1993, com 93 anos.
Em sua homenagem, a JUSE (Japan Union of Scientists
and Engineers) instituiu o Deming Prize, que premia
anualmente as melhores empresas no campo da qualidade.
Deming foi condecorado pelo imperador do Japão com o
mais elevado galardão atribuído a um estrangeiro: a
Medalha de 2.ª Ordem do Sagrado Tesouro.
Os Estados Unidos só o descobriram na década de 80. Em
1986, Reagan atribuiu-lhe a National Medal of Technology
e nesse ano foi lançado o livro Out of Crisis, a obra que
consolidou de vez a sua fama como o grande mestre da
qualidade. 2
W.E.W.
DEMING
E. DEMING
3
4
5
ENGENHARIA: CEP, DOE, CONFIABILIDADE
6
Allysson Paulinelli Ministro da Agric. 1974 linelli
Coloca Eliseu Alves, na presidência da EMBRAPA
Cria 14 Centros de Pesquisas em 14 regiões do país
(exceto o café que tinha o IBC e o cacau que tinha a
CEPLAC)
Criou 4 Centros de Recursos Genéticos para o
cerrado em Brasília.
Com uma verba de US 200 milhões, escolheu nas
melhores universidades brasileiras 1600 recém-
formados e mandou-os fazer Mestrado e Doutorado
nas melhores escolas agrícolas do mundo: California,
Wisconsin, California, Wisconsin, França, Espanha,
Índia, Japão, etc.
7
8
1. ANÁLISE COMBINATÓRIA
9
Quando os agrupamentos têm a primeira característica
(todos os elementos são distintos) são chamados de
agrupamentos simples.
10
Análise Combinatória Simples é o estudo da formação,
contagem e propriedades dos agrupamentos simples.
11
FATORIAL de um número inteiro n representado por n! é
definido por:
n! = n(n-1)(n-2)(n-3)........(n-n+2)(n-n+1)
n! = n(n-1)(n-2)(n-3)........3.2.1
n n!
A = = n(n-1).(n-2)......(n-p+2)(n-p+1)
p
(n p)!
12
Permutação de n elementos é a denominação dada aos
arranjos com n = p, ou seja, são os elementos de A com p =
n. Fica fácil ver que Pn = A nn = n(n-1)(n-2) ... (n-n+1) = n!
(x+2)(x+1)x(x-1)(x-2)……1 = 2[(x+1)x(x-1)(x-2)...1]
(x+2) = 2 x = 0
14
8) Calcule o número de arranjos de 4 elementos tomados
de 2 em 2. n! 4!
n
Solução: A p = = = 12
(n p)! (4 2)!
11) Calcule o valor da expressão A 50 A 55 A 00
5! 5! 0!
Solução: + + = 1+ 120+ 1 = 122
(5 0)! (5 5)! (0 0)!
2) Qual o número de permutações simples com objetos
repetidos que se pode obter com as letras da palavra
matemática?
, ,....,
n!
P n = !!......!
15
Matemática tem: 2 letras m, 3 letras a, 2 letras t, 1 letra e,
1 letra i e 1 letra c. Logo, n = 10 letras.
, , ... 10!
P n
2!3!2!1!1!1!
10.9.8.7.6.5
P 2 , 3, 2 ,1,1,1
10 151200
1
16
4) Em certo ano, somente quatro times de futebol têm
chances de ficar em dos três primeiros lugares do
campeonato brasileiro. São eles Santos, Corinthians,
Coritiba e Flamengo. Quantas são as possibilidades para
cada um dos três primeiros lugares? R: 24
Solução:
Deve-se agrupar 4 elementos de 3 em 3. Como os
agrupamentos são distintos pela ordem e pelos elementos
tem-se Arranjo.
4 4! 24
A3 = 24
(4 3)! 1
17
7) Quantas diagonais tem o pentágono?
Solução:
É necessário agrupar os 5 vértices do pentágono de 2
em 2. Trocando a ordem o agrupamento é o mesmo,
portanto tem-se combinação de 5 elementos tomados
de 2 em 2, mas deve-se descontar os 5 lados.
n! 5!
Cn,p = -5= - 5 = 10 – 5 = 5
p!(n p)! 2!(5 2)!
18
9) Considere n objetos. Agrupando-os 4 a 4 de modo que
cada grupo possua pelo menos um objeto diferente do
outro obtém-se o mesmo número de grupos que o obtido
quando se junta os objetos de 6 em 6. Qual o valor de n?
Solução:
n! n!
Cn,p = Cn,4 =
p!(n p)! 4!(n 4)!
Cn,6 =
n!
n!(n 6)!
20
2. PROBABILIDADE E MODELOS DE
PROBABILIDADE
y m
A 1 1 B x
22
a) Descreva o espaço amostral do experimento;
= {(x,y) R2 | x = 1}
b) Descreva o resultado 1 “distância entre o ponto
escolhido e o ponto médio do segmento é 2” na
forma de subconjunto do espaço amostral;
1 = { (x,y) | y 2}
c) Descreva o resultado 2 “distância entre o ponto
escolhido e a origem é ½”;
2 = { } =
d) Descreva o resultado 3 “a 1a. coordenada do ponto
escolhido tem comprimento menor que a 2ª. ”.
{ (x,y) | x |y|}
23
DEF. 2 RESULTADO COMPOSTO é todo resultado
formado por mais de um resultado elementar e indivisível.
Ex.: O resultado “número par” NP = {2, 4, 6} não é
elementar e indivisível, pois é composto por três resultados
deste tipo {2}, {4} e {6}, logo “número par” é um
resultado composto.
24
DEF. 3 -ÁLGEBRA, A, de subconjuntos do conjunto não-
vazio é a classe de subconjuntos de satisfazendo as
propriedades:
1a.) A
2a.) Se A A Ac A
3a.) Se A1, A2, A3, ..... A A i A
i 1
A -ÁLGEBRA mais simples é o conjunto das partes de ,
ou seja, P() = {, {1}, ... , {6}, {1,2}, ... , {5,6},...., }
no experimento do lançamento do dado, p.ex.
26
2.1.2) Um dado é lançado. Pergunta-se a probabilidade
dos eventos:
A = {1, 3, 5} = {1, 2, 3, 4, 5, 6}
P(A) = # A = 3
# 6
b) B = sair um número menor que 3.
B = {1, 2}
#B 2
P(B) = = = 1/3
# 6
27
c) C = sair um número maior que 10.
C={ }
#C 0
P(C) = = 0
# 6
= {1, 2, 3, 4, 5, 6}
# 6
P() = # = 6 1
28
2.2.5) Durante um período de 24 h, em algum momento X,
uma chave é posta na posição “ligada”. Depois em
algum momento futuro Y (dentro do período de 24h) a
chave é virada para a posição “desligada”. Suponha que
X e Y sejam medidas em horas, no eixo dos tempos, com
o início do período na origem da escala. O resultado do
experimento é constituído pelo par de números (X, Y).
29
a) Descreva o espaço amostral.
= {(x,y) R2 | 0 < x < y < 24}
y=x
30
(ii) O circuito está ligado no tempo Z, onde Z é algum
instante no período de 24 h.
B = {(x,y) | 0 < x < z < y < 24}
y>x
31
(iii) O circuito é ligado antes do tempo t1 e desligado
depois do tempo t2 (onde t1< t2 são dois instantes
durante o período especificado de 24 h).
y – x = 2(x+24-y)
y – x = 2x+48-2y 0 x y 24
3y = 3x + 48
y = x + 16
32
D = {(x,y) | y = x + 16}
33
DEF. 7 DEF. GEOMÉTRICA DE PROBABILIDADE
(Gnedenko)
Suponha que um segmento seja parte de um outro maior L
e que se tenha escolhido ao acaso um ponto de L.
Se admitirmos que a probabilidade deste ponto pertencer a
seja proporcional ao comprimento de e não depende do
lugar que ocupa em L, então a probabilidade de que o ponto
selecionado esteja em é:
comp. L
P ( )
compL
34
Exercício
Suponha que a área de um estado seja de
aproximadamente 200.000 km2. e que a área de uma
região metropolitana seja de 2.500 km2. Então, sabendo-
se que um raio caiu no estado, qual a probabilidade de ter
caído nessa região metropolitana?
área da RM 2500
P(R) = = = 0,0125 = 1,25%
área do estado 200000
35
DEF. 9 DEF. AXIOMÁTICA DE PROBABILIDADE
(Kolmogorov)
Probabilidade ou medida de probabilidade na -álgebra A
é a função P definida em A e que satisfaz os axiomas
seguintes:
A1) P(A) 0
A2) P() = 1
A3) Se A e BA e são disjuntos P(A B) = P(A) + P(B)
Se A1, A2, A3, ... , An A e são disjuntos, então
n n
P (U Ai )
i 1
P( A )
i 1
i
Propriedades da Probabilidade
Além das propriedades enunciadas na definição axiomática, a função P
goza, ainda, das seguintes:
P5) P (U Ai ) P ( Ai )
i 1
i 1
P (U Ai ) P ( Ai )
P6) i 1
i 1 37
n n
P7) P ( A1 A2 An ) P (U Ai ) (1) r 1 Sr S1 S2 S3 (1) r 1 Sn
i 1
r 1
n n
P8) P( AI ) 1 P( AiC )
i 1
i 1
P9) P ( Ai ) 1 P ( AiC )
i 1 i 1
38
Exercício 1: Prove a propriedade P1.
Prova de: P(Ac) = 1 – P(A)
40
Exercício 3: Prove a propriedade P3 .
Prova de: Se A1 A2 P(A1) < P(A2) e P(A2 – A1) = P(A2) – P(A1)
Seja a união de eventos disjuntos:
A1 A2
A2 = A1(A2A1 c)
P(A2) = P[A1(A2A1c)]
P(A2) = P(A1) + P(A2A1c) axioma A3
P(A1) = P(A2) – P(A2A1c) P(A1) < P(A2)
E, P(A2 A1c) = P(A2 – A1)
P(A2 A1c) = P(A2) – P(A1)
Então, P(A2 – A1) = P(A2 A1c) = P(A2) – P(A1)
41
Exercício 4: Prove a propriedade P4 .
Prova: P(A1A2) = P(A1) + P(A2) – P(A1A2)
A1 A2
A1 A2
42
2.2.6) Sejam A, B, C três eventos associados a um
experimento. Exprima em notação de conjunto as
seguintes afirmações verbais:
• Veja que significa “ou” e associamos a adição (+).
• E, significa “e” e associamos a multiplicação (x).
OBS:
1ª.) Se P(B) = 0, P(AB) pode ser arbitrariamente definida.
A maioria dos livros faz P(AB) = 0, mas é conveniente
pela independência se fazer P(AB) = P(A).
2ª.) Como P(AB) é uma probabilidade, vale para ela todas
as propriedades de probabilidade.
44
P(A B)
3ª.) Como P(AB) =
P( B)
Então, a probabilidade da ocorrência simultânea de A e B
é dada por: P(A B) P(A).P(B | A) P(B).P(A | B)
47
Propriedades de Eventos Independentes
1a.) O evento aleatório AA é independente de si mesmo
se e somente se P(A) = 0 ou P(A) = 1.
48
Teorema da Probabilidade Total e Teorema de Bayes
49
É importante observar DUAS COISAS, admitindo-se que a
seqüência A1, A2, A3, ... seja FINITA ou INFINITA
ENUMERÁVEL:
logo
P(B) = P[ ( A i B)]
i
50
Seja o evento B , então a probabilidade do evento B ocorrer é
dada por: P(B) P(Ai ) P(B | Ai ) que é o Teorema da Probabilidade
i
Total
A4
A1 A3
A2
A5 B
51
Com base no Teorema da Probabilidade Total é possível
calcular a probabilidade do evento Aj dada a ocorrência
do evento B, pela fórmula conhecida como,
Teorema de Bayes
P( A j B) P( A j ) P(B | A j ) P( A j ) P(B | A j )
P( A j | B)
P(B) P(B) P( A i ) P(B | A i )
i
52
2.3.1) Dez fichas numeradas de 1 a 10 são misturadas em
uma urna. Duas fichas, numeradas (x, y), são extraídas
da urna sucessivamente e sem reposição. Qual é a
probabilidade de x + y =10?
10
= {(1,2), (1,3), ...... ,(9,10)} # =
2
A = {(1,9), (2,8), (3,7), (4,6), (9,1), (8,2), (7,3), (6,4)}
#A = 8
#A 8 8
P(A) = # 10 10x9/2 8 / 45
2
53
2.3.2) Um lote é formado de 10 artigos bons, 4 com
defeitos menores e 2 com defeitos graves. Um artigo é
escolhido ao acaso. Ache a probabilidade de que:
54
c) Ele, ou seja perfeito ou tenha defeitos graves;
P(B DG) = P(B) + P(DG) – P(BDG)
10 2 12
P(B DG) = + -0= = ¾ (mutuamente exclusivos)
16 16 16
d) Resolva os itens b e c aplicando a definição de
probabilidade.
(b) P(DGc) = # DG C 10 4
7 /8
# 16
# (B DG) 10 2
(c) P(B DG) = 6 /8 3/ 4
# 16
55
2.3.3) Se do lote de artigos do problema anterior, dois
artigos forem escolhidos (sem reposição), ache a
probabilidade de que:
a) Ambos sejam perfeitos;
10 9
P(B1 B2) = P(B1)P(B2|B1) = x 3/8
16 15
57
2.5.2) A probabilidade de que um aluno saiba a resposta
para certa questão, de um exame de múltipla escolha é p.
Das opções de resposta para cada questão, somente uma
é correta. Se o aluno não sabe a resposta para a questão,
ele seleciona ao acaso uma resposta dentre as m opções.
Se a probabilidade do aluno responder corretamente
dado que ele sabe a resposta é 0,88 pergunta-se:
58
(1 p).1 / m (1 p).1 / m
P(chutou|RC) =
P(RC ) 0,88p (1 p) / m
59
b) Se o aluno responder incorretamente a questão, qual a
probabilidade de que ele não “chutou” a resposta?
P(não chutou|RI) = P(não chutou RI ) = P(não chutou )P(RI | não chutou )
P(RI ) P(RI )
RI = (ASRI)(ASc RI)
P(RI) = P[(AS RI) + (ASc RI)]
P(RI) = P(AS)P(RI|AS)+P(ASc)P(RI|ASc]
m 1
P(RI) = p.(1-0,88) + (1-p) m
60
2.5.4) Durante o mês de novembro a probabilidade de
chuva é 0,3. O meu time ganha um jogo em dia de chuva
com probabilidade 0,4 e em dia sem chuva com
probabilidade 0,6. Se ganhou o jogo em novembro, qual a
probabilidade de que tenha chovido no dia?
A1
B A2 A1: chove no dia e A2: não chove
B : meu time ganha o jogo
P(A1 B) P(A1 B)
P(A1|B) =
P(B) P( A i ) P( B | A i )
i
61
0,3.0,4 0,12
P(A1|B) = 0,222
0,3.0,4 0,7.0,6 0,12 0,42
62
3. VARIÁVEL ALEATÓRIA
63
b) Associe a cada situação possível um número real considerando a
função que conta o número de meninos do evento;
1=(F1,F2)
X() = x
2=(F1,M2)
2=(M1,F2)
2=(M1,M2)
O 1 2 R
64
c) O campo de variação da variável aleatória X, ou contradomínio, é
o conjunto {0, 1, 2}.
65
DEF. FUNÇÃO DISTRIBUIÇÃO F(x): A função
distribuição ou função distribuição acumulada da v.a. X
é definida por F(x) = P(X x).
66
DETERMINAÇÃO da DISTRIBUIÇÃO de
PROBABILIDADE da v.a. X
A distribuição de probabilidades de uma v.a. X fica
determinada por qualquer das seguintes funções. Usa-se,
geralmente, a mais apropriada.
67
DISTRIBUIÇÕES DE PROBABILIDADES
EXEMPLOS
1) Face de uma moeda: cara ou coroa.
2) Sexo de uma criança: masculino ou feminino.
3) Qualidade de uma peça: perfeita ou defeituosa.
68
A f.p. da v.a. Bernoulli é dada por:
•Média = E(X) =
69
Distribuição Bernoulli
0.6 Prob. Sucesso
0,4
0.5
0.4
P(X=x)
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1
x
70
EXERCÍCIO
3.2.1.1) Qual a esperança e a variância da v.a. X ~ b(1, 1/4)?
Solução:
= E(X) = xP (X x ) = 1.P(X=1)+0.P(X=0) = P(X=1) =
x
= E(X) = ¼
2 = V(X) = ( x ) 2 P(X x ) =
x
71
Distribuição Binomial (v.a. discreta)
Uma v.a. Y tem distribuição binomial com parâmetros n e
quando assume valores no conjunto {0, 1, 2, 3, ... , n} e
a sua f.p. é dada pela expressão:
n y ny
P( y) PY (Y y) (1 ) y = 0, 1, ... , n
y
A esperança e a variância de Y são:
= E(Y) = n e 2 = V(Y) = n(1- )
A v.a. Binomial corresponde ao número de sucessos em n
provas tipo Bernoulli independentes.
72
Exemplos de v.a. Binomial:
0.2
0.15
0.1
0.05
0
0 2 4 6 8 10
x
y
74
3.2.1.3) De um lote que contém vinte e cinco peças das
quais cinco são defeituosas, são escolhidas quatro ao
acaso. Seja X o número de defeituosas encontradas na
amostra tomada do lote. Escreva a distribuição de
probabilidade de X, quando as peças forem escolhidas
com reposição.
P(D) = 5/25 = 1/5 = n = 4 – Binomial b(4, 1/5)
n y
PY ( y) PY (Y y) (1 ) n y
y
4
P(Y y) (1 / 5) y (4 / 5) 4 y
y
75
3.2.1.3) De um lote que contém vinte e cinco peças das
quais cinco são defeituosas, são escolhidas quatro ao
acaso. Seja X o número de defeituosas encontradas na
amostra tomada do lote. Escreva a distribuição de
probabilidade de X, quando as peças forem escolhidas
sem reposição.
5 20
card. def . y 4 y
P(Y = y) = Hipergeométrica
card. 25
4
D
D
1
2 D3
D
4 5
D B1
B2
....
B
20
25
76
Distribuição Hipergeométrica
0.4 Prob. evento
0.2,10,100
0.3
P(X = x)
0.2
0.1
0
0 2 4 6 8 10
x
77
Exercício
a) Calcule a esperança matemática de Y no
experimento do exercício 3.2.1.3 – primeira parte.
78
Distribuição de Poisson
Uma v.a. X tem distribuição de Poisson quando a sua f.p. é
da forma: x
P(X = x) =
e x = 0,1,2,3,... e > 0
x!
A esperança e a variância de X são dadas por:
= E(X) = e 2 = V(X) =
Exemplos:
1) Número de erros tipográficos em uma única página de
um livro é P(); no exercício 3.2.1.9 = 1.
2) Número erros de solda em uma placa de circuito
impresso é P().
79
Distribuição de Poisson
0.15 Média
10
0.12
P(X = x)
0.09
0.06
0.03
0
0 5 10 15 20 25 30
x
80
Distribuição Normal (Gaussiana) – v.a. contínua
Uma v.a. X tem distribuição Normal ou Gaussiana quando
a sua f.d.p. tem a forma:
( x ) 2
1
f(x) = e 22
x , e +
2
0.2
0.1
0
15 17 19 21 23 25
x
81
A fig. anterior mostra o gráfico da f.d.p. f(x) de uma
N(20, 1), ou seja, Gaussiana com média = 20 e desvio
padrão = 1.
A fig. adiante mostra o gráfico da f.d.p. f(x) de uma
Normal Padrão, ou seja, N(0, 1).
0.2
0.1
0
-5 -3 -1 1 3 5
z
82
Como é difícil trabalhar-se com todos os membros da
família Normal, prefere-se trabalhar com a Normal
Reduzida ou Normal Padrão. Esta v.a. é representada por Z
e tem a seguinte f.d.p.:
z2
1
2
f(z) = e z
2
X x
P(X < x) = P(
< ) = P(Z < z)
83
Na distribuição Normal a probabilidade da v.a. X assumir
um valor entre a e b (a < b) é dado por:
b
P(a X b) = f ( x)dx
a
A distribuição da v.a. Z tem média e variância iguais a,
respectivamente, = 0 e 2 = 1 e essa v.a. é obtida da
transformação de X em Z = (X - )/, onde X ~ N(, 2).
a X b
P(a<X<b) = P( < < ) = P(a< Z < b)
b
P(a< Z < b) = f (z)dz F(b) F(a )
a
84
VERIFICAÇÃO DA NORMALIDADE DE UMA
AMOSTRA (dados)
A Gaussianidade de dados, ou seja, o teste da hipótese de
que as observações seguem uma distribuição Gaussiana,
N(, 2), pode ser feito por meio dos métodos:
Kolmogorov-Smirnov; Shapiro-Wilks; Qui-quadrado;
e outros.
O método de Kolmogorov-Smirnov é geral, usado para a
Normal e para as outras distribuições. Já o método de
Shapiro-Wilks é especifico para a distribuição Normal. O
teste Qui-quadrado é aplicável, somente, quando a mostra
tem um tamanho grande. Na prática estes métodos são
aplicáveis com uso de programa estatístico (MINITAB,
STATGRAPHICS, R, SPSS, etc.
85
Exemplo 1
Verifique usando os métodos de Kolmogorov-Smirnov e
Shapiro-Wilks se a amostra aleatória segue a distribuição
Gaussiana. Os dados estão em gramas e correspondem ao
peso de determinado produto observado n = 20 vezes.
49,6890 50,4332 49,1072 49,7983 49,9152 50,2821
50,0048 49,8834 49,7633 49,8403 49,9567 50,8553
49,5055 49,4060 50,3345 50,4099 49,3756 49,9681
49,2399 50,2500
86
Teste de Gaussianidade - KS - do peso
Normal
99
Mean 49.90
StDev 0.4442
95 N 20
KS 0.108
90
P-Value >0.150
80
Percentagem
70
60
50
40
30
20
10
1
49.0 49.5 50.0 50.5 51.0
peso
87
O gráfico de probabilidade normal é apresentado adiante e
mostra que o valor-p do teste é p > 0,150 indicando que os
dados vêm de uma população (distribuição Gaussiana)
conforme o teste de Kolmogorov-Smirnov. Já o teste de
Ryan-Joiner similar ao de Shapiro-Wilks (disponível no
programa) indicou um valor-p de p > 0,100 confirmando o
apontado pelo teste de Kolmogorov-Smirnov.
88
Exemplo 2
Escreva a expressão do modelo Gaussiano que pode ser
ajustado adequadamente aos dados.
1 x 2
1 ( ) 1 x 49, 901 2
(
2 1
xR
)
f(x) = e = e 2 0 , 444
2 0,444 2
Exemplo 3
Verifique usando o método de K-S se a a.a. adiante segue
a distribuição Exponencial de probabilidades. Os dados
estão em mm e correspondem ao comprimento de
determinado produto que foi observado n = 30 vezes.
89
Usando o STATGRAPHICS
STATG> DESCRIBE, DISTRIBUTIONS,
DITRIBUTION FITTING (entra com a coluna com os
dados), BOTÃO DA DIREITA DO MOUSE,
ANALYSIS OPTIONS (marcar Exponencial), BOTÃO
AMARELO DAS OPÇÕES, GOODNESS OF FITTING.
90
RESULTADOS:
91
Exemplo 4
Escreva a expressão do modelo exponencial que pode ser
ajustado aos dados do exemplo 3 adequadamente.
EXERCÍCIOS
3.2.1.12) Seja a v.a. X ~ N (10,4). Calcule:
a) P(8<X<10).
Solução:
1 x 10 2
10 110 ( )
P(8<X<10) = f ( x )dx = e 2 2
dx
8 8 2 2
P(8<X<10) = 0,341345
92
E, usando o MINITAB o caminho é:
MTB> CALC/ PROBABILITY DISTRIBUTIONS/ NORMAL
Cumulative probability
Mean 10 Standard deviation 2
Input constant 10 (depois entra com 8)
As saídas são: 0,5 e 0,158655
93
ESPERANÇA E VARIÂNCIA DE UMA VARIÁVEL
ALEATÓRIA - Definições
DEF. Seja uma variável aleatória X, discreta, que assume
valores no conjunto {x1, x2, x3, ... , }. Chamamos valor
médio ou esperança matemática de X ao valor:
E ( X ) xi PX ( xi ) xi PX ( X xi )
i 1 i 1
94
DEF. A raiz quadrada da variância da v.a. X é denominada
desvio-padrão da v.a. X, = V(X)
n
E( X 2 ) xi P ( X xi ).
i 1
2
E( X ) xf ( x)dx
95
DEF. Se as v.a’s X e Y não são independentes existe uma
diferença entre E(X.Y) e E(X).E(Y). Esta diferença é
chamada de covariância e definida por:
97
Diagrama de Dispersão - Peso x Comprimento
PesoxComprimento
40
35
30
25
Peso
20
15
10
10 20 30 40 50 60 70 80
Comprimento
98
Esse gráfico foi obtido no MINITAB usando o caminho:
MTB> graphs/ scatterplots / with regression
100
A equação de regression estimada é:
y = 0,557 + 0,485x
s = 0.817875 R2 = 99.5%
101
ESTATÍSTICA DESCRITIVA
População, Amostra e Descrição Numérica de
Variáveis.
POPULAÇÃO
Em Estatística denomina-se população alvo a totalidade
de elementos que estão sob discussão e dos quais se
deseja informação.
AMOSTRA ALEATÓRIA
Uma a.a. aleatória tomada de uma determinada
população é aquela em que os elementos que compõem a
população têm uma chance probabilística de pertencer à
amostra. Uma amostra aleatória de tamanho n é
geralmente representada por [X1, X2, ... , Xn], onde Xi i =
1,2, .. ,n são os valores obtidos para compor a amostra. 102
Na Ciência Estatística a população amostrada corresponde
à distribuição de probabilidade correspondente a certa
característica (física ou não) e a amostra corresponde a
valores medidos dessa característica. Essa distribuição de
probabilidade é definida por uma função que depende de
parâmetros que são, em geral, desconhecidos. Esses
parâmetros devem ser estimados com base nos valores
amostrais usando-se seus estimadores.
103
Exemplo 1
O diâmetro de um calibrador tampão liso cilíndrico foi
medido em uma máquina de medição universal por meio
de um método de medição direta e se obteve uma
amostra de n = 10 leituras. A amostra está na tabela
adiante. As n = 10 medidas obtidas correspondem à a.a.
tomada da característica “diâmetro do calibrador”. A
população amostrada corresponde à distribuição de
probabilidade da característica X = diâmetro do
calibrador. Uma medida física geralmente tem
distribuição de probabilidade Gaussiana (Normal), então
a população amostrada é a Distribuição de Probabilidade
Gaussiana (Normal).
104
Número da Leitura Leitura em mm
1 10,0024
2 10,0027
3 10,0028
4 10,0027
5 10,0021
6 10,0026
7 10,0020
8 10,0026
9 10,0023
10 10,0026
105
Gaussianidade
Será que os dados vêm de uma distribuição Gaussiana?
Aplicação do Teste de Kolmogorov-Smirnov
CAMINHO:
MTB> STAT/BASIC STATISTICS/NORMALITY
TEST/ KOLMOGOROV-SMIRNOV
RESULTADOS DO TESTE; valor-p p > 0,150
Os dados vem de distribuição Gaussiana (Normal).
106
Teste de Gaussianidade - KS - do Diâmetro do Calibrador
Normal
99
Mean 10.00
StDev 0.0002700
95 N 10
KS 0.172
90
P-Value >0.150
80
70
Percentual
60
50
40
30
20
10
1
10.00200 10.00225 10.00250 10.00275 10.00300 10.00325
diam_calib
107
Exemplo 2
Seja a a.a. [X1, X2, ... , Xn] de uma característica
populacional com f.d.p. Gaussiana com média e variância
2 e representada por N(, 2). A média amostral , a
variância xamostral s2 e o desvio padrão s são estatísticas.
São funções de v.a’s observáveis e não dependem de
qualquer parâmetro desconhecido. Veja as expressões das
estatísticas citadas:
1 n
Média amostral X = x i estima o parâmetro
n i 1
estima o parâmetro 2
1 n
Variância e amostral = s2 (x i x)
n 1 i1
2
d.p. s = 1 n
(x i x)
2 estima o parâmetro
n 1 i 1
108
Exemplo 3
• A função da média amostral X é estimar a média
populacional (parâmetro desconhecido) ;
109
Exemplo 4
Usando os dados da tabela 1 estime o parâmetro
correspondente à verdadeira média do diâmetro do
calibrador.
Caminho no MINITAB:
MTB> STAT/BASIC STATISTICS/DISPLAY
DESCRIPTIVE STATISTICS
1 10 1
x= xi
10 i 1
= (10,0024 + .... + 10,0026) = 10,0025
10
110
Exemplo 5
Usando os dados da tabela 1 estime o parâmetro
correspondente à verdadeira variância 2 do diâmetro do
calibrador.
1 n 1 10
s2 = (x i x)
2
= ( x 10,0025) 2
n 1 i1 10 1 i 1
i
1
s2 = 9 [(10,0024 10,0025) 2
... (10,0026 10,0025) 2
s2 = = 0,000000072889
111
Exemplo 6
Usando os dados da tabela 1 estime o parâmetro
correspondente ao verdadeiro desvio padrão do
diâmetro do calibrador.
1 n 1 10
(x i x)
2
s= (
= 10 1 i1 ix 10,0025) 2
=
n 1 i 1
112
Exemplo 7
A figura adiante mostra a distribuição de probabilidade da
v.a. correspondente ao diâmetro do calibrador da tabela 1.
900
600
300
0
10001 10001.5 10002 10002.5 10003 10003.5 10004
(X 0.001)
x
113
Exemplo 8
As figuras adiante representam as distribuições
(populações) correspondentes a uma característica X de
um produto fabricado por três empresas. De qual das
empresas você compraria o produto considerando que a
característica X é fundamental ao funcionamento do
produto? Considere que a característica X do produto está
especificada por: alvo = 5,0 e tolerância de = 0,5, ou
seja, 5,0 ± 0,5.
114
Característica X - Fabricante 1
4 Média e D. Padrão
5,0
0,1
3
f(x)
0
4.5 4.7 4.9 5.1 5.3 5.5
x
115
Característica X - Fabricante 2
8 Média e D. Padrão
5,0
0,05
6
f(x)
0
4.7 4.8 4.9 5 5.1 5.2 5.3
x
116
Característica X - Fabricante 3
1 Média e D. Padrão
5,0
0.8 0,4
0.6
f(x)
0.4
0.2
0
3 4 5 6 7
x
117
118
Observe que você deve comprar do fabricante 2
porque o desvio padrão da característica X do
produto desse fabricante é 0,05 e, portanto, a
produção ficará mais concentrada dentro das
especificações. De modo nenhum a compra deve ser
feita do fabricante 3, pois a quantidade de
defeituosos (fora das especificações) será
inaceitavelmente grande. Observe as amplitudes de
variação mostradas nos três gráficos.
119
DESCRIÇÃO NUMÉRICA DE VARIÁVEL
120
Exemplo 1:
Duas máquinas produzem peças que estão especificadas
com valor nominal = 2 mm e tolerância = 0.2 mm.
Foi tomada da 1a. máquina uma amostra com tamanho
n = 5 peças que forneceram as seguintes observações:
1,98 2,01 2,02 1,99 e 2,00. Já a 2a. máquina forneceu
uma amostra do mesmo tamanho com as observações:
2,00 2,01 2,01 1,98 2,0. Você diria, com base nas
amostras, que as duas máquinas estão centradas no alvo
das especificações? Tome a sua decisão calculando as
médias amostrais.
121
1 n1 1
x1 xi = (1,98+2,01+2,02+1,99+ 2,00) = 2,00
n 1 i 1 5
1 n2
x2 xi = 1
(2,00+2,01+2,01+1,98+ 2,00) = 2,00
n1 i 1 5
122
• mediana (separa os dados ordenados em duas
partes com igual número de termos)
123
Solução:
a) Ordenando os termos: 20, 20, 25, 30, 40
25
b) Ordenando os termos: 1,0 1,5 2,0 2,5 3,0
2,0
c)
xi fi 25
20 3
25 4
30 2
124
EXERCÍCIOS
1) A mediana é uma separatriz, além de uma medida
de centralidade. Então, o que faz a separatriz?
R: Separa as observações ordenadas em duas partes com
igual número de termos.
2) Os quartis são medidas de posição (ordem), ou ainda,
separatrizes. Quantos são os quartis e o qual a sua
função?
R: Os quartis são três: Q1 é o quartil inferior, Q2 é a
mediana e Q3 é o quartil superior. A função dos três
quartis é separar os dados ordenados em quatro partes
com igual número de termos; deste modo 25% das
observações são inferiores a Q1, 50% são nferiores a Q2
= e 75% são inferiores a Q3.
125
3) A descrição dos dados de uma amostra forneceu os
seguintes valores para os quartis: Q1 = 7, Q2 = 10 e Q3
= 13. Interprete o significado de cada um dos quartis
quanto à população de onde vieram os dados.
126
Exercício
Descreva os dados do diâmetro do calibrador que estão
na tabela 1 do exemplo 1.
Solução: usa-se um pacote estatístico (MINITAB p.ex.)
Descriptive Statistics: diam_calib
127
Q1= 10.0023
Média = 10,0025
Mediana = 10,0026
Q3 = 10,0027
Máximo = 10,0028
Amplitude = 0,0220
Desvio padrão = 0,000270
Caminho no Minitab:
STAT BASIC STATISCS DISPLAY DESCRIPTIVES ...
128
Exercício 3:
Os dados abaixo correspondem a uma amostra aleatória do
diâmetro do furo (em mm) para fixação de certo
equipamento aeronáutico. Descreva os dados
numericamente e graficamente.
120,5 120,9 120,3 121,3 120,4 120,2 120,1 120,5 120,7 121,1
120,9 120,8 120,3 120,2 120,3 120,4 120,5 120,2 120,8 120,9
120,5 120,6 120,4 120,7 120,5 120,6 120,5 120,7 120,6 120,5
129
Solução:
Caminho no Minitab:
STAT > BASIC STATISCS >DISPLAY > DESCRIPTIVES
...
Descrição numérica consiste em calcular as estatísticas
descritivas: média, desvio padrão, variância, etc.
130
1 n
Média x x i = 120,56
n i 1
1 n
(x i x)
2
Desvio padrão s = = 0,280
n 1 i 1
s 0,280
Erro padrão da média EP = 0,0511
n 30
1 n
(x i x)
2
Variância = s2 = = 0,0783
n 1 i1
131
s 0,280
Coef. de variação = 0,0023= 0,23%
x 120,56
134
Descrição gráfica consiste em construir o histograma dos
dados.
Caminho no MINITAB: GRAPH HISTOGRAM
Histograma de diam_furo
Normal
Mean 120.6
10
StDev 0.2798
N 30
8
Frequência
0
120.0 120.2 120.4 120.6 120.8 121.0 121.2 121.4
diam_furo
135
2) O tempo de vida até falhar, em horas, de um
componente eletrônico sujeito a um teste de durabilidade
acelerado é mostrado abaixo para uma amostra com
tamanho n = 40. Para acelerar a falha no teste, as unidades
experimentais são testadas sob uma temperatura elevada.
127 125 131 124 129 121 142 151 160 125 124 123 120
119 128 133 137 124 142123 121 136 140 137 125 124
128 129 130 122 118 131 125 133 141 125 140 132 129
126
136
a) Calcule a média amostral.
b) Calcule a variância amostral.
c) Calcule o desvio padrão amostral.
d) O erro padrão da média.
e) Calcule a variância.
f) Calcule o coeficiente de variação.
g) Calcule a mediana e os quartis.
h) Calcule a amplitude dos dados.
i) Qual a finalidade das estatísticas que você calculou nos
itens anteriores.
j) Construa o histograma. E ajuste a curva normal aos
dados, use qualquer programa estatístico.
137
Solução:
Usando o MINITAB com o caminho:
MTB> STAT>BASIC STATISTICS>DISPLAY
DESCRIP. ......
Resultados:
Variable Mean SE Mean StDev Var. CoefVar Minimum Q1 Median
tempoVIDA 130,00 1,41 8,92 79,54 6,86% 118,00 124,00 128,00
138
1 n 1
Média x x i = (127+125+ … +126) = 130,00
n i 1 40
1 n
( x i 130) = 8,92
2
Desvio padrão s =
40 1 i 1
s 8,92
Erro padrão da média EP = sx = 1,41
n 40
1 n
2
Variância s = i ( x 130 ) 2
= 79,54
40 1 i 1
s 8,92
Coef. de Variação cv = = = 6,86%
x 130,00
139
Mediana = 128 (N = 40, então a mediana é a media
aritmética dos dois termos centrais: 190 e 200);
140
f) Histograma e ajuste a curva normal
Solução: usando o MINITAB com o caminho:
STAT BASIC STATISTICS NORMALITY TEST
Teste de Gaussianidade - KS - do Tempo de Vida
Normal
99
Mean 130
StDev 8.918
95 N 40
KS 0.125
90
P-Value 0.115
80
70
Percentual
60
50
40
30
20
10
1
110 120 130 140 150 160
tempoVIDA
141
O ajuste da Curva Normal foi aceito pois no teste de
Kolmogorov-Smirnov o valor-p foi p = 0,115 > 0,05.
10
Frequencia
0
110 120 130 140 150 160
tempoVIDA
142
3) Os dados adiante são leituras do rendimento de um
processo químico em dias sucessivos (leia da esquerda
para a direita). Faça o histograma dos dados, comente o
aspecto do histograma e verifique se o histograma lembra
alguma distribuição de probabilidade conhecida. E,
ainda, descreva numericamente os dados, calculando as
estatísticas listadas adiante.
a) Calcule a media amostral.
b) Calcule a variância amostral.
c) Calcule o desvio padrão amostral.
d) Calcule a mediana e os quartis.
e) Qual a finalidade das estatísticas que você calculou nos
itens anteriores. Escreva para que serve cada uma delas.
143
94,1 87,3 94,1 92,4 84,6 85,4 93,2 84,1 92,1 90,683,6 86,6
90,6 90,1 96,4 89,1 85,4 91,7 91,4 95,288,2 88,8 89,7 87,5
88,2 86,1 86,4 86,4 87,6 84,286,1 94,3 85,0 85,1 85,1 85,1
95,1 93,2 84,9 84,089,6 90,5 90,0 86,7 87,3 93,7 90,0 95,6
92,4 83,089,6 87,7 90,1 88,3 87,3 95,3 90,3 90,6 94,3 84,1
86,6 94,1 93,1 89,4 97,3 83,7 91,2 97,8 94,6 88,696,8 82,9
86,1 93,1 96,3 84,1 94,4 87,3 90,4 86,494,7 82,6 96,1 86,4
89,1 87,6 91,1 83,1 98,0 84,5
144
Solução: Usando o MINITAB no caminho
MTB> STAT> BASIC STATISTICS> DISPLAY DESCR..
Variable Mean SE Mean StDev Variance CoefVar Minimum Q1 Median
RENDpq 89,476 0,438 4,158 17,287 4,65 82,6 86,1 89,250
145
1 n1
Média amostral x x i = 89,476
n1 i 1
A verdadeira média do rendimento médio é um parâmetro
desconhecido e estimado pela média amostral em 89,476.
1 n
2
Variância amostral s = ( x i x ) 2
= 17,287.
n 1 i1
147
O primeiro quartil é Q1 = 86,1
O valor de Q1 é determinado a partir da posição dessa
n 90
separatriz i 1 22,5 . Então, o primeiro quartil está
4 4
entre o 220. termo (86,1) e o 230. termo (86,1) ordenados.
Logo, ele é 86,1. Isto significa que 25% dos termos são
inferiores a 86,1 e, consequentemente, 75% são
superiores.
148
O terceiro quartil é Q3 = 93,1
149
Ajustamento de Um modelo Probabilístico aos Dados
Seja agora o problema de se ajustar um modelo de
probabilidade aos dados adiante. Isto deve ser feito por
programa estatístico computacional. Usando o MINITAB
o caminho é: GRAPH PROBABILITY PLOT
Dados: (Amostra de uma distribuição log-normal)
3,94026 1,94644 2,83870 2,17336
2,65617 2,21181 2,18587 3,19817
3,56792 1,48382 2,41691 2,06446
3,86631 4,69082 1,76695 2,62691
3,60134 1,57235 2,91195 2,94858
150
Vamos examinar o histograma dos dados:
Histograma
4
Frequencia
0
1.5 2.0 2.5 3.0 3.5 4.0 4.5
x
151
Ajuste do Modelo Normal p = 0,597 > 0,05 (aceito)
70
60
50
40
30
20
10
5
1
0 1 2 3 4 5 6
x
152
Modelo Lognormal p = 0,962 > 0,05 (melhor modelo)
70
60
50
40
30
20
10
5
1
9 0 5 0 0 0 0 0 0 0
0. 1. 1. 2. 3. 4. 5. 6. 7. 8.
x
153
5. Estimação de Parâmetros
Introdução
Seja a a.a. [X1, X2, ... , Xn] obtida de uma distribuição de
probabilidade que corresponde a população amostrada.
Então, essa amostra trás informações sobre os parâmetros
da distribuição (população) e é possível estimar esses
parâmetros usando as informações da amostra.
ESTIMADOR
Um estimador é uma estatística (função conhecida de v.a’s
observáveis que também é uma v.a.) cujos valores são
usados para estimar alguma função do parâmetro .
154
Exemplo 1
A estimação da média populacional (parâmetro) é
feita usando-se o estimador mais adequado, que é a
média amostral
1 1
n
x xi
n1 i 1
155
Pergunta importante:
Precisão e acurácia significa a mesma coisa?
Seja a a.a. [x1, x2, ... , xn] obtida de uma distribuição de
probabilidade que corresponde a população amostrada.
Então, essa amostra trás informações sobre os parâmetros
da distribuição (população) e é possível estimar esses
parâmetros usando as informações da amostra.
Precisão mede a diferença entre a estimativa que avalia o
parâmetro e a média da amostra, ou seja, x . Precisão tem
a ver com dispersão dos dados.
Acurácia mede a diferença entre a estimativa que avalia o
parâmetro e o próprio parâmetro estimado, ou seja, ̂ -
156
Um estimador suficiente resume todas as informações
que a a.a. trás, este resumo pode ser observado na
estatística que agrega todas as informações;
Já um estimador consistente é aquele que à medida que o
tamanho da amostra (n) aumenta, a estimativa obtida se
aproxima do verdadeiro parâmetro populacional ;
Um estimador eficiente significa que as estimativas
fornecidas por ele possuem a menor variância entre as de
todos os possíveis estimadores do parâmetro;
E, finalmente, um estimador não-viciado é tal que a
esperança matemática (média) dele é o próprio parâmetro
que ele está estimando, ou seja, E(T) = .
157
ESTIMATIVA
É o valor numérico obtido para o estimador com os dados
da amostra.
TIPOS ESTIMAÇÃO
Existem dois tipos de estimação. O que fornece uma
estimativa PONTUAL, e que nesse caso corresponde a um
único valor para a estimativa. E o que fornece uma
estimativa por INTERVALO, nesse caso tem-se um limite
inferior e um limite superior para a variação do parâmetro
com certo nível de confiança.
ESTIMAÇÃO PONTUAL
Seja a abordagem desse tema por meio de um exemplo:
158
Exemplo 2
Seja a a.a. das cinco leituras do diâmetro do calibrador listada
na tabela adiante.
a) A estimativa pontual do verdadeiro diâmetro médio do
calibrador é obtida usando-se o estimador:
n
xi
x i 1 = 10,0028
n
que forneceu a estimativa pontual de 10,0028.
160
Os dados analisados são:
Medidas do Diâmetro do Calibrador
Número da leitura Medidas do Diâmetro do
Calibrador
1 10,0024
2 10,0027
3 10,0041
4 10,0027
5 10,0021
................... ...................
................... ................... 161
ESTIMAÇÃO POR INTERVALO:
A estimação por intervalo consiste na construção de um
intervalo de confiança em torno da estimativa pontual, de
modo que esse tenha uma probabilidade fixada do
intervalo cobrir o verdadeiro valor do parâmetro.
162
INTERVALO DE CONFIANÇA PARA A
MÉDIA POPULACIONAL
163
Este intervalo é construído com base na estatística:
x
~z
/ n
1 12 z 2
f(z) = e z R
2
164
Distribuição Normal Padrão
N(0, 1)
0.4 Média e D.Padrão
0 e 1
0.3
f(z)
0.2
0.1
0
-5 -3 -1 1 3 5
z
165
Quando os dados vêm de uma distribuição Normal
(Gaussiana) e for desconhecido, tem-se a seguinte
expressão para o intervalo de confiança de nível (1 - )
para a média :
Px t n 1, / 2 .s X x t n 1, / 2 .s X 1
s
onde s x
n
x
~ t n 1
s/ n
166
A f.d.p. da distribuição “t” de Student tem o seguinte
gráfico no caso do número de G.L. ser n – 1 = 5 – 1 = 4
0.3
f(t)
0.2
0.1
0
-8 -4 0 4 8
t
167
Exercícios
1) Seja a amostra aleatória dos diâmetros de esferas de
rolamento com tamanho n = 5, [2,0; 2,1; 2,0; 2,2; 2,1].
Os diâmetros estão em milímetros. Estime por ponto a
média do processo de produção desse item.
n 5
xi xi 2,0 ..... 2,1
ˆ x i 1
= i 1 = = 2,08
n 5 5
168
2) Estime por ponto o desvio padrão da amostra do ex. 1.
n 5
( x i 2,08)
2
(x i x)
2
s= i 1
= i 1
n 1 5 1
169
3) Estime o erro padrão da estimativa do exercício 1.
s 0,0837
EP = s x = = = 0,0374
n 5
4) Estime por intervalo a média do processo de produção
do diâmetro considerando o nível de confiança de 95%.
Px t n 1, / 2 .s X x t n 1, / 2 .s X 1
170
Px t n 1, / 2 .s X x t n 1, / 2 .s X 1
99
Normal Valor-p p > 0,150
Mean 2.08
StDev 0.08367
95
90
N
KS
P-Value
5
0.131
>0.150
Aceito a hipotese nula
80
70
dos Dados serem
Percentual
60
50
40
Gaussianos
30
20
10
1
1.9 2.0 2.1 2.2 2.3
diamESFF
171
O cálculo do escore da distribuição “t” de Student com =
n – 1 = 4 graus de liberdade é:
One-Sample T: diamESFF
Test of mu = 2 vs not = 2
174
a) Verifique se os dados vêm de uma distribuição Normal.
Usando o MINITAB no caminho:
MTB> STAT> BASIC STATISTICS> NORMALITY TEST
60
50
40
30
20
10
1
4.7 4.8 4.9 5.0 5.1 5.2
ESP_CHAPA
175
Como o valor-p é p > 0,150 aceita-se a Gaussianidade.
b) Determine o intervalo de confiança de nível 1 - = 0,95
para a média e verifique se ele está contido no intervalo da
especificação.
Px t n 1, / 2 .s X x t n 1, / 2 .s X 1
One-Sample T: ESP_CHAPA
Test of mu = 5 vs not = 5
177
No MINITAB com o caminho:
MTB> CALC>PROBABILITY DISTRIBUTIONS> t
Valor-p p = 2x0,151084 = 0,315 > 0,05
Aceitá-se H0 e o processo de produção da chapa tem média
estatisticamente igual ao alvo do processo.
Verifique o desempenho do processo de produção
analisando a capacidade do processo no MINITAB
CAMINHO:
MTB> STAT>QUALITY TOOLS>CAPABILITY
ANALYSIS> NORMAL
178
Capacidade do Processo da ESP_CHAPA
179
Analisando os números da capacidade do processo:
LSE LIE = 1,50
Cp Razão entre as amplitudes de
6s especificação e do processo.
C pk min{ C pi , C ps } 1,43
x LIE
C pi 1,43
3s ( X é 4,976)
LSE x
C ps 1,57
3s
181
Cálculo da estatística do teste:
( x y) ( x y ) (4,976 4,8) 0
t= 1 1
= 1 1 = 5,476 ~ t38
sp
n1 n 2 0,101626
20 20
184
EXEMPLO
Os dados adiante correspondem aos resultados de um
experimento onde 4 tratamentos de plasma são comparados
quanto ao tempo de coagulação. Amostras de plasma de 32
indivíduos foram alocadas aos 4 tratamentos numa ordem
aleatória (experimento completamente casualizado). Faça
uma análise estatística com a finalidade de verificar se
existe diferença estatisticamente significativa entre os
tratamentos.
185
T1 T2 T3 T4
186
SOLUÇÃO:
MTB> STAT>ANOVA>ONEWAY ANOVA
Resultados:
One-way ANOVA: REPOSTA versus TRAT
Source DF SS MS F p
TRAT 3 13.02 4.34 1.31 0.291
Error 28 92.76 3.31
Total 31 105.78
188
Resistência à Tensão (psi)
190
Testando a hipótese nula H0: 1 = 2 = 2 = 4
Source DF SS MS F P
nível 3 382.79 127.60 19.61 0.000
Error 20 130.17 6.51
Total 23 512.96
192
Gráfico dos Valores Individuais: 5%; 10%; 15%; 20%
25
20
Data
15
10
5
5% 10% 15% 20%
193
Verificando as suposições: Gaussianidade, homogeneidade da
variância e independência dos resíduos.
Gaussianidade
MTB> STAT> BASIC STATISTICS> NORMALITY TEST
Teste de Gaussianidade - Resíduos Concentração
Normal
99
Mean 2.960595E-16
StDev 2.379
95 N 24
KS 0.095
90
P-Value >0.150
80
70
Percent
60
50
40
30
20
10
1
-5.0 -2.5 0.0 2.5 5.0
RESI1
194
Como o valor-p foi de p > 0,150 > 0,05 aceitá-se a
hipótese de Gaussianidade para os resíduos.
Homogeneidade de variância:
Test for Equal Variances: RESI1 versus nível
z / 2 2
n= ( ) onde z / 2 é o escore da N(0, 1)
e
correspondente a / 2 196
Exemplo
Suponha que no caso da espessura da chapa foi fixado um
erro de e = 0,05 e um nível de confiança de 95%. Então:
• Com 1 - = 0,95 tem-se /2 = 0,025 e z0,025 = 1,96
MTB> CALC>PROBABILITY DISTRIBUTIONS>
NORMAL>INVERSE CUMULATIVE PROBABILITY
Normal with mean = 0 and standard deviation = 1
P( X <= x ) x
0.025 -1.95996
z / 2 2 (1.95996)0.1010
2
n= ( e ) =
0,05
= 15,675 = 16
197
Tamanho da Amostra com Erro Especificado e
Desconhecido
•Neste caso há necessidade de se estimar o desvio padrão
.
•Assim, toma-se uma amostra piloto de tamanho n0 e
estima-se o desvio padrão s0.
2
t n 0 1s 0
• Usa-se a expressão para o tamanho n =
e
s0 = 0,0678
Escore tn0;/2
MTB> CALC> PROBABILITY DISTRIBUTIONS> t
Inverse Cumulative Distribution Function
P( X <= x ) x
0.025 -2.77645
200
2
2,777645 x 0,0464
2
t n 0 1s 0
n= = = 166
e 0,01
201
PLANOS DE AMOSTRAGEM
Uma das maiores aplicações da estatística no
controle de qualidade de produtos está na amostragem
para aceitação de lotes. Muitas vezes as empresas
recebem carregamentos ou lotes de bens (produtos) e
fazem amostragem desses carregamentos com a finalidade
de aceitar ou rejeitar o carregamento ou lote todo. Essa
decisão é conhecida como sentenciamento do lote. No
início da aplicação do controle estatístico, de qualidade,
nas décadas de 30 e 40, a amostragem de aceitação era
usada, principalmente, para inspeção de entrada
(recebimento) de produtos.
202
Nos últimos anos passou-se a trabalhar com os
fornecedores a fim de fazer com que melhorassem os
seus processos de produção. Este aperfeiçoamento dos
processos poderia ser alcançado por meio de CEP, DOE e
outras técnicas estatísticas. Assim, conseguir uma
qualidade assegurada pareceu ser melhor do que a
amostragem de aceitação. Contudo, estas técnicas
continuam sendo necessárias e usadas.
203
6.3- Plano de Amostragem de Aceitação por Variável
Existem dois tipos de planos por variável:
1.) Planos que controlam a fração de defeituosos (ou não
conformes) do lote ou do processo;
2.) Planos que controlam um parâmetro do lote ou do
processo, em geral a média.
Suponha um plano de amostragem de variáveis para
controlar a fração de não-conformes do lote ou do
processo. A característica de qualidade é uma variável,
então existem limites de especificação: LIE e LSE, os
dois ou apenas um deles. Esses limites definem os valores
aceitáveis do parâmetro.
204
A fração p de não-conformes do lote corresponde a
P(X < LIE) = p,
no caso de especificação unilateral, e evidentemente
P(X < LIE) + P(X > LSE) = p
no caso de especificação bilateral. É claro que p depende
da média e do desvio padrão do processo.
205
1. Plano com a distância crítica k. Toma-se a a.a. de
tamanho n do lote, [x1, x2, .... ,xn] e calcula-se a estatística:
X LIE
ZLIE =
206
2. Plano com a área crítica M. Este procedimento propõe
selecionar uma a.a. de n itens do lote e, então, calcula-se a
estatística:
X LIE
ZLIE =
208
Elaboração de um Plano de Amostragem para
Variáveis com uma Curva Característica de Operação
Especificada
210
Solução:
Trace no nomograma, as linhas: uma de p1 a 1 - e outra de
p2 a , ou melhor, da fração de defeituosos p1 = 0,01 a
probabilidade de aceitação 1 - = 0,95 (em cada escala
respectiva), depois a outra linha da fração de defeituosos p2
= 0,06 a = 0,10. A intersecção das linhas fornece k = 1,9.
212
213
EXEMPLO 2
Seja o problema do exemplo 1 e o plano com o
procedimento da área crítica M. Pretende-se determinar
a fração de defeituosos crítica (permissível) M.
Solução:
Neste caso segue-se o procedimento anterior e acrescenta-
se um passo adicional, ou seja, converte-se os valores de
ZLIE ou ZLSE em uma fração de defeituosos estimada. É
sabido que n = 40 ( desconhecido) e k = 1,9. Então,
determina-se a abscissa :
k n 1,9 40
1 1
n 1 = 40 1 = 0,35
2 2
214
Então, com o valor 0,35 encontra-se diretamente no
nomograma adiante o valor de M = 0,030. Portanto,
tomando-se a amostra definida de n = 40 e calculando-se
a média amostral = 255 e o desvio padrão s = 15, tem-se:
215
216
Então, entrando no 30. nomograma com ZLIE = 2 encontra-
se p̂ = 0,02. E, como p̂ = 0,02 < M = 0,03 aceitá-se o lote.
217
Então, com o valor 0,35 encontra-se diretamente no
nomograma (em anexo) o valor de M = 0,030. Portanto,
tomando-se a amostra definida de n = 40 e calculando-se a
média amostral = 255 e o desvio padrão s = 15, tem-se:
ZLIE = = = 2
218
7. REGRESSÃO
Suponha que se deseja estabelecer a relação entre duas
variáveis por meio de um modelo.
EXEMPLO:
Foram tomadas n = 9 amostras de um solo (canteiros) que foram
tratadas com diferentes quantidades X de fósforo. Seja Y a
quantidade de fósforo presente em sementes de plantas, de 38
dias, crescidas nos diferentes canteiros. Os dados estão
adiante.
100
90
80
Y
70
60
50
0 5 10 15 20 25 30
X
221
O ajuste pelo MINITAB
MTB> STAT> REGRESSION> REGRESSION
Regression Analysis: Y versus X
Source DF SS MS F P
Regression 1 1473.6 1473.6 12.89 0.009
Residual Error 7 800.4 114.3
Total 8 2274.0
Conclui-se que:
• O modelo é estatísticamente significativo p = 0,009 <0,05
• A qualidade do modelo é razoável R2 = 0,648.
223