CE219 - Controle Estatístico de...
Transcript of CE219 - Controle Estatístico de...
![Page 1: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/1.jpg)
CE219 - Controle Estatístico de Qualidade
Cesar Augusto Taconeli
30 de maio, 2017
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 1 / 96
![Page 2: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/2.jpg)
Aula 2 - Métodos estáticos para a análise daqualidade
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 2 / 96
![Page 3: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/3.jpg)
Métodos estáticos para a análise da qualidade
O objetivo aqui é fazer uma (breve) revisão de modelos probabilísticose métodos estatísticos, com aplicação na descrição, modelagem eprodução de inferências para processos.Serão abordados:
Métodos de análise descritiva;Probabilidade e principais modelos probabilísticos;Inferência estatística aplicada à qualidade do processo.
As próximas aulas serão intercaladas com ilustrações no R e os scriptsdisponibilizados na página da disciplina.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 3 / 96
![Page 4: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/4.jpg)
Métodos descritivos
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 4 / 96
![Page 5: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/5.jpg)
Métodos descritivos
Há uma grande variedade de métodos descritivos disponíveis, cujaaplicação dependerá dos objetivos da análise, da quantidade devariáveis sob estudo (e de suas respectivas escalas. . . ).As principais ferramentas estatísticas são os gráficos, tabelas e resumosnuméricos.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 5 / 96
![Page 6: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/6.jpg)
Métodos descritivos
Alguns gráficos úteis na análise de qualidade de processos:Gráfico de ramos e folhas;Histograma;Gráfico de série;Gráfico de dispersão;Gráfico de Pareto;Gráfico de caixa (box-plot);Gráficos de probabilidade (quantil-quantil).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 6 / 96
![Page 7: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/7.jpg)
Métodos descritivos
Principais medidas resumo:Média, mediana e moda;Variância, desvio padrão e coeficiente de variação;Mínimo e máximo;Quartis e demais percentis.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 7 / 96
![Page 8: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/8.jpg)
Probabilidade e principais modelosprobabilísticos
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 8 / 96
![Page 9: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/9.jpg)
Probabilidade e principais modelos probabilísticos
Um objetivo frequente na análise de dados é a inferência estatística,que consiste em produzir conclusões (estimar parâmetros, testarhipóteses, tomar decisões) para populações com base em amostras.
No contexto de controle estatístico de processos, o usual é assumircomo população a distribuição dos valores de todos os itens produzidospor um processo para certa característica da qualidade (variávelaleatória).
A forma mais usual de proceder é assumir um modelo probabilísticoadequado à distribuição do processo.
Um modelo probabilístico é um modelo matemático que associaprobabilidades aos valores de uma variável aleatória (ou de múltiplasvariáveis).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 9 / 96
![Page 10: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/10.jpg)
Probabilidade e principais modelos probabilísticos
A literatura dispõe de muitas (muitas mesmo!) alternativas de modelosprobabilísticos para variáveis aleatórias discretas, contínuas ou atémesmo mistas (parte contínua, parte discreta).
Uma variável aleatória é denominada discreta caso tenha probabilidadesnão nulas associadas a um conjunto enumerável de valores. Sãoexemplos o número de itens defeituosos num lote de 100 peças, onúmero de clientes atendidos por hora em um banco, o número deitens produzidos até a verificação da primeira unidade defeituosa. . .
Uma variável aleatória é denominada contínua se pode gerar resultadosem algum conjunto contínuo de valores. São exemplos o tempo de vidade equipamentos, a resistência de moldes de aço, as dimensões deplacas de alumínio. . .
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 10 / 96
![Page 11: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/11.jpg)
Probabilidade e principais modelos probabilísticos
Seja X uma variável aleatória discreta, cuja distribuição é definida pelafunção de probabulidades:
P(X = xi ) = pi , i = 1, 2, 3, ...
A média (esperança) e a variância de X ficam definidas,respectivamente, por:
µ = E (X ) =∑
ixipi
σ2 = Var(X ) =∑
i(xi − µ)2pi
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 11 / 96
![Page 12: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/12.jpg)
Probabilidade e principais modelos probabilísticos
Exercício 1 (Variáveis aleatórias discretas)A variável aleatória X assume os valores 1, 2 e 3 com probabilidades(1 + 3k)/3, (1 + 2k)/3 e (0.5 + 5k)/3, respectivamente.
a) Ache o valor apropriado de k;b) Ache a média e a variância de x;c) Apresente a função de distribuição acumulada.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 12 / 96
![Page 13: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/13.jpg)
Probabilidade e principais modelos probabilísticos
Seja X uma variável aleatória contínua, cuja distribuição é definidapela função densidade de probabilidades f (x), tal que:
P(a < X < b) =∫ b
af (x)dx
A média (esperança) e a variância de X são dadas, respectivamente,por:
µ = E (X ) =∫ ∞−∞
xf (x)dx
σ2 = Var(X ) =∫ ∞−∞
(x − µ)2f (x)dx
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 13 / 96
![Page 14: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/14.jpg)
Probabilidade e principais modelos probabilísticos
Exercício 2 (Variáveis aleatórias contínuas)A distribuição de probabilidade de X é f (x) = k exp{−x}, 0 < x <∞.Qual o valor apropriado de k? Qual a média e a variância de X?
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 14 / 96
![Page 15: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/15.jpg)
Modelos probabilísticos para variáveis aleatóriasdiscretas
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 15 / 96
![Page 16: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/16.jpg)
Distribuição hipergeométrica
A principal aplicação da distribuição hipergeométrica é em situaçõesenvolvendo amostragem aleatória simples sem reposição.
Na área de controle de qualidade, aplica-se em problemas deamostragem de aceitação.
A título de ilustração, poderíamos ter X como o número de ítensdefeituosos em uma amostra aleatória de n ítens selecionada, semreposição, de um lote de tamanho N.
Neste caso, D e N − D seriam os números de itens defeituosos e bonsno lote, respectivamente.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 16 / 96
![Page 17: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/17.jpg)
Distribuição hipergeométrica
Uma variável aleatória Y tem distribuição hipergeométrica de parâmetros D,N e n se sua função de probabilidades é dada por:
P (X = x) =
(Dx
)(N − Dn − x
)(Nn
) , x = 0, 1, 2, ...,min (n,D)
com média e variância:
µ = nDN ; σ2 = nD
N
(N − DN
)(N − nN − 1
).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 17 / 96
![Page 18: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/18.jpg)
Distribuição hipergeométrica
0 2 4 6 8 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
N=20, D=4, n=5
x
P(X
=x)
●
●
●
●● ● ● ● ● ● ●
0 1 2 3 4 5 6 7 8 9 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
N=20, D=4, n=10
x
P(X
=x)
●
●
●
●
●
● ● ● ● ● ●
0 1 2 3 4 5 6 7 8 9 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
N=20, D=8, n=5
x
P(X
=x)
●
●
●
●
●
● ● ● ● ● ●
0 1 2 3 4 5 6 7 8 9 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
N=20, D=8, n=10
x
P(X
=x)
● ●
●
●
●
●
●
● ● ● ●
0 1 2 3 4 5 6 7 8 9 10
0.0
0.1
0.2
0.3
0.4
0.5
0.6
Distribuição hipergeométrica
Figura 1: Distribuição HipergeométricaCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 18 / 96
![Page 19: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/19.jpg)
Distribuição hipergeométrica
Exercício 3Um lote de tamanho N = 30 contém três unidades não conformes.
a) Qual é a probabilidade de que uma amostra de cinco unidadesselecionadas aleatoriamente contenha exatamente uma unidade nãoconforme?
b) Qual é a probabilidade de que contenha uma ou mais unidades nãoconformes?
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 19 / 96
![Page 20: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/20.jpg)
Distribuição binomial
Suponha n eventos independentes, cada um com dois resultadospossíveis (sucesso ou fracasso).
Vamos admitir igual probabilidade de sucesso (p) a cada um dos neventos.
A variável aleatória que conta o número de sucessos produzidos nos neventos tem distribuição binomial, sendo n e p os seus parâmetros.
A distribuição binomial serve como aproximação para a distribuiçãohipergeométrica para grandes populações (N >>> n).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 20 / 96
![Page 21: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/21.jpg)
Distribuição binomial
A variável aleatória X com distribuição binomial de parâmetros n e p temsua função de probabilidades dada por:
P(X = x) =(nx
)px (1− p)(n−x) , x = 0, 1, 2, ..., n.
com média e variância:
µ = np ; σ2 = np(1− p).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 21 / 96
![Page 22: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/22.jpg)
Distribuição binomial
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
n=5 ; p=0,10
x
P(X
=x)
●
●
●
● ● ●
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
n=5 ; p=0,50
xP
(X=
x)
●
●
● ●
●
●
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
n=5 ; p=0,90
x
P(X
=x)
● ● ●
●
●
●
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10
0.0
0.1
0.2
0.3
0.4
n=10 ; p=0,10
x
P(X
=x)
●
●
●
●
● ● ● ● ● ● ●
0 1 2 3 4 5 6 7 8 9
0.0
0.1
0.2
0.3
0.4
0 2 4 6 8 10
0.0
0.1
0.2
0.3
0.4
n=10 ; p=0,50
x
P(X
=x)
● ●
●
●
●
●
●
●
●
● ●
0 1 2 3 4 5 6 7 8 9
0.0
0.1
0.2
0.3
0.4
0 2 4 6 8 10
0.0
0.1
0.2
0.3
0.4
n=10 ; p=0,90
xP
(X=
x)
● ● ● ● ● ● ●
●
●
●
●
0 1 2 3 4 5 6 7 8 9
0.0
0.1
0.2
0.3
0.4
Distribuição binomial
Figura 2: Distribuição BinomialCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 22 / 96
![Page 23: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/23.jpg)
Distribuição binomial
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
N=20, D = 5, n = 5
x
P(X
=x)
HipergeometricaBinomial
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
N=40, D = 10, n = 5
x
P(X
=x)
HipergeometricaBinomial
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
N=80, D = 20, n = 5
x
P(X
=x)
HipergeometricaBinomial
0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
N=160, D = 40, n = 5
x
P(X
=x)
HipergeometricaBinomial
Aproximação da distribuição hipergeométrica pela binomial (n = 5, p = D/N = 0.25)
Figura 3: Aproximação Hipergeométrica - BinomialCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 23 / 96
![Page 24: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/24.jpg)
Distribuição binomial
Exercício 4Um processo de produção opera a uma taxa de 5% de peças produzidas nãoconformes. A cada hora uma amostra de 25 unidades do produto é retirada,e o número de peças não conformes (defeituosas) registrado.
a) Qual a probabilidade de duas peças defeituosas serem verificadas numarealização da inspeção?
b) A empresa será multada se três ou mais itens defeituosos foremverificados na próxima inspeção. Qual a probabilidade de multa?
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 24 / 96
![Page 25: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/25.jpg)
Distribuição Poisson
Aplicada na modelagem do número de eventos aleatórios verificadosem unidades de tempo, área, volume,. . .
Em CEP, aplicada frequentemente na análise do número de defeitos(não conformidades) por unidade de produto.
Aplicável caso os eventos ocorram aleatoriamente sob taxa constante(Processo de Poisson);
Forma limite da distribuição binomial para p tendendo a 0 e n ainfinito, mantendo constante λ = np.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 25 / 96
![Page 26: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/26.jpg)
Distribuição Poisson
A variável aleatória X com distribuição de Poisson de parâmetro (taxa) λtem sua função de probabilidades dada por:
P (X = x) = e−λλx
x ! , x = 0, 1, 2, ...; λ > 0,
com média e variância dadas por:
µ = σ2 = λ
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 26 / 96
![Page 27: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/27.jpg)
Distribuição Poisson
λ = 1
x
P(X
=x)
● ●
●
●
●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
0 5 10 15 20
0.00
0.08
0.16
0.24
0.32
0.40
λ = 5
x
P(X
=x)
●
●
●
●
● ●
●
●
●
●
●
●● ● ● ● ● ● ● ● ●
0 5 10 15 20
0.00
0.08
0.16
0.24
0.32
0.40
λ = 10
xP
(X=
x)
● ● ●●
●
●
●
●
●
● ●
●
●
●
●
●
●●
● ● ●
0 5 10 15 20
0.00
0.08
0.16
0.24
0.32
0.40
Distribuição Poisson
Figura 4: Distribuição PoissonCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 27 / 96
![Page 28: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/28.jpg)
Distribuição Poisson
0.00
0.05
0.10
0.15
0.20
0.25
n=5 , p=0,4; λ=2
x
P(X
=x)
PoissonBinomial
0 1 2 3 4 5 6 7 8 9 10
0.00
0.05
0.10
0.15
0.20
0.25
n=10 , p=0,2; λ=2
x
P(X
=x)
PoissonBinomial
0 1 2 3 4 5 6 7 8 9 10
0.00
0.05
0.10
0.15
0.20
0.25
n=50 , p=0,04; λ=2
x
P(X
=x)
PoissonBinomial
0 1 2 3 4 5 6 7 8 9 10
0.00
0.05
0.10
0.15
0.20
0.25
n=200 , p=0,01; λ=2
x
P(X
=x)
PoissonBinomial
0 1 2 3 4 5 6 7 8 9 10
Aproximação da distribuição binomial pela Poisson
Figura 5: Aproximação Binomial - PoissonCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 28 / 96
![Page 29: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/29.jpg)
Distribuição Poisson
Como propriedade da distribuição Poisson, se a unidade de medida emque são contados os eventos for multiplicada por uma constante t,então a variável de contagem resultante terá distribuição Poisson commédia (e variância) λt:
P (X = x) = e−λt(λt)x
x ! , x = 0, 1, 2, ...; λ > 0,
Padrões não aleatórios na ocorrência dos eventos (eventos agrupados,regularmente espaçados. . . ) geram contagens que não sãoadequadamente modeladas pela distribuição Poisson.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 29 / 96
![Page 30: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/30.jpg)
Distribuição Poisson
Exercício 5O departamento de cobrança de uma grande companhia de cartão decréditos tenta controlar os erros (administrativos, de digitação,...) nascontas dos clientes. Suponha que tais erros ocorram aleatoriamente comuma taxa diária λ = 0, 1.
a) Qual a probabilidade de ocorrerem dois erros num dia qualquer?b) Qual a probabilidade de ocorrerem mais de dois erros num dia qualquer?c) Qual a probabilidade de ocorrerem mais de dois erros nos próximos cinco
dias?
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 30 / 96
![Page 31: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/31.jpg)
Distribuições binomial negativa e geométrica
Considere uma sequência de eventos independentes do tipo sucesso oufracasso, cada um com probabilidade de sucesso p;
Seja X a variável aleatória que conta o número de eventos até or-ésimo sucesso.
Neste caso, X tem distribuição binomial negativa com parâmetros r ep.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 31 / 96
![Page 32: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/32.jpg)
Distribuições binomial negativa e geométrica
A variável aleatória X com distribuição binomial negativa de parâmetros r ep tem sua função de probabilidades dada por:
P(X = x) =(x − 1r − 1
)pr (1− p)(x−r) , x = r , r + 1, r + 2, ...
em que r ≥ 1 inteiro, com média e variância dadas por:
µ = rp ; σ2 = r(1− p)
p2 .
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 32 / 96
![Page 33: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/33.jpg)
Distribuição Binomial Negativa
r=2 ; p=0,1
x
P(X
=x)
●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●
0 5 10 15 20 25 30 35 40 45 50
0.0
0.1
0.2
0.3
0.4
0.5
r=2 ; p=0,5
x
P(X
=x)
● ●
●
●
●●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
0 2 4 6 8 10 12 14 16 18 20
0.0
0.1
0.2
0.3
0.4
0.5
r=5 ; p=0,5
x
P(X
=x)
●
●
●● ●
●●
●●
● ● ● ● ● ● ● ● ● ● ● ●
0 2 4 6 8 10 12 14 16 18 20 22 24 26
0.0
0.1
0.2
0.3
0.4
0.5
r=5 ; p=0,9
x
P(X
=x)
●
●
●
●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
0 2 4 6 8 10 12 14 16 18 20 22 24 26
0.0
0.1
0.2
0.3
0.4
0.5
Distribuição Binomial negativa
Figura 6: Distribuição Binomial NegativaCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 33 / 96
![Page 34: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/34.jpg)
Distribuições binomial negativa e geométrica
A distribuição binomial negativa tem importante aplicação comoalternativa à distribuição de Poisson na modelagem de contagens deeventos por unidade de tempo, espaço, outra medida qualquer.
Observe a dualidade entre as distribuições binomial e binomial negativa.Na primeira, o número de eventos é fixo e a variável é o número desucessos. Na segunda, o número de sucessos é fixo, contando-se onúmero de eventos.
Um importante caso particular da distribuição binomial negativa é adistribuição geométrica, para a qual r = 1 (X conta o número deeventos até se observar o primeiro sucesso).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 34 / 96
![Page 35: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/35.jpg)
Distribuições binomial negativa e geométrica
A variável aleatória X tem distribuição geométrica de parâmetro p se suafunção de probabilidades é dada por:
P(X = x) = (1− p)(x−1) p, x = 1, 2, ...
com média e variância dadas por:
µ = 1p ; σ2 = 1− p
p2 .
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 35 / 96
![Page 36: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/36.jpg)
Distribuição Geométrica
0.0
0.2
0.4
0.6
0.8
1.0
p=0,1
x
P(X
=x)
●●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
1 3 5 7 9 11 13 15 17 19 21
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0
0.2
0.4
0.6
0.8
1.0
p=0,5
x
P(X
=x)
●
●
●
●
●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
1 3 5 7 9 11 13 15 17 19 21
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.0
0.2
0.4
0.6
0.8
1.0
p=0,9
x
P(X
=x)
●
●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
1 3 5 7 9 11 13 15 17 19 21
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Distribuição Geométrica
Figura 7: Distribuição Geométrica
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 36 / 96
![Page 37: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/37.jpg)
Distribuições binomial negativa e geométrica
Uma das propriedades da distribuição geométrica é a falta dememória, segundo a qual:
P(X > x + a|X > a) = P(X > x), para qualquer a > 0
.
Assim, sob distribuição geométrica, a probabilidade do próximo ítemdefeituoso ocorrer daqui a cinco avaliações é a mesma se ainda nãotivermos observado nenhum item, ou 10 ítens bons, ou 1000 ítensbons. . .
A distribuição geométrica é o modelo adequado para um importanteindicador de desempenho de gráficos de controle, o comprimentomédio de sequência.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 37 / 96
![Page 38: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/38.jpg)
Distribuições binomial negativa e geométrica
Exercício 6Um operador de telemarketing trabalha. Historicamente, esse operador temsucesso em 20% de suas tentativas.
a) Qual a probabilidade dele realizar sua primeira venda na terceiratentativa?
b) Qual a probabilidade dele realizar sua primeira venda até a terceiratentativa?
c) Sua meta é realizar três vendas. Qual a probabilidade dele atingir suameta até a décima tentativa?
d) Qual o número esperado de tentativas até a primeira venda? E atéatingir a meta?
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 38 / 96
![Page 39: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/39.jpg)
Modelos probabilísticos para variáveis aleatóriascontínuas
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 39 / 96
![Page 40: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/40.jpg)
Distribuição Normal
A distribuição Normal é a mais importante distribuição contínua,dentre outros motivos por que:
Modela adequadamente a distribuição de um grande número de variáveisaleatórias contínuas;
Serve de aproximação para diversas outras distribuições contínuas ediscretas;
Tem papel importante na Teoria Estatística, fundamentando a obtençãode inferências em diferentes contextos.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 40 / 96
![Page 41: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/41.jpg)
Distribuição Normal
A variável aleatória X tem distribuição Normal com parâmetros µ e σ2 sesua função densidade de probabilidade é dada por:
f (x) = 1√2πσ2
e−12 ( x−µ
σ )2, −∞ < x <∞, −∞ < µ <∞, σ2 > 0,
com média e variância dadas por µ e σ2, respectivamente.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 41 / 96
![Page 42: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/42.jpg)
Distribuição Normal
−6 −4 −2 0 2 4 6
0.0
0.1
0.2
0.3
0.4
Distribuição Normal
Mesma variância, médias diferentesx
f X(x
)
µ=−3, σ2=1µ=0, σ2=1µ=3, σ2=1
−6 −4 −2 0 2 4 6
0.0
0.1
0.2
0.3
0.4
Mesma média, variâncias diferentesx
f X(x
)
µ=0, σ2=1µ=0, σ2=4µ=0, σ2=9
Figura 8: Distribuição NormalCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 42 / 96
![Page 43: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/43.jpg)
Distribuição Normal
Probabilidades associadas à distribuição Normal não podem ser obtidasanaliticamente (mas sim numericamente), pois a integralcorrespondente não tem forma fechada.
Como recursos, temos os softwares estatísticos ou a consulta a tabelasda distribuição Normal padrão (µ = 0;σ2 = 1).
A consulta a tabela da normal padrão se justifica pelo fato que se Xtem distribuição Normal com média µ e variância σ2, então:
Z = X − µσ∼ N(0, 1)
Obs: Apenas lembrando: X ∼ N(µ, σ2) lê-se “a variável aleatória X temdistribuição Normal de média µ e variância σ2”.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 43 / 96
![Page 44: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/44.jpg)
Distribuição Normal
Exercício 7A intensidade de luz resultante de uma lâmpada (X) tem distribuiçãoNormal com média 5.000 end foot candles e desvio padrão 100 end footcandles.
a) Qual a probabilidade de X > 4.800?b) Ache um limite de especificação tal que apenas 0, 5% das lâmpadas não
excedam esse valor;c) Qual deveria ser a média tal que P(X < 4.800) = 0.005?
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 44 / 96
![Page 45: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/45.jpg)
Distribuição Normal
Algumas propriedades da distribuição Normal:
Se X ∼ N(µ, σ2), então:P(µ− σ < X < µ+ σ) ≈ 0.6826;P(µ− 2σ < X < µ+ 2σ) ≈ 0.9546;P(µ− 3σ < X < µ+ 3σ) ≈ 0.9973.
Por sua simetria em relação a µ:P(X < µ− δ) = P(X > µ+ δ), para qualquer δ.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 45 / 96
![Page 46: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/46.jpg)
Distribuição Normal
Combinações lineares de variáveis aleatórias com distribuição Normaltambém têm distribuição Normal.Em particular, sejam X1 ∼ N(µ1, σ
21), X2 ∼ N(µ2, σ
22), . . . ,
Xn ∼ N(µn, σ2n) variáveis aleatórias independentes, e a1, a2, ..., an um
conjunto de constantes. Então:
y = a1X1 + a2X2 + ...+ anXn
tem distribuição Normal com média
µy = a1µ1 + a2µ2 + ...+ anµn
e variância
σ2y = a2
1σ21 + a2
2σ22 + ...+ a2
nσ2n.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 46 / 96
![Page 47: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/47.jpg)
Distribuição Normal
Exercício 8Suponha que os ganhos mensais (em milhares de reais) de um investidor emtrês aplicações (1, 2 e 3) tenham distribuição X1 ∼ N(10, 2), X2 ∼ N(20, 5)e X3 ∼ N(30, 9), independentes:
a) Qual a probabilidade do rendimento acumulado em um mês qualquer sersuperior a 65 mil reais?
b) Qual a probabilidade do rendimento médio em um mês ser superior a 22mil reais?
c) Qual a distribuição de 2X1 + 3X2 − X3?
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 47 / 96
![Page 48: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/48.jpg)
Teorema Central do Limite
O Teorema Central do Limite fundamenta a o uso da distribuiçãoNormal como aproximação em diversas situações.
Teorema Central do Limite (TCL)Sejam X1,X2, ...,Xn variáveis aleatórias independentes com média µi evariância σ2
i , e Y =∑n
i=1 Xi . Então, a distribuição de
Y −∑n
i=1 µi√∑ni=1 σ
2i
se aproxima da N(0, 1) quando n→∞, independente das distribuiçõesindividuais das variáveis.
Discutiremos adiante os tamanhos amostrais adequados para aplicaçãodo TCL em problemas de Controle Estatístico de Qualidade.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 48 / 96
![Page 49: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/49.jpg)
Aproximação da distribuição binomial pela Normal
Considere Y ∼ Binomial(n, p). Podemos considerarY = X1 + X2 + ... + Xn, em que cada Xi tem distribuição de Bernoullicom parâmetro p.
Assim, o Teorema Central do Limite aplica-se à variável Y , garantindoque, para n suficientemente grande:
Y ∼ Normal(µ = np, σ2 = np(1− p)
), aproximadamente.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 49 / 96
![Page 50: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/50.jpg)
Aproximação da distribuição binomial pela Normal
−2 −1 0 1 2 3 4 5
0.0
0.1
0.2
0.3
0.4
0.5
n=5 , p=0,2
x
P(X
=x)
−2 0 2 4 6 8 10
0.00
0.05
0.10
0.15
0.20
0.25
0.30
n=10 , p=0,2
x
P(X
=x)
−2 0 2 4 6 8 10 12
0.00
0.05
0.10
0.15
0.20
n=20 , p=0,2
x
P(X
=x)
0.00
0.02
0.04
0.06
0.08
0.10
n=100 , p=0,2
x
P(X
=x)
0 5 10 15 20 25 30 35 40
PoissonBinomial
Figura 9: Aproximação Binomial - Normal(µ = np, σ2 = np(1− p)).Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 50 / 96
![Page 51: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/51.jpg)
Distribuição log-Normal
Seja Y uma variável com distribuição Normal. Então, X = exp(Y )tem distribuição lognormal.
Diferentemente da distribuição Normal, a distribuição log-Normal temseu suporte no conjunto dos reais positivos, assumindo formasassimétricas.
A distribuição log-normal, assim como outras que estudaremos adiante,tem aplicações na modelagem de variáveis na área de confiabilidade,como tempo de vida e resistência de equipamentos, dentre outras.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 51 / 96
![Page 52: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/52.jpg)
Distribuição log-normal
Seja Y ∼ N(θ, ω2). Então, X = exp(Y ) tem distribuição log-normal comfunção densidade de probabilidade dada por:
f (x) = 1xω√2π
exp[−(ln(x)− θ)2
2ω2
], 0 < x <∞,
com média e variância dadas por:
µ = exp{θ + ω2
2
}; σ2 = exp
{2θ + ω2
}(eω2 − 1
).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 52 / 96
![Page 53: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/53.jpg)
Distribuição log-normal
0 5 10 15 20
0.0
0.2
0.4
0.6
x
f X(x
)
θ=0, ω2=2θ=0, ω2=1θ=1, ω2=1
Figura 10: Distribuição Log-normalCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 53 / 96
![Page 54: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/54.jpg)
Distribuição exponencial
A variável aleatória X tem distribuição exponencial de parâmetro λ > 0 sesua função densidade de probabilidade é dada por:
f (x) = λe−λx , , x > 0.
A média e a variância de X são dadas, respectivamente, por:
µ = 1λ
; σ2 = 1λ2 .
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 54 / 96
![Page 55: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/55.jpg)
Distribuição exponencial
A distribuição exponencial é mais uma empregada frequentemente namodelagem do tempo de vida de equipamentos, componentes,sistemas. . .
A distribuição exponencial está relacionada à distribuição de Poisson,de forma que se o número de eventos em um intervalo (de tempo, porexemplo) de tamanho t tem distribuição de Poisson(λt), então otempo até o próximo evento tem distribuição exponencial (λ).
A distribuição exponencial tem como característica a falta de memória,segundo a qual:
P(X > t + δ|X > t) = P(X > δ), para qualquer δ > 0.
Assim, a distribuição exponencial somente é aplicável em problemas deconfiabilidade se não houver efeito (desgaste) do tempo de operação.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 55 / 96
![Page 56: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/56.jpg)
Distribuição exponencial
0 1 2 3 4 5
0.0
0.5
1.0
1.5
2.0
x
f X(x
)
λ= 0.25λ= 1λ= 4
Figura 11: Distribuição exponencialCesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 56 / 96
![Page 57: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/57.jpg)
Distribuição Gama
A variável aleatória X tem distribuição Gama de parâmetros r > 0 e λ > 0se sua função densidade de probabilidade é dada por:
f (x) = λ
Γ(r) (λx)(r−1) e−λx , x > 0.
A média e a variância de X são dadas, respectivamente, por:
µ = rλ
; σ2 = rλ2 .
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 57 / 96
![Page 58: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/58.jpg)
Distribuição Gama
0.0
0.2
0.4
0.6
Distribuição Gama para diferentes parâmetros de escala
x
f X(x
)
r=2, λ=0.5r=2, λ=1r=2, λ=2
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Figura 12: Distribuição Gama (I)Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 58 / 96
![Page 59: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/59.jpg)
Distribuição Gama
0.0
0.2
0.4
0.6
0.8
1.0
1.2
Distribuição Gama para diferentes parâmetros de forma
x
f X(x
)
r=0.5, λ=2r=1, λ=2r=2, λ=2
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Figura 13: Distribuição Gama (II)Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 59 / 96
![Page 60: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/60.jpg)
Distribuição Gama
A distribuição Gama tem como caso particular a distribuiçãoexponencial(λ) ao fixarmos r = 1;
Por apresentar um segundo parâmetro, a distribuição Gamaproporciona funções com maior variedades de formas, permitindomodelar adequadamente um maior número de variáveis aleatórias;
Se X1,X2, ...,Xn são variáveis aleatórias independentes, comdistribuição Gama de parâmetro λ, então:
Y = X1 + X2 + ...+ Xn ∼ Gama(n, λ).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 60 / 96
![Page 61: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/61.jpg)
Distribuição Weibull
A variável aleatória X tem distribuição Weibull de parâmetros θ > 0 eβ > 0 se sua função densidade de probabilidade é dada por:
f (x) = β
θ
(xθ
)β−1exp
[−(xθ
)β], x > 0.
A média e a variância de X são dadas, respectivamente, por:
µ = θΓ(1 + 1
β
); σ2 = θ2
[Γ(1 + 2
β
)−{
Γ(1 + 1
β
)}2].
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 61 / 96
![Page 62: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/62.jpg)
Distribuição Weibull
0 1 2 3 4 5
0.0
0.5
1.0
1.5
Distribuição Weibull para diferentes valores do parâmetro de forma
x
f X(x
)
β=0.5, θ=1β=1, θ=1β=2, θ=1β=4, θ=1
Figura 14: Distribuição Weibull (I)Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 62 / 96
![Page 63: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/63.jpg)
Distribuição Weibull
0 2 4 6 8 10
0.0
0.5
1.0
1.5
Distribuição de Weibull para diferentes valores do parâmetro de escala
x
f X(x
)
β=2, θ=0.5β=2, θ=1β=2, θ=2β=2, θ=4
Figura 15: Distribuição Weibull (II)Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 63 / 96
![Page 64: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/64.jpg)
Inferências sobre a qualidade do processo
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 64 / 96
![Page 65: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/65.jpg)
Introdução
Modelos probabilísticos são aplicáveis na modelagem de variáveis quecaracterizam a qualidade de processos.
Na prática, os parâmetros que especificam tais modelos sãodesconhecidos.
Utilizamos amostras selecionadas do processo como base paraestimação dos parâmetros e teste de hipóteses.
No Controle Estatístico Qualidade, a inferência sobre parâmetros doprocesso é fundamental para efeito de monitoramento, avaliação dodesempenho e identificação de causas atribuíveis de variação emprocessos.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 65 / 96
![Page 66: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/66.jpg)
Estatísticas e suas distribuições amostrais
Estatísticas são funções dos dados amostrais que independem deparâmetros desconhecidos.
Assim como as características da qualidade configuram variáveisaleatórias, às quais assumimos modelos probabilísticos apropriados, asestatísticas também configuram variáveis aleatórias, tendo suasrespectivas distribuições de probabilidades.
A distribuição de probabilidades de uma estatística é chamadadistribuição amostral. Usaremos as distribuições amostrais dealgumas estatísticas como base para a inferência de parâmetros doprocesso.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 66 / 96
![Page 67: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/67.jpg)
Estatísticas e suas distribuições amostrais
Considere X1,X2, ...,Xn uma amostra aleatória de tamanho n dapopulação sob estudo (ex: observações independentes de algumacaracterística da qualidade de um processo industrial).
Vamos usar o termo amostra aleatória para nos referir a um conjuntode observações (variáveis aleatórias) independentes e identicamentedistribuídas.
Algumas das principais estatísticas usadas no monitoramento deprocessos , acompanhadas de suas distribuições amostrais, sãodiscutidas na sequência.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 67 / 96
![Page 68: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/68.jpg)
Distribuição amostral da média amostral
A média amostral, como sabemos, é definida por:
X̄ = 1n
n∑i=1
Xi .
Se assumirmos que X1,X2, ...,Xn é uma amostra aleatória de umadistribuição Normal com parâmetros µ e σ2, então a distribuiçãoamostral da média amostral fica dada por:
X̄ ∼ Normal(µX̄ = µ, σ2
X̄ = σ2
n
).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 68 / 96
![Page 69: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/69.jpg)
Distribuição amostral da média amostral
Ainda que a amostra não tenha sido produzida por uma distribuição(população) Normal, o Teorema Central do Limite (TCL) garante que,assintoticamente (quando n→∞), X̄ ∼ N(µ, σ2/n), uma vez quepodemos escrever:
∑ni=1 Xi − nµσ√n = X̄ − µ
σ√n.
Por mais que o TCL configure um resultado assintótico, a distribuiçãonormal para a média amostral é verificada com boa aproximação paragrandes amostras (n suficientemente grande).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 69 / 96
![Page 70: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/70.jpg)
Distribuição amostral da média amostral
O tamanho amostral necessário para se alcançar uma boa aproximaçãovai depender da distribuição da população sob estudo. É comumencontrar na literatura, como regra geral, que isso ocorre quandon > 30.
No entanto, em boa parte dos casos temos uma aproximaçãosatisfatória para tamanhos de amostra bem menores, até mesmo paran = 10 ou n = 5.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 70 / 96
![Page 71: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/71.jpg)
Distribuição amostral da variância amostral
A variância amostral, como sabemos, é definida por:
s2 = 1n − 1
n∑i=1
(Xi − X̄ )2.
Se X1,X2, ...,Xn é uma amostra aleatória de uma distribuição Normalcom parâmetros µ e σ2, então:
(n − 1)s2
σ2 ∼ χ2n−1.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 71 / 96
![Page 72: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/72.jpg)
Distribuição amostral da variância amostral
χ2n−1 representa a distribuição qui-quadrado com n − 1 graus de
liberdade. Uma variável aleatória X com distribuição χ2k tem função
densidade de probabilidade:
f (x) = 12k/2Γ(k
2 )y (k/2)−1e−y/2, y > 0.
A média da distribuição amostral de s2 é µs2 = σ2. Baseado nessefato, dizemos, como será discutido na sequência, que s2 é umestimador não viciado de σ2.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 72 / 96
![Page 73: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/73.jpg)
Distribuição amostral da proporção amostral
Seja X1,X2, ...,Xn uma amostra aleatória de uma distribuiçãoBernoulli, de parâmetro p.
A distribuição Bernoulli permite modelar um experimento do tiposucesso vs fracasso, por meio de uma variável aleatória que assumevalor 0 para um dos desfechos e 1 para o outro:
P(X = x) ={
p, x = 1(1− p), x = 0
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 73 / 96
![Page 74: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/74.jpg)
Distribuição amostral da proporção amostral
Nesse caso, a proporção amostral nada mais é que a média da amostra:
p̂ = X̄ = X1 + X2 + ...+ Xnn .
A distribuição amostral exata para a proporção amostral pode serobtida a partir da distribuição binomial. No entanto, usando o TCLtemos que, assintoticamente,
p̂ ∼ N(µ̂p̂ = p, σ̂2p̂ = p(1− p)
n ).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 74 / 96
![Page 75: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/75.jpg)
Estimação pontual de parâmetros do processo
Estatísticas utilizadas para estimar parâmetros populacionaisdesconhecidos são denominadas estimadores.
Um estimador pontual é uma estatística que produz um único valornumérico como “aproximação” para o parâmetro que desconhecemos.
Ao valor do estimador avaliado numa particular amostra damos o nomede estimativa.
Assim, para monitorar a média de um processo podemos considerarcomo estimador a média amostral (X̄ ). Ao coletar uma amostra,calculamos, com base nos dados amostrais, X̄ = 10. Esse valor é aestimativa da média do processo naquele momento da produção.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 75 / 96
![Page 76: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/76.jpg)
Estimação pontual de parâmetros do processo
Dentre as propriedades desejadas de um estimador pontual,destacamos:
Ausência de viés: dizemos que um estimador é não viesado se a médiade sua distribuição amostral (seu valor esperado) for igual ao parâmetroque estamos estimando. Assim, θ̂ é um estimador não viesado de θ se:
µθ̂ = E (θ̂) = θ.
Apresentar variância mínima: além de não apresentar viés, deseja-se queum estimador produza estimativas que apresentem baixa variabilidade.Um estimador θ̂ é de mínima variância se:
σ2θ̂
= Var(θ̂) < Var(θ̂∗),
para qualquer outro estimador θ̂∗.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 76 / 96
![Page 77: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/77.jpg)
Estimação pontual de parâmetros do processo
Como vimos anteriormente, a média e a variância amostrais sãoestimadores não viciados dos correspondentes parâmetrospopulacionais:
E (X̄ ) = µ; E (s2) = σ2.
No entanto, o desvio padrão amostral:
s =√s2 =
√√√√∑ni=1
(Xi − X̄
)2
n − 1
não é um estimador não viciado de σ.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 77 / 96
![Page 78: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/78.jpg)
Estimação pontual de parâmetros do processo
Pode-se mostrar que:
E (s) =( 2n − 1
)1/2 Γ(n/2)Γ [(n − 1)/2]σ = c4σ
Assim, um estimador não viciado de σ é dado por:
σ̂s = sc4.
Nota: c4 se aproxima de 1 a medida que n aumenta, refletindo que s éassintoticamente não viesado.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 78 / 96
![Page 79: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/79.jpg)
Estimação pontual de parâmetros do processo
É comum, em problemas de CEP, usar a amplitude amostral paraestimar o desvio padrão da população. A amplitude amostral é definidapor:
R = max(Xi )−min(Xi ) = X(n) − X(1).
Denominamos W = R/σ como amplitude relativa. A distribuiçãoamostral de W é conhecida, sabendo-se que:
E (W ) = d2,
sendo d2 uma constante que depende apenas do tamanho amostral (assimcomo c4).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 79 / 96
![Page 80: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/80.jpg)
Estimação pontual de parâmetros do processo
Valores de d2 e c4 podem ser calculados facilmente ou extraídos detabelas nas referências de CEQ.
Assim, um estimador não viesado para σ baseado na distribuição de Wé dado por:
σ̂R = Rd2.
A eficiência da amplitude amostral na estimação do desvio padrão doprocesso cai rapidamente conforme se aumenta o tamanho da amostra.Na prática, é recomendável usar o desvio padrão, ao invés daamplitude amostral.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 80 / 96
![Page 81: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/81.jpg)
Estimação pontual de parâmetros do processo
Tabela 1: Eficiência relativa dos estimadores do desvio padrão.
n Var(σ̂s)/Var(σ̂R)2 1,0003 0,9924 0,9755 0,9556 0,93010 0,850
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 81 / 96
![Page 82: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/82.jpg)
Inferência sobre a média de um processo - variânciaconhecida
Considere a variável aleatória X normalmente distribuída, com médiadesconhecida µ e variância conhecida σ2;
Suponha que estejamos interessados em testar o seguinte par dehipóteses:
H0 : µ = µ0 vs H1 : µ 6= µ0,
sendo µ0 algum valor especificado (ex: o alvo do intervalo de especificação).
Dispondo-se de n observações independentes de X , o teste dehipóteses baseia-se na seguinte estatística:
Z0 = X̄ − µ0σ/√n .
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 82 / 96
![Page 83: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/83.jpg)
Inferência sobre a média de um processo - variânciaconhecida
Se a hipótese nula (H0) for verdadeira, então a estatística Z temdistribuição normal padrão (N(0,1)).
Essa distribuição serve como referência para testar a hipótese nula, deigualdade.
Em qualquer teste de hipóteses estamos sujeitos a dois tipos de erros:Erro do tipo I: Rejeitar a hipótese nula sendo que ela é verdadeira;Erro do tipo II: Não rejeitar a hipótese nula sendo que ela é falsa.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 83 / 96
![Page 84: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/84.jpg)
Inferência sobre a média de um processo - variânciaconhecida
Uma das forma de proceder o teste de hipóteses é fixar o nível designificância do teste, e tomar a decisão com base na regracorrespondente.
O nível de significância do teste é a probabilidade (α) que admitimospara o erro do tipo I.
Assim, devemos rejeitar a hipótese nula, em favor da alternativa, se|Z0| > |zα/2|, sendo zα/2 o quantil α/2 da distribuição normal padrão.
Usualmente utilizamos α = 5% ou α = 1%.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 84 / 96
![Page 85: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/85.jpg)
Inferência sobre a média de um processo - variânciaconhecida
z
f(z)
− zα 2 zα 20
α 2 α 2
1 − α
Região de rejeição Região de rejeiçãoRegião de não rejeição
Figura 16: Teste de hipóteses - Tomada de decisão (nível. sig. α)
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 85 / 96
![Page 86: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/86.jpg)
Inferência sobre a média de um processo - variânciaconhecida
p−value = P(|Z| > |Z0|)
z
f(z)
− z0 z00
Figura 17: Teste de hipóteses - Ilustração do cálculo do p-valor
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 86 / 96
![Page 87: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/87.jpg)
Inferência sobre a média de um processo - variânciaconhecida
Exercício 9O tempo de resposta de um sistema computacional é uma importantecaracterística da qualidade. O gerente do sistema deseja saber se o tempomédio de resposta a um tipo específico de comando difere de 75milisegundos. Da experiência passada ele sabe que o desvio padrão dotempo da resposta é 8 milisegundos. Sabendo que em n = 25 execuções doprograma o tempo médio de resposta na amostra foi x̄ = 78 milisegundos:
a) Qual seria sua conclusão aos níveis de significância de 5% e 1%?b) Calcule o p-valor do teste. Interprete-o.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 87 / 96
![Page 88: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/88.jpg)
Inferência sobre a média de um processo - variânciaconhecida
Dependendo do contexto, pode ser mais apropriado formular hipótesesunilaterais, como:
H0 : µ ≤ µ0 vs H1 : µ > µ0,
rejeitando-se H0, ao nível de significância α, se Z0 > Zα e
H0 : µ ≥ µ0 vs H1 : µ < µ0,
rejeitando-se H0, ao nível de significância α, se Z0 < −Zα.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 88 / 96
![Page 89: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/89.jpg)
Inferência sobre a média de um processo - variânciaconhecida
Um Intervalo de confiança é um estimador intervalar que, com certaprobabilidade, conterá o valor do parâmetro (média) desconhecido.Um intervalo de confiança 100(1− α)% para a média, considerando avariância populacional conhecida, é definido pelos seguintes limites:
IC(µ; 100(1− α)%) =(x̄ − zα/2
σ√n ; x̄ + zα/2
σ√n
).
Interpretação: Para amostras aleatórias de tamanho n extraídas dessapopulação, em 100(1− α)% dos casos o intervalo calculado irá contero valor desconhecido de µ.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 89 / 96
![Page 90: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/90.jpg)
Intervalos de confiança (95%) para a média(X~N(0,1))
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
−2 −1 0 1 2
Am
ostr
as
Figura 18: Intervalos de confiança
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 90 / 96
![Page 91: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/91.jpg)
Inferência sobre a média de um processo - variânciaconhecida
Exercício 10Considere novamente o exemplo anterior. Calcule intervalos de 95 e 99% deconfiança para a média populacional.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 91 / 96
![Page 92: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/92.jpg)
Inferência sobre a média de um processo - variânciadesconhecida
Caso a variância populacional seja desconhecida, deve ser estimadapela variância amostral s2 =
∑ni=1(xi−x̄)2
n−1 .
A estatística teste fica definida por:
t0 = x̄ − µ0s√n
.
A distribuição de referência, nesse caso, é a t-Student com n − 1 grausde liberdade, devendo-se rejeitar H0, ao nível de significância α, set0 > |tn−1,α/2|.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 92 / 96
![Page 93: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/93.jpg)
Inferência sobre a média de um processo - variânciadesconhecida
De maneira semelhante, a distribuição tn−1 serve de referência para aconstrução de intervalos de confiança para µ :
IC(µ; 100(1− α)%) =(x̄ − tn−1,α/2
s√n ; x̄ + tn−1,α/2
s√n
).
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 93 / 96
![Page 94: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/94.jpg)
Inferência para uma proporção populacional
Suponha que se deseja testar o seguinte par de hipóteses:
H0 : p = p0 vs H1 : p 6= p0,
sendo p a proporção populacional desconhecida e p0 algum valorespecificado.
Seja p̂ a proporção amostral avaliada em uma amostra aleatória detamanho n. O teste de hipóteses baseia-se na seguinte estatística teste:
Z0 = p̂ − p0√p0(1−p0)
n
.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 94 / 96
![Page 95: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/95.jpg)
Inferência para uma proporção populacional
De maneira similar ao teste de hipótese para a média com variânciaconhecida, deve-se rejeitar H0, ao nível de significância α, se|Z0| > |zα/2|.
Testes de hipóteses unilaterais também podem ser aplicados àproporção.
Um intervalo de confiança 100(1− α)% para a proporção tem limites:
IC(p; 100(1− α)%) =
p̂ − Zα/2
√p̂(1− p̂)
n ; p̂ + Zα/2
√p̂(1− p̂)
n
.Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 95 / 96
![Page 96: CE219 - Controle Estatístico de Qualidadetaconeli/CE21917/Aula2.pdfMétodosestáticosparaaanálisedaqualidade Oobjetivoaquiéfazeruma(breve)revisãodemodelosprobabilísticos emétodosestatísticos,comaplicaçãonadescrição](https://reader036.fdocuments.net/reader036/viewer/2022062606/5ffb8840cc334e05923e98b1/html5/thumbnails/96.jpg)
Inferência para uma proporção populacional
Exercício 11Uma fundição produz cabos de aço usados na indústria automotiva.Deseja-se testar a hipótese de que a fração de itens não conformes é de10%. Em uma amostra aleatória de 250 cabos, detectou-se que 32 estavamfora das especificações.
a) Qual seria sua conclusão aos níveis de significância de 5% e 1%?b) Calcule o p-valor do teste. Interprete-o.c) Apresente um intervalo de confiança 95% para a fração de itens não
conformes gerados pelo processo.
Cesar Augusto Taconeli CE219 - Controle Estatístico de Qualidade 30 de maio, 2017 96 / 96