Descrevendo a Variação

 Duas unidades produzidas por um processo de fabricação

nunca são idênticas, pois alguma variação é inevitável.

 A Estatística é a ciência de analisar dados e tirar

INFERÊNCIAS SOBRE A conclusões, levando em conta a variação dos dados.
QUALIDADE DO PROCESSO
 Há vários métodos que são úteis para resumir e apresentar
dados.

1 2

Estatísticas e Distribuições Amostrais O Gráfico Ramo-e-Folhas

 Amostra aleatória  O gráfico ramo-e-folhas é adequado a dados

– Se uma amostra de tamanho for selecionada de tal modo que as representados por , ,…, em que cada número
observações { } sejam independentes e identicamente consista de pelo menos dois dígitos.
distribuídas.

 Para construir o ramo-e-folhas, dividimos cada número

 Possibilidades em duas partes:
– Amostras aleatórias retiradas de populações infinitas ou de
– Um ramo: formado por um ou mais dígitos iniciais
populações finitas quando a amostragem é feita com reposição
– Amostras aleatórias sem reposição retiradas de populações finitas – Uma folha: formada pelos dígitos restantes.
de itens, onde cada uma das amostras possíveis tem igual
probabilidade de ser escolhida

3 4

Exemplo Exemplo

5 6

1
 A Distribuição de Frequências
Exemplo
e o Histograma
 Uma distribuição de frequências consiste em uma
reorganização dos dados por grandeza, ou seja,
agrupados em classes.
 A distribuição pode ser de acordo com a frequência
observada ou a frequência relativa
 O histograma é um gráfico das frequências observadas
versus a variável de interesse, em que é possível ver mais
facilmente três propriedades
– Forma
– Posição ou tendência central
– Espalhamento ou dispersão

7 8

Exemplo Exemplo

9 10

Exemplo Estatísticas e Distribuições Amostrais

 Estatística
– Qualquer função dos dados amostrais que não contenha
parâmetros desconhecidos.

 A finalidade das estatísticas é prover um resumo numérico

dos dados

11 12

2
 Estatísticas e Distribuições Amostrais Estatísticas e Distribuições Amostrais

 Suponha que , ,…, sejam as observações em uma

amostra

 Exemplos
∑
– Média amostral: ̅ =

∑ ̅
– Variância amostral: =

∑ ̅
– Desvio padrão amostral: =

13 14

O Diagrama de Caixa (Box Plot) Exemplo

 O diagrama de caixa é um gráfico que exibe simultanea-

mente vários aspectos importantes dos dados:
– Tendência central ou posição
– Dispersão ou variabilidade
– Afastamento da simetria
– Identificação de observações muito afastadas da maior parte dos
dados (valores discrepantes ou outliers)

 O diagrama exibe três quartis dos dados em uma caixa

retangular, alinhada vertical ou horizontalmente. Em ambos
os extremos da caixa, uma linha se estende até os valores
extremos (mínimo e máximo) chamadas de bigodes

15 16

Exemplo Amostras da Distribuição Normal

 Distribuição das Estatísticas

– Distribuições de probabilidade relativas às estatísticas calculadas a
partir dos dados amostrais com certa distribuição.

 Exemplos (para dados com distribuição normal)

– Média amostral: ̅ ∼ ( ; / )

– Estatística : = ( − 1) / ∼"

– Estatística #: # = ∼ #% , em que ∼ (0; 1) e ∼ "%

$/%

(/)
– Estatística ': ' = ∼ '),% , em que * ∼ ") e ∼ "%
$/%

17 18

3
 Amostras da Distribuição Normal Amostras da Distribuição Normal

19 20

Amostras da Distribuição Normal Amostras da Distribuição Normal

21 22

Estimação Pontual de Estimação Pontual de

Parâmetros de Processos Parâmetros de Processos
 Parâmetros  Estimador pontual
– Caracteriza ou descreve uma variável aleatória por – Estatística que produz um único valor numérico como
meio de sua distribuição. estimativa de um parâmetro desconhecido.

 Estimador  Estimadores intervalares (intervalo de confiança)

– Estatística que corresponde a um parâmetro da – Estatísticas que produzem um intervalo de valores
distribuição numéricos em que se acredita estar o parâmetro
desejado com dada probabilidade.
 Estimativa
– Valor numérico particular de um estimador, calculado a
partir dos dados de uma amostra

23 24

4
 Estimação Pontual de Erro de Estimadores
Parâmetros de Processos
 Propriedades de um bom estimador  Principais Componentes
– Não viesado: o valor esperado do estimador pontual  Erro Padrão
deve ser igual ao parâmetro sendo estimado Medida de imprecisão
– Variância mínima: o estimador deve ter uma variância  Viés / Tendência
que é menor que a variância de qualquer outro  Medida de inexatidão
estimador pontual do parâmetro

 Erro Total (Quadrático)

(Erro total) 2 = (Erro padrão) 2 + ( Viés) 2

25 26

Erro Padrão Viés (Tendência)

 O erro padrão é uma medida de variabilidade
do estimador
 Em geral o erro padrão depende tanto da
variabilidade da população quanto do tamanho
da amostra
 O erro padrão tende a diminuir com o aumento
do tamanho da amostra, mas aumentar junto
com a variabilidade da população
 O viés é a diferença entre o parâmetro e o valor
esperado da estatística
 O viés é próprio de cada estimador, mas pode
ser influenciado pelas características da
amostra
 Se o erro total que se espera cometer ao adotar
um estimador como se fosse o respectivo
parâmetro for devido apenas ao erro padrão,
então este estimador é não viesado.

27 28

Distribuição de Bernoulli Distribuição de Poisson

 Variável aleatória de Bernoulli  Variável aleatória de Poisson

+ , -. =1 + =
3 456 78 9
, = 0,1,2, …
+ =, !
1 − + = /, -. =0

 Média e variância da média amostral

Média e variância da média amostral (proporção) 7
=< =

2 2 01 01
01 =+ 01 =

29 30

5
 Estimação Pontual de
Distribuição Normal
Parâmetros de Processos
 Variável aleatória normal  Exemplos de bons estimadores
94@ – A média amostral ( ̅ ) é um bom estimador da
= => ?
. A , −∞ < < +∞ probabilidade de sucesso (parâmetro +) de uma variável
aleatória de Bernoulli.
Média e variância da média amostral – A média amostral ( ̅ ) é um bom estimador da taxa de
ocorrência (parâmetro <) de uma variável aleatória de

>
01 = 01 = Poisson.
– A média amostral ( ̅ ) é um bom estimador da média

 Média e variância da variância amostral populacional (parâmetro ) de uma variável aleatória

normal.
E = E = – A variância amostral ( ) é um bom estimador da
variância populacional (parâmetro ) de uma variável
aleatória normal.

31 32

Estimação Pontual de Inferência Estatística para Uma Amostra

Parâmetros de Processos
 Método da amplitude  Hipótese estatística
– Em muitas aplicações da estatística nos problemas de engenharia – Afirmativa sobre os valores dos parâmetros de uma distribuição de
da qualidade, é conveniente estimar o desvio padrão pelo probabilidade
amplitude da amostra
 Tipos de hipóteses
– Hipótese nula (IJ )
– O desvio padrão de uma variável aleatória normal poderia então – Hipótese alternativa (I )
estimado por

em que F é uma constante que depende do tamanho da amostra.
– O método da amplitude é mais apropriado para pequenas amostras
( G 6)
 Estatística de teste
– Estatística usada para a rejeição ou não da hipótese nula (IJ )
 Região crítica ou região de rejeição
– O conjunto de valores que levam à rejeição de IJ

33 34

Inferência para a Média de uma População,

Inferência Estatística para Uma Amostra
Variância Conhecida
 Erros em testes de hipóteses  Teste de Hipóteses (Unilateral)
– Erro tipo I: rejeitar IJ quando ela for verdadeira
– Erro tipo II: não rejeitar IJ quando ela for falsa
 Estatística de Teste
 Probabilidades de erro
– Risco do fabricante: K = L{M.N.O#PM IJ |IJ é S.MFPF.OMP}
– Risco do consumidor: T = L{PU.O#PM IJ |IJ é =PV-P} – Rejeitar IJ se WJ X WY/
 Intervalo de confiança
 Probabilidades de acerto – Nível 100 1 − K %
– Poder: 1 − T = L{M.N.O#PM IJ |IJ é =PV-P}
– Eficácia: 1 − K = L{PU.O#PM IJ |IJ é S.MFPF.OMP}

35 36

6
 Exemplo Exemplo

37 38

Uso dos Valores P para o Teste de Inferência para a Média de uma População,
Hipóteses Variância Desconhecida
 Nível de significância  Teste de Hipóteses (Unilateral)
– Probabilidade de rejeitar a hipótese nula sendo ela verdadeira
(risco K)
 Estatística de Teste
 Valor P
– Menor nível de significância que levaria à rejeição da hipótese nula
– Rejeitar IJ se #J X #Y/ ,
 Regra de Decisão  Intervalo de confiança
– Nível 100 1 K %

39 40

Exemplo Exemplo

41 42

7
 Exemplo Exemplo

43 44

Inferência para a Variância de uma

Exemplo
Distribuição Normal
 Teste de Hipóteses (Unilateral)

 Estatística de Teste

– Rejeitar IJ se "J X "Y/ , ou "J C " Y/ ,

 Intervalo de confiança
– Nível 100 1 K %

45 46

Inferência para uma

Exemplo
Proporção Populacional
 Teste de Hipóteses (Unilateral)

 Estatística de Teste

– Rejeitar IJ se |WJ | X WY/

 Intervalo de confiança
– Nível 100 1 K %

47 48

8
 Exemplo Exemplo

49 50

A Probabilidade do Erro Tipo II A Probabilidade do Erro Tipo II

 Determinação do risco T
– Considere o seguinte teste de hipóteses (unilateral)

– Assumindo variância desconhecida, sua estatística de teste é,

– Sob a hipótese IJ , tem-se que WJ ∼ 0; 1

– Considere que J D [, [ X 0, então a hipótese I é verdadeira
e WJ ∼ [ / ; 1
– O risco T é referente à probabilidade de que WJ cair entre WY/ e
WY/ , dado que a hipótese I é verdadeira

51 52

Exemplo Exemplo

53 54

9
 A Probabilidade do Erro Tipo II A Probabilidade do Erro Tipo II

 Curva Característica de Operação (Curva CO)

– Formado por curvas que ilustram a relação entre os parâmetros de
uma distribuição

 Observações
– Quanto mais longe está do valor hipotético J , menor é a
probabilidade do erro tipo II para um dado e um dado K.
– À medida que aumenta o tamanho da amostra, a probabilidade
do erro tipo II torna-se menor para valores específicos de [ e K.

55 56

Gráficos de Probabilidade Exemplo

 Teste de Bondade do Ajuste

– Teste de hipótese de que uma determinada distribuição seria
apropriada como modelo do processo ou população

 Gráficos de Probabilidade
– Método gráfico para determinar se os dados amostrais estão de
acordo com a suposta distribuição (normal, lognormal, Weibull etc.),
baseado em um exame visual subjetivo dos dados

 Verificação de hipóteses
– O gráfico da probabilidade normal tem papel fundamental em
procedimentos de inferência estatística que exigem a hipótese da
normalidade

57 58

Exemplo Exemplo

59 60

10
 Inferência para a Diferença de Médias, Inferência para a Diferença de Médias,
Variâncias Conhecidas Variâncias Conhecidas
 Teste de Hipóteses

 Estatística de Teste

– Rejeitar IJ se |WJ | X WY/

 Intervalo de confiança
– Nível 100 1 K %

61 62

Exemplo Exemplo

63 64

Inferência para a Diferença de Médias, Inferência para a Diferença de Médias,

Variâncias Desconhecidas Variâncias Desconhecidas
 Teste de Hipóteses (caso 1: )  Intervalo de confiança
– Nível 100 1 K %

 Estimador Combinado

 Estatística de Teste

– Rejeitar IJ se |#J | X #Y/ ,

65 66

11
 Exemplo Exemplo

67 68

Exemplo Exemplo

69 70

Exemplo Exemplo

71 72

12
 Inferência para a Diferença de Médias, Inferência para a Diferença de Médias,
Variâncias Desconhecidas Variâncias Desconhecidas
 Teste de Hipóteses (caso 1: \ )  Intervalo de confiança
– Nível 100 1 K %

 Estatística de Teste

– Rejeitar IJ se |#J | X #Y/ ,] , em que

73 74

Inferência para a Diferença de Médias, Inferência para a Diferença de Médias,

Variâncias Desconhecidas Variâncias Desconhecidas
 Dados emparelhados
– Observações em um experimento são muitas vezes emparelhadas  Estatística de Teste
para evitar que fatores exógenos aumentem ou inflem a estimativa
da variância
– É possível que as duas amostras (de mesmo tamanho ) utilizadas
nos testes sejam dependentes. onde, para F^ ^ ^, N 1, 2, … , ,
– O procedimento de teste consistem em obter as diferenças entre os
pares de observações em cada um dos elementos da amostra
e
 Teste de Hipóteses

– Rejeitar IJ se #J X #Y/ ,

75 76

Exemplo Exemplo

77 78

13
 Inferência para as Variâncias de Duas
Exemplo
Distribuições Normais
 Teste de Hipóteses

 Estatística de Teste

– Rejeitar IJ se 'J X 'Y/ , , ou 'J C ' Y/ , ,

 Intervalo de confiança
– Nível 100 1 K %

79 80

Inferência para Duas Proporções Inferência para Duas Proporções

Populacionais Populacionais
 Teste de Hipóteses  Intervalo de confiança
– Nível 100 1 K %

 Estatística de Teste

onde
onde

– Rejeitar IJ se |WJ | X WY/

81 82

A Análise de Variância A Análise de Variância

 Fator  Análise de Variância

– Variável discreta, ou seja, composta por tratamentos, que – Adequado quando se deseja investigar a influência sobre dada
apresenta um possível efeito sobre uma característica de qualidade característica de qualidade de um fator com três ou mais
de interesse tratamentos (P X 2)

 Tratamento  Tipos de variabilidade

– Cada um dos P níveis de um fator – Variabilidade dentro de cada tratamento: relacionada a uma
variação sem causa específica
 Observações / Replicações – Variabilidade entre tratamentos: relacionada a uma variação devida
ao fator
– Número de diferentes medidas da característica de qualidade
para um mesmo tratamento de um fator

83 84

14
 A Análise de Variância A Análise de Variância

 Modelo estatístico linear (fator único)

onde:
– (média geral) é um parâmetro comum a todos os tratamentos
– ` (efeito do tratamento) é um parâmetro associado ao O-ésimo
tratamento
– a b (erro aleatório) são independentes e normalmente distribuídos
com média zero e variância

85 86

Exemplo Exemplo

87 88

Exemplo A Análise de Variância

 Desenho ou planejamento experimental

– Observações são tomadas em uma ordem aleatória e o ambiente
(frequentemente chamado de unidades experimentais) no qual os
tratamentos são aplicados é o mais uniforme possível

 Modelo de efeitos fixos

– Análise de Variância para testar a igualdade das P médias
populacionais, equivalente à igualdade dos efeitos dos tratamentos.

 Teste de Hipóteses

89 90

15
 A Análise de Variância A Análise de Variância

 Soma dos quadrados total  Relação entre as somas dos quadrados

– Relativa à variabilidade total dos dados – A variabilidade total é formada pela variabilidade devido ao
tratamento somada à variabilidade devido ao erro aleatório

 Soma dos quadrados dos tratamentos

– Relativa à variabilidade provocada pelo fator  Média quadrática dos tratamentos
– Estimador não viesado de apenas se IJ for verdadeira

 Soma dos quadrados dos erros

– Relativa à variabilidade aleatória  Média quadrática dos erros
– Estimador não viesado de independente da hipótese verdadeira

91 92

A Análise de Variância A Análise de Variância

 Se IJ for verdadeira, então  Tabela da Análise de Variância

tem distribuição 'c ,c .

 Fórmulas simplificadas

 Desvio padrão do erro

– O valor de , o desvio padrão da componente de erro, pode ser
estimado por

93 94

Exemplo Exemplo

95 96

16
 Exemplo Exemplo

97 98

Verificando Pressupostos: Análise dos

Exemplo
Resíduos
 Resíduos
– Diferença entre o valor observado ( ^ ) e o valor que seria obtido
por um ajuste de mínimos quadrados ( d ^ ) do modelo subjacente da
análise de variância

 Análise dos Resíduos

– Gráfico de probabilidade normal para verificação da normalidade
dos resíduos (. ^ )
– Gráfico dos resíduos ( . ^ ) versus os níveis do fator para
comparação da dispersão dos resíduos.
– Gráfico dos resíduos ( . ^ ) versus o valor ajustado ( 1 ) para
verificação da dependência aos valores ajustados.

99 100

Exemplo Exemplo

101 102

17
 Exemplo

103

18