View
817
Download
0
Category
Preview:
Citation preview
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 1/113
Estatıstica Basica
Instrutor:
Dorival Leao
Estatcamp Consultoria em Estatıstica 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 2/113
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 Contınuos . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Dados Qualitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.1 Construindo um Diagrama de Pareto . . . . . . . . . . . . . . . . . . . . 6
3 Graficos 9
3.1 Distribuicao de Frequencias 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 Estatısticas Descritivas 19
6.1 Box-Plot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7 Probabilidades 23
7.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
7.2 Definicoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7.3 Distribuicao de Probabilidade Discreta . . . . . . . . . . . . . . . . . . . . . . . 28
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 3/113
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 . . . . . . . . . . . . . . . . 297.3.4 Variancia de Variaveis Aleatorias Discretas . . . . . . . . . . . . . . . . . 30
7.4 Modelos Probabilısticos 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 Exercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.6 Distribuicoes de Probabilidade Continua . . . . . . . . . . . . . . . . . . . . . . 41
7.6.1 Relacao entre a Funcao de Distribuicao Acumulada e a Funcao densidade
de Probabilidade Contınua . . . . . . . . . . . . . . . . . . . . . . . . . . 42
7.6.2 Esperanca de Variaveis Aleatorias Contınuas . . . . . . . . . . . . . . . . 42
7.6.3 Variancia de Variaveis Aleatorias Contınuas . . . . . . . . . . . . . . . . 42
7.7 Modelos Probabilısticos Contınuos . . . . . . . . . . . . . . . . . . . . . . . . . . 42
7.7.1 Distribuicao Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
7.7.2 Distribuicao Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
7.8 Modelos Probabilısticos 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 4/113
Sumario iv
11 Indicadores da Qualidade 77
11.1 Rendimento de um Produto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
11.2 Intervalo de confianca para o rendimento . . . . . . . . . . . . . . . . . . . . . . 80
11.3 Defeitos por milhao de oportunidades (DPMO) . . . . . . . . . . . . . . . . . . 8511.4 Intervalo de confianca para o DPMO . . . . . . . . . . . . . . . . . . . . . . . . 87
11.5 Rendimento: Analise da resposta do processo (Rolled Throughput Yield) . . . . 91
11.6 E xercıcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
11.7 Metrica da Qualidade: SIGMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
12 Definicoes 98
A Tabela Normal Padrao - 6σ 100
Referencias Bibliograficas 100
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 5/113
v
Lista de Figuras
2.1 Classificacao 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 Grafico da funcao densidade de probabilidade da Uniforme . . . . . . . . . . . . 43
7.2 Grafico da funcao de confiabilidade . . . . . . . . . . . . . . . . . . . . . . . . . 47
7.3 Grafico da funcao taxa de falha da distribuicao Weibull . . . . . . . . . . . . . . 49
7.4 Grafico 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 Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
8.6 Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
8.7 Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
8.8 Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
8.9 Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
8.10 Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 6/113
Lista de Figuras vi
8.11 Area sob a curva normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
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 Grafico da Estrategia de Rompimento . . . . . . . . . . . . . . . . . . . . . . . . 77
11.2 Grafico de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
11.3 Grafico do Rendimento Classico . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
11.4 Grafico do Rendimento do Processo . . . . . . . . . . . . . . . . . . . . . . . . . 93
11.5 Areas sob a Curva Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
11.6 Limites de Variacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 7/113
vii
Lista de Tabelas
2.1 Numero 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 Industria 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 Numero 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 Exercıcio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 Dn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
10.3 Resumo do Calculo de Dn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7010.4 Teste de Kolmogorov - Smirnov . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10.5 Teste de Kolmogorov - Smirnov . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
10.6 Tabela de pontos percentis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10.7 Calculando o valor de A2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
11.1 R esumo dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.2 Colheitadeira de Cana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
11.3 DPMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
11.4 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 8/113
Lista de Tabelas viii
11.5 Colheitadeira de Cana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
11.6 R esumo dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
11.7 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
11.8 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9411.9 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
A.1 Tabela Normal 6σ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 9/113
1
Capıtulo 1
Introducao
Neste capıtulo, vamos apresentar elementos basicos da analise de dados. Veremos as es-
tatısticas 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 graficos, diagramas e tabelas.
As tecnicas estatısticas 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 estatısticas existem varias etapas:
• Coleta dos dados;
• Exposicao dos dados;
• Modelos Estatısticos.
Vejamos cada uma destas etapas.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 10/113
2
Capıtulo 2
Coleta de Dados
Uma populac˜ ao e um agregado de elementos (finitos ou nao) para o qual deseja-se obter
informacoes sobre algumas de suas caracterısticas. 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 medi cao 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 populacao 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 mınimo de esforco e de erro?
• Quais informacoes adicionais serao necessarias para estudos futuros, referencias ou reco-
nhecimento?
Os Dados podem ser classificados como:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 11/113
2. Coleta de Dados 3
Figura 2.1: Classificacao dos Dados
2.1 Dados Quantitativos
Neste caso a caracterıstica observada assume valores numericos. Este tipo de dado pode ser
ainda classificado como discreto ou contınuo.
2.1.1 Dados Quantitativos Discretos
Neste caso os dados observados formam um conjuto finito ou enumeravel de numeros.
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).
Numero de pecas Apuracao Numero de lotesDefeituosas
7 / 18 / / 29 / / / / / 5
10 / / / / / / / / 811 / / / 312 / 1
Tabela 2.1: Numero 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 Contınuos
Sao os que decorrem de mensuracoes. Os possıveis valores incluem “todos” os numeros do
intervalo de variacao da caracterıstica medida, isto e, todos os possıveis valores pertencem a um
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 12/113
2. Coleta de Dados 4
intervalo de numeros 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 contınuos.
Exemplo 2.2. Numa f´ abrica de pequenos motores, problemas de encaixe estavam ocorrendo
com o eixo. Resolveu-se ent˜ ao 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 4,54,9 5,1 4,8 4,9 4,8 5,0 5,3 4,9 5,5 5,25,1 4,6 4,9 4,3 4,9 4,7 5,2 4,8 4,4 5,65,0 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 4,45,7 4,9 5,2 4,8 4,9 4,9 4,4 4,7 4,9 5,15,1 4,9 4,9 5,1 5,2 4,7 4,8 4,6 5,2 5,54,9 4,8 4,2 5,2 5,1 4,7 5,5 4,7 4,7 4,45,0 5,2 4,2 4,9 5,1 4,6 5,4 4,6 4,8 5,24,8 5,1 4,6 4,8 5,2 4,5 4,9 4,5 5,4 4,54,8 4,2 5,1 5,2 4,8 4,7 4,9 4,7 4,9 4,54,9 5,1 4,8 4,9 4,8 5,0 5,3 4,9 5,5 5,25,1 4,6 4,9 4,3 4,9 4,7 5,2 4,8 4,4 5,65,0 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 4,45,7 4,9 5,2 4,8 4,9 4,9 4,4 4,7 4,8 5,15,1 4,9 4,9 4,9 5,2 4,7 4,8 4,7 5,2 5,54,9 4,8 4,2 5,2 5,1 4,7 5,5 4,6 4,7 4,45,0 5,2 4,2 4,9 5,1 4,6 5,4 4,7 4,8 5,24,8 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 No de motores4, 2 4, 4 / / / / / / / / / / / / 124, 4 4, 6 //////////.../ 164, 6 4, 8 //////////...// 324, 8 5, 0 //////////...//// 645, 0 5, 2 //////////.../ 365, 2 5, 4 //////////...//// 245, 4 5, 6 / / / / / / / / / / / / 12
5, 6 5, 8 / / / / 4
Tabela 2.3: Diametro do Eixo de 200 Motores (Com Apuracao)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 13/113
2. Coleta de Dados 5
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 possıveis realizacoes uma qualidade (ou atributo)
do indivıduo pesquisado.
Dentre os dados quantitativos podemos fazer uma distincao entre dois tipos: dado quali-
tativo nominal , para o qual nao existe nenhuma ordenacao nas possıveis 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 v´ arios 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 pl´ astica.
• 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.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 14/113
2. Coleta de Dados 6
Tipo de Problemas (T) FrequenciaA 10B 20C 55D 80
E 25F 3G 7
Tabela 2.4: Tipos de problemas Numa Industria de Computadores
Na figura 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:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 15/113
2. Coleta de Dados 7
• Brainstorming - Exemplo: Qual e o nosso maior problema de qualidade no depar-
tamento de compras?
• Utilizacao de dados existentes - Exemplo: Verificar 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. Especifique o perıodo 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 oudefeito 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 categoriaoutros, 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 cart˜ oes perfurados, levando em considerac˜ ao os
custos envolvidos.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 16/113
2. Coleta de Dados 8
Principais Defeitos No de Embalagens Custo por Unidade Custo do DefeitoDefeituosas Defeituosa (R$) (R$)
Numeros Trocados 28 0,05 1,40Caracteres Errados 28 0,05 1,40
Amassada 4 1,00 4,00
Perfurada 3 0,05 0,15Impressao Ilegıvel de
Dados 2 0,05 0,10Rasgada 2 1,00 2,00Outros 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 graficos. Aproveitando os
exemplos anteriores poderıamos apresentar os dados atraves de suas respectivas tabelas, com a
ressalva de que deverıamos eliminar a coluna “Apuracao”, para uma apresentacao mais elegante.
Tambem e logico que se contarmos com um computador esta coluna nao faz sentido. Inumeros
graficos auxiliam na apresentacao e interpretacao dos fatos, mas destacaremos os mais usuais
em industrias.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 17/113
9
Capıtulo 3
Graficos
3.1 Distribuicao de Frequencias e Histograma
Com as tabelas e/ou graficos 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
solidas.
Devido ao fato de dados quantitativos serem os mais frequentemente encontrados na industria,
desenvolveremos inicialmente metodos de analise para eles. Ou seja, passamos a sua descricao,
atraves do que e chamado de distribuicao de frequencias.
Dados Contınuos
Vejamos o exemplo 2.2, onde a Tabela 2.3 e agora apresentada sem a coluna APURACAO,
ou seja:
Diametro No de motores
4, 2 4, 4 124, 4 4, 6 164, 6 4, 8 324, 8 5, 0 645, 0 5, 2 365, 2 5, 4 245, 4 5, 6 125, 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 “Numero de
Motores” e a frequencia de medidas em cada intervalo.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 18/113
3. Graficos 10
Frequencia Absoluta (f i): E o numero de observacoes correspondente a cada intervalo. A
frequencia absoluta e, geralmente, chamada apenas de frequencia. No exemplo 2.2, a frequencia
e o numero de motores.
Para um dado intervalo i, denotaremos a frequencia absoluta correspondente a este intervalopor f i. Assim, por exemplo, a frequencia do quarto intervalo, na Tabela 3.1, e f 4 = 64.
Frequencia Relativa (f ri): E o quociente entre a frequencia absoluta e o numero total
de observacoes, e sera denotada por f ri. Isto e, f ri =f in
onde n representa o numero total de
observacoes. No nosso exemplo, como n = 200, temos que a frequencia relativa e dada por
f r4 =64
200
= 0, 32.
Frequencia Percentual ( pi): E conseguida multiplicando-se a frequencia relativa por
100%. No exemplo que estamos usando a frequencia percentual da quarta classe e dada por:
p4 =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
(F ri), ou Frequencia Acumulada Percentual (P i).
Ponto Medio (xi): 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:
x1 = 4, 2 + 4, 42 = 4, 3.
Agora que temos estas quantidades definidas, 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.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 19/113
3. Graficos 11
Diametro xi f i f ri pi(%) P i(%)4, 2 4, 4 4,3 12 0,06 6 64, 4 4, 6 4,5 16 0,08 8 144, 6 4, 8 4,7 32 0,16 16 304, 8
5, 0 4,9 64 0,32 32 62
5, 0 5, 2 5,1 36 0,18 18 805, 2 5, 4 5,3 24 0,12 12 925, 4 5, 6 5,5 12 0,06 6 985, 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 possıvel, as classes deverao ter amplitudes iguais.
2. Escolher os limites dos intervalos entre duas possıveis observacoes.
3. O numero 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 a frequencia
relativa correspondente (ou a frequencia absoluta, o que da no mesmo) .
7. Um criterio para determinar os intervalos (classes) e:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 20/113
3. Graficos 12
Tamanho da Amostra (n) Numero de Classes (c)30 a 50 5 a 7
51 a 100 6 a 1010l 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
no 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 caracterıstica de analisar as relacoes
essenciais que os dados apresentam, e ainda verificar algumas suposicoes.
Dados Discretos
Consideremos agora o Exemplo 2.1, onde a Tabela 2.1 e apresentada sem a coluna
APURACAO.
Numero de Pecas Numero de lotes
Defeituosas7 18 29 5
10 811 312 1
Tabela 3.4: Numero de Pecas Defeituosas em Lotes de 1.000 (Sem Apuracao)
A variavel de interesse e “Numero de pecas defeituosas”, enquanto que “Numero de Lotes”e a frequencia observada para cada classe da variavel de interesse.
Com as quantidades ja definidas, construiremos a tabela completa para este exemplo. Note
que a coluna “Ponto Medio” nao e necessaria, pois se trata de dados discretos.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 21/113
3. Graficos 13
Numero de Pecas f i f ri pi(%) P i(%)Defeituosas
7 1 0,05 5 58 2 0,10 10 159 5 0,25 25 40
10 8 0,40 40 8011 3 0,15 15 9512 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 22/113
14
Capıtulo 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 numero de valores.
Notacao:
• X : valor de cada indivıduo da amostra.
• X : media amostral.
• µ : media populacional.
• n : tamanho da amostra.
• N : tamanho do universo (populacao).
Assim, a media amostral e dada por:
X = X 1 + . . . + X nn
(4.1)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 23/113
4. Medidas de Posic˜ ao 15
Exemplo 4.1. Uma amostra de 5 barras de aco foi retirada da linha de produc˜ ao 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 numero de observacoes for ımpar, a mediana sera a observacao central. Se
o numero 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 numero de observacoes e ımpar, a mediana e o valor central, isto e,
x = 9.
Exemplo 4.3. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos
de fio de aco: 65, 72, 70, 77, 60, 67, 69, 68.
Ordenando os valores, temos: 60, 65, 67, 68, 69, 70, 72, 77.
Como o numero 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 + 692
= 68, 5.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 24/113
16
Capıtulo 5
Medidas de Dispersao
Dispersao e sinonimo de variacao ou variabilidade de uma distribuicao. Para medir a dis-
persao sao frequentemente 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 perıodo de 8 horas (uma medida/hora) foram: 60, 65,
67, 68, 69, 70, 72, 77.
A amplitude deste conjunto e:
R = 77 − 60 = 17
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 25/113
5. Medidas de Dispers˜ ao 17
5.2 Variancia
A variancia de uma populacao de N elementos e a medida de dispersao definida como a
media do quadrado do desvios dos elementos em relacao a media.
Notacao:
• σ2 : variancia populacional.
• s2 : variancia amostral.
Assim, a variancia amostral e dada por:
s2 =
ni=1
(X i − X )2
n− 1. (5.2)
5.3 Desvio Padrao
O desvio padr˜ ao de um conjunto de dados e igual a raiz quadrada positiva da variancia.
Notacao:
• σ : desvio padrao populacional.
• s : desvio padrao amostral.
Assim, o desvio padrao amostral e dado por:
s =
σ2 =
N
i=1
(xi − x)2
n− 1. (5.3)
Exemplo 5.2. Considere a amostra dos comprimentos de 8 rolos de fio de aco cujos valores
foram: 65, 72, 70, 77, 60, 67, 69, 68. Calcular o desvio padr˜ ao.
Para calcular o desvio padrao devemos primeiramente calcular a media x, isto e:
x = 65 + 72 + 70 + 77 + 60 + 67 + 69 + 688
= 68, 5.
Agora vamos subtrair x = 68, 5 de cada valor, elevar cada resultado ao quadrado e soma-los.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 26/113
5. Medidas de Dispers˜ ao 18
(x− x) (x− x)2
65 - 68,5 = -3,5 (−3, 5)2 = 12,2572 - 68,5 = 3,5 (3, 5)2 = 12,2570 - 68,5 = 1,5 (1, 5)2 = 2,2577 - 68,5 = 8,5 (8, 5)2 = 72,25
60 - 68,5 = -8,5 (−8, 5)2 = 72,2567 - 68,5 = -1,5 (−1, 5)2 = 2,2569 - 68,5 = 0,5 (0, 5)2 = 0,2568 - 68,5 = 0,5 (0, 5)2 = 0,25
Total = 174,00
Entao dividimos o total dos quadrados pelo numero de valores menos 1, ou seja, por (n-1)
e extraımos a raiz quadrada:
174
7= 24 ⇒ s =
√24 ⇒ s = 4, 9
Portanto o desvio padrao e 4,9.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 27/113
19
Capıtulo 6
Estatısticas Descritivas
Uma analise das estatısticas descritivas da amostra e fundamental para resumirmos algumas
informacoes sobre a populacao. Estas informacoes sao utilizadas para tomada de decisao e
formacao de modelos estatısticos parametricos.
• Mınimo(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 eordenado em ordem crescente.
– Q1: numero que deixa 25% das observacoes abaixo e 75% acima, isto e, e a obser-
vacao de posicao (n+1)/4.
– Q3: numero 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 a esquerda e um valor positivo indica que a skewness esta tendida a direita. Um
valor nulo nao necessariamente indica simetria.
A formula da Skewness:
b1 = [(xi − x)/s]3
n
onde:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 28/113
6. Estatısticas Descritivas 20
xi: e a n-esima observacao.
x: e a media das observacoes.
N : e o numero 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 fino 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 fina que a da distribuicao normal.
A formula da Kurtosis:
b2 =N (N + 1)
(N − 1)(N − 2)(N − 3)
xi − x
s
4
− 3(N − 1)2
(N − 2)(N − 3)
onde:
xi: e a n-esima observacao.
x: e a media das observacoes.
N : e o numero de executadas.
S : e o desvio padrao.
Exemplo 6.1. Consideremos uma amostra dos comprimentos de 11 rolos de fio de a co cujos
valores s˜ ao: 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 29/113
6. Estatısticas Descritivas 21
Posicao do Q3 = 3
11 + 1
4
= 9 ⇒ Q3 = 71
Skewness:
b1 =1
n
(60 − 68, 55)3 + (65− 68, 55)3 + · · ·+ (77 − 68, 55)3
(4, 32)3
= −0, 028
Kurtosis:
b2 =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 (grafico 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 s ao estendidas ate
os limites:
Limite inferior : Q1 − 1, 5(Q3 −Q1)
Limite superior : Q3 + 1, 5(Q3 − Q1)
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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 30/113
6. Estatısticas Descritivas 22
mediana e assim por diante.
Figura 6.2: Comparacao entre dois Boxplots
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 31/113
23
Capıtulo 7
Probabilidades
7.1 Introducao
Podemos classificar os fenomenos da natureza ou criados pelo homem em dois tipos: aleatorios
(casuais) e nao aleatorios (determinısticos). Lidaremos com os aleatorios, os quais nao sabemos
o resultado a priori. No entanto, podemos listar os possıveis resultados do fenomeno aleatorio,
que formarao um conjunto denominado de Espaco Amostral (S). Ao estudarmos uma carac-
terıstica da qualidade de um processo (ou produto), o espaco amostral consiste de todos os
valores possıveis que a caracterıstica 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 classificamos um
produto em conforme ou n˜ ao conforme. Neste caso, o espaco amostral e S = {Conforme, N˜ ao
conforme}. Outro experimento aleat´ orio consiste em contar o n´ umero de defeitos em uma peca
pintada (por exemplo). Neste caso, os possıveis resultados s˜ ao 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 definir v´ arios
eventos. Alguns s˜ ao: A = “sair n´ umero par”, B = “sair n´ umero ımpar”, 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 classificar a peca em
conforme ou n˜ ao, podemos definir como eventos, A = {Conforme}, B = {N˜ ao conforme}. Aocontarmos o n´ umero de defeitos em uma peca pintada, geralmente, estaremos interessados no
evento A = {Zero Defeito} = {0 }.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 32/113
7. Probabilidades 24
7.2 Definicoes
De uma forma geral, qualquer subconjunto de um espaco amostral sera denominado Evento.
Os eventos sao denotados por letras maiusculas (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
definir 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 (Ac) : 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 = {} = φ 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 φ . 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 domınio na classe de eventos e
tem como imagem numeros (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
definida sobre a classe de eventos, tal que:
1. P (S ) = 1;
2. 0 ≤ P (A) ≤ 1;
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 33/113
7. Probabilidades 25
3. Se A1,...,An sao mutuamente exclusivos, isto e, Ai
A j = ∅, i = j, entao P (
ni=1 Ai) =n
i=1 P (Ai).
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 = e1, e2, · · · , en (finito) sao equiprovaveis, isto e,
todos os elementos do espaco amostral tem o mesmo “peso” (probabilidade) de ocorrer, temos
que
P ({
ei
}) =
1
n
Neste caso, podemos definir a probabilidade de um evento E = {ej1, · · · ,ejk}, composto
por k (com k menor que n) elementos, como sendo:
P (E ) =numero de casos favoraveis a E
numero de casos possıveis 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}
s˜ ao equiprov´ aveis, 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}) = 16 + 16 + 16 = 36
Com isso, obtemos que a probabilidade de ocorrer o evento A e igual ao n´ umero de elementos
favor´ aveis 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 34/113
7. Probabilidades 26
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
influencia na ocorrencia ou nao do outro evento. Do ponto de vista probabilıstico, definimos: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 reposic˜ ao, para inspec˜ ao. Qual a probabilidade de se obter duas
pecas defeituosas?
Resposta:
O experimento de realizar a primeira retirada tem como espaco amostral S 1 = {D1; B1} e
a segunda retirada tem como espaco amostral S 2 = {D2; B2}, onde Di significa que retiramos
uma peca Defeituosa na i-esima retirada e Bi significa que retiramos uma peca Boa na i-esima
retirada, para i = 1, 2. Alem disso, temos que
P (D1) = P (D2) =3
10
e P (B1) = P (B2) =7
10Pois as duas pecas s˜ ao retiradas ao acaso e com reposic˜ ao, isto e, ap´ os retirarmos a primeira
peca, esta e a resposta a caixa para que possamos efetuar a segunda retirada. Associamos ao
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 35/113
7. Probabilidades 27
experimento de retirar duas pecas ao acaso e com reposic˜ ao o espaco amostral
S = {(D1, B2); (B1, D2); (D1, D2); (B1, B2)} .
Desde que a primeira e a segunda retiradas s˜ ao executadas de forma independente, temos que
P [(D1; D2)] = P (D1 ∩ D2) = P (D1)× P (D2) =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, concluımos 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 ser˜ ao feitas sem reposic˜ ao, isto
e, a primeira peca retirada n˜ ao volta ao lote para retirarmos a segunda peca. A probabilidade
de se retirar duas pecas defeituosas e dada por:
P (D1 ∩ D2) = P (D1) × P (D2 / D1) =3
10× 2
9=
6
90
Exercıcio 7.1. Considere um processo que apresenta 8% de defeituosos. Duas pecas s˜ ao sele-
cionadas ao acaso e classificadas em defeituosas ou n˜ ao.
a) Qual o espaco amostral associado ao experimento de selecionar duas pecas e classific´ a-las?
b) Qual a probabilidade de obtermos duas pecas defeituosas?
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 36/113
7. Probabilidades 28
Exercıcio 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 , definida 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 func˜ ao definida no
espaco amostral que e igual ao n´ umero de caras nos dois lancamentos ( C - Cara e C - Coroa).
Temos ent˜ ao: Os valores das probabilidades, na tabela acima, s˜ ao obtidos da seguinte maneira:
Valores de X Pontos amostrais Probabilidades
0 CC 1/41 CC,CC 1/22 CC 1/4
Tabela 7.1: Tabela do Exercıcio
P [X = 0] = P (CC ) = 14
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 contınuas. 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.
Definicao 7.3.1. A func˜ ao de distribuic˜ ao acumulada de uma vari´ avel aleat´ oria X e uma
func˜ ao que a cada n´ umero real x associa o valor:
F (x) = P [X ≤ x]
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 37/113
7. Probabilidades 29
A notacao [X ≤ x] e usada para designar o conjunto {ω ∈ S : X (ω) ≤ x}, isto e, denota a
imagem inversa do intervalo (−∞, x] pela variavel aleatoria X .
Lema 7.3.1. A func˜ ao de distribuic˜ ao acumulada de uma vari´ avel aleat´ oria X satisfaz as
seguintes condic˜ oes:
1. 0 ≤ F (x) ≤ 1
2. F (x) e n ao decrescente e contınua a direita
3. limx→−∞ F (x) = 0 e limx→∞ 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
x1, x2, . . . , xn
as respectivas probabilidades
P [X = x1], P [X = x2], . . . , P [X = xn]
.
Como os valores de X sao mutuamente exclusivos, temos que:
F (x) =
P [X = xi]
Assim, dada a distribuicao de probabilidade de uma variavel aleatoria discreta sua funcao
de distribuicao acumulada fica determinada.
7.3.3 Esperanca de Variaveis Aleatorias Discretas
Definicao 7.3.2. A esperanca matem´ atica de uma vari´ avel aleat´ oria discreta X que assume
os valores xi, com respectivas probabilidades P [X = xi], para i = 1, 2, . . . , e dada por:
E (X ) =
xiP [X = xi] (7.1)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 38/113
7. Probabilidades 30
Lema 7.3.2. Se as esperancas das vari´ aveis aleat´ orias X e Y existem, ent˜ ao 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
Definicao 7.3.3. A variancia de uma vari´ avel aleat´ oria discreta X e definida por:
V ar(X ) = E (X −E (X ))2 (7.2)
ou
V ar(X ) = E (X 2)− (E (X ))2
7.4 Modelos Probabilısticos DiscretosAgora iremos apresentar alguns dos principais modelos probabilısticos utilizados para de-
screver varios fenomenos ou situacoes que encontramos na natureza ou ainda experimentos por
nos construıdos.
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 classificar um lote de 20 pecas em defeituosas ou nao, e contamos o
numero de pecas defeituosas, associamos uma variavel aleatoria X , que representa este numero
de pecas defeituosas.
Esta variavel pode assumir, por exemplo, valores 0, 1, 2, · · · , 20. Associado a uma variavel
aleatoria, assumindo um numero finito (ou infinito enumeravel) de valores, definimos a funcaode 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].
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 39/113
7. Probabilidades 31
Como o leitor deve ter notado, em todas as situacoes descritas cada elemento da populacao
e classificado segundo possua ou nao uma dada caracterıstica.
Para construir o modelo binomial vamos introduzir uma sequencia de ensaios de Bernoulli.
Uma sequencia de Bernoulli e definida 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 pk(1 − p)n−k. Note que esta e a
probabilidade de qualquer ponto com k sucessos e n-k falhas. O numero de pontos do espaco
amostral que satisfaz essa condicao e igual ao numero 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 numero e igual ao numero 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
pk(1 − p)n−k. (7.3)
A formula 7.3 e denominada distribuicao binomial com parametros n e p, onde n e o numero
de ensaios e p a probabilidade de sucesso em cada ensaio.
O numero 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.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 40/113
7. Probabilidades 32
Como motivacao, suponha que estamos interessados em retirar o numero 4 ao lancar um
dado. Se ocorrer o no 4 diremos que ocorreu SUCESSO, caso contrario, diremos que ocorreu
FRACASSO. Assim temos
P (SUCESSO) =1
6e 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 no 4, duas vezes.
Podemos obter o no 4, duas vezes de varias maneiras. Uma maneira e (a nao ocorrencia de 4
sera denotada por 0):
4 4 0 0 0 com probabilidade1
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 probabilidade1
6× 5
6× 1
6× 5
6× 5
6=
1
6
2
×
5
6
3
com probabilidade igual a anterior. Assim, qualquer sequencia contendo o no 4, duas vezes e tres
outros valores quaisquer tem a mesma probabilidade. Como qualquer uma dessas sequencias
serve ao nosso interesse, a probabilidade procurada e a soma das probabilidades de todas as
sequencias. Precisamos saber entao quantas sequencias 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 numero C (i, j) corresponde ao numero de
vezes que podemos combinar i elementos em subgrupos de j, com j menor ou igual a i.
Assim temos
P (no 4 duas vezes) = 10×
1
6
2
×
5
6
3
Agora vamos generalizar esse resultado. Suponha um experimento com apenas dois resul-
tados possıveis: 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 consequentemente n−k FRACASSOS. O numero de sucessos a serem obtidos e variavel
e o chamaremos de X. Assim temos que
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 41/113
7. Probabilidades 33
P (X = k) = C (n, k) × pk × (1 − p)n−k
onde k = 0, 1, 2, · · · , n e
C (n, k) = n!k! × (n− k)!
.
Exemplo 7.9. Suponha que numa linha de produc˜ ao 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 mınimo duas pecas defeituosas?
e) No m´ aximo duas pecas defeituosas?
Solucao:
a) P (X = 1) = C (10, 1) × (0, 1)1 × (1 − 0, 1)10−1 = 10!1!×(10−1)!
× 0, 1× (0, 9)9 = 0, 3874
b) P (X = 0) = C (10, 0) × (0, 1)0 × (1 − 0, 1)10−0 = 10!0!×(10−0)!
× (0, 9)10 = 0, 3486
c) P (X = 2) = C (10, 2)× (0, 1)2 × (1− 0, 1)10−2 = 10!2!×(10−2)!
× (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 caracterıstica de uma variavel aleatoria X e o seu valor esperado, que e denotado por
E [X ]. O valor esperado representa o numero medio de pecas defeituosas em uma amostra de
pecas. Por definicao, temos que
E [X ] =n
k=0
k × P (X = k)
Considerando X com distribuicao binomial, entao
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 42/113
7. Probabilidades 34
E [X ] =n
k=0
k × C (n, k) × pk × (1 − p)n−k = 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
σ2x = V ar[X ] = n × p× (1 − p) = 10 × 0, 1× 0, 9 = 0, 9
e o desvio padrao e
σx =
σ2x = 0, 9487
Exercıcio 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 padr˜ ao.
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) × pk × (1 − p)n−k
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 43/113
7. Probabilidades 35
pode ser feito usando a seguinte expressao
P (X = k) =e−λ × λk
k!
onde k = 0, 1, 2, 3, · · · , e = 2, 718 e λ = 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 numero de defeitos e a variavel representada
por X . A media de X e dada por:
µx = E (X ) =∞
k=0
k × P (X = k) =∞
k=0
k × e−λ × λk
k!= λ
que frequentemente e chamada de taxa de defeitos. A variancia de X e dada por:
σ2x = E (X 2) − [E (X )]2 = λ
e o desvio padrao e:
σx =
σ2x =
√λ
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 λ = 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).
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 44/113
7. Probabilidades 36
Exercıcio 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 sequencia 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 tıpico desse espaco amostral e uma sequencia 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 numero 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 definicao. No Calculo de E (X ), utilizaremos uma expressao que vale
a pena destacar, pois e de interesse geral.
Para todo numero real x no intervalo (0,1) consideremos a serie geometrica cuja soma e
dada a seguir:
∞i=0
xi = 11 − x (7.5)
Derivando-se ambos os membros da igualdade, temos:
d
dx
xi =
ix(i−1) =
1
(1 − x)2. (7.6)
Usando-se a definicao de esperanca temos:
E (X ) =
j(1 − p) j p = p
j(1 − p) j = p(1 − p)
j(1 − p) j−1 =p(1 − p)
p2. (7.7)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 45/113
7. Probabilidades 37
Observe que utilizamos 7.6 e x = 1− p para obter a ultima desigualdade acima. Simplificando
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
p2(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 vari avel aleat´ oria discreta com distribuic˜ ao geometrica, ent˜ ao, para todo
j, k = 1, 2, . . . tem-se:
P [X ≥ j + k|X ≥ j] = P [X ≥ k]
Este Lema reflete a falta de memoria ou de desgaste da distribuicao geometrica.
Exemplo 7.11. A durac˜ ao (em centenas de horas) de um determinado componente eletronico,
foi modelada por uma distribuic˜ ao 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 Acumulada0 0,8000 0,80001 0,1600 0,96002 0,0320 0,99203 0,0064 0,99844 0,0013 0,99975 0,0003 0,9999
Tabela 7.2: Tabela de probabilidade da distribuicao geometrica
Solucao:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 46/113
7. Probabilidades 38
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 numero finito 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
max{0, n− (N − M )} ≤ k ≤ min{M, 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 numero de bolas brancas entre as n bolas retiradas da
urna. Para justificar os limites, notemos que o numero de bolas brancas na amostra k e menor
ou igual ao numero de bolas brancas na urna M e tambem menor ou igual ao numero de bolas
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 47/113
7. Probabilidades 39
na amostra n, portanto menor ou igual ao menor deles. Se o tamanho da amostra n e menor
ou igual ao numero 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
a 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 numero 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 ) = nM
N
N − M
N
1− n− 1
N − 1
Exemplo 7.12. Uma empresa fabrica um tipo de tomada que s˜ ao embalados em lote de 25
unidades. Para aceitar o lote enviado por essa f´ abrica, o controle de qualidade da empresa
tomou o seguinte procedimento. Sorteia um lote e desse lote seleciona 8 tomadas para teste,
sem reposic˜ ao. Se constatar no m´ aximo 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:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 48/113
7. Probabilidades 40
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 Exercıcios
Nestes quatro capıtulos iniciais, discutimos a estrategia de rompimento para a melhoria
contınua e metodos estatısticos para contagem de pecas defeituosas. Abaixo, vamos revisar
alguns destes conceitos atraves de exercıcios.
Exercıcio 7.5. Uma instalac˜ ao e constituıda por duas caldeiras e uma m´ aquina. Esta in-
stalac˜ ao funciona se a m´ aquina e pelo menos uma das caldeiras estiver funcionando. Sejam os
eventos:
• A: M´ aquina em condic˜ oes de funcionamento;
• B1: A caldeira 1 est´ a em condic˜ oes de funcionamento;
• B2: A caldeira 2 est´ a em condic˜ oes de funcionamento;
• C: A instalac˜ ao est´ a em condic˜ oes de funcionamento;
Expresse o evento C e o evento C c (complementar) em termos dos eventos A e Bk ( k = 1, 2).
Exercıcio 7.6. Utilizando a mesma notac˜ ao do exercıcio 7.5, se P (A) = 0, 95, P (B1) = 0, 78
e P (B2) = 0, 85, qual a probabilidade da instalac˜ ao n˜ ao estar em condic˜ oes de funcionamento?
Exercıcio 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 n˜ ao tenha defeito grave;
c) A peca seja boa ou tenha defeito grave;
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 49/113
7. Probabilidades 41
Exercıcio 7.8. Atraves de dados hist´ oricos, sabemos que a proporc˜ ao de pecas defeituosas em
uma f´ abrica e de 6%. Um lote de 30 pecas e retirado da produc˜ ao:
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 padr˜ ao?
Exercıcio 7.9. No processo de fundic˜ ao de pecas, o problema de descontinuidades na peca
(´ oxido, bolha, poros, entre outros) pode sucatear a peca. Utilizando dados hist´ oricos, sabemos
que a taxa de ocorrencia de descontinuidades por peca e de 0,2. Qual a probabilidade de obter-
mos uma peca 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 contınuas, 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 contınua da mesma maneira que o
fizemos para as variaveis discretas, pois a soma de uma quantidade nao enumeravel de numeros
positivos nao poderia ser igual a um. Entao podemos atribuir probabilidades a intervalos de
valores da variavel contınua 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 a reta toda seja igual a um, pois ao ser realizado
o experimento algum evento ocorre.
Definicao 7.6.1. A func˜ ao densidade de probabilidade de uma vari´ avel aleat´ oria contınua e
uma func˜ ao f (x) ≥ 0, tal que:
+∞
−∞f (x)dx = 1
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 50/113
7. Probabilidades 42
7.6.1 Relacao entre a Funcao de Distribuicao Acumulada e a Funcao
densidade de Probabilidade Contınua
Para uma variavel aleatoria contınua 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 contınua no seu campo de definicao, entao decorre do teorema
fundamental do calculo que:
F (1)(x) = f (x)
7.6.2 Esperanca de Variaveis Aleatorias Contınuas
Definicao 7.6.2. A esperanca matem´ atica de uma vari´ avel aleat´ oria contınua X , com densi-
dade de probabilidade f (x) e dada por:
E (X ) = ∞
−∞ xf (x)dx
7.6.3 Variancia de Variaveis Aleatorias Contınuas
Definicao 7.6.3. A variancia de uma vari´ avel aleat´ oria contınua X e definida por:
V ar(X ) = E (X −E (X ))2
ou
V ar(X ) = E (X 2)− (E (X ))2
7.7 Modelos Probabilısticos Contınuos
Agora apresentaremos os modelos probabilısticos descritos por variaveis aleatorias que pos-
suem uma densidade de probabilidade. Cada modelo corresponde a uma famılia de distribuicoesde probabilidade, expressa por densidades de probabilidade que dependem de um ou mais
parametros.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 51/113
7. Probabilidades 43
7.7.1 Distribuicao Uniforme
Definicao 7.7.1. A vari´ avel aleat´ oria X tem distribuic˜ ao 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: Grafico 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
x2dx =a2 + ab + b2
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, 2π). Consideremos um segmento de comprimento 2π. Vamos unir as duas pontas desse
segmento e formar um cırculo de raio unitario. O comprimento desse cırculo e precisamente de
2π. Vamos fixar um ponteiro no centro desse cırculo 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 cırculo 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, 2π).
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 52/113
7. Probabilidades 44
Se quisermos obter a distribuicao uniforme no intervalo [a, b] basta por b−a = 2πr, construir
um cırculo de raio r = b−a2π
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 distribuic˜ ao 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) = 17
, 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 definida por:
f (x) = 1√2πσ2
exp −12x − µ
σ2 , x ∈ (−∞, +∞)
Alem disso,
µ = E [X ] =
∞−∞
f (x)dx ∈ (−∞, +∞) e σ2 = E [X 2]− (E [X ])2 ∈ [0, +∞)
Se tomarmos µ = 0 e σ = 1, dizemos que a variavel aleatoria tem distribuicao normal padrao.
Abaixo, apresentamos o grafico da funcao densidade da normal e algumas areas (probabilidades)
importantes.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 53/113
7. Probabilidades 45
Quando µ e σ sao desconhecidos, como geralmente acontece, sao substituıdos por x e s,
respectivamente, a partir da amostra.
x = x1 + x2 + . . . + xnn
s =
1
n− 1
ni=1
(xi − x)2
Para cada valor de µ e/ou σ , temos uma distribuicao. Mas para se calcular areas es-
pecıficas, se faz uso de uma distribuicao particular: a “distribuicao normal padronizada”. Esta
distribuicao tem media µ = 0 e desvio padrao σ = 1, e esta tabelada. Como a distribuicao esimetrica em relacao a media, a area a direita e igual a area a esquerda de µ. 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 σ2, na forma:
Z =
X
−µ
σ (7.13)
Exemplo 7.14. Considere X uma vari´ avel aleat´ oria Normal com media 11,15 e desvio-padr˜ ao
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)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 54/113
7. Probabilidades 46
7.8 Modelos Probabilısticos para o Tempo de Falha
Existe uma serie de modelos probabilısticos utilizados em analise de dados de confiabili-
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 caracterısticas 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 inumeras
vezes para descrever dados de tempo de falha e a funcao taxa de falha. A funcao taxa de falha
no intervalo [t1, t2) e definida 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 [t1, t2) e expressa por:
h(t) =R(t1) −R(t2)
(t2 − t1)R(t1),
onde R(t) e a funcao de confiabilidade.
No caso de distribuicoes contınuas, 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 maissimples 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
αexp(−t/α) (7.15)
onde α ≥ 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, α tambem sera medido em horas. A funcao de confiabilidade
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 55/113
7. Probabilidades 47
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/α)
(7.16)
Figura 7.2: Grafico da funcao de confiabilidade
A Figura 7.2 mostra a forma tıpica desta funcao de confiabilidade. A funcao da taxa de
falha associada a distribuicao exponencial e constante igual a 1α
0. Como foi dito anteriormente,
somente a distribuicao exponencial tem uma taxa de falha constante. Isto significa 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 caracterısticas de durabilidade de interesse sao a media,
a variancia e os percentis. O percentil 100 p% corresponde ao tempo medio em que 100 p% dos
produtos falharam. A media da distribuicao exponencial (MTTF ou MTBF) e α e a variancia
e α2. 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 confiabilidade. Estes
calculos sao ilustrados a seguir.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 56/113
7. Probabilidades 48
Exemplo 7.15. O tempo ate a falha do ventilador de motores a diesel tem uma distribuicao
exponencial com MTBF (α) 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)
= 0.76Se 8000 horas e o tempo de garantia dado pelo fabricante, significa que 24% e a fracao
esperada de ventiladores que falharam na garantia. O percentil 100 p%, tp, e dado para a
distribuicao exponencial por
1 − p = R(tp) = exp(−tp/α)
Aplicando o logaritmo de ambos os lados, obtemos
tp = α 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 t0,63, 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 significa, 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 aplica coes 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) =δ
αδtδ−1exp[−(t/α)δ], t ≥ 0
Exemplo 7.16. Um exemplo de uso da distribuic˜ ao de Weibull e o tempo de vida de um
capacitor com α = 100000 horas e δ = 0, 5. A func˜ ao de confiabilidade e dada por
R(t) = 1− t
0
f (s)ds = exp
−
t
α
α, t ≥ 0
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 57/113
7. Probabilidades 49
Desta forma a confiabilidade para um ano e R(8760) = exp[−(8760/100000)0,5] = 0,74 ou
74%. Isto significa 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] = αΓ[1 + (1/δ)] V ar(T ) = α2{Γ[1 + (2/δ)] − Γ[1 + (1 + δ)]2)]}onde Γ(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 = α[− ln(1 − p)]1/δ
No exemplo acima, o tempo medio de vida do capacitor e 100000Γ(1 + 2) = 200000 horas.
O percentil 10% e t0,10 = 100000(− ln(0, 9))2 = 1110 horas. A distribuicao de Weibull tem uma
funcao de taxa de falha dada por
h(t) =δ
α(t/α)δ−1, t ≥ 0
Figura 7.3: Grafico da funcao taxa de falha da distribuicao Weibull
A Figura 7.3 mostra algumas formas desta funcao para a distribuicao de Weibull. Observeque h(t) e estritamente crescente para δ > 1 e estritamente decrescente para δ < 1. A dis-
tribuicao exponencial e um caso particular da distribuicao de Weibull quando δ = 1 e entao,
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 58/113
7. Probabilidades 50
com taxa de falha constante.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 59/113
7. Probabilidades 51
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
σexp[
y − µ
σ− exp(
y − µ
σ)]
onde σ = 1/δ e µ = log(α).
A funcao de confiabilidade da variavel Y e dada por
R(y) = exp[−exp[y − µ
σ]]
A media e a variancia sao respectivamente µ − vσ e (π2/6)2, onde v = 0, 5772 . . . e a
conhecida constante de Euler. O percentil 100 p% e dado por
t p = µ + σ 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; µ, σ) =1
tσ√
2πe−[log(t)−µ]2
2σ2 , t > 0 (7.17)
onde, µ e madia do logaritmo do tempo de falha e σ > 0 e o desvio padrao. Existe
uma relacao entre as distribuicoes Log-normal e Normal similar a relacao existente entre as
distribuicoes de Weibull e do valor extremo. Como o nome sugere, o logaritmo de uma vari avel
com distribuicao Log-normal com parametros µ e σ tem uma distribuicao Normal com media µ e
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 60/113
7. Probabilidades 52
desvio-padrao σ. Esta relacao significa 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: Grafico da funcao densidade da distribuicao Log-Normal
A funcao de confiabilidade de uma variavel Log-normal e dada por
R(t) = Φ{− [log(t) − µ]
σ(7.18)
onde, Φ(.) e a funcao de distribuicao acumulada de uma Normal padrao.
Exemplo 7.17. Um exemplo de uso da distribuic˜ ao Log-normal e o tempo de vida de isolac˜ oes
da classe H. Na temperatura de uso o tempo de vida tem uma distribuic˜ ao Log-normal com
µ = 9, 65 horas e σ = 0, 1053 horas. A confiabilidade de isolac˜ ao nas 20000 primeiras horas de
uso e:
R(20000) = Φ{− [log(20000) − 9.65]
0, 1053} = 0.008
Isto significa que a grande maioria (99, 2%) das isolac˜ oes 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 pσ+)µ
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 61/113
7. Probabilidades 53
onde Z p e o 100 p% percentil da normal padrao. A media a variancia da distribuicao log-
normal sao dadas respectivamente por e exp(µ + σ2/2) e exp(2µ + σ2)(exp(σ2) − 1).
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 62/113
54
Capıtulo 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 vari aveis ob-
servadas possuem uma distribuicao de frequencias 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 possıvel 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 µ e o desvio padrao σ.
O grafico a seguir mostra algumas areas importantes:
Quando µ e σ sao desconhecidos, como geralmente acontece, sao substituıdos por X e S ,
respectivamente, a partir da amostra.
Nota: Areas sob a curva normal sao probabilidades que na pratica sao dadas em percent-
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 63/113
8. A Distribuic˜ ao Normal 55
Figura 8.2: Areas sob a Curva Normal
agens.
Para cada valor de µ e/ou σ, temos uma distribuicao.
Mas para se calcular areas especıficas, se faz uso de uma distribuicao particular: a ”dis-
tribuicao normal padronizada”, tambem chamada de standartizada ou reduzida. Esta dis-
tribuicao tem media µ = 0 e desvio padrao σ = 1, e esta tabelado.
Veja o grafico 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 64/113
8. A Distribuic˜ ao Normal 56
probabilidade de Z ser maior do que 4,00 e 0,003%. Veja o gr´ afico 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 gr´ afico na Figura 8.5
Figura 8.5: Area sob a curva normal
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 65/113
8. A Distribuic˜ ao Normal 57
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 gr´ afico na Figura 8.6
Figura 8.6: Area sob a curva normal
Exemplo 8.4. A ´ area sob a curva para Z menor do que 2,00 n˜ ao e fornecida diretamente pela
tabela. Ent ao 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 gr´ afico na
Figura 8.7
Quando se tem uma variavel X com distribuicao normal com media µ diferente de 0 (zero)
e/ou desvio padrao σ diferente de 1 (um), devemos reduzi-la a uma Z, efetuando o seguinte
calculo:
Z =X − µ
σ
Exemplo 8.5. Consideremos os diametros do Exemplo 2.2 como tendo distribuic˜ ao normal com media µ = 4, 888 e desvio padr˜ ao σ = 0, 31949. Queremos calcular a probabilidade de um
eixo apresentar diametro inferior a 5,0 mm.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 66/113
8. A Distribuic˜ ao Normal 58
Figura 8.7: Area sob a curva normal
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 graficos nas Figuras 8.8 e 8.9.
Figura 8.8: Area sob a curva normal
Exemplo 8.6. Suponha que a espessura das arruelas no exemplo 4 tenha distribuic˜ ao normal
com media 11,15 e desvio padr˜ ao 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:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 67/113
8. A Distribuic˜ ao Normal 59
Figura 8.9: Area sob a curva normal
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, 152, 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 graficos nas Figuras 8.10 e 8.11.
Figura 8.10: Area sob a curva normal
Portanto, fazemos:
0, 8621 − 0, 0571 = 0, 8050
Ou seja, a porcentagem de arruelas com espessura entre 8,70 e 14,70 (limites de toler ancia da
especificacao) e somente de 80,50%. Portanto, cerca de 19,50% das arruelas nao atendem aos
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 68/113
8. A Distribuic˜ ao Normal 60
Figura 8.11: Area sob a curva normal
limites de especificacoes. Anteriormente, havıamos calculado esta porcentagem diretamente do
histograma e o valor encontrado foi de 22%. A diferenca entre os dois calculos fica por conta
da suposicao de normalidade que fizemos.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 69/113
61
Capıtulo 9
Teorema do Limite Central
Suponha uma amostra aleatoria simples de tamanho n retirada de uma populacao com media
µ e variancia σ2 (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 − µ
σ/√
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 µ = 0
e variancia σ2 = 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 justificar 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 figura 9.1.
Notemos que o grafico 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 figura 9.2.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 70/113
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 1,436850,04858 0,05189 0,04937 4,0006 2,44309 1,19279 0,36034 0,14896 1,02117 0,22775 0,19664 0,672092,04899 0,00578 0,24781 0,43687 0,02991 0,52321 1,19931 0,97063 0,65404 1,2899 0,56337 0,288090,29371 0,07804 0,483 0,2983 3,75236 0,283 0,01252 0,07863 1,51493 0,58831 0,40478 0,126921,82698 0,9184 1,30431 0,68007 3,9539 1,00186 2,1392 0,65945 2,44657 2,26175 0,04064 0,908530,70571 2,32028 1,44356 1,04687 3,07768 0,91547 1,0711 0,78354 0,10735 1,8086 3,58991 0,289850,10034 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 0,978861,67637 0,3829 0,66678 1,27616 0,15644 1,49853 0,2438 0,69662 0,03946 1,68575 1,68336 1,972480,75177 0,14673 0,85142 0,60226 0,10131 0,00041 1,04934 0,71689 0,6841 0,40779 0,655 2,598911,86995 0,11694 1,0702 5,24055 0,91629 0,74449 1,54706 1,71929 0,57949 0,06082 4,50549 1,311211,20456 1,32523 0,15098 3,82457 2,21574 1,24752 3,01742 0,48124 0,50226 0,752 0,07319 0,75321,84546 1,00032 0,18113 1,95966 0,12043 0,02755 1,12134 0,15825 0,39719 0,73928 0,75933 0,986650,20692 1,04208 0,77392 0,53456 0,37931 0,55943 0,1528 0,32622 1,34607 0,1881 0,63464 0,013681,07056 1,56307 3,97567 0,12068 0,0591 0,09311 0,13433 1,13353 0,06729 0,73302 3,68017 0,363340,33364 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 0,989980,97558 0,70493 0,02362 1,8392 0,23149 0,42528 0,70005 0,81429 0,14648 1,14152 1,63649 0,423540,49084 0,42526 0,21363 1,71473 0,1912 0,30273 0,50795 0,59502 0,0055 0,99069 0,05411 0,080151,88966 2,54082 0,05887 0,49302 1,94563 2,88959 0,76715 0,08922 1,50332 1,44135 0,25575 0,523561,21121 1,63265 2,49013 0,58964 0,73067 0,5809 0,20309 1,19891 0,41577 4,83329 0,83598 3,319210,3745 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 1,260490,30181 1,88888 0,9136 1,7155 0,49844 1,80252 0,78627 2,30031 0,37888 0,27255 0,13101 0,254513,21402 2,01428 1,5868 0,01396 0,31211 1,41659 0,20996 0,56251 0,64183 0,7217 0,01722 0,25670,0903 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 0,640130,49725 0,29042 2,32141 0,56294 1,10058 0,23771 0,16611 0,19464 0,53044 1,10223 2,63819 1,737670,35147 0,13475 2,31799 1,42038 0,28477 0,61507 0,70722 0,16977 2,07863 0,21453 2,31535 0,068850,97265 0,05683 0,08027 0,6846 0,29454 0,40381 0,38346 0,3467 0,08971 0,29033 0,71624 2,057920,77907 0,04533 1,21407 0,15632 1,54651 1,03375 0,20112 0,21492 1,23729 0,02209 1,92794 1,811390,25324 0,06947 0,14656 1,43476 0,58053 0,2361 1,30842 0,90432 0,38311 0,01359 0,2938 1,034440,57609 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
caracterısticas de simetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a media.
O resultado esta na figura 9.3.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 71/113
9. Teorema do Limite Central 63
Figura 9.2: Media de Grupos de 5
Como podemos perceber, este grafico ja possui uma distribuicao similar a da distribuicao
normal.
Figura 9.3: Medias dos 5 Grupos
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 72/113
64
Capıtulo 10
Teste para Normalidade
10.1 Papel de Probabilidade
O papel de probabilidade e uma tecnica grafica utilizada para verificar a adequacao de um
determinado modelo estatıstico aos dados. A tecnica que iremos descrever e simples de utilizar
e pode ser aplicada a inumeros tipos de modelos estatısticos. Aqui, vamos considerar o modelo
Normal com media µ e variancia σ, cuja densidade e dada por
f (x) = 1√2πσ2
exp−(x− µ)2
2σ2
e funcao distribuicao de probabilidade acumulada F, dada por
F (x) = P (X ≤ x) =
x
−∞f (s)ds =
x
−∞
1√2πσ2
exp
−(s− µ)2
2σ2
ds
E comum trabalharmos, ao inves da distribuicao Normal com media µ e variancia σ, com a
distribuicao Normal padronizada, N (0, 1), cuja funcao densidade e dada por
f (z) =1√2π
exp
−z2
2
,
obtida mediante a transformacao
Z =X − µ
σ.
Sua funcao distribuicao acumulada e denotada por Φ. A relacao entre a funcao distribuicao
acumulada F , de uma distribuicao Normal com media µ e variancia σ e a funcao distribuicao
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 73/113
10. Teste para Normalidade 65
acumulada Φ de uma distribuicao Normal padronizada e dada por:
F (x) = Φ
x − µ
σ
= Φ(z) (10.1)
A distribuicao Normal Padrao e tabelada e por isso fica facil calcular probabilidades. Na
relacao dada em 10.1, vamos aplicar a funcao Φ−1 em ambos os lados, ou seja,
Φ−1 (F (x)) = Φ−1
Φ
x − µ
σ
=
x− µ
σ
Daı, obtemos que
x = σ Φ−1 (F (x)) + µ (10.2)
onde Φ−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 grafico entre x e Φ−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
estatıstica de ordem, ou seja, o menor valor da amostra.
2. Calcule n pontos di = (i − 0, 3)/(n + 0, 4), i = 1,...,n. Existem outras opcoes para o
calculo dos di’s.
3. Calcule os quantis da distribuicao normal padrao para cada um dos valores de di, isto e,
calcule os valores de Φ−1(di), i = 1,...,n.
4. Faca um grafico com os pontos (x(i), Φ−1(di)), i = 1,...,n.
Para avaliarmos a normalidade dos dados, devemos construir o grafico entre as variaveis
resıduos ordenados e Φ−1(di).
Exemplo 10.1. Em uma an´ alise de capacidade do processo, o engenheiro da qualidade retirou
uma amostra de 25 pecas e as mediu. Para calcularmos os ındices de capacidade do processo,
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 74/113
10. Teste para Normalidade 66
precisamos avaliar a normalidade dos dados. Aqui, vamos realizar uma an´ alise gr´ afica atraves
do papel de probabilidade. O c´ alculo dos di’s e os quantis normais s˜ ao encontrados na tabela
da normal padronizada) para cada di. Na tabela 10.1, temos os dados de medic˜ ao das pecas
ordenados e os respectivos di’s. A seguir, exemplificamos o c´ alculo dos di’s para alguns pontos:
d1 =i− 0, 3
n + 0, 4=
1− 0, 3
25 + 0, 4=
0, 7
25, 4= 0, 027559
d2 =2 − 0, 3
25, 4= 0, 066969
... =...
d25 = 0, 972441.
assim, obtemos
Φ−1(d1) = F (0, 027559) = −1, 917945
Φ−1(d2) = F (0, 066969) = −1, 498752
..
. =
..
.Φ−1(d25) = F (0, 972441) = 1, 917945.
Fazendo o gr´ afico dos pontos (x(i), Φ−1(di)), i = 1, ..., 25, obtemos a figura 10.1.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 75/113
10. Teste para Normalidade 67
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 suposicoes iniciais, tais como, assumir uma funcao de distribuicao para
os dados amostrados. Nesse sentido, surge a necessidade de certificarmos se essas suposicoes
podem, realmente, ser assumidas. Em alguns casos, assumir a normalidade dos dados e o
primeiro passo que tomamos para simplificar 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 hip oteses:
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 fun cao de distribuicao empırica dos dados.
Como criterio, comparamos esta diferenca com um valor crıtico (tabela 10.2), para um dado
nıvel de significancia.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 76/113
10. Teste para Normalidade 68
Medicao posicao di Φ−1(di)
-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 0,300521,4 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 estatıstica utilizada para o teste e:
Dn = supx| F (x) − F n(x) |
Esta funcao corresponde a distancia maxima vertical entre os graficos de F (x) e F n(x) sobre a
amplitude dos possıveis valores de x. Em Dn temos que
• F (x) representa a funcao de distribuicao acumulada assumida para os dados;
• F n(x) representa a funcao de distribuicao acumulada empırica dos dados.
Sejam X (1), X (2), · · · , X (n) observacoes aleatorias ordenadas de forma crescente da variavel
aleatoria contınua X . A funcao de distribuicao acumulada assumida para os dados e definida
por F (x(i)) = P (X ≤ x(i)) e a funcao de distribuicao acumulada empırica e definida por uma
funcao escada, dada pela formula:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 77/113
10. Teste para Normalidade 69
F n(x) =1
n
ni=1
I {(−∞, x]} (x(i)) (10.3)
onde I {A} e a funcao indicadora. A funcao indicadora e definida da seguinte forma:
I {A}(x) =
1 se x ∈ A
0 c.c.
Observe que a funcao da distribuicao empırica F n(x) corresponde a 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)
kn
se x(k) ≤ x < x(k+1)
1 se x > x(n)
Consideremos duas outras estatısticas:
D+ = supx(i)
| F (x(i))− F n(x(i)) |
D− = supx(i)
| F (x(i))− F n(x(i−1)) |
Essas estatısticas medem as distancias (vertical) entre os graficos das duas funcoes, teorica e
empırica, nos pontos x(i−1) e x(i). Com isso, podemos utilizar como estatıstica de teste:
Dn = max(D+; D−)
Se Dn for maior que o valor crıtico encontrado na tabela 10.2, rejeitamos a hipotese de
normalidade dos dados com (1−α)100% de confianca. Caso contrario, nao rejeitamos a hipotese
de normalidade.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 78/113
10. Teste para Normalidade 70
Valores Crıticos para a estatıstica do teste de Komolgorov - Smirnov (Dn).
Nıvel de Significancia (α)
n 0,2 0,1 0,05 0,01
5 0,45 0,51 0,56 0,6710 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 Dn
Estas estatısticas 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(i−1))|
x(1)1n
F (x) = P
z(1) ≤ x(1) − x
s
|F (x(1)) − F n(x(1))| |F (x(1)) − 0)|
x(2)2n
F (x) = P
z(2) ≤ x(2) − x
s
|F (x(2)) − F n(x(2))| |F (x(2)) − F n(x(1))|
. . . . .
. . . . .
. . . . .
x(n−1)n−1n
F (x) = P
z(n−1) ≤ x(n−1) − x
s
|F (x(n−1)) − F n(x(n−1))| |F (x(n−1)) − F n(x(n−2))|
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(n−1))|
Tabela 10.3: Resumo do Calculo de Dn
Observac˜ ao: 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 hip´ otese de que ela seja proveniente de uma populc˜ ao normal de media 30 e desvio
padr˜ ao 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 medic˜ ao de 10 pecas.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 79/113
10. Teste para Normalidade 71
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) (empırica) F (x) (teorica) | F (x(i)) − F n(x(i)) | | F (x(i)) − F n(x(i−1)) |1,42738 0,1 0,109008 0,009008 0,1090081,52229 0,2 0,147346 0,052654 0,0473461,69742 0,3 0,239320 0,060680 0,039320
1,90642 0,4 0,380772 0,019228 0,0807721,98492 0,5 0,439859 0,060141 0,0398591,99568 0,6 0,448101 0,151899 0,0518992,10288 0,7 0,530802 0,169198 0,0691982,22488 0,8 0,623132 0,176868 0,0768682,61826 0,9 0,859056 0,040944 0,0590563,15435 1,0 0,982786 0,017214 0,082786
Maximo 0,176868 0,109008
Tabela 10.4: Teste de Kolmogorov - Smirnov
Com isso,
Dn = max(0, 176868; 0, 109008) = 0, 176868 .
Considerando α = 0, 05 e n = 10, encontramos pela tabela 10.2 o valor crıtico 0,41.
Como Dn = 0, 176868 < 0, 41 nao temos evidencias para rejeitar a hipotese de normalidade
dos dados.Figura.
Exemplo 10.4. Para os dados referente a an´ alise de capacidade do processo, apresentado no
Exemplo 10.1, vamos testar a normalidade atraves do teste de Kolmogorov-Smirnov.
Ap´ os ordenarmos os dados (vide tabela 10.1), obtemos o valor de F n(x(i)) tomando a raz˜ ao
entre a posic˜ ao i e o valor total de dados, n = 25. O valor de F (x(i)) e encontrado na tabela
da distribuic˜ ao normal padr˜ ao, ap´ os transformarmos os dados pela relac˜ ao
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.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 80/113
10. Teste para Normalidade 72
e s e o desvio padr˜ ao 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) (empırica) F (x) (teorica) | F (x(i)) − F n(x(i)) | | F (x(i)) − F n(x(i−1)) |-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 0,0187810,077171 0,44 0,530756 0,090756 0,1307560,077171 0,48 0,530756 0,050756 0,0907560,154342 0,52 0,561330 0,041330 0,0813300,154342 0,56 0,561330 0,001330 0,0413300,154342 0,60 0,561330 0,038670 0,0013300,463025 0,64 0,678327 0,038327 0,0783270,540196 0,68 0,705469 0,025469 0,0654690,540196 0,72 0,705469 0,014531 0,0254690,540196 0,76 0,705469 0,054531 -0,0145310,617367 0,80 0,731504 0,068496 -0,0284961,003221 0,84 0,842123 0,002123 0,0421231,003221 0,88 0,842123 0,037877 0,0021231,311904 0,92 0,905224 0,014776 0,025224
1,620587 0,96 0,947447 0,012553 0,0274472,006441 1,00 0,977595 0,022405 0,017595Maximo 0,162123 0,130756
Tabela 10.5: Teste de Kolmogorov - Smirnov
Com isso, Dn = max(0, 162123; 0, 130756) = 0, 162123.
Considerando α = 0, 05 e n = 25, encontramos pela tabela 10.2 do apendice o valor crıtico
0,27. Como Dn = 0, 162123 < 0, 27 n˜ ao temos evidencias para rejeitar a hip´ otese 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 verificar a adequabilidade da distribuicao, ou seja, tes-
tar as seguintes hipoteses:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 81/113
10. Teste para Normalidade 73
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 estatıstica para testar (10.4)
A2 = 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 empırica definida como
F n(x) =1
n
n
i=1
=
0, se x < x(1)
kn
, se x(k)
≤x < x(k+1)
1, se x > x(n)
(10.6)
e x(1) ≤ x(2) ≤ ... ≤ x(n) sao as estatısticas de ordem da amostra aleatoria.
A estatıstica A2 pode ser colocada numa forma equivalente:
A2 = −n− 1
n
ni=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 ncom distribuicao uniforme em (0, 1). Logo,
A2 = −n− 1
n
ni=1
(2i − 1)ln( U (i) ) + ( 2(n− i) + 1 )ln(1− U (i) )
(10.8)
Para calcular o valor da estatıstica A2 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 estatıstica de Anderson Darling ( 10.8);
A2 = −n− 1
n
ni=1
[(2i− 1) (ln( U i) + ln(1 − U n+1−i ))]
(observe que esta e uma forma equivalente a (10.8) );
4- Para cada uma das distribuicoes calcule, se for o caso, o valor da estatıstica modificado
de acordo com as tabelas dadas para cada uma delas.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 82/113
10. Teste para Normalidade 74
O Teste Anderson-Darling pode ser aplicado as distribuicoes de probabilidade como: Dis-
tribuicao Normal, Exponencial, Weibull, Lognormal, Valor Extremo e Logıstica. Para estas
distribuicoes o parametro θ = (α, β ) pode ser univariado ou bivariado, isto e, ele tem no
maximo dois componentes, conforme os seguintes casos:
Caso 1 : O parametro θ = (α, β ) e totalmente conhecido;
Caso 2 : α e conhecido;
Caso 3 : β e conhecido;
Caso 4 : Nenhum dos componentes de θ = (α, β ) 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√
2πσ2
exp−(x− µ)2
2σ2 (−∞ < x < ∞).
Caso 1 : O parametro θ = (µ, σ) e totalmente conhecido;
Caso 2 : µ e conhecido e σ e estimado por s2;
Caso 3 : σ e conhecido e µ e estimado por x;
Caso 4 : Nenhum dos componentes de θ = (µ, σ) e conhecido e sao estimados por (x, s2).
A seguinte tabela fornece alguns valores de quantis e a estatıstica de Anderson-Darling
modificada:
Pontos percentis para cada α(%)Caso Modificacao 15.0 10.0 5.0 2.5 1.0
0 Nenhuma 1.610 1.933 2.492 3.070 3.8571 - 0.784 0.897 1.088 1.281 1.5412 - 1.443 1.761 2.315 2.890 3.6823 A2(1 + (4/n) − (25/n2)) 0.560 0.632 0.751 0.870 1.029
Tabela 10.6: Tabela de pontos percentis
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 83/113
10. Teste para Normalidade 75
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 (µ, σ)
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 (xi) ln(F (xi)) ln(1− F (xi))154 148 0,168063 -1,78341 -0,184148 154 0,235336 -1,44674 -0,26832
170 158 0,287372 1,24698 -0,3388161 160 0,315285 -1,15428 0,37875160 161 0,329662 -1,10969 -0,39997166 162 0,344295 -1,06626 -0,42204162 166 0,404986 -0,9039 -0,51917158 170 0,468057 -0,75916 -0,63122182 182 0,655705 -0,42204 -1,06626195 195 0,821676 -0,19641 -1,72415236 236 0,99484 -0,00517 -5,26684
Tabela 10.7: Calculando o valor de A2
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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 84/113
10. Teste para Normalidade 76
A2 = −D
n− n =
131, 4145
11− 11 = 0, 9467719.
A estatıstica de Anderson Darling modificada para esse caso (Caso 4: µ e σ desconhecidos) e
dada por:
A2m = A2 ∗ (1 + (4/n) − (25/n2))
= 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 grafica, como
mostra a figura 10.2: note que os pontos entao distribuıdos de forma aleatoria em torno da
reta.
Figura 10.2: Papel de Probabilidade do Teste Anderson-Darling
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 85/113
77
Capıtulo 11
Indicadores da Qualidade
Este Capıtulo 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 eficientes. 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: Grafico da Estrategia de Rompimento
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 86/113
11. Indicadores da Qualidade 78
O termo SIGMA (σ) e uma letra grega usada para descrever variabilidade. A metrica da
qualidade sigma, que estudaremos neste curso, oferece um indicador da frequencia com que os
defeitos ocorrem. Uma empresa atinge o nıvel 6 SIGMA quando a taxa de ocorrencia de defeitos
alcanca 3,4 defeitos por milhao de oportunidades. Para atingir o nıvel de qualidade 6 SIGMA,precisamos identificar 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 estatıstica e nas ferramentas para melhoria. A estrategia para
medicao consiste em atacar os pontos com alto custo devido a m a 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.
Questoes:
1. Quais processos devemos medir?
2. O que deve fazer parte de nossas metricas?
3. Reflita sobre qualidade e competitividade.
4. O que e processo?
11.1 Rendimento de um Produto
Com os princıpios da teoria de contagem e probabilidade, vamos apresentar a primeira
metrica para qualidade. Aqui, vamos analisar o rendimento de um produto atraves do numero
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 umperıodo de coleta de dados, uma tabela contendo o numero de unidades em acompanhamento,
numero de defeitos registrados e os componentes defeituosos, e montada conforme abaixo:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 87/113
11. Indicadores da Qualidade 79
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 T R = Produto RespostaUnidades Defeitos
MediasMedia da soma Media de
Media de DPU − ln(Y T R)de unidades defeitos
Tabela 11.1: Resumo dos Dados
DPU : Defeitos por Unidade
Definimos como rendimento de um produto a probabilidade de zero defeito.
• Probabilidade de um componente sem defeitos (dentro das especificacoes). Utilizando a
distribuicao de Poisson, temos que
Prob [ Obter zero defeito ] =Prob [ e−α×α0
0!] = Exp ( - DPU )= rendimento do produto
Como estamos analisando a probabilidade de obtermos produtos defeituosos em uma linha
de producao, o parametro da distribuicao ,α, 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 numero esperado de pecas defeituosas
em um lote de um milhao de pecas. Assim, temos que
• PPM do produto = 106× (Prob falha)
Obs: Podemos calcular o PPM utilizando apenas o rendimento, da seguinte forma:
Seja R = rendimento, portanto RC = 1−R = probabilidade de defeito. Como o P P M = 106×
probabilidade de defeito, temos que P P M = 106 × 1 −R.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 88/113
11. Indicadores da Qualidade 80
Exercıcio 11.1. Considere uma m´ aquina colheitadeira de cana onde vamos verificar a cab-
ine da m´ aquina. Dentro da cabine temos diversos componentes que falham ao longo do uso.
Complete a tabela 11.2:
Componentes Unidade Defeito DPU Rend. Prob. defeito PPMTacometro 57 49 0,86 0,423 0,576 576680Mangueiras 57 29 0,509 0,601 0,398 398760
Vedacao 57 18Ar Condicionado 57 14
Portas 57 10Caixa de Controle 57 6
Sistema Eletrico no Painel 57 5Cabo de Controle 57 3
Instrumento 57 2
Ventilacao 57 2Coluna 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 confianca para o rendimento
Seja X i uma variavel aleatoria (v.a.) que representa o numero de defeitos da componente i de
uma producao, i = 1, 2, . . . , n. Portanto:
X 1, X 2, . . . , X niid∼ Poisson(λ)
• Estimador de maxima verossimilhanca
Sabemos que a funcao densidade de uma distribuicao Poisson e dada por:
f (x, λ) = P [X = x] =e−λ × λx
x!, x = 0, 1, 2, . . .
Logo, a funcao verossimilhanca L(λ; x) sera:
ni=1
f (xi, λ) =e−nλ × λ
ni=1 xin
i=1 xi!
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 89/113
11. Indicadores da Qualidade 81
O EMV de λ e o valor λ que maximiza a funcao verossimilhanca L(λ).
Como a funcao logaritmo e uma funcao monotona, entao o valor λ que maximiza L(λ; x)
tambem maximiza l(λ; x).
∴ l(λ; x) = −nλ +n
i=1
xi log λ− logn
i=1
xi!
Neste caso, e possıvel fazer a maximizacao derivando em relacao a λ e igualando a equacao
a zero. Entao, temos:
∂
∂ λl(λ; x) = 0 ⇔−n +
ni=1 xi
λ= 0 ⇔ λ =
ni=1 xi
n⇔ λ =
ni=1 xi
n= X
∴ λ = X e um ponto crıtico da funcao l(λ; x). Vamos verificar se e um ponto de mınimo ou
de maximo:
∂ 2
∂λ2l(λ; x) = −
ni=1
xi
λ2< 0
Entao, conclui-se que a derivada segunda de l(λ; x) e negativa e portanto λ = X e um ponto
de maximo.
∴ λ = X e o EMV de λ.
No caso do rendimento, temos que: λ = DP U (defeitos por unidade)=n
i=1 Xi
npoisn
i=1 X i
representa a quantidade total de defeitos da amostra X 1, X 2, . . . , X n e n e o numero de unidades
fabricadas pela linha de producao.
• Intervalo de confianca (IC)
Temos que λ = X e o EMV de uma distribuicao Poisson. Entao:
E (λ) = E (
ni=1 X in
) =1
nE (
ni=1
X i) =n
nE (X 1) = λ
V (λ) = V (n
i=1 X in
) =1
n2V (
ni=1
X i) =n
n2V (X 1) =
λ
n
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 90/113
11. Indicadores da Qualidade 82
Obs: E (X 1) = V (X 1) = λ pois X 1, X 2, . . . , X niid∼ Poisson(λ).
Aplicando o teorema do limite central, temos que
Q =
X
−E (X ) V (X ) =
X
−λ λ
n∼ N (0, 1)
para n grande. Observe que Q nao depende de λ.
∴ Q e uma quantidade pivotal.
Note que Q foi encontrada a partir de um EMV, e portanto temos indıcios de que e uma
boa escolha para encontrarmos um intervalo de confianca. Calculando o IC:
Seja z o valor que satisfaz Φ(z) = γ , onde Φ representa a funcao densidade da distribuicao
normal reduzida e γ e o coeficiente de confianca escolhido arbitrariamente. Temos:
P
−z <X − λ
λn
< z
= γ ⇔ P
−z
λ
n− X < −λ < z
λ
n− X
= γ
⇔ P X − z λn
< λ < X + z λn = γ
Sabemos que X = λ, e aproximando λ por λ temos que:
I = (λ − z
λn
; λ + z
λn
) e um intervalo de confianca aproximado de 100γ % de confianca
para λ.
Como ja vimos, o rendimento e dado por e−DP U . Utilizando o EMV encontrado, podemos
considerar a substituicao do parametro λ 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 λ. Utilizando a Obs 2 dada no
Apendice, temos que:
(e−(λ+z
λn
); e−(λ−z
λn
))
e um intervalo de 100γ % de confianca para e−λ, e portanto, e um IC para o rendimento.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 91/113
11. Indicadores da Qualidade 83
Exemplo 11.1. Vamos encontrar intervalos de confianca para o produto cabine e tambem para
cada um de seus componentes. Baseados nos dados do exercıcio 11.1
A tabela 11.2 traz informac˜ oes sobre todos os componentes do produto cabine. Neste ex-
ercıcio, foram analisadas 57 cabines.Note que, sobre o tacometro por exemplo, a ´ unica informac˜ ao dada e que houveram 49
tacometros defeituosos. N˜ ao sabemos quais tacometros de quais cabines estavam com defeitos
pois isso n˜ ao importa para os nossos c´ alculos. Em uma linguagem mais estatıstica, o rendimento
da cabine possui distribuic˜ ao Poisson (que pertence a famılia exponencial) e portanto
X i e
uma informac˜ ao suficiente.
N˜ ao e o caso deste exercıcio, 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 j´ a vimos, um intervalo de confianca para o rendimento e dado por:
(e−(λ+z
λn
); e−(λ−z
λn
))
Queremos encontrar um intervalo de 95% de confianca para o produto cabine, ent˜ ao temospela tabela da distribuic˜ ao Normal padr˜ ao 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
λEM V
= X =139
57= 2, 438 = DP U cabine
(e−(2,438+1,96√
2,43857
) ; e−(2,438−1,96√
2,43857
))
(0, 0582 ; 0, 1309)
e um IC de 95% de confianca 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 92/113
11. Indicadores da Qualidade 84
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 confianca para cada componente da cabine. o procedimento ser´ a o
mesmo utilizado para encontrar um intervalo de confianca para a cabine, mas agora o EMV λ
ser´ a o DPU de cada componente. Os valores ser˜ ao calculados da seguinte forma:
• Tacometro
IC (Rendtac; 0, 95) = (e−(0,86+1,96√
0,8657
); e−(0,86−1,96√
0,8657
)) = (0, 3326; 0, 5383)
Sejam LI e LS os limites inferiores e superiores, respectivamente, do intervalo de confianca
encontrado para cada componente.
Componentes Unidade Defeito DPU Rend LI LSTacometro 57 49 0,86 0,423 0,3326 0,5383Mangueiras 57 29 0,509 0,601 0,4994 0,7234
Vedacao 57 18 0,316 0,729 0,630 0,8436Ar Condicionado 57 14 0,246 0,782 0,6874 0,8893
Portas 57 10 0,175 0,839 0,7530 0,9357Caixa de Controle 57 6 0,105 0,900 0,8276 0,9793
Sistema Eletrico no Painel 57 5 0,088 0,916 0,8478 0,9890Cabo de Controle 57 3 0,053 0,949 0,8933 1,0000
Instrumento 57 2 0,035 0,965 0,9198 1,0000Ventilacao 57 2 0,035 0,965 0,9198 1,0000
Coluna 57 1 0,017 0,983 0,9504 1,0000
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 93/113
11. Indicadores da Qualidade 85
11.3 Defeitos por milhao de oportunidades (DPMO)
Algumas empresas avaliam apenas a taxa de defeituosos no final do processo. Por exemplo,
se foram produzidos 200 unidades e 10 unidades falharam no final da montagem, a taxa de
defeitos reportada e de 5%.
A taxa de defeito por unidade pode ser melhorada incluindo o numero de oportunidades,
para focar no processo e/ou produto. Um indicador adequado para a taxa de defeitos por
unidade deve considerar o numero de oportunidade para a falha nos calculos. Para ilustrar,
considere um processo onde os defeitos sao classificados por tipo e o numero de oportunidades
para a falha (OP) sao definidos para cada tipo. O numero de defeitos (D) e unidades (U) sao
obtidos do processo durante algum perıodo de tempo. O calculo do indicador pode ser obtido
na forma:
Tipo de defeito DescricaoNumero de Defeitos D
Unidades UOportunidades OP
Total de Oportunidades TOP = U × OPDefeitos por Unidade DPU = D / U
Defeitos pelo Total de Oportunidades DPO = D /TOPDefeitos 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 construımos um grafico de Pareto para o DPMO dos defeitos.
Para uma aplicacao na industria eletronica, considere o processo de solda de componentes
em uma placa de circuito impresso. Neste caso, o numero de oportunidades para a falha pode
ser o numero de componentes (de cada tipo) vezes o numero 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 numero 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 classifica-
dos em tipos A, B, C, D, E, e F. Durante um certo perıodo de tempo foram coletados os dados
referentes ao n´ umero de defeitos (D), unidades (U) e oportunidades por unidade. Os dados s˜ ao
apresentados na tabela 11.4:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 94/113
11. Indicadores da Qualidade 86
Tipo D U OP TOP DPU DPO DPMOA 21 327 92 30084 0,06422 0,000698 698,0455B 10 350 85 29750 0,028571 0,000336 336,1345C 8 37 43 1591 0,216216 0,005028 5028,284D 68 743 50 37150 0,091521 0,00183 1830,417
E 74 80 60 4800 0,925 0,015417 15416,67F 20 928 28 25984 0,021552 0,00077 769,7044
TOTAL 201 2465 358 129359
Tabela 11.4: Dados
DP OTOTAL =
ni=1 Di
ni=1 T OP i
=201
129359= 0, 00155
DPMOTOTAL = DP OTOTAL × 1000000 = 1553, 8153
Figura 11.2: Grafico de Pareto
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 95/113
11. Indicadores da Qualidade 87
Exercıcio 11.2. Considere uma m´ aquina colheitadeira de cana onde vamos verificar a cabine
da m´ aquina. Abaixo est˜ ao relacionados os tipos de defeitos, unidades fabricadas e n´ umero de
oportunidades por defeito. Preencher a tabela 11.5 e montar o gr´ afico de Pareto para o tipo de
defeito utilizando o DPMO.
a) Calcule o DPO e DPMO do produto:
b) Montar o gr´ afico de Pareto:
Componentes Unid Defeito Oport TOP DPO DPMOTacometro 57 49 2 114 0,43 429824,561Mangueira 57 29 2 114 0,254 254385,964
Vedacao 57 18 6 342 0,053 52631,5789Ar Condicionado 57 14 1
Portas 57 10 2Caixa de Controle 57 6 1
Sistema Eletrico no Painel 57 5 10Cabo de Controle 57 3 2
Instrumento 57 2 2Ventilacao 57 2 1
Coluna 57 1 1
Tabela 11.5: Colheitadeira de Cana
11.4 Intervalo de confianca para o DPMO
Ao estudarmos o rendimento, vimos que a amostra X 1, X 2, . . . , X n tinha distribuicao Poisson.
Neste capıtulo a metrica utilizada sera o DPMO, e como a quantidade de defeitos e finita (pois
a cabine sera classificada como defeituosa ou nao), X 1, X 2, . . . , X n tera distribuicao Binomial.
Portanto:
X 1, X 2, . . . , X niid∼ Bernoulli(θ)
• Estimador de maxima verossimilhanca
A funcao densidade de uma distribuicao Bernoulli e dada por:
f (x, θ) = P [X = x] = θx(1− θ)1−x
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 96/113
11. Indicadores da Qualidade 88
Logo, a funcao verossimilhanca sera:
L(x; θ) =n
i=1
f (xi, θ) = θn
i=1 xi(1 − θ)n−ni=1 xi
E portanto:
l(x; θ) =n
i=1
xi log θ + n log (1− θ) −n
i=1
xi log(1 − θ)
Novamente, derivando e igualando a zero, temos:
∂
∂ θl(θ; x) =
ni=1 xi
θ− n−n
i=1 xi
1 − θ= 0 ⇔ 1 − θ
θ=
n−ni=1 xi
ni=1 xi
⇔ 1
θ− 1 =
nni=1 xi
− 1 ⇔ θ =n
i=1 xi
n= x
∴ x e um ponto crıtico de l(θ; x).
Vamos verificar se e um ponto de mınimo ou de maximo:
∂ 2
∂θ2l(θ; x) = −
ni=1 xi
θ2− n
(1 − θ)2+
ni=1 xi
(1 − θ)2
Como X 1, X 2, . . . , X n tem distribuicao Bernoulli, entao:
X i =
1 sucesso, i = 1, . . . , n
0 fracasso
∴
ni=1
xi ≤ n
e
∴∂ 2
∂θ2l(θ; x) < 0
∴ θ = x e o EMV de θ.
• Intervalo de Confianca
ˆθ =
¯X e o EMV de θ e n
i=1 X iiid
∼ Binomial(n; θ)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 97/113
11. Indicadores da Qualidade 89
E (θ) = E (
ni=1 X i
n) =
1
nE (
ni=1
X i) =n
nE (X 1) = θ
V (θ) = V (n
i=1 X in
) = 1n2
V (n
i=1
X i) = nn2
V (X 1) = θ(1 − θ)n
Obs: E (X 1) = θ e V (X 1) = θ(1 − θ) pois X 1, X 2, . . . , X niid∼ Binomial(θ).
Aplicando o TLC, temos:
Q =X − θ
θ(1−θ)
n
∼ N (0, 1)
e portanto Q e uma quantidade pivotal. Seja z definido como anteriormente, entao:
P
−z <X − θ
θ(1−θ)n
< z
= γ ⇔ P
−z
θ(1 − θ)
n− X < −θ < z
θ(1 − θ)
n− X
= γ
⇔ P
X − z
θ(1 − θ)
n< θ < X + z
θ(1 − θ)
n
= γ
∴
θ − z
θ(1 − θ)
n; θ + z
θ(1 − θ)
n
e um IC aproximado de 100γ % de confianca para θ.
Exemplo 11.3. Vamos encontrar intervalos de confianca para o DPMO da cabine e tambem
para o DPMO de cada componente da cabine. Baseados nos dados do exercıcio 11.2.
No c´ alculo do DPMO, n˜ ao e possıvel que o n umero de defeitos seja maior que o n´ umero de
cabines pois cada componente ser´ a classificada como defeituosa ou n˜ ao defeituosa (distribuic˜ ao
de Bernoulli). Novamente temos apenas a informac˜ ao sobre a estatıstica suficiente (
X i).
Completando a tabela fornecida no Exercıcio 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 produc˜ ao das 57 cabines ( total de oportunidades de cada componente). Temos que:
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 98/113
11. Indicadores da Qualidade 90
Componentes Unid Defeito Oport TOP DPOTacometro 57 49 2 114 0,43Mangueira 57 29 2 114 0,254
Vedacao 57 18 6 342 0,053Ar Condicionado 57 14 1 57 0,245
Portas 57 10 2 114 0,087Caixa de Controle 57 6 1 57 0,105
Sistema Eletrico no Painel 57 5 10 570 0,0087Cabo de Controle 57 3 2 114 0,0263
Instrumento 57 2 2 114 0,0175Ventilacao 57 2 1 57 0,035
Coluna 57 1 1 57 0,0175
θEM V
= X = DP Ocabine =
11i=1 X i
n=
139
1710= 0, 081286
Ent˜ ao o DPMO da cabine ser´ a dado por 106 ×DP Ocabine = 81.286, 54.
Uma f´ ormula para encontrar um intervalo de confianca para o DPMO e dada por:
106
θ − z
θ(1 − θ)
n; θ + z
θ(1 − θ)
n
Queremos um intervalo com 95% de confianca, e portanto temos que z=1,96. Ent˜ ao:
106
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 confianca para o DPMO da cabine.
Repetindo este mesmo procedimento para cada componente da cabine, encontraremos inter-
valos de 95% de confianca.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 99/113
11. Indicadores da Qualidade 91
• Tacometro
IC (DPMOtac; 0, 95) = 106
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 LSTacometro 429.824,561 406.360,24 453.288,87Mangueira 254.385,96 233.743,49 275.028,43
Vedacao 52.631,57 42.047,80 63.215,35Ar Condicionado 245.614,03 225.211,62 266.016,44
Portas 87.719,29 74.311,11 101.127,47Caixa 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 33.902,88Instrumento 17.543,859 11.321,18 23.766,53Ventilacao 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 final do processo, perdemos informa coes
sobre o retrabalho que ocorre durante o processo. Ao utilizarmos a analise da resposta do
processo podemos identificar a fase do processo com maior taxa de defeitos e/ou retrabalho.
Figura 11.3: Grafico do Rendimento Classico
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 100/113
11. Indicadores da Qualidade 92
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 deSoma de DPU Y T R = Produto RespostaSomas
Unidades Defeitos
Media da soma Media deMedia de DPU
Medias de unidades defeitospor operacao por operacao
por operacao− ln(Y T R)
Tabela 11.6: Resumo dos Dados
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 101/113
11. Indicadores da Qualidade 93
Figura 11.4: Grafico do Rendimento do Processo
Sabemos que o rendimento corresponde a Rendimento = e−DP U , portanto DP U =−
ln[e−DP U ].
Teorema da Probabilidade Total: Considere A1, A2, · · · , An eventos quaisquer. Entao,
temos que
P (A1 ∩ A2 ∩ · · · ∩An) = P (An|A1 ∩A2 ∩ · · · ∩An−1)× · · · × P (A2|A1) × P (A1)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 102/113
11. Indicadores da Qualidade 94
11.6 Exercıcios
Exercıcio 11.3. Considere um processo de fabricac˜ ao do pist˜ ao de um motor. Este processo e
dividido em quatro etapas b´ asicas:
• A - Fundic˜ ao;
• B - Pre usinagem;
• C - Usinagem e;
• D - Tratamento superficial.
Calcule o rendimento total do processo de fabricac˜ ao do pist˜ ao.
Operacao Unid Defeito DPU Rendimento Prob. Def.A 45.000 580B 44.420 220C 44.200 310D 43.890 75
SomaMedias
Tabela 11.7: Coleta de Dados
Exercıcio 11.4. Um eletrodomestico e dividido em seis m´ odulos b´ asicos. Atraves de dados de
assistencia tecnica temos as ocorrencias de defeitos em cada produto. Os dados referentes a
um lote de produc˜ ao est˜ ao dispostos na tabela :
Modulos Unidades Defeitos DPU Rendimento1 1500 122 1500 163 1500 17
4 1500 85 1500 226 1500 5
SomasMedias
Tabela 11.8: Coleta de Dados
a) Calcular o rendimento do produto;
b) Obter o PPM do produto;
c) Montar o gr´ afico de Pareto.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 103/113
11. Indicadores da Qualidade 95
Exercıcio 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 constituıda por 8 transistores, 10
diodos, 15 resistores e 4 circuitos integrados. Os dados referentes a um dia montagem est˜ aodispostos na tabela :
Tipo D U OP TOP DPU DPO DPMOTransistores 45 10000 24
Resistores 23 10000 20Diodos 32 10000
CI 150 10000Total
Tabela 11.9: Coleta de Dados
a) Calcule o DPO e DPMO do produto;
b) Montar o gr´ afico 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 104/113
11. Indicadores da Qualidade 96
Esta figura 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 especificacao.
Especificacoes Porcentagem PPM de defeitos
±1σ 68.27 317300±2 σ 95.45 54500±3 σ 99.73 2700±4 σ 99.9937 63±5 σ 99.999943 0.57±6 σ 99.9999998 0.002
Em geral, nao 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 1.5σ em torno da media do processo. Abaixo apresentamos um grafico
ilustrando a variacao.
Figura 11.6: Limites de Variacao
Especificacoes Porcentagem PPM de defeitos±1σ 30.23 697700±2σ 69.13 308700
±3σ 93.32 66810
±4σ 99.379 6210±5σ 999.767 233±6σ 9.999.966 3.4
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 105/113
11. Indicadores da Qualidade 97
Esta relacao e determinada utilizando a variacao de ± 1.5 × σ, sendo expressa de forma
aproximada por [Schmidt e Launsby (1997)]:
Numero de SIGMA = 0, 8406 + 29, 37 − 2, 221 × ln(P P M )
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
Exercıcio 11.6. Com os dados do exercıcio 11.1, calcular a metrica sigma.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 106/113
98
Capıtulo 12
Definicoes
Def: ( func˜ ao verossimilhanca ) Seja X 1, X 2, . . . , X n uma amostra aleatoria com funcao den-
sidade f (x; θ). A funcao verossimilhanca de θ correspondente a amostra observada e dada
por:
L(θ; x) =n
i=1
f (xi|θ)
Obs 1: O logaritmo da funcao verossimilhanca L(·) e denotado por l(·).
Def: (estimador de m´ axima verossimilhanca ) O estimador de maxima verossimilhanca
(EMV) de θ e o valor θ que maximiza a funcao verossimilhanca L(θ; x).
Def: (quantidade pivotal ) Uma v.a. Q(X 1, X 2, . . . , X n; θ) = Q(X ; θ) e dita ser uma quan-
tidade pivotal para o parametro θ se a sua distribuicao for independente de θ.
Def: (intervalo de confianca ) Seja X 1, X 2, . . . , X n uma amostra aleatoria com funcao den-
sidade f (·; θ). Sejam T 1 = t1(X 1, X 2, . . . , X n) e T 2 = t2(X 1, X 2, . . . , X n) duas estatısticas
satisfazendo T 1 ≤ T 2 para cada P θ[T 1 < τ (θ) < T 2] ≡ γ , onde γ nao depende de θ. Entao
o intervalo aleatorio (T 1, T 2) e chamado de intervalo de confianca de 100γ % para τ (θ). γ e
chamado de coeficiente de confianca, T 1 e T 2 sao chamados de limites de confianca inferior e
superior, respectivamente, para τ (θ). Um valor (t1, t2) do intervalo aleatorio (T 1;T 2) e tambem
chamado de intervalo de confianca de 100γ % para τ (θ).
Obs 2: Seja g uma funcao crescente e (T 1, T 2) um intervalo de confianca para o parametro
θ, entao (g(T 1), g(T 2)) e um IC para g(θ). Se g e decrescente, entao (g(T 2), g(T 1)) e um IC para
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 107/113
12. Definic˜ oes 99
g(θ).
Teorema do Limite Central (TLC): Seja X 1, X 2, . . . , X n uma sequencia de variaveis
aleatorias independentes com mesma distribuicao. Sejam µ = E (X i) e σ2
= V (X i) a esperancae a variancia comuns. Seja S =
ni=1 X i. Entao sob determinadas condicoes, temos:
S − E (S ) V (S )
∼ N (0, 1)
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 108/113
100
Apendice A
Tabela Normal Padrao - 6σ
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 109/113
A. Tabela Normal Padr˜ ao - 6 σ 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 0,0655217120,02 0,492021686 0,52 0,301531788 1,02 0,153864230 1,52 0,0642554880,03 0,488033527 0,53 0,298055965 1,03 0,151505003 1,53 0,0630083640,04 0,484046563 0,54 0,294598516 1,04 0,149169950 1,54 0,0617801770,05 0,480061194 0,55 0,291159687 1,05 0,146859056 1,55 0,0605707580,06 0,476077817 0,56 0,287739719 1,06 0,144572300 1,56 0,0593799410,07 0,472096830 0,57 0,284338849 1,07 0,142309654 1,57 0,0582075560,08 0,468118628 0,58 0,280957309 1,08 0,140071090 1,58 0,0570534330,09 0,464143607 0,59 0,277595325 1,09 0,137856572 1,59 0,0559174030,10 0,460172163 0,60 0,274253118 1,10 0,135666061 1,60 0,0547992920,11 0,456204687 0,61 0,270930904 1,11 0,133499513 1,61 0,0536989280,12 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 0,0515507480,14 0,444329995 0,64 0,261086300 1,14 0,127143151 1,64 0,0505025830,15 0,440382308 0,65 0,257846111 1,15 0,125071936 1,65 0,0494714680,16 0,436440537 0,66 0,254626915 1,16 0,123024403 1,66 0,0484572260,17 0,432505068 0,67 0,251428895 1,17 0,121000484 1,67 0,0474596820,18 0,428576284 0,68 0,248252230 1,18 0,119000107 1,68 0,0464786580,19 0,424654565 0,69 0,245097094 1,19 0,117023196 1,69 0,0455139770,20 0,420740291 0,70 0,241963652 1,20 0,115069670 1,70 0,0445654630,21 0,416833837 0,71 0,238852068 1,21 0,113139446 1,71 0,0436329370,22 0,412935577 0,72 0,235762498 1,22 0,111232437 1,72 0,0427162210,23 0,409045885 0,73 0,232695092 1,23 0,109348552 1,73 0,0418151380,24 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 0,0400591570,26 0,397431887 0,76 0,223627292 1,26 0,103834681 1,76 0,0392039030,27 0,393580127 0,77 0,220649946 1,27 0,102042315 1,77 0,0383635700,28 0,389738752 0,78 0,217695438 1,28 0,100272568 1,78 0,0375379800,29 0,385908119 0,79 0,214763884 1,29 0,098525329 1,79 0,0367269560,30 0,382088578 0,80 0,211855399 1,30 0,096800485 1,80 0,0359303190,31 0,378280478 0,81 0,208970088 1,31 0,095097918 1,81 0,0351478940,32 0,374484165 0,82 0,206108054 1,32 0,093417509 1,82 0,0343795020,33 0,370699981 0,83 0,203269392 1,33 0,091759136 1,83 0,0336249690,34 0,366928264 0,84 0,200454193 1,34 0,090122672 1,84 0,0328841190,35 0,363169349 0,85 0,197662543 1,35 0,088507991 1,85 0,0321567750,36 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 0,0307419090,38 0,351972708 0,88 0,189429655 1,38 0,083793322 1,88 0,0300540390,39 0,348268273 0,89 0,186732943 1,39 0,082264439 1,89 0,0293789800,40 0,344578258 0,90 0,184060125 1,40 0,080756659 1,90 0,0287165600,41 0,340902974 0,91 0,181411255 1,41 0,079269841 1,91 0,0280666070,42 0,337242727 0,92 0,178786380 1,42 0,077803841 1,92 0,0274289500,43 0,333597821 0,93 0,176185542 1,43 0,076358510 1,93 0,0268034190,44 0,329968554 0,94 0,173608780 1,44 0,074933700 1,94 0,0261898450,45 0,326355220 0,95 0,171056126 1,45 0,073529260 1,95 0,0255880600,46 0,322758110 0,96 0,168527607 1,46 0,072145037 1,96 0,0249978950,47 0,319177509 0,97 0,166023246 1,47 0,070780877 1,97 0,0244191850,48 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 110/113
A. Tabela Normal Padr˜ ao - 6 σ 102
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 0,0002240532,02 0,021691694 2,52 0,005867742 3,02 0,001263873 3,52 0,0002157732,03 0,021178270 2,53 0,005703126 3,03 0,001222769 3,53 0,0002077802,04 0,020675163 2,54 0,005542623 3,04 0,001182891 3,54 0,0002000642,05 0,020182215 2,55 0,005386146 3,05 0,001144207 3,55 0,0001926162,06 0,019699270 2,56 0,005233608 3,06 0,001106685 3,56 0,0001854272,07 0,019226172 2,57 0,005084926 3,07 0,001070294 3,57 0,0001784912,08 0,018762766 2,58 0,004940016 3,08 0,001035003 3,58 0,0001717972,09 0,018308900 2,59 0,004798797 3,09 0,001000782 3,59 0,0001653392,10 0,017864421 2,60 0,004661188 3,10 0,000967603 3,60 0,0001591092,11 0,017429178 2,61 0,004527111 3,11 0,000935437 3,61 0,0001530992,12 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 0,0001417112,14 0,016177383 2,64 0,004145301 3,14 0,000844739 3,64 0,0001363192,15 0,015777607 2,65 0,004024589 3,15 0,000816352 3,65 0,0001311202,16 0,015386335 2,66 0,003907033 3,16 0,000788846 3,66 0,0001261082,17 0,015003423 2,67 0,003792562 3,17 0,000762195 3,67 0,0001212752,18 0,014628731 2,68 0,003681108 3,18 0,000736375 3,68 0,0001166172,19 0,014262118 2,69 0,003572601 3,19 0,000711364 3,69 0,0001121272,20 0,013903448 2,70 0,003466974 3,20 0,000687138 3,70 0,0001078002,21 0,013552581 2,71 0,003364160 3,21 0,000663675 3,71 0,0001036302,22 0,013209384 2,72 0,003264096 3,22 0,000640953 3,72 0,0000996112,23 0,012873721 2,73 0,003166716 3,23 0,000618951 3,73 0,0000957402,24 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 0,0000884172,26 0,011910625 2,76 0,002890068 3,26 0,000557061 3,76 0,0000849572,27 0,011603792 2,77 0,002802815 3,27 0,000537737 3,77 0,0000816242,28 0,011303844 2,78 0,002717945 3,28 0,000519035 3,78 0,0000784142,29 0,011010658 2,79 0,002635402 3,29 0,000500937 3,79 0,0000753242,30 0,010724110 2,80 0,002555130 3,30 0,000483424 3,80 0,0000723482,31 0,010444077 2,81 0,002477075 3,31 0,000466480 3,81 0,0000694832,32 0,010170439 2,82 0,002401182 3,32 0,000450087 3,82 0,0000667262,33 0,009903076 2,83 0,002327400 3,33 0,000434230 3,83 0,0000640722,34 0,009641870 2,84 0,002255677 3,34 0,000418892 3,84 0,0000615172,35 0,009386706 2,85 0,002185961 3,35 0,000404058 3,85 0,0000590592,36 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 0,0000544182,38 0,008656319 2,88 0,001988376 3,38 0,000362429 3,88 0,0000522282,39 0,008424186 2,89 0,001926209 3,39 0,000349463 3,89 0,0000501222,40 0,008197536 2,90 0,001865813 3,40 0,000336929 3,90 0,0000480962,41 0,007976260 2,91 0,001807144 3,41 0,000324814 3,91 0,0000461482,42 0,007760254 2,92 0,001750157 3,42 0,000313106 3,92 0,0000442742,43 0,007549411 2,93 0,001694810 3,43 0,000301791 3,93 0,0000424732,44 0,007343631 2,94 0,001641061 3,44 0,000290857 3,94 0,0000407412,45 0,007142811 2,95 0,001588870 3,45 0,000280293 3,95 0,0000390762,46 0,006946851 2,96 0,001538195 3,46 0,000270088 3,96 0,0000374752,47 0,006755653 2,97 0,001488999 3,47 0,000260229 3,97 0,0000359362,48 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
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 111/113
A. Tabela Normal Padr˜ ao - 6 σ 103
Z Area Z Area Z Area Z Area
4,00 0,000031671 4,50 0,000003398 5,00 0,000000287 5,50 0,0000000194,01 0,000030359 4,51 0,000003241 5,01 0,000000272 5,51 0,0000000184,02 0,000029099 4,52 0,000003092 5,02 0,000000258 5,52 0,0000000174,03 0,000027888 4,53 0,000002949 5,03 0,000000245 5,53 0,0000000164,04 0,000026726 4,54 0,000002813 5,04 0,000000233 5,54 0,0000000154,05 0,000025609 4,55 0,000002682 5,05 0,000000221 5,55 0,0000000144,06 0,000024536 4,56 0,000002558 5,06 0,000000210 5,56 0,0000000134,07 0,000023507 4,57 0,000002439 5,07 0,000000199 5,57 0,0000000134,08 0,000022518 4,58 0,000002325 5,08 0,000000189 5,58 0,0000000124,09 0,000021569 4,59 0,000002216 5,09 0,000000179 5,59 0,0000000114,10 0,000020658 4,60 0,000002112 5,10 0,000000170 5,60 0,0000000114,11 0,000019783 4,61 0,000002013 5,11 0,000000161 5,61 0,0000000104,12 0,000018944 4,62 0,000001919 5,12 0,000000153 5,62 0,0000000104,13 0,000018138 4,63 0,000001828 5,13 0,000000145 5,63 0,0000000094,14 0,000017365 4,64 0,000001742 5,14 0,000000137 5,64 0,00000000854,15 0,000016624 4,65 0,000001660 5,15 0,000000130 5,65 0,00000000804,16 0,000015912 4,66 0,000001581 5,16 0,000000123 5,66 0,00000000764,17 0,000015230 4,67 0,000001506 5,17 0,000000117 5,67 0,00000000714,18 0,000014575 4,68 0,000001434 5,18 0,000000111 5,68 0,00000000674,19 0,000013948 4,69 0,000001366 5,19 0,000000105 5,69 0,00000000644,20 0,000013346 4,70 0,000001301 5,20 0,000000100 5,70 0,00000000604,21 0,000012769 4,71 0,000001239 5,21 0,000000094 5,71 0,00000000564,22 0,000012215 4,72 0,000001179 5,22 0,000000089 5,72 0,00000000534,23 0,000011685 4,73 0,000001123 5,23 0,000000085 5,73 0,00000000504,24 0,000011176 4,74 0,000001069 5,24 0,000000080 5,74 0,00000000474,25 0,000010689 4,75 0,000001017 5,25 0,000000076 5,75 0,00000000454,26 0,000010221 4,76 0,000000968 5,26 0,000000072 5,76 0,00000000424,27 0,000009774 4,77 0,000000921 5,27 0,000000068 5,77 0,00000000404,28 0,000009345 4,78 0,000000876 5,28 0,000000065 5,78 0,00000000374,29 0,000008934 4,79 0,000000834 5,29 0,000000061 5,79 0,00000000354,30 0,000008540 4,80 0,000000793 5,30 0,000000058 5,80 0,00000000334,31 0,000008163 4,81 0,000000755 5,31 0,000000055 5,81 0,00000000314,32 0,000007801 4,82 0,000000718 5,32 0,000000052 5,82 0,00000000294,33 0,000007455 4,83 0,000000683 5,33 0,000000049 5,83 0,00000000284,34 0,000007124 4,84 0,000000649 5,34 0,000000046 5,84 0,00000000264,35 0,000006807 4,85 0,000000617 5,35 0,000000044 5,85 0,00000000254,36 0,000006503 4,86 0,000000587 5,36 0,000000042 5,86 0,00000000234,37 0,000006212 4,87 0,000000558 5,37 0,000000039 5,87 0,00000000224,38 0,000005934 4,88 0,000000530 5,38 0,000000037 5,88 0,00000000214,39 0,000005668 4,89 0,000000504 5,39 0,000000035 5,89 0,00000000194,40 0,000005413 4,90 0,000000479 5,40 0,000000033 5,90 0,00000000184,41 0,000005169 4,91 0,000000455 5,41 0,000000032 5,91 0,00000000174,42 0,000004935 4,92 0,000000433 5,42 0,000000030 5,92 0,00000000164,43 0,000004712 4,93 0,000000411 5,43 0,000000028 5,93 0,00000000154,44 0,000004498 4,94 0,000000391 5,44 0,000000027 5,94 0,00000000144,45 0,000004294 4,95 0,000000371 5,45 0,000000025 5,95 0,00000000134,46 0,000004098 4,96 0,000000352 5,46 0,000000024 5,96 0,00000000134,47 0,000003911 4,97 0,000000335 5,47 0,000000023 5,97 0,00000000124,48 0,000003732 4,98 0,000000318 5,48 0,000000021 5,98 0,00000000114,49 0,000003561 4,99 0,000000302 5,49 0,000000020 5,99 0,0000000010
6,00 0,0000000010
Tabela A.1: Tabela Normal 6σ
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 112/113
104
Referencias Bibliograficas
[1] Douglas C. Montgomery - Introduction to Statistical Quality Control, John Wiley and
Sons, 1985.
[2] Fundamentos do Controle Estatıstico 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 Estatıstica, 3
edicao, Editora USP.
[6] P. L. Meyer (1983) - Probabilidade: Aplicacoes a Estatıstica, segunda edicao, Livros
tecnicos e Cientıficos Editora.
[7] W. O. Bussab e P. A. Morettin (1987) - Estatıstica 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 Estatıstico 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.
5/16/2018 apostila estatistica - slidepdf.com
http://slidepdf.com/reader/full/apostila-estatistica-55ab54aae492f 113/113
Referencias Bibliograficas 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.
Recommended