EQI - Inferências Sobre A Qualidade Do Processo

Engenharia de Qualidade I
Inferências Sobre a Qualidade

do Processo
Profª. Dr ª. Kívia Mota Nascimento

Email: kiviamn@ufsj.edu.br
CONCEITOS BÁSICOS
• Inferência estatística (MONTGOMERY, 2004): ramo da

estatística que visa a obtenção de resultados ou tomada de
decisão com base em uma amostra selecionada desta
população.
• Amostra aleatória: x1, x2, ..., xn – na amostra aleatória de
tamanho n cada observação xi é independente e
identicamente distribuída.
POPULAÇÃO AMOSTRA
Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 2

CONCEITOS BÁSICOS
Distribution Plot Histogram of C1

Normal; Mean=1 00; StDev=5 350
0,09
300
0,08
0,07 250
0,06
Frequency
200
Density
0,05
0,04 1 50
0,03
1 00
0,02
50
0,01
0,00 0
85 90 95 1 00 1 05 110 115 80 88 96 1 04 112
X C1
POPULAÇÃO Amostra (x1, x2, ..., xn )

μ, média populacional AMOSTRA
σ, desvio-padrão populacional
x, média populacional
s, desvio-padrão populacional

CONCEITOS BÁSICOS
• A rugosidade superficial é uma característica de qualidade

importante de um produto metálico. Em furos usinados é
importante saber se a rugosidade difere no início e fim do furo.
Foram realizados 28 ensaios e a rugosidade foi medida no início
e no fim do furo de cada corpo de prova.
Corpo de prova
Rugosidade
Experimento
CONCEITOS BÁSICOS
• Resultados das medições de rugosidade

média Rz em (μm). Ensaio Rz_I (μm) Rz_F (μm)
1 2,743 2,825
2 3,010 3,008
Boxplot of Rz_I; Rz_F 3 2,216 2,910
4 2,531 3,825
7
5 2,757 2,671
6 2,752 3,036
7 2,136 2,516
6
8 2,557 3,492
9 3,085 2,850
10 3,068 2,930
5 11 2,546 3,003
12 3,202 3,847
Data
13 5,109 5,515
4 14 4,830 4,699
15 3,225 5,309
16 5,849 6,503
3 17 2,682 3,325
18 2,572 3,354
19 3,203 3,867
2 20 3,092 4,055
Rz_I Rz_F 21 2,207 2,298
22 3,357 3,290
23 4,353 4,876
24 3,862 2,824
25 3,547 3,297
26 3,760 3,844
27 3,685 3,347
28 3,465 3,449

CONCEITOS BÁSICOS
• Avaliando apenas a média das rugosidades no início e fim

do furo seria possível afirmar categoricamente se há
diferença na qualidade superficial?
NÃO
• Uma técnica estatística de inferência chamada de teste de

hipóteses pode ser usada para comparar a rugosidade no
início e fim do furo.
• Como neste exemplo para cada corrida mediu-se a

rugosidade no início e fim de cada corpo de prova, o teste
t pareado é o mais adequado (chegaremos lá)!

CONCEITOS BÁSICOS
• Cada observação nos experimentos de medição de rugosidade

na parede dos furos é chamada de corrida, ensaio ou
experimento;
• Há uma flutuação nos resultados devido a variáveis

incontroláveis (ruído), sendo esta flutuação chamada de erro
experimental;

CONCEITOS BÁSICOS
• A presença do erro experimental implica que a rugosidade é

uma variável aleatória;
• Uma variável aleatória pode ser :

• discreta (assume valores finitos ou infinitos contáveis, ou
seja, valores pertencentes ao conjunto dos números inteiros
positivos) ou
• contínua (assume valores dentro de um intervalo, ou seja no
conjunto dos números reais);

CONCEITOS BÁSICOS
• Distribuição de probabilidade: A estrutura de probabilidade

de uma variável aleatória é descrita por sua distribuição de
probabilidade;
Distribuição discreta Distribuição contínua

Distribution Plot Distribution Plot
Binomial; n=20; p=0,25 Normal; Mean=0; StDev=1
0,4 0,4
0,3 0,3
P(a ≤ y ≤ b)
P(y = yj) = p(yj)
Probability
Density
0,2 0,2
0,1 0,1
0,0 0,0
0 2 4 6 8 10 12 -3 -2 -1 0 a 1 b 2 3
X X

CONCEITOS BÁSICOS
• Propriedades das distribuições:
DISTRIBUIÇÕES DISCRETAS DISTRIBUIÇÕES CONTÍNUAS

0  f (y)
0  p ( y j )  1, y j
p ( y = y j ) = p ( y j ),
b
y j p(a  y  b ) =  f ( y )dy
 p(y j ) = 1
a
+
 f ( y )dy = 1
j
−

CONCEITOS BÁSICOS
• Propriedades dos operadores de média e variância. Seja y uma

va com média μ e variância σ2,
E (c ) = c
E( y) = 
E (cy ) = cE ( y ) = c
Var (c ) = 0
Var ( y ) =  2
Var (cy ) = c 2Var ( y ) = c 2 2

CONCEITOS BÁSICOS
• Distribuição normal
• Função densidade de probabilidade:
− ( x −  )2
1
f ( x) = e 2 2
, −  x  
2
• Parâmetros: N(μ,σ)
desvio-padrão
média

CONCEITOS BÁSICOS
• Normal padrão: va com μ = 0 e σ2 = 1, ou seja Z~N(μ,σ).
• Procedimento para padronizar a normal:

x−
Z=

• Supondo X~N(μ,σ),
 X − x− 
P ( X  x ) = P   = P(Z  z )
   

CONCEITOS BÁSICOS
Exemplo: A resistência à compressão de amostras de cimento

pode ser modelada por uma distribuição normal, com uma média
de 6000 Kg/cm2 e um desvio-padrão de 100 Kg/cm2.
Utilizando o Rstudio:
mi = 6000
sigma = 100

CONCEITOS BÁSICOS

a) Qual é a probabilidade da resistência da amostra ser menor do
que 6250 Kg/cm2?
#P(X<6250)
xa = 6250
Pa = pnorm(xa, mi, sigma)
Pa = 0.9937903

CONCEITOS BÁSICOS

b) Qual é a probabilidade da resistência da amostra estar entre
5800 e 5900 Kg/cm2?
#Pb = P(5800<x<5900)=P(x<5900) - P(x<5800)

xb1 = 5800
xb2 = 5900
Pb = pnorm(xb2,mi,sigma) - pnorm(xb1, mi, sigma)
Pb = 0.1359051

CONCEITOS BÁSICOS

c) Que resistência é excedida por 95% das amostras?
#Pc - P(X>xc) = 0.95 = 1 - P(X<xc)

Pc = 0.95
xc = qnorm((1-Pc), mi, sigma)
xc = 5835.515

CONCEITOS BÁSICOS
• Estatística: função dos dados amostrais.
Amostra (x1, x2, ..., xn )
σ
n
 (x − x )
n
(
 i )
n 2
1 −
2
x =  xi i x x
n i =1 S2 = i =1
S= i =1
μ n −1 n −1
Média amostral Variância amostral Desvio-padrão amostral

CONCEITOS BÁSICOS
• Distribuição amostral: É a distribuição de probabilidade de

uma estatística.
• Seja x (x é uma variável aleatória com média μ e desvio-padrão σ);
~ N ( , )
Amostra (x1, x2, ..., xn )

Pelo teorema central do 
limite a distribuição da x =
n
média amostral é normal
com média μ e desvio-   
padrão σ/√n.
x ~ N  , 
 n
De Moivre (1733)
x
CONCEITOS BÁSICOS
• Se a distribuição da população de origem não for normal, pelo

TCL, a distribuição da média amostral será normal (n > 30)!
0,20
  
População de
~ N  , 
origem não normal
0,1 5
x  n
Density
0,1 0
0,05
0,00

 x = SE ( x ) =
0 2 4 6 8 10 12 14 16
X
Desvio-padrão
n da média

CONCEITOS BÁSICOS
• Distribuição qui-quadrado (χ2): Se x1, x2, ..., xn são va’s

independentes e N(0,1), então a va
y = z12 + z 22 + ... + z n2
tem distribuição qui-quadrado com n graus de liberdade.

CONCEITOS BÁSICOS
• Distribuição t: Seja x uma va N(0,1) e y uma va χ2 com k

graus de liberdade e x e y são independentes,
x
t =
y
k
é distribuída como
t com k graus de K ∞
liberdade.
t ~ N(0,1)

CONCEITOS BÁSICOS
• Distribuição F: Seja w e y duas vas independentes

com distribuição qui-quadrado com u e v graus de
liberdade, logo
w/u
F=
y/v
é distribuída como F com u graus de liberdade no
numerador e v no denominador.

TESTES DE HIPÓTESES PARA MÉDIA
• Hipótese: afirmação sobre os parâmetros de uma distribuição

de probabilidade. Exemplo: diâmetro de um eixo
H 0 :  = 0 H 0 :  = 1,500 Hipótese nula
H1 :   0 H1 :   1,500 Hipótese alternativa
• Como determinar μ0:

• Evidência/conhecimento do processo;
• Teoria/modelo do processo;
• Especificações de contratos/projetos.

• Procedimento para o teste de hipóteses:

1. Identificar o parâmetro de interesse;
2. Definir a hipótese nula H0 e a hipótese alternativa H1;
3. Escolher um nível de significância;
4. Definir o teste estatístico apropriado e calcular a estatística
de teste;
5. Definir a região de rejeição;
6. Comparar a estatística calculada com a estatística crítica
(região de rejeição). A hipótese nula pode ser rejeitada?
Distribution Plot
T; df=1 9
0,4
t0  tc ?
0,3
H 0 :  = 0 x − 0
Density
α t0 =
0,2
x
H1 :   0 s/ n
0,1
0,025 0,025
p − value   ?
0,0
-2,093 0 2,093
X

Erro tipo I ~ Condenar um réu inocente;

Erro tipo II ~ Absolver um réu culpado. REALIDADE
H0 verdadeira H0 falsa
Não rejeitar Decisão correta Erro tipo II

H0 1-α β
DECISÃO Decisão correta
Erro tipo I
Rejeitar H0 1-β
α

• Nível de significância (α): probabilidade que determina a

dimensão da região de rejeição;
0,4
α = P{Erro tipo I} = P{rejeitar H0| H0 é verdadeira} Região de

rejeição de H0
0,3
• Deseja-se que o erro do tipo I seja pequeno!
Density
• Usualmente α = 0,05; 0,2
0,1 α γ =1 - α
• Nível de confiança: γ =1 – α. Região de
aceitação
0,0
X
tc

• Poder do teste (1 - β):

• Relaciona-se ao Erro do tipo II.
β = P{erro tipo II} =

= P {não rejeitar H0| H0 é falsa} δ
γ =1 - α
Poder = 1 – β = 1-β
= P {rejeitar H0| H0 é falsa}
β
α
μ0 zα μ +δ
0

• Poder do teste e
tamanho da amostra
n=
(z  2 − z  )  2 2
2
Qto menor a diferença (δ) a ser
detectada, maior o tamanho da
amostra, para garantir um
determinado nível de 1 - β.

• Exemplo: As especificações de um propelente sólido de uma aeronave

requerem uma taxa média de queima igual a 50 cm/s. O desvio-padrão da
taxa de queima é igual a 2cm/s. Deseja-se um nível de significância, ou
probabilidade de erro do tipo I, igual a 0,05.
• Deseja-se planejar o teste de modo que se a taxa média diferir de 50 cm/s por
não mais que 1 cm/s o teste detecte esta diferença com uma probabilidade de
0,90.
H 0 :  = 50
H1 :   50
 =2
 = 51 − 50
 = 0,05
 = 0,10 ( poder = 1 −  = 0,90)

 =2 H 0 :  = 50
 = 51 − 50 H1 :   50
Utilizando o RStudio:
 = 0,05 sigma = 2
 = 0,10 ( poder = 1 −  = 0,90) d = 51-50
alfa = 0.05
n=
(z  2 − z ) 
2 2 #poder = 0.90 = 1-beta
beta = 0.10
2
n=
(1,96 − (− 1,28)) 2 2
2
zalfa = qnorm((alfa/2), lower.tail =
12 FALSE)
n = 43 zbeta = qnorm(beta)
n = (((zalfa - zbeta)^2)*sigma^2)/d^2
n = 42.03
#como n é uma variável discreta
n = 43

SUMÁRIO
• TESTES DE HIPÓTESES PARA MÉDIA;

• 1-sample z;
• 1-sample t;
• 2-sample z;

Teste 1-sample z
• Teste para média de uma amostra, variância conhecida;
Hipóteses: Estatística do teste:
H 0 :  = 0 x − 0
Z0 =
H1 :   0 / n
➢Se H0 é verdadeira, Z0 é N(0,1), consequentemente, espera-se

que 100(1− α)% esteja entre –Zα/2 e Zα/2.
n > 40, variância desconhecida pode-se utilizar este teste!!

Teste 1-sample z
Bilateral Unilateral à esquerda Unilateral à direita

H 0 :  = 0 H 0 :  = 0 H 0 :  = 0
H1 :   0 H1 :   0 H1 :   0
0,4 0,4 0,4
0,3 0,3 0,3

Density
Density
Density
0,2 0,2 0,2
α/2 α/2 α α
0,1 0,1 0,1
0,0 0,0 0,0

0 0 0
X X X
- zα/2 zα/2 - zα zα
Se: Z0 < - Zα/2 ou Z0 > Zα/2 Z0 < - Zα Z 0 > Zα,

rejeita-se H0.

Teste 1-sample z
• Exemplo: Um produtor fabrica eixos para um motor de automóvel.

O desgaste (0,0001×polegada) dos eixos depois de 100000 milhas
é de interesse, visto que é provável ter um impacto nas
reivindicações de garantia. Uma amostra aleatória de n = 15 eixos é
testada e ẋ = 2,78. Sabe-se que σ = 0,9 e que o desgaste é
normalmente distribuído.
Utilizando Rstudio:
n = 15
xbar = 2.78
sigma = 0.9
install.packages("TeachingDemos") #executar somente a primeira vez para instalar

library("TeachingDemos")
Exercício 9.37 Montgomery EPE

Teste 1-sample z
• Exemplo:
a) Teste H0: μ = 3 versus H1: μ ≠ 3 usando α = 0,05;
Zα/2 = 1,96
x − 0 2,78 − 3
Z0 = = = −0,95
 / n 0,9 / 15
Como |z0|= 0,95 < 1,96 = Zα/2, não rejeita-se H0.
Analisando o p-value:
Como p-value = 2 x 0,1711 = 0,34 > 0,05, não Exercício 9.37 Montgomery EPE
rejeita-se H0.

Teste 1-sample z
• Exemplo:
a) Teste H0: μ = 3 versus H1: μ ≠ 3 usando α = 0,05;
mi = 3
z.test(xbar,mi,sigma, alternative = c("two.sided"), sigma, n, conf.level = 0.95)
One Sample z-test
data: xbar
z = -0.94673, n = 15.00000, Std. Dev. = 0.90000, Std. Dev. of the sample mean
= 0.23238, p-value = 0.3438
P-value > 0.05
alternative hypothesis: true mean is not equal to 3
95 percent confidence interval:
2.324546 3.235454
sample estimates:
mean of xbar
2.78

Teste 1-sample z
• Exemplo: Um produtor fabrica eixos para um motor de automóvel.

O desgaste (0,0001×polegada) dos eixos depois de 100000 milhas
é de interesse, visto que é provável ter um impacto nas
reivindicações de garantia. Uma amostra aleatória de n = 15 eixos é
testada e ẋ = 2,78. Sabe-se que σ = 0,9 e que o desgaste é
normalmente distribuído.
b) Qual o poder deste teste se μ = 3,25?

Teste 1-sample z
• Exemplo:
c) Que tamanho da amostra seria requerido para detectar uma média
verdadeira de 3,75, se quiséssemos que a potência fosse no mínimo
0,9?
dc = 3.75-3
#Poder=0.9 - 1-beta
beta = 0.10
zalfa = qnorm((alfa/2), lower.tail = FALSE)

zbeta = qnorm(beta)
n = (((zalfa - zbeta)^2)*sigma^2)/dc^2

Teste 1-sample t
• Teste para média de uma amostra, variância desconhecida;
Hipóteses: Estatística do teste:
H 0 :  = 0 x − 0
t0 =
H1 :   0 s/ n
Rejeita-se H0 se , no caso bilateral.
t0  t / 2,n −1
Ou se p-value (p valor ou valor p) for menor que α.

Teste 1-sample t
• Exemplo: A precipitação pluviométrica, em acre-pé (unidade de

volume), proveniente de 20 nuvens que foram selecionadas
aleatoriamente e semeadas com nitrato de prata, segue: 18,0; 30,7;
19,8; 27,1; 22,3; 18,8; 31,8; 23,4; 21,2; 27,9; 31,9; 27,1; 25,0; 24,7;
26,9; 21,8; 29,2; 34,8; 26,7 e 31,6.
a) Você pode sustentar a afirmação de que a precipitação média
das nuvens semeadas excede 25 acres-pé? Use α = 0,01.
Encontre o p-valor;
b) Verifique se a precipitação é normalmente distribuída;
c) Calcule o poder do teste se a precipitação média verdadeira for
27 acres-pés;
d) Que tamanho de amostra seria necessário para detectar uma
precipitação média verdadeira de 27,5 acres-pés, se
quiséssemos que o poder do teste fosse no mínimo de 0,9?
Exercício 9. 52 Montgomery EPE

Teste 2-sample z
• Teste para média de duas amostras, variâncias conhecidas;
H 0 : 1 =  2 H 0 : 1 =  2 H 0 : 1 =  2
H1 : 1   2 H1 : 1   2 H1 : 1   2
Estatística do teste:
X 1 − X 2 − (1 −  2 )
Z0 =
 12  22
+
n1 n2
Obs.: Na prática não se conhece a variância!!
O Minitab não faz este teste!
Teste 2-sample z
• Exemplo: Duas máquinas são usadas para encher garrafas de

plástico que têm um volume líquido de 16 onças. O volume de
enchimento pode ser suposto normal, com desvio-padrão σ1 =
0,020 e σ2 = 0,025 onça. Um membro do grupo de engenheiros
da qualidade suspeita que ambas as máquinas encham até o
mesmo volume líquido médio, independentemente desse volume
ser ou não 16 onças. Uma amostra aleatória de 10 garrafas é
retirada na saída de cada máquina.
• (10.4 EPE)
Máquina 1 Máquina 2
16,03 16,01 16,02 16,03
16,04 15,96 15,97 16,04
16,05 15,98 15,96 16,02
16,05 16,02 16,01 16,01
16,02 15,99 15,99 16,00

Teste 2-sample t
• Teste para média de duas amostras, variâncias desconhecidas e

iguais;

H 0 : 1 =  2 H 0 : 1 =  2 H 0 : 1 =  2
H1 : 1   2 H1 : 1   2 H1 : 1   2
Estatística do teste: X 1 − X 2 − (1 −  2 )

t0 =
1 1
Obs: σ1 = σ2
Sp +
S 2
=
(n1 − 1)S12 + (n2 − 1)S 22 n1 n2
n1 + n2 − 2
p
Estimador combinado de variâncias (pooled estimator)

Teste 2-sample t
• Teste para média de duas amostras, variâncias desconhecidas e

diferentes;
H 0 : 1 =  2 H 0 : 1 =  2 H 0 : 1 =  2
H1 : 1   2 H1 : 1   2 H1 : 1   2
2
 s12 s22 
 + 
X 1 − X 2 − (1 −  2 )  n1 n2 
t0 = = 2
Estatística
S12 S 22
+
com
(
s1 n1
2
) (
2
s n
+ 2 2
2
)
do teste: n1 n2 n1 − 1 n2 − 1

Teste 2-sample t
• Exemplo: Está sendo investigada a temperatura em que ocorre uma deflexão,

devido à carga, em dois tipos diferentes de tubo plástico. Duas amostras
aleatórias de 15 tubos são testadas e as temperaturas (em °F) observadas
em que ocorre esta deflexão são reportadas a seguir:
• Tipo 1: 206, 188, 205, 187, 194, 193, 207, 185, 189, 213, 192, 210, 194,
178, 205;
• Tipo 2: 177, 197, 206, 201, 180, 176, 185, 200, 197, 192, 198, 188, 189,
203, 192;
a) Construa diagramas de caixa e gráficos de probabilidade normal para as
duas amostras. Esses gráficos confirmam as suposição de normalidade e
variâncias iguais?
b) Os dados confirmam a afirmação de que a temperatura em que ocorre a
deflexão, devido à carga, do tubo tipo I excede àquela do tipo 2? Para
concluir algo, use α = 0,05. Calcule o p-valor.
c) Se a temperatura média em que ocorre a deflexão do tubo tipo I exceder
aquela do tubo tipo II por 5°F, é importante detectar esta diferença com
probabilidade de no mínimo 0,9. A escolha de n = 15 é adequada?

Teste t-pareado
• No caso de duas amostras, variâncias desconhecidas, e

dependência entre as duas amostras, deve-se usar o
teste t-pareado. Ensaio Rz_I (μm) Rz_F (μm)
1 2,743 2,825
2 3,010 3,008
3 2,216 2,910
4 2,531 3,825
• No caso onde deseja-se detectar se há diferença na 5

6
2,757
2,752
2,671
3,036
rugosidade no início e fim da superfície de furos usinados 7

8
2,136
2,557
2,516
3,492
9 3,085 2,850
há dependência entre as duas amostras. 10
11
3,068
2,546
2,930
3,003
12 3,202 3,847
13 5,109 5,515
14 4,830 4,699
15 3,225 5,309
• Em um mesmo corpo de prova, para cada corrida, faz-se 16
17
5,849
2,682
6,503
3,325
a medição no início e fim do furo, caracterizando a 18

19
2,572
3,203
3,354
3,867
20 3,092 4,055
dependência. 21
22
2,207
3,357
2,298
3,290
23 4,353 4,876
24 3,862 2,824
25 3,547 3,297
26 3,760 3,844
27 3,685 3,347
28 3,465 3,449

Teste t-pareado
• Diferença: d j = y1 j − y2 j , j = 1,..., n
H 0 : d = 0
• Hipóteses (teste bilateral) sobre a diferença:
H1 :  d  0
d
• Estatística do teste:t0 =
sd / n
• Apesar da dependência entre as amostras, supõem-se dj~N(μd,σd2).

Teste t-pareado
• Considerando os dados ao lado:
a) As diferenças são normalmente distribuídas? Ensaio Rz_I (μm) Rz_F (μm)

1 2,743 2,825
b) Com base nos dados é possível afirmar que há diferença entre a 2

3
3,010
2,216
3,008
2,910
4 2,531 3,825
rugosidade do início e final do corpo de prova? Para concluir algo, 5 2,757 2,671
use α = 0,05. Calcule o p-valor.

6 2,752 3,036
7 2,136 2,516
8 2,557 3,492
9 3,085 2,850
c) Qual o poder do teste realizado? 10
11
3,068
2,546
2,930
3,003
12 3,202 3,847
13 5,109 5,515
14 4,830 4,699
15 3,225 5,309
16 5,849 6,503
17 2,682 3,325
18 2,572 3,354
19 3,203 3,867
20 3,092 4,055
21 2,207 2,298
22 3,357 3,290
23 4,353 4,876
24 3,862 2,824
25 3,547 3,297
26 3,760 3,844
27 3,685 3,347
28 3,465 3,449

ANOVA one-way
• Sejam a tratamentos ou níveis de um único fator.
j = 1, 2, ..., n
Tratamentos Observações Totais Média
1 y11 y12  y1n y1. y1.

i = 1, 2, ..., a
2 y 21 y 22  y2 n y 2. y 2.
      
a y a1 ya 2  y an ya. ya.
yij : j-ésima observação tomada no i-ésimo nível; y.. y..

ANOVA one-way
• Modelo de médias:
 i = 1, 2, ..., a 
yij = i +  ij  
 j = 1, 2,..., n 
yij : ij-ésima observação
i : média do i-ésimo tratamento
 ij : erro aleatório Tratamentos Observações Totais Média
1 y11 y12  y1n y1. y1.

2 y 21 y 22  y2 n y 2. y 2.
      
y.. y..

ANOVA one-way
• Modelo de efeitos:
 i = 1, 2, ..., a 
yij =  +  i +  ij  
 j = 1, 2,..., n 
yij : ij-ésima observação
 : média geral
 i : efeito do i-ésimo tratamento
Tratamentos Observações Totais Média
1 y11 y12  y1n y1. y1.

 ij : erro aleatório 2 y 21 y 22  y2 n y 2. y 2.
      
y.. y..

ANOVA one-way
• Hipóteses:
H 0 : 1 =  2 = ... =  a
H1 : i   j para ao menos um par i , j
Ou:
H 0 :  1 =  2 = ... =  a
H1 :  i   j para ao menos um par i , j
• Deseja-se testar a igualdade das médias dos a tratamentos.

CUIDADO: ANOVA é um teste para médias! O nome engana!

ANOVA one-way
• Da mesma forma, pode-se usar a variação da média dos

tratamentos para estimar σ2, caso não haja diferença
significativa entre os tratamentos.
• Na ANOVA one-way há duas estimativas de σ2:
SSTrat
MSTrat = σ2between Variância entre tratamentos
a −1
SS E
MS E = σ2within Variância dentro dos tratamentos
N −a

ANOVA one-way
• Tabela ANOVA one-way
Fonte de Graus de Média dos

Soma dos quadrados F0
variação liberdade quadrados
1 a 2 y..2
=  yi . −
Entre SSTrat MSTrat
(between) SSTrat a-1 MSTrat = F0 =
tratamentos n i =1 N a −1 MS E
SS E = SST − SSTrat SS E
Erro (within) N-a MS E =
N −a
a n 2
y
Total SST =  yij2 − .. N-1
i =1 j =1 N

ANOVA one-way
• Rejeita-se H0 se há diferença entre as médias dos
tratamentos, isto é:
F0  F ,a −1, N − a
• A hipótese alternativa é bilateral e o Distribution Plot

F; df1 =4; df2=1 0
critério de rejeição é unilateral. 0,7
Porque? 0,6
0,5
MSTrat
F0 = 0,4
Density
• Pois testa-se , ou seja,
MS E
quantas vezes a variância “entre” é
0,3
maior que a variância “dentro”

0,2
0,1
0,05
0,0
0 3,478
X
• A distribuição F é razão de chi-
quadrados, que por sua vez é soma
do quadrado de normais, de forma
que F só assume valores positivos!!!

ANOVA one-way
• O tempo de resposta em milissegundos foi determinado para

três tipos de circuitos que podem ser usados em uma válvula
automática de um mecanismo de desligamento.
Tipo de circuito Tempo de resposta (ms)

1 9 12 10 8
2 20 21 23 17
3 6 5 8 7

EQI - Inferências Sobre A Qualidade Do Processo

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

EQI - Inferências Sobre A Qualidade Do Processo

Enviado por

Direitos autorais:

Formatos disponíveis

Engenharia de Qualidade I

Inferências Sobre a Qualidade

Profª. Dr ª. Kívia Mota Nascimento

• Inferência estatística (MONTGOMERY, 2004): ramo da

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 2

Distribution Plot Histogram of C1

POPULAÇÃO Amostra (x1, x2, ..., xn )

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 3

• A rugosidade superficial é uma característica de qualidade

• Resultados das medições de rugosidade

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 5

• Avaliando apenas a média das rugosidades no início e fim

• Uma técnica estatística de inferência chamada de teste de

• Como neste exemplo para cada corrida mediu-se a

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 6

• Cada observação nos experimentos de medição de rugosidade

• Há uma flutuação nos resultados devido a variáveis

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 7

• A presença do erro experimental implica que a rugosidade é

• Uma variável aleatória pode ser :

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 8

• Distribuição de probabilidade: A estrutura de probabilidade

Distribuição discreta Distribuição contínua

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 9

• Propriedades das distribuições:

DISTRIBUIÇÕES DISCRETAS DISTRIBUIÇÕES CONTÍNUAS

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 10

• Propriedades dos operadores de média e variância. Seja y uma

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 11

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 12

• Normal padrão: va com μ = 0 e σ2 = 1, ou seja Z~N(μ,σ).

• Procedimento para padronizar a normal:

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 13

Exemplo: A resistência à compressão de amostras de cimento

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 14

Exemplo: A resistência à compressão de amostras de cimento

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 15

Exemplo: A resistência à compressão de amostras de cimento

#Pb = P(5800<x<5900)=P(x<5900) - P(x<5800)

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 16

Exemplo: A resistência à compressão de amostras de cimento

#Pc - P(X>xc) = 0.95 = 1 - P(X<xc)

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 17

• Estatística: função dos dados amostrais.

Amostra (x1, x2, ..., xn )

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 18

• Distribuição amostral: É a distribuição de probabilidade de

Amostra (x1, x2, ..., xn )

• Se a distribuição da população de origem não for normal, pelo

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 20

• Distribuição qui-quadrado (χ2): Se x1, x2, ..., xn são va’s

tem distribuição qui-quadrado com n graus de liberdade.

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 21

• Distribuição t: Seja x uma va N(0,1) e y uma va χ2 com k

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 22

• Distribuição F: Seja w e y duas vas independentes

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 23

• Hipótese: afirmação sobre os parâmetros de uma distribuição

H 0 :  = 0 H 0 :  = 1,500 Hipótese nula

H1 :   0 H1 :   1,500 Hipótese alternativa

• Como determinar μ0:

Profª. Drª. Kívia Mota Nascimento Engenharia de Qualidade I 24