Escolar Documentos
Profissional Documentos
Cultura Documentos
Inferência Estatística - Aula 4 (IME)
Inferência Estatística - Aula 4 (IME)
Inferncia estatstica
a. Estimao de parmetros
b.
Testes de hipteses.
c. Anlise da Varincia.
d. Regresso linear simples
e. Regresso linear mltipla.
f.
Controle da Qualidade.
Divide-se em:
a) Estimao: quando nada se sabe a respeito da populao;
b) Testes de Hipteses: quando se afirma algo sobre a populao e vai-se
verificar se verdade.
Independentemente de qual enfoque se aplique, as afirmaes feitas sempre devem vir
acompanhadas de um grau de confiana, ou grau de certeza; ou seja, o quanto se est
certo ao comunicar uma informao, porque toda deciso tem um risco, que probabilidade
associada a uma deciso errada.
Pg. 4-1
a. Estimao de parmetros
a.1 Conceito de estimao de parmetros (caractersticas) da
populao
Na Estatstica, o nome parmetro refere-se a uma caracterstica da populao; os mais
conhecidos so a mdia e o desvio-padro.
Quando nada se sabe a respeito dos valores dos parmetros da populao pode-se estimar
esses valores a partir de dados de uma amostra, ou seja, fazer uma estimao, que pode
ser de dois tipos: pontual e por intervalo.
Na estimao pontual, o valor da caracterstica da amostra considerado uma estimativa
do valor do parmetro na populao.
[ erro de amostragem ]
Intervalo de confiana
Valor amostral
Limite inferior
de confiana
Limite superior
de confiana
Pg. 4-2
Finalmente,
de amostragem).
O objetivo do estudo das tcnicas estatsticas de estimao obter o menor
intervalo que tenha uma confiana adequada ao tomador de deciso, ou seja, a
estimao por intervalo consiste em encontrar um intervalo definido por dois limites, tal que a
probabilidade do valor da populao estar contido nele seja igual a (1 ). Em porcentagem,
essa probabilidade, chamada nvel ou
%.
Mdia amostral
confiana .
disperso
tamanho da amostra
Mdia - confiana .
disperso
tamanho da amostra
disperso
tamanho da amostra
Mdia + confiana .
Pg. 4-3
X t
s
n
X +t
s
n
Mdia - confiana .
disperso
tamanho da amostra
Mdia + confiana .
disperso
tamanho da amostra
Todavia, com fazer em relao ao erro que se admite cometer, ou seja, confiana
que se deseja? A soluo a seguinte: escolhe-se o erro, usualmente 5%
(equivalente a dizer que se tem uma confiana de 95%). Surge, agora, mais um
problema, como expressar a confiana, como inclu-la na
expresso
matemtica?
X t
50 2,064
RESPOSTA
s
n
X +t
s
n
8
8
50 + 2,064
25
25
46,69mg/L 53,31mg/L
Pg. 4-4
n-1
Se desejarmos obter apenas o limite superior (ou apenas o limite inferior) do intervalo
de confiana, para determinar o valor de t no Excel, em Probabilidade deve ser
colocado o dobro do erro.
Para a distribuio de Student, temos, por exemplo, os seguintes fatores para os
tamanhos 25 e 38, e confianas de 90%, 95% e 99% (Tabela 3.1).
Pg. 4-5
Fator
90%
1,710882316
95%
2,063898137
99%
2,796950866
Tamanho da amostra = 38
Confiana
Fator
90%
1,687094482
95%
2,026190487
99%
2,715405572
SITUAO 5
Na fase de Projeto Executivo de uma rodovia, explicar como deve ser estimado o valor do
ndice de Suporte California CBR de um solo a ser utilizado na execuo de um aterro.
SOLUO
A Instruo de Servio IS-206 ESTUDOS GEOTCNICOS constante das Diretrizes Bsicas para
Elaborao de Estudos e Projetos Rodovirios do DNIT Edio 2006 (Publicao IPR-726)
estabelece os critrios estatsticos a serem empregados no estudo de ocorrncias de materiais
empregados nos diversos servios de construo rodoviria. Segundo essa instruo, devem
1
William Sealy Gosset (1876-1937) foi um qumico e estatstico, sendo mais conhecido pelo
pseudnimo de Student. Ingls, trabalhou na destilaria Guiness, cujo dono proibiu que seus funcionrios
publicassem artigos cientficos, e por essa causa conhece-se a distribuio t de Student e no distribuio
de Gosset.
No modelo de Gosset, tem-se uma distribuio para cada grau de liberdade. Desse modo, aquilo que se
conhece publicado como tabela t de Student , na verdade, o extrato de vrias tabelas, onde cada linha
parte da tabela geral, ou seja, cada linha o extrato da tabela para aquele grau de liberdade
Pg. 4-6
ser realizados furos de sondagem nos vrtices de um reticulado com malha de 50m de lado,
nos quais devero ser coletados exemplares de todos os horizontes identificados,
submetendo-as aos ensaios de caracterizao, compactao e ndice de Suporte California
CBR. Os valores obtidos nos ensaios so submetidos a tratamento estatstico, calculando-se os
seguintes valores:
X max = X + 1,29
X min = X 1,29
N
N
+ 0,68
0,68
Onde
N
X
X =
i =1
N
N
(X
=
X )2
i =1
N 1
N = nmero de exemplares
X = mdia da amostra
X i = valores individuais
b. Testes de hipteses.
4b A segunda parte da Inferncia Estatstica: testes de
hipteses
Considere-se um novo fornecedor que afirma ser melhor o produto dele: essencial que se
compare esse novo produto com um outro, aquele sendo usado. Por exemplo, um produto
apresenta, para certa caracterstica, a mdia 70. Uma amostra do novo fornecedor
apresenta mdia 65. A diferena entre os valores 65 e 70 estatisticamente
Pg. 4-7
bilateral
rejeio
Regio de
no-rejeio
rejeio
Pg. 4-8
rejeio
Regio de
no-rejeio
rejeio
rejeio
unilateral superior
Regio de
no-rejeio
rejeio
unilateral inferior
rejeio
Regio de
no-rejeio
A situao que se for estudar definir o tipo de teste a ser selecionado. Por exemplo, em
termos de carga mxima suportada por um elevador, o cuidado apenas no ultrapassar com
o valor mximo da capacidade, no importando o valor mnimo da carga (teste unilateral
superior). Por outro lado, ao se estimar o lucro de uma empresa, a preocupao com o
faturamento mnimo e no com o mximo (teste unilateral inferior).
Em todos os casos, a estatstica amostral deve ser comparada
crtico para determinar a rejeio, ou no, da hiptese de nulidade.
com um valor
Pg. 4-9
de
b)
teste
F a letra inicial de Fisher (Ronald Fisher, 1890-1962), estatstico ingls considerado o pai da
Estatstica moderna. O nome da distribuio foi atribudo por Snedecor (George Snedecor, 1881-1974)
em homenagem a ele.
3
Estes dois testes pressupem que os dados possam ser modelados pelo modelo probabilstico
conhecido como distribuio de Gauss (popularmente conhecida como distribuio normal) de acordo
com o Teorema Central do Limite (mais detalhes no Anexo 3).
Pg. 4-10
Pg. 4-11
Laboratrio 1
Laboratrio 2
2,07
2,05
2,42
2,43
Pg. 4-12
2,81
2,85
3,03
2,98
3,30
3,26
3,34
3,37
3,55
3,50
3,79
3,81
4,05
4,01
4,42
4,38
RESPOSTA
Pg. 4-13
Mdia
Varincia
Observaes
gl
F
P(F<=f) uni-caudal
F crtico uni-caudal
Varivel 1
Varivel 2
3,278
3,264
0,524062222 0,509826667
10
10
9
9
1,027922344
0,483975055
3,178893105
Interpretando o resultado
A regra de deciso a seguinte: se o valor de F for menor que o do F crtico unicaudal, as
varincias podem ser consideradas equivalentes.
Como o valor da estatstica de teste F, 1,027922344, menor que o valor de F crtico
unicaudal, 3,178893105, pode-se afirmar, com 95% de confiana, que as varincias dos
mtodos 1 e 2 podem ser consideradas equivalentes. Usa-se o teste unicaudal porque mais
restritivo.
Pg. 4-14
Pg. 4-15
Mdia
Varincia
Observaes
Varincia agrupada
Hiptese da diferena de mdia
gl
Stat t
P(T<=t) uni-caudal
t crtico uni-caudal
P(T<=t) bi-caudal
t crtico bi-caudal
Varivel 1
Varivel 2
3,278
3,264
0,524062222 0,509826667
10
10
0,516944444
0
18
0,043540268
0,482875119
1,734063592
0,965750237
2,100922037
Interpretando o resultado
Como o valor da estatstica de teste Stat t, 0,043540268, em mdulo, menor que o valor de t crtico
unicaudal (1,734063592), pode-se afirmar, com 95% de confiana, que os laboratrios podem ser
considerados equivalentes.
Pg. 4-16
da amostra. Como F calculado maior que F crtico, ento tambm pelo enfoque
clssico (no qual se estipulou 5% de erro), obviamente tambm se rejeita H0.
3.3.2
Amostras Dependentes
Se a mesma amostra analisada por dois mtodos, faz-se o Teste-T: duas amostras
em par para mdias (Figura 3.17).
Pg. 4-17
Resultado
E3-3
Amostra
Resultados pelo
Laboratrio 1
pelo Laboratrio
0,0134
0,0135
0,0144
0,0156
0,0126
0,0137
0,0125
0,0137
0,0137
0,0136
de referncia
Pg. 4-18
Figura 3.18 Dados para o Teste T: duas amostras em par para mdias
Mdia
Varincia
Observaes
Correlao de Pearson
Hiptese da diferena de mdia
gl
Stat t
P(T<=t) uni-caudal
t crtico uni-caudal
P(T<=t) bi-caudal
t crtico bi-caudal
Varivel 1 Varivel 2
0,01332
0,01402
6,27E-07 0,000000787
5
5
0,711073
0
4
-2,42974
0,036001
2,131847
0,072002
2,776445
Interpretando o resultado
Como o valor da estatstica de teste Stat t, -2,42974, em mdulo, maior que o valor de t
crtico unicaudal, 2,131847, pode-se afirmar, com 95% de confiana, que o Laboratrio 1 no
deve ter seus resultados equivalentes ao de referncia.. Decidimos pelo valor p, como este
0,036, menor que o erro usual de 5%, rejeita-se a hiptese de nulidade.
c. Anlise da Varincia.
Anlise da Varincia (ANOVA)
A Anlise da Varincia (conhecida como ANOVA)4 testa a hiptese de que so iguais as mdias
de todas as populaes de onde so retiradas as amostras; se no verdade, apenas se pode
afirmar que, pelo menos, uma das mdias diferente das outras (mas no se sabe qual). Em
notao estatstica:
H0: 1 = 2 = ... = c
H1: ao menos uma das mdias diferente
Porque no usar vrios testes T, dois a dois? Porque a probabilidade de se cometer ao menos
um erro do tipo I, usando testes t para comparar duas a duas todas as mdias de um
experimento com k grupos dada na Tabela 3 .3
Tabela A3.3 - Erros cometidos ao usar o teste de Student dois a dois
Nvel de significncia do teste
Nmero de mdias
0,05
0,01
0,001
0,05
0,01
0,001
0,14
0,03
0,003
0,26
0,06
0,006
0,40
0,10
0,010
Pg. 4-20
E-14.1
A hiptese de nulidade (sempre IGUALDADE): que as mdias de A, B e C so
iguais. Verificar se verdade, podendo-se errar em 5% das vezes.
O resultado apresentado pelo Excel o seguinte:
EA8-1
Determinaes (%)
An1
10,2
9,9
10,1
10,4
10,2
10,4
An2
9,9
10,2
9,5
10,4
10,6
9,4
An3
10,6
10,5
10,7
10,6
10,8
11,0
An4
10,1
9,9
10,2
9,9
11,1
10,0
Pode-se afirmar que o desempenho dos analistas o mesmo, tendo-se uma chance
mxima de erro de 5%?
RESPOSTA
Pg. 4-23
E3-6
G1
G2
G3
19
40
39
31
35
27
15
46
20
30
41
29
33
35
5
6
30
RESPOST
A
Contagem
4
5
6
ANOVA
Fonte da variao
Entre grupos
Dentro dos grupos
SQ
534,5833333
512,75
Total
1047,333333
Soma
95
195
180
gl
Mdia
Varincia
23,75 63,58333333
39
26,5
30
43,2
MQ
F
valor-P
F crtico
2 267,2916667 6,255485129 0,013769699 3,885293835
12 42,72916667
14
Como F-calculado > F-crtico: 6,255 > 3,88, rejeita-se a hiptese de nulidade e
ao menos uma das mdias diferente.
Entretanto, todos os grupos diferem entre si? Para responder, necessrio realizar a
comparao mltipla entre mdias para determinar quais grupos diferem entre si:
Teste de Tukey
Correo de Bonferroni
39,00
30,00
23,75
n:
EP =
QMresduo 1
1
+
2
n A nB
grupos.
Desse modo, temos
EP =
42,73 1 1
+ = 2,7989
2 5 6
EP =
42,73 1 1
+ = 3,1007
2 5 4
EP =
42,73 1 1
+ = 2,9836
2 6 4
Qcalc =
X A X B
EP
Qcalc =
39,00 30,00
= 3,22
2,7989
Qcalc =
39,00 23,75
= 5,11
2,9836
Qcalc =
30,00 23,75
= 2,02
3,1007
Pg. 4-26
A equao que relaciona duas variveis, por exemplo, resposta medida e varivel
modificada, :
Y=aX+b
onde:
Y = resposta medida
X = varivel modificada
a = coeficiente angular (inclinao) da reta
b = interseo da reta com o eixo Y (ou seja, a ordenada quando X = 0)
O mtodo mais usado para determinar a linha reta que melhor representa um conjunto de
pontos conhecido como MMQ, mtodos dos mnimos quadrados. A reta resultante (chamada
Pg. 4-27
Pg. 4-28
Ano
Demanda
10,4
17,3
27,1
33,8
41,5
E4-2
a) Faa um grfico mostrando os dados experimentais.
b) Determine a equao da reta dos mnimos quadrados, usando o
Excel.
c) Indique a demanda terica na metade do terceiro ano.
1. Aps a digitao dos resultados do ano na coluna A e da demanda na
coluna B, escolha o grfico Disperso (XY), que resulta na Figura 4.8. .
45
Demanda
40
35
30
25
20
15
10
5
RESPOSTA
0
0
Ano
Pg. 4-29
Pg. 4-30
45
Demanda
40
y = 7,87x + 2,41
R2 = 0,9968
35
30
25
20
15
10
5
0
0
Ano
Pg. 4-31
As respostas so:
A anlise de regresso apenas indica qual relacionamento matemtico pode existir, se existir
algum. Em outras palavras, a regresso no pode mostrar que uma varivel tenda a causar
certos valores de outra varivel, ou seja, no garante que exista relao de causa e
efeito.
Pg. 4-32
Pg. 4-33
Ano
Demanda
10,4
17,3
27,1
33,8
41,5
E4-3
Determine a equao da reta dos mnimos quadrados Y = AX + B com a
variao dos coeficientes A e B.
passo 1: primeiramente, digitar em uma coluna os valores do Anoe em outra
coluna os resultados da Demanda:
Interseo
Varivel X 1
Interseo
Varivel X 1
Coeficientes
2,41
7,87
95% inferiores
95% superiores
-0,300938699
5,120938699
7,052621228
8,687378772
Pg. 4-35
Reta de regresso
Corredor de 99%
de confiana
Corredor de 95%
de confiana
1
outros tipos de regresses que, embora no sejam lineares, podem se tornar lineares
mediante transformaes simples como, por exemplo, aplicar logaritmos a ambos os
termos.
Pg. 4-37
S=
(y i y i )
, onde
i =1
valores de y observados
Pg. 4-38
yi
Tem-se que
Figura 3.2 Ilustrao das diferenas entre o modelo, os dados reais e a mdia das
observaes y
Quanto, ento, a reta de regresso (valores
? Isto fornecido
), o que corresponde a
) (Figura 2).
Pg. 4-39
Matematicamente, como
Variao Residual
valores de y observados
valor mdio de y
valor de y estimado pela reta de regresso y=ax+b
3.2 Medida de qualidade do ajuste, o coeficiente de determinao R2
O objetivo determinar se o modelo representa adequadamente os dados coletados.. Se se
fizer
SQT
SQT
SQ Re g
SQ Re s
+
SQT
SQT
ento
1=
(Yi
(Y i
)2
)2
(Y i
e i2
Y
)2
SQ Re g
. Da que:
SQT
SQ Re s
SQ Re s
1 = R2 +
, ou seja, R2 = 1 SQT
SQT
Pg. 4-40
R2 =
ei2
SQ Re g
SQ Re s
= 1
= 1
yi2
SQT
SQT
2
2
e yi independente do nmero de variveis explicativas, mas ei depende do nmero de
ei2 ( n k )
R = 1
yi2 ( n 1 )
2
que, sob H0, uma distribuio F com graus de liberdade (1,n-2). Portanto rejeita-se H0 quando
MQregresso for significativamente maior que a MQresduos.
O Quadro 3.1 apresenta a ANOVA com a identificao de cada uma das clulas.
Pg. 4-41
y i quanto
xi.
A SQtotal tem (n-1) graus de liberdade pela definio de varincia amostral.
A SQresduos tem (n-2) graus de liberdade porque a reta de regresso tem dois parmetros, a e b,
que devem ser fixos para cada amostra
yt = 1 + 2 xt.
EQ. 3.1
Caso a regresso pelo modelo linear no tenha se apresentado adequada para descrever o
relacionamento entre as variveis com os dados observados, pode-se empregar a regresso no-linear
como, por exemplo, a polinomial (EQ. 2).
y = 1 + 2 x + 3 x 3 + ...
EQ. 3.2
Conforme sejam adicionadas potncias crescentes de x, a curva tornar-se- cada vez mais
complexa numa tentativa de ajustarem os pontos representativos do relacionamento entre as
duas variveis.
Considerando o caso de se ter um modelo de regresso linear simples, o modelo geral est
representado pela EQ. 3.3. Observe a existncia do termo referente ao erro, que diferencia o
modelo estatstico do modelo matemtico.
yt = 1 + 2x t + et
EQ. 3.3
Pg. 4-42
1. yt = 1 + 2x t + et
2. E (et ) = 0 E(yt) = 1 + 2x t
3. var(et) = 2 = var(yt)
4. cov(ei,ej) = cov(yi,yj) = 0
5. x t c (cte) para toda observao
6. et ~ N(0,2) yt ~ N[( 1 + 2x t ), 2 ] (opcional)
onde 2 representa um valor constante para a varincia.
comum que o termo et seja numericamente mais importante que a explicao motivada pela
varivel xt. Nesse caso, recomendvel introduzir-se mais variveis ao modelo de forma a
explicar o comportamento de yt. A anlise passa a ser ento denominada de anlise de
regresso linear mltipla.
A regresso mltipla utilizada para testar dependncias acumuladas de uma nica varivel
dependente em relao a diversas variveis independentes. Cada varivel isolada e mantida
constante enquanto que as restantes variam sistematicamente, de modo a que se possa
verificar os seus efeitos sobre a varivel dependente.
O modelo geral representado pela EQ. 3.4.
yt = 1 + 2x t2 + 3x t3++ nx tk + et
EQ. 3.4
2.
Na regresso linear, o tratamento de valores extremos feito a partir do grfico dos resduos
da regresso versus os nveis de concentrao. Duas linhas horizontais correspondentes a
Pg. 4-43
(1 , n 2 )
2
S resduos
So traadas para indicar uma faixa de variao aceitvel para os resduos da regresso
representados no grfico, sendo os casos de pontos fora destes limites percebidos como
tendenciosidades. Compara-se a disposio dos pontos no grfico dos resduos da regresso
com padres para identificar valores extremos ou no adequabilidade do modelo original.
Cnicas indicam heteroscedasticidade, e formas em U ou U invertido sugerem desvio de
linearidade.
Esses valores extremos so avaliados pelo mtodo dos resduos padronizados Jackknife, cuja
estatstica o resduo padronizado Jackknife
J ei ,
analtica por
n p 1
J ei = ri
n p
2
i
onde
p o nmero de parmetros do modelo,
ri =
Sei
o resduo padronizado,
sei = S resduos 1 hi
1 ( xi x ) 2
hi = +
n
S xx
erro
padro
do
resduo.
Nessa
expresso,
S xx =
(x x)
i =1
J ei maiores
porcentagem de dados tratados for superior a 22,2 % do nmero original de dados ou quando
o ponto for a terceira e ltima replicata do nvel de concentrao estudado. Para cada retirada,
recalcula-se a reta de egresso.
No Excel, tem-se:
Pg. 4-44
Pg. 4-45
Pg. 4-46
X
1
2
3
4
5
6
7
Y
2,9
5,4
6,8
8,7
10,8
13,2
14,9
RESULTADOS DE RESDUOS
Observao
Y previsto
1
3
2 4,985714
3 6,971429
4 8,957143
5 10,94286
6 12,92857
7 14,91429
desvpad=
mdia=
Resduos
Resduos padro
-0,1
-0,401918476
0,414285714
1,66509083
-0,171428571
-0,689003102
-0,257142857
-1,033504653
-0,142857143
-0,574169252
0,271428571
1,090921578
-0,014285714
-0,057416925
0,248806676
0
Varivel X 1 Plotagem de
resduos
Resduos
0,5
0
0
-0,5
Varivel X 1
Pg. 4-47
X
1
2
3
4
5
6
7
8
Y
2,9
5,4
6,8
8,7
10,8
13,2
14,9
57
RESULTADOS DE RESDUOS
Observao
1
2
3
4
5
6
7
8
Y previsto
-3,683333333
1,644047619
6,971428571
12,29880952
17,62619048
22,95357143
28,28095238
33,60833333
desvpad=
mdia=
Resduos
Resduos padro
6,583333333
0,568599047
3,755952381
0,324399637
-0,171428571
-0,014806196
-3,598809524
-0,310827291
-6,826190476
-0,589574491
-9,753571429
-0,842410848
-13,38095238
-1,155705839
23,39166667
2,020325981
11,57816456
8,88178E-16
quadrados no pode ser usado para estimar a regresso, devendo ser usado um
mtodo mais complexo chamado mnimos quadrados geral.
Resduos
Resduos
crescendo
5a. Teste de Ryan-Joner para verificar se os resduos dos dados podem ser
modelados pela distribuio de Gauss
A questo mais importante no "Os dados podem ser modelados pela distribuio de
Gauss? ou, popularmente falando, A populao normal?", porque j se sabe que nenhuma
populao real pode ser modelada pela distribuio de Gauss. Entretanto, a pergunta deve ser
Quanto no Gauss a populao? ou Quanto no ser Gauss vai influenciar no resultado?
A estatstica Ryan-Joiner (RJ) pode ser utilizada para indicar a resposta primeira dessas
perguntas.
Por ser um o coeficiente de correlao, a hiptese de nulidade rejeitada quando os
coeficientes de correlao calculados so menores que os valores crticos estabelecidos para
esses coeficientes.
Os passos so os seguintes:
1) Ordenar os resduos.
2) Determinar, a partir dos valores desses resduos, os percentis estimados para uma
distribuio de Gauss padronizada, percentis denominados, popularmente, quantis
normais, a partir da seguinte expresso
qi =
1 (i
3 / 8)
(n + 1 / 4) para i = 1, ..., n
Pg. 4-49
(i 3 / 8)
, i a ordem da
(n + 1 / 4)
Req =
eq
S xS
ee
Onde
n
(e e )(q q )
Seq =
i =1
n
See =
(e e )
i =1
n
S qq =
(q q )
i =1
n
e=
i =1
n
n
q=
i =1
.
5) Determinar o valor do coeficiente de correlai crtico Rcrtico(n) para um erro de 5%
pela expresso:
+
n
n2
n
=
ij
y ~
y
ij
~
y a mediana do grupo j.
j onde
ij
(e e
i 1 )
Calcula-se a estatstica DW = d =
1=2
n
1=1
Pg. 4-51
Se d> 2, os termos sucessivos de erro so, em mdia, muito diferentes uns dos outros, isto ,
negativamente correlacionados. Em regresses, isto pode implicar uma subestimao do nvel
de significncia estatstica.
Para testar para auto-correlao positiva com nvel de significncia , a estatstica de teste
comparada com os valores crticos inferiores e superiores (dL e dU).
Se d <dL, h evidncia estatstica de que os termos de erro so positivamente
autocorrelacionados.
Se d> dU, no h nenhuma evidncia estatstica de que os termos de erro so positivamente
autocorrelacionados.
Extrato da tabela para o teste de Durbin-Watson para alfa = 5%
N
dL
dU
15
1,08
1,36
20
1,20
1,71
25
1,29
1,45
30
1.35
1,49
40
1,44
1,54
50
1,50
1,59
60
1,55
1,62
80
1,61
1,66
100
1,65
1,69
Graficamente, tem-se:
Pg. 4-52
EXERCCIOS
f. Controle da Qualidade.
Um grfico de controle um meio de controlar um processo. Valores dos dados so
coletados e determina-se, por exemplo, a mdia amostral, a amplitude da amostra ou o
desvio-padro amostral, baseados na caracterstica da qualidade de interesse que se deseja
controlar, caracterstica colocada em um grfico. Se esse valor estiver entre determinados
limites e no exibir qualquer padro sistemtico ou previsvel, o processo pode ser
considerado sob controle estatstico. Se os limites so calculados a partir de dados recentes, o
Pg. 4-53
grfico informa que o processo est, no momento, sob controle. Entretanto, se os limites de
controle foram calculados a partir de dados anteriores, baseados em um processo inicialmente
sob controle, o grfico pode ser usado para determinar se, aps ltima coleta de dados, o
processo saiu ou no de controle.
Os grficos de controle so chamados, algumas vezes, de grficos de Shewhart, porque Walter
A . Shewhart foi quem primeiro props sua teoria geral.
H dois tipos principais de grficos de controle: por variveis e por atributos. Nos grficos de
controle por variveis, o valor de uma caracterstica da qualidade medida em escala
numrica e so construdos para uma medida de representatividade (normalmente a mdia
aritmtica) e para uma medida de disperso (normalmente a amplitude ou o desvio-padro),
os quais devem ser utilizados de modo conjunto. Os grficos de controle para variveis
informam a respeito da mdia da amostra, da amplitude da amostra, do desvio padro da
amostra, dos valores individuais e da mdia mvel. Nos grficos de controle por atributos,
indica-se a presena ou falta de uma determinada condio. Por exemplo, nos grficos por
atributos indica-se a frao de itens no conformes, o nmero de no conformidades, o
nmero total de no conformidades e o nmero total de no conformidades por unidade.
A caracterstica da qualidade a ser acompanhada colocada o eixo vertical, enquanto que, no
eixo horizontal, representam-se as amostras ou os subgrupos7. A figura 8.1 mostra um tpico
grfico de controle.
Valor da caracterstica
30
25
20
15
10
0
10
Nmero da amostra
Pg. 4-54
Trs linhas so indicadas no grfico de controle. A linha central (LC) representa o valor mdio
da caracterstica em estudo, sendo uma indicao da medida central do processo. A linha
central geralmente definida a partir de dados das amostras ou de uma especificao. Para a
tomada de deciso a respeito do processo, utilizam-se dois limites, o limite superior de
controle (LSC) e o limite inferior de controle (LIC).
Se os pontos representando os valores observados das caractersticas encontram-se dentro
dos limites de controle e no exibem nenhuma disposio regular, o processo considerado
sob controle estatstico. Se algum ponto situa-se fora dos limites de controle ou se uma
disposio no-aleatria existe (como, por exemplo, inmeros pontos sucessivos acima da
linha mdia), o processo considerado fora de controle estatstico.
LC = valor mdio de
LSC = valor mdio de + k. DP( )
LIC = valor mdio de - k DP( )
onde
central. Tradicionalmente, o valor de k escolhido 3 (origem da expresso limites 3, Sixsigma e Seis Sigma).
Os valores apresentados em um grfico de controle so considerados, aproximadamente,
como sendo modelados pela distribuio de deMoivre-Laplace-Gauss ( tambm conhecida
como distribuio normal). Para as mdias amostrais, o teorema central do limite garante que
a distribuio de probabilidade tende para a distribuio de deMoivre-Laplace-Gauss, mesmo
que a populao original no seja modelada por essa distribuio. Como, na maioria dos casos,
utiliza-se a mdia amostral dos valores de determinadas caractersticas, considera-se vlida a
distribuio de DeMoivre-Laplace-Gauss para a determinao dos erros associados s
decises.
Pg. 4-55
Desse modo, k=3 significa que existe a probabilidade de que, caso o processo esteja sob
controle, somente 0,27% dos valores encontrarem-se fora dos limites de controle.
g. Introduo ao planejamento de
experimentos. (exemplo simples com
base no Montgomery)
Conceitos iniciais definies etc.
Pg. 4-56
Pg. 4-57
Pg. 4-58
Pg. 4-59
Pg. 4-60
Pg. 4-61
Pg. 4-62
EXERCCIOS
Caso encontre algum exerccio que no tem um texto que o responda, pesquise a
respeito e incorpore o que descobriu ao corpo do material.
A. EXERCCIOS CONCEITUAIS
Fonte: http://rpcriativo.blogspot.com/2010/04/pensar-fora-da-caixa-pode-ser-muito.html
1.
2. .
B.EXERCCIOS de habilidade
(resolver problemas)
Pg. 4-63
C. Exerccios
Exerccios de uso de aplicativos
computacionais
1) Crie um anexo ao captulo 1 com os passos bsicos para usar o aplicativo R.
2) Inclua no texto como fazer para gerar o feito no Excel dgitos pseudoaleatrios
com o aplicativo R.
D. Exerccios de
interpretao de resultados
resultados
Ao longo do texto.
E.EXERCCIOS de pesquisa
www.youtube.com
a.
b.
2.
1.
2.
G. Para descontrair:
3. http://www.youtube.com/watch?v=H6syI3xiBBg
Pg. 4-64
4.
Pg. 4-65