Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatística I
(Notas de aulas)
Para o matemático e filósofo francês René Descartes, na pesquisa e elucidação de verdades são
necessários, e suficientes, quatro princípios1:
1 – Princípio da Evidência
Jamais aceitar como exata coisa alguma que não se conheça à evidência como tal, incluindo em
juízos apenas aquilo que se mostre tão claro que não subsista razão alguma de dúvida.
2 – Princípio da Análise
Dividir cada dificuldade a ser examinada em tantas partes quanto possível e necessárias à sua
resolução.
3 – Princípio da Síntese
Pôr em ordem os pensamentos, começando pelos mais simples e de mais fácil resolução, até
atingir, gradativamente, o conhecimento de assuntos mais complexos, sem deixar de supor uma ordem.
4 – Princípio da Enumeração
Fazer, para cada caso, enumerações tão exatas e revisões tão gerais que se possa ter certeza de
não omitir nada.
Os quatro princípios acima acabaram por se tornar a base de qualquer método de investigação
científica aplicado a qualquer ciência experimental que necessite de um mecanismo de análise referente a
um processo de generalização a partir de um conjunto de observações individuais.
A palavra Estatística tem origem latina ( “status” ). Também denominada “métodos estatísticos”,
foi usada inicialmente para tratar de dados relativos a negócios de Estado, daí o seu nome. De acordo com
o matemático e estatístico inglês Ronald A. Fisher, a Estatística é uma ramo da Matemática Aplicada
dedicado à análise de dados de observação, constituindo-se, portanto, em um conjunto de métodos
destinados à coleta, organização, apresentação, descrição e análise de dados de natureza quantitativa.
Atualmente é de fundamental importância em praticamente qualquer ciência, notadamente as ciências
aplicadas, tais como psicologia, biologia e sociologia, por exemplo.
A Estatística é dividida em duas partes: descritiva e inferencial. A primeira é aplicada nas etapas
que vão da coleta até a descrição dos dados. A segunda parte é aplicada sobretudo na tomada de decisões
sob condições de incerteza. Como toda tomada de decisão está relacionada a uma relativa margem de
incerteza, já que normalmente é feita com base em apenas uma parte das possíveis observações, a
estatística inferencial utiliza em larga escala conceitos da Teoria das Probabilidades, tais como nível de
confiança, margem de erro e outros.
Na administração de empresas a Estatística tem se tornado cada dia mais útil como ferramenta.
Um dos efeitos da globalização é a necessidade de maior agilidade por parte dos tomadores de decisão,
exigindo, além da rapidez, confiabilidade dos resultados apresentados. Além disso, o uso da Estatística
acaba por dotar o trabalho efetuado de uma sólida base científica, aumentando a sua consistência.
1
Descartes, René – Discurso Sobre o Método – Livraria Exposição do Livro – São Paulo.
4 – Teoria da Probabilidade
7 – Estimação de Parâmetros
8.01 – Conceitos
8.02 – Gráficos de Controle por Variável
8.03 – Gráficos de Controle por Atributo
8.04 – Índices
0.01.01 – Estatística
Estatística Descritiva
Estatística Indutiva
Inclui as técnicas utilizadas na tomada de decisões sobre uma população, utilizando algumas
vezes dados amostrais. Esta tomada de decisões está sujeita a condições de incerteza, o que acaba por
exigir o emprego de conceitos da Teoria das Probabilidades.
Tanto para o estudo como para a aplicação da Estatística, são úteis alguns conceitos.
0.01.01.01 – Atributo
0.01.01.02 – População
Conjunto de elementos com pelo menos um atributo em comum. Também pode ser denominada
Universo.
Exemplo 0.1: Pessoas casadas do sexo feminino.
Exemplo 0.3: Seja, por exemplo, o diâmetro de um eixo fabricado por certa empresa. Em princípio, não
limite para o número de medições efetuadas com o objetivo de determinar o valor para este diâmetro.
Desta forma, a população formada pelo número de medições pode ser considerada infinita.
0.01.01.03 – Amostra
São conjuntos de dados envolvendo três fatores: Fenômeno, Local e Tempo, dos quais um é
variável e ou outros dois são fixos. São classificadas como:
Têm como elemento variável o tempo. O local e o fenômeno são os elementos fixos. As séries
temporais também são chamadas Cronológicas, Históricas ou Marchas.
Exemplo 0.4:
Exemplo 0.5:
Tabela 0.04 – Faturamento da Empresa ABC no primeiro semestre do ano XXXX, por
região.
Região Faturamento (R$ . 1000,00)
Sul 48,1
Sudeste 42,4
Centro Oeste 29,9
Nordeste 27,5
Norte 21,1
Total 169,0
Dados fictícios
Exemplo 0.6:
Tabela 0.05 – Faturamento da Empresa ABC no primeiro semestre do ano XXXX, por
produto.
Produto Faturamento (R$ . 1000,00)
Queijo 48,8
Salame 39,7
A mesma atenção dispensada às fases de coleta e organização dos dados deve ser observada na
apresentação dos mesmos. Um conjunto de dados pode ser apresentado através de duas formas, que não
se excluem mutuamente: através de tabelas,ou quadros, e gráficos. A primeira forma deve ser usada
sempre que se desejar maior precisão na apresentação. A segunda, em que pese a maior facilidade de
visualização, não proporciona a mesma precisão observada para a forma anterior.
0.01.03.01 – Estrutura
Uma tabela, ou um quadro, deve não somente apresentar dados mas, também, identificá-los
quanto à origem, o quê representam e qual o período de tempo abrangido. É formada por três partes:
Outro ponto merecedor de destaque é a correta denominação da ferramenta utilizada. Uma tabela não
deve ser fechada nas laterais. Quando as laterais são fechadas a denominação correta é quadro, conforme
pode-se observar na figura abaixo.
Tabela Quadro
XXXXXYYYYY************** XXXXXYYYYY**********
********** **************
Consiste basicamente de duas colunas, como nos exemplos 0.52, 0.53 e 0.54.
Exemplo 0.7:
Exemplo 0.8:
Quadro 0.03 – Faturamento (R$ . 1000,00) da Empresa ABC nos dois primeiros
trimestres do ano XXXX, por região e por produto.
Região Produto Total
Queijo Salame Presunto Mortadela Patê
1o. tr 2o. tr 1o. tr 2o. tr 1o. tr 2o. tr 1o. tr 2o. tr 1o. tr 2o. tr
Sul 8,2 4,4 5,0 3,2 6,5 7,7 4,3 5,6 1,3 2,5 48,1
Sudeste 4,1 6,5 3,8 2,6 4,7 5,4 4,2 8,3 1,3 1,5 42,4
Centro Oeste 4,2 5,3 3,5 3,9 1,9 2,4 2,2 2,6 1,5 2,4 29,9
Nordeste 6,0 4,1 5,0 5,5 1,6 0,5 1,0 1,2 1,5 1,1 27,5
Norte 2,0 4,2 3,7 3,5 1,1 0,7 1,2 1,3 1,5 1,9 21,1
Total 24,5 24,3 21,0 18,7 15,8 16,7 12,9 18,9 7,1 9,1 169,0
Dados fictícios
Exemplo 0.9:
Tabela 0.03 – Faturamento da Empresa ABC no primeiro semestre do ano XXXX.
Mês Faturamento (R$ . 1000,00)
Janeiro 25,3
Fevereiro 28,7
Março 32,5
Abril 35,9
Maio 31,4
Junho 15,2
Total 169,0
Dados fictícios
Neste tipo de gráfico, cada coluna representa uma categoria, sendo o valor observado indicado
pela altura da coluna.
Exemplo 0.10:
Tabela 0.04 – Faturamento da Empresa ABC no primeiro semestre do ano XXXX, por
região.
Região Faturamento (R$ . 1000,00)
Sul 48,1
Sudeste 42,4
Centro Oeste 29,9
Nordeste 27,5
Norte 21,1
Total 169,0
Dados fictícios
É uma circunferência na qual cada setor corresponde a uma categoria. Também é chamado,
incorretamente, de “gráfico pizza”.
Exemplo 0.11:
Tabela 0.05 – Faturamento da Empresa ABC no primeiro semestre do ano XXXX, por produto.
Basta utilizar, para cada categoria, uma regra de três simples. O total deve corresponder a 360 o ,
determinando-se a seguir a quantos graus corresponde cada categoria.
No exemplo anterior,
169,0 360o
48,8 x
x 104o
0.01.04.04 – Gráfico de Colunas Sobrepostas
Pode ser utilizado para representar os dados de uma tabela, ou quadro, de dupla entrada. Cada
coluna corresponde a uma categoria, sendo cada categoria composta por subcategorias.
Exemplo 0.12
Quadro 0.02 – Faturamento (R$ .1000,00) da Empresa ABC no primeiro semestre do
ano XXXX por região e por produto.
Região Produto Total
Queijo Salame Presunto Mortadela Patê
Sul 12,4 8,2 14,2 9,8 3,5 48,1
Sudeste 10,6 6,4 10,1 12,5 2,8 42,4
Centro Oeste 9,5 7,4 4,3 4,8 3,9 29,9
Nordeste 10,1 10,5 2,1 2,2 2,6 27,5
Norte 6,2 7,2 1,8 2,5 3,4 21,1
Total 48,8 39,7 32,5 31,8 16,2 169,0
Dados fictícios
É equivalente ao gráfico de colunas. A diferença está na substituição das colunas (verticais) por
barras horizontais.
Exemplo 0.13:
Tabela 0.04 – Faturamento da Empresa ABC no primeiro semestre do ano XXXX, por
região.
Região Faturamento (R$ . 1000,00)
Sul 48,1
Sudeste 42,4
Centro Oeste 29,9
Nordeste 27,5
Norte 21,1
Total 169,0
Dados fictícios
0.05 – Exercícios
1) Uma empresa (fictícia) atua nos ramos de transporte, armazenagem e distribuição em três estados
diferentes. O quadro abaixo mostra o desempenho desta empresa durante quatro meses.
Quadro 0.03 – Faturamento (R$ . 1000,00) mensal, por ramo de atividade e por Estado.
Ramo Total
Transporte Armazenagem Logística
PR SC RS PR SC RS PR SC RS
Representar os dados:
d) da série temporal por um gráfico linear;
e) da série geográfica por um gráfico setorial;
f) da série específica por um gráfico de colunas.
2) Construir uma tabela, ou quadro, para classificar os funcionários de uma empresa com relação a sexo,
estado civil (solteiro, casado, viúvo e outros) e escolaridade (primeiro grau, segundo grau ou superior).
A notação por índices é utilizada para representar os valores de um conjunto ordenado de dados.
Consiste simplesmente em acrescentar uma letra, normalmente i ou j, à direita da letra usada para
designar a variável, embora esta letra possa ser posicionada de modo diferente. Usualmente a forma
empregada é
( “ X índice i” )
0.02.01 – Somatório
É o símbolo utilizado para representar a soma dos elementos de um conjunto. É representado por
0.02.01.01 – Propriedades:
P1:
P3:
P4: , k IR .
P5:
a)
b)
c)
d)
e)
f)
g)
0.02.02 – Produtório
b)
c)
São séries estatísticas nas quais tempo, local e fenômeno são fixos. Neste caso o fenômeno é
representado através de intervalos de valores, chamados classes ou categorias.
Exemplo 0.16 :
Tabela 0.05 – Distribuição de salários dos funcionários de uma certa empresa.
Salários (R$) Funcionários
200 – 400 20
400 – 600 36
600 – 800 60
800 – 1000 40
1000 – 1200 28
1200 – 1400 16
Total 200
Dados fictícios
No exemplo acima há seis categorias, ou classes, salariais. O número de funcionários pertencentes a cada
classe é a freqüência, ou freqüência simples, da mesma.
São dados numéricos não organizados, seja numa distribuição de freqüências ou seguindo
qualquer outro critério, como ordem crescente, por exemplo.
0.03.02 – Rol
(0.12)
São os valores que delimitam os elementos que serão considerados como pertencentes à classe
em questão. Normalmente são representados por
Lsi = limite superior da i-ésima classe
Lii = limite inferior da i-ésima classe
(0.13)
“inclusive – exclusive”
“inclusive – inclusive”
“exclusive – exclusive”
“exclusive – inclusive”
0.03.08 – Freqüência ( fi )
A freqüência da i-ésima classe nada mais é que o número de elementos pertencentes à mesma.
Também é chamada freqüência simples da classe. Na prática, quando a freqüência de uma classe é muito
pequena em relação as demais, isto é, desprezível, costuma-se representá-la por “ – “ (traço). Isto não
significa que a freqüência é zero.
(0.14)
(0.15)
No exemplo 0.16: e
(0.16)
(0.17)
0.03.11 – Ponto Médio ( Xi )
(0.18)
0.03.12 – Histograma
O quadro à direita pode ser eliminado. Neste caso os valores são escritos abaixo do eixo das abscissas.
Também não são necessárias as linhas horizontais de escala.
É uma linha poligonal unindo os pontos ( Xi , fi ). Pode ser traçada sobre o histograma, como se
pode ver a seguir.
Algumas regras gerais para a construção de uma distribuição de freqüências são apresentadas por
Spiegel 2 . De acordo o referido autor, as etapas são:
0.03.16 – Exercícios
1) Uma amostra de 144 pacotes de um certo produto teve seus pesos, em gramas, observados, e os valores
são mostrados a seguir. Elaborar uma distribuição de freqüências.
a) Amplitude total: R =
b) Número de classes: n =
2
Spiegel, Murray R. – Estatística - 3ª. Edição – São Paulo – Makron Books – 1993.
d) Intervalo:
e) Distribuição:
f) Histograma:
g) Polígono de freqüências:
h) Curva de freqüências:
(1.01)
OBS: Neste material, salvo menção em contrário, todo exercício considerará os dados como sendo
amostrais.
P1: Se uma constante k for somada a cada um dos elementos do conjunto, a média aritmética do mesmo
será acrescida de k.
Exemplo 1.02: Sejam os conjuntos { 1 , 3 , 4 , 6 , 9 } e { 201 , 203 , 204 , 206 , 209 }. Calcular e
comparar as médias aritméticas para ambos.
P2: Se todos os elementos de um conjunto forem multiplicados por uma constante k, a média aritmética
dos mesmos também será multiplicada pelo mesmo valor.
P3: A soma dos desvios dos valores de um conjunto em relação à sua média é nula.
Exemplo 1.04: Verificar a soma dos desvios em relação à média aritmética dos valores do conjunto { 2 , 4
, 6 , 7 , 9 }.
Sejam N valores agrupados em n classes, com pontos médios Xi e freqüências fi . Então a média
aritmética é
(1.02)
Exemplo 1.05: Calcular a média aritmética para os dados da distribuição de freqüências do exemplo 0.64.
Tabela 0.05 – Distribuição de salários dos funcionários de uma certa empresa.
Salários Funcionários Xi Xi fi
200 – 350 20
350 – 500 36
500 – 650 60
650 – 800 40
800 – 950 28
950 – 1100 16
Total
Dados fictícios
1.02 – Mediana ( ou Me )
A mediana, ou valor mediano, de um conjunto de dados é o número que divide este conjunto em
duas partes iguais. É importante ressaltar que este valor não pertence necessariamente ao conjunto.
1) Quantidade ímpar de valores: neste caso a mediana é o valor que ocupa a posição central,
quando os valores estão em ordem crescente.
Como os valores já estão ordenados, basta verificar que elemento ocupa a posição central. Neste caso
= 8.
2) Quantidade par de valores: aqui a mediana é a média dos dois elementos centrais, quando os
valores estão em ordem crescente.
Para dados agrupados em uma distribuição de freqüências pode-se aplicar a fórmula dada a
seguir:
(1.09)
onde:
Li = limite inferior da classe que contém a mediana.
fc = freqüência acumulada crescente da classe anterior à classe que contém a mediana.
fme = freqüência simples da classe que contém a mediana.
h = amplitude da classe que contém a mediana.
A classe que contém a mediana é aquela cuja freqüência acumulada crescente é imediatamente superior,
ou igual, a .
Exemplo 1.16: Calcular a mediana para a distribuição de freqüências do exemplo 0.64.
Tabela 0.05 – Distribuição de salários dos funcionários de uma certa empresa.
Salários Funcionários Xi Xi fi
200 – 350 20
350 – 500 36
500 – 650 60
650 – 800 40
800 – 950 28
950 – 1100 16
Total
Dados fictícios
Li =
fc =
fme =
h=
A moda, ou valor modal, de um conjunto de dados é o valor com maior freqüência. Este valor
pode não existir ou, caso exista, pode não ser único.
Para valores agrupados em uma distribuição de freqüências pode-se aplicar a fórmula obtida a
seguir.
Suponha-se que a figura (1.01), a seguir, represente parte do histograma de uma distribuição de
freqüências cujo valor modal deseja-se calcular. O retângulo mais alto representa a classe modal, isto é, a
de maior freqüência.
A B
1 E I F 2
D
C
Li I’ Li + h
O valor modal, Mo, coincide com I’ , abscissa do ponto I , que é a intersecção dos segmentos e
BC. Os triângulos AIC e BID são semelhantes. Então
Como I’ = Mo
(1.10)
onde:
Li = limite inferior da classe modal (com maior freqüência simples).
1 = diferença entre as freqüências simples da classe modal e da classe anterior.
2 = diferença entre as freqüências simples da classe modal e da classe posterior.
h = amplitude da classe modal.
Já foi visto que a mediana divide um conjunto de dados ordenados em duas partes iguais. De
forma análoga, há medidas estatísticas que dividem um conjunto em quatro, dez ou cem partes. Estas
medidas são chamadas separatrizes. A medida que divide o conjunto em 100 partes iguais é o percentil,
definido a seguir.
1.05.01 – Percentil ( Pn )
Para um conjunto de dados simples os percentis podem ser determinados de forma análoga a
utilizada para a determinação da mediana.
Para dados agrupados em uma distribuição de freqüências pode-se utilizar a fórmula dada a
seguir
(1.13)
onde:
n = 1 , 2 , 3 , ... , 99 é o percentil que se deseja calcular.
N = soma das freqüências.
fc = freqüência acumulada crescente da classe anterior à classe que contém o n-ésimo percentil.
fP = freqüência simples da classe que contém o n-ésimo percentil.
h = amplitude da classe que contém o n-ésimo percentil.
A classe que contém o n-ésimo percentil é aquela cuja freqüência acumulada crescente é imediatamente
superior, ou igual, a .
Exemplo 1.28: Calcular o 20o. e o 75o. percentis para a distribuição de freqüências do exemplo 0.64.
Tabela 0.05 – Distribuição de salários dos funcionários de uma certa empresa.
Salários Funcionários Xi Xi fi
200 – 350 20
350 – 500 36
500 – 650 60
650 – 800 40
800 – 950 28
950 – 1100 16
Total
Dados fictícios
O quartil é a medida que divide um conjunto em quatro partes iguais. Pode ser calculado pelas
seguintes relações:
Q1 = P25
Q2 = P50
Q3 = P75
O decil divide o conjunto em dez partes iguais. Assim, usando raciocínio análogo ao utilizado
para o cálculo do quartil, tem-se
D1 = P10
D2 = P20
D3 = P30
1.06 – Exercícios
Tabela 1.02 – Distribuição por idades dos moradores de uma certa localidade.
Idade Moradores
0 -| 5 100
5 -| 10 150
3) Tabela 1.03
Ponto médio Freqüência Acumulada Crescente
2 6
4 16
6 30
8 50
10 78
12 100
14 112
16 120
18 126
1) Calcular a média.
2) Calcular a mediana.
3) Calcular a moda.
4) Calcular o 1o. quartil.
5) Calcular o 3o. quartil.
6) Construir um histograma para as freqüências acumuladas crescentes.
Tão importante quanto o cálculo de uma medida de posição, geralmente a média aritmética, é a
determinação da variação dos valores em torno desta medida. Esta variação é denominada dispersão, e
suas principais medidas são dadas a seguir.
2.01 – Variância ( 2 ou s2 )
A variância de um conjunto de dados é a média dos quadrados dos desvios dos valores em relação à sua
média. Isto é, dado um conjunto { x1 , x2 , x3 , ... , xn }, a variância é dada por
(2.01)
(2.02)
OBS: Neste material, salvo menção em contrário, os dados serão sempre considerados como amostrais.
(2.03)
(2.04)
conhecidas como fórmulas reduzidas, e que (apesar da aparência) tornam os cálculos consideravelmente
mais rápidos.
(2.04)
(2.05)
onde .
Da mesma forma que as fórmulas (2.01) e (2.02), as fórmulas acima também podem ser substituídas por
fórmulas reduzidas. Neste caso (2.04) e (2.05) ficam, respectivamente,
(2.06)
(2.07)
Exemplo 2.02: Calcular a variância para os dados da distribuição de freqüências do exemplo 1.28.
Tabela 0.05 – Distribuição de salários dos funcionários de uma certa empresa.
Salários Funcionários Xi Xi fi
Exemplo 2.06: Calcular o desvio padrão para a distribuição de freqüências do exemplo 2.04.
OBS: A exemplo dos exercícios envolvendo a variância, todos os exercícios envolvendo o cálculo do
desvio padrão devem considerar os dados como amostrais, salvo menção em contrário.
2.02.01 – Propriedades
P1: Se uma constante k é somada a todos os valores de um conjunto, o desvio padrão não se altera.
P2: Se todos os valores de um conjunto são multiplicados por uma constante k, o desvio padrão também
fica multiplicado por k.
O coeficiente de variação é definido como a razão entre o desvio padrão e a média aritmética.
Então
(2.10)
(2.11)
Exemplo 2.10: Calcular o escore reduzido de cada ponto médio da distribuição de freqüências do
exemplo 2.04.
2.05 – Exercícios
Tabela 1.02 – Distribuição por idades dos moradores de uma certa localidade.
Idade Moradores
0 -| 5 100
5 -| 10 150
10 -| 15 200
15 -| 20 250
20 -| 25 200
25 -| 30 150
30 -| 35 100
35 -| 40 75
Tabela 1.03
Ponto médio Freqüência Acumulada Crescente
2 6
4 16
6 30
8 50
10 78
12 100
14 112
16 120
18 126
a) {2 , 4 , 5 , 6 , 8 }
b) {102 , 104 , 105 , 106 , 108 }.
O conceito de assimetria foi apresentado em 1.07 , p. 56. Ali também foi apresentada uma forma
de determinar o tipo de assimetria de um conjunto de dados. Em algumas aplicações, contudo, a simples
determinação do tipo de assimetria não é suficiente, fazendo-se necessário o cálculo do coeficiente de
assimetria.
A curtose de um conjunto de dados é o achatamento de uma curva de freqüências em relação a
uma curva simétrica, ou normal. Com relação à curtose, uma curva de freqüências pode ser classificada
como:
3.01.01 – Mesocúrtica:
(3.01)
(3.02)
3.02.01 – Comentário
Na prática há situações nas quais as relações entre média, mediana e moda apresentadas em 1.07,
não se verificam. Isto é, a mediana ( ) não assume um valor intermediário entre a média ( )ea
moda ( Mo ). Neste caso pode-se aplicar uma “regra não escrita”, que consiste em desconsiderar o valor
Exemplo 3.02: Calcular os dois coeficientes de Pearson para a distribuição de freqüências do exemplo
2.04.
Tabela 0.05 – Distribuição de salários dos funcionários de uma certa empresa.
Salários Funcionários Xi Xi fi
200 – 350 20
350 – 500 36
500 – 650 60
650 – 800 40
800 – 950 28
950 – 1100 16
Total
Dados fictícios
Uma medida de curtose muito usada na prática é o coeficiente percentílico de curtose, dado por
(3.03)
k = 0,263 Mesocúrtica
Exemplo 3.03: Calcular o coeficiente de curtose para a distribuição de freqüências do exemplo 3.02.
3.03.01 – Comentário
Tabela 3.01: Pesos (em gramas) observados em uma amostra de pacotes de um certo
produto.
Peso (g) Pacotes
90 – 92 12
92 – 94 18
94 – 96 24
96 – 98 36
98 – 100 48
100 – 102 40
102 – 104 34
104 – 106 22
106 - 108 14
Dados fictícios
4.01 – Conceitos
É adotado quando há apenas uma oportunidade para a ocorrência do evento. Neste caso o que se
observa é um certo “grau de crença”3 , ou expectativa. Também é conhecido como enfoque
personalístico.
É todo experimento, ou observação, cujo resultado não seja previsível, estando sujeito
unicamente ao acaso. São exemplos de experimento aleatório: número de falhas apresentadas por um
equipamento, número de nascimentos em uma certa semana, número de clientes atendidos em um dia
qualquer em um estabelecimento comercial e o número de ganhadores de uma loteria, entre outros.
4.02.01 – Espaço Amostral ( S )
4.02.02 – Evento ( E )
Sejam dois eventos, A e B. O evento intersecção ocorre sempre que se observar a ocorrência de
um resultado favorável a A e a B.
3
Kazmier, Leonard J. – Estatística Aplicada à Economia e Administração – Ed. Mc Graw Hill do Brasil – São Paulo – 1982.
É dada por
(4.02)
4.02.04 – Propriedades
4.02.05 – Exemplos
Escrever e classificar o espaço amostral associado a cada experimento aleatório dado a seguir.
1) Uma moeda é lançada duas vezes. Qual a probabilidade de se obter duas “caras” ?
2) Uma caixa contém cinco bolas brancas e cinco bolas pretas. São retiradas duas bolas. Qual a
probabilidade de que:
Exemplo 4.02.06: Um dado é lançado duas vezes. Qual a probabilidade de se obter os resultados 3 e 5 ?
Sejam A e B dois eventos consecutivos. Há casos nos quais a ocorrência, ou não, do evento A
altera a probabilidade de ocorrência do evento B. Nestes casos diz-se que a ocorrência de B está
condicionada à ocorrência de A. Assim, a probabilidade de ocorrência de B, após a ocorrência de A, é
dada por
(4.04)
Na equação acima, P(B | A) deve ser lido como “probabilidade de B ocorrer, dado que A
ocorreu”.
Exemplo 4.02.07: Uma caixa contém duas bolas brancas e três bolas pretas. São retiradas duas bolas
aleatoriamente e sem reposição. Qual a probabilidade de que a primeira seja branca e a segunda seja preta
?
Exemplo 4.02.08: No exemplo anterior, qual a probabilidade de que as duas bolas sejam da mesma cor ?
(4.05)
(4.06)
Exemplo 4.03.01: Seja o exemplo anterior. Uma unidade é selecionada aleatoriamente e verifica-se que é
não conforme. Qual a probabilidade de ter sido produzida por B ?
De um modo simplificado, pode-se dizer que uma variável é chamada aleatória quando seus
valores são determinados por processos aleatórios.
Exemplo 4.04.01: Seja o experimento aleatório “lançamento de um dado”. Seja X a variável que
representa os possíveis resultados para este experimento. Isto significa que X {1 , 2 , 3 , 4 , 5 , 6}.
Seja X uma v. a. discreta. Uma função p( X ) é uma função de probabilidade se, para cada valor
de X:
a) 0 p( X )
b)
c) p( k ) = P( X = k )
Seja X uma v. a. contínua. Uma função f( X ) é uma função densidade de probabilidade (fdp) se,
para cada valor de X:
a) 0 f (X)
b)
c) P( a X b) =
4.05.02 – Expectância ( E( X ) ou )
, v. a. discreta (4.07)
, v. a. contínua (4.08)
Exemplo 4.05.01 – A tabela abaixo mostra o número falhas observadas em uma linha de produção
durante um período de 50 dias. Calcular a expectância da v.a. discreta X.
Exemplo 4.05.02: Um certo modelo de automóvel custa R$ 30000,00. As estatísticas mostram que 8%
dos veículos deste modelo são roubados no período de um ano. Qual o valor “justo” para o seguro contra
roubo ?
4.05.03 – Variância ( V( X ) ou 2 )
Seja uma v. a. X. A sua medida de dispersão, ou variabilidade, em torno da média é dada por
, v. a. discreta (4.09)
, v. a. contínua (4.10)
Exemplo 4.05.04: A variância também pode ser calculada pela fórmula . Calcular a
variância da v. a. do exemplo anterior através da fórmula dada.
4.06 – Exercícios
Para cada um dos exercícios abaixo, escrever o espaço amostral, o evento estudado e calcular a
probabilidade do mesmo, quando solicitado.
1) Seja o seguinte jogo. De uma urna, contendo cinco bolas pretas e cinco bolas brancas, são
retiradas, com reposição, três bolas sucessivamente. A cada bola retirada é colocada outra da
mesma cor. Qual a probabilidade de que:
2) Um dado é lançado duas vezes. Qual a probabilidade de que a soma dos resultados seja:
a) dois ?
b) cinco ?
c) no mínimo nove ?
d) menos que nove ?
4) Um atirador tem o direito de disparar quatro tiros, até acertar o alvo. Se a probabilidade de
acertar o alvo é igual a p, calcular a probabilidade de que o atirador acerte na segunda tentativa.
5) Uma oferta de emprego é respondida por 100 pessoas. Destas 100 pessoas, 50 possuem
certificado técnico e 30 possuem apenas experiência. Há, ainda, 20 pessoas que preenchem
ambos os requisitos. Qual a probabilidade de que um candidato selecionado aleatoriamente:
a) possua certificado ?
b) possua experiência ?
c) possua certificado e experiência ?
d) possua certificado ou experiência ?
e) possua certificado ou experiência, mas não ambos ?
7) A tabela a seguir mostra o número de caminhões que chegam para descarregar em um terminal
ao longo de 30 dias.
8) Supondo que a chegada de cada caminhão represente uma receita de R$ 300,00, qual a receita
esperada para um período de 30 dias ?
10) Um dado é lançado cinco vezes. Qual a probabilidade de obter três “quatro” ?
11) Uma urna contém quatro bolas brancas e seis bolas pretas. São retiradas quatro bolas. Seja X a v.
a. que representa o número de bolas brancas retiradas. Construir uma tabela para a função de
probabilidade de X.
12) Um dado é lançado duas vezes. Qual a probabilidade de obter:
a) Um “dois” e um “três” ?
b) Um “três” no segundo lançamento após a ocorrência de um “dois” no primeiro
lançamento ?
13) Com relação a um certo modelo de automóvel verificou-se que a taxa de roubos, no ano anterior,
foi de 5%. A taxa de envolvimento em acidentes foi de 7%. Se o veículo custa R$ 25000,00 ,
quanto deve ser cobrado por um seguro contra roubo e acidentes, de modo que o valor seja
“justo”?
14) Em um lote de 20 motores há dois defeituosos. Para fazer a inspeção de qualidade são testadas
três unidades de cada lote. Se mais de uma unidade defeituosa for encontrada, o lote é rejeitado.
Qual a probabilidade de que o lote seja aceito ?
(5.01)
Exemplo 5.01: A pnc de um produto é igual a 4%. Em uma caixa com dez unidades deste produto, qual a
probabilidade de que:
a) três estejam fora de conformidade ?
b) no máximo duas estejam fora de conformidade ?
c) mais de duas estejam fora de conformidade ?
Exemplo 5.02: Suponha que o fabricante do produto acima deva pagar uma multa de R$ 5,00 por
caixa com mais de uma unidade não conforme. Qual o montante das multas para 20 caixas ?
Exemplo 5.03: Suponha agora que as caixas, cada uma com dez unidades, do produto acima sejam
acondicionadas em pacotes com cinco caixas. Qual a probabilidade de que um pacote contenha duas
caixas com mais de uma unidade fora de conformidade ?
(5.02)
(5.03)
4
Jacques Bernoulli (1654 – 1705). Matemático suíço.
5
Siméon Poisson (1781 – 1840) . Matemático francês.
6
Número de falhas por hora; número de defeitos por metro quadrado; quantidade de passageiros por dia; etc.
Exemplo 5.09: Um caixa eletrônico atende em média dez clientes em oito horas. Qual a probabilidade de
atender cinco clientes em quatro horas ?
Exemplo 5.10: No exemplo anterior, qual a probabilidade de serem atendidos no mínimo dois clientes em
2 horas ?
(5.05)
(5.06)
(5.07)
Exemplo 5.06: A taxa de rejeição no processo de fabricação de um certo produto é de 40%. Qual a
probabilidade de se ter que produzir 5 unidades para obter uma aceitável ?
Exemplo 5.07: No exemplo acima, qual a probabilidade de se ter que produzir mais de 3 unidades até a
obtenção de uma aceitável ?
(5.08)
(5.09)
Exemplo 5.09: No exemplo acima, qual a probabilidade de se ter que produzir no máximo 10 unidades
para obter 7 conformes ?
(5.11)
(5.12)
Seja um conjunto com N elementos, dos quais w apresentam determinada propriedade. Seja uma
amostra com n elementos, extraída do conjunto acima (n N). Seja X a variável aleatória que representa
o número de elementos da amostra com a mencionada propriedade. Então
(5.13)
Exemplo 5.11: No exemplo anterior, qual a probabilidade de que a amostra contenha no mínimo uma
unidade defeituosa ?
(5.14)
(5.15)
(5.16)
OBS: .
Exemplo 5.12: Das unidades produzidas por um certo processo de fabricação, 80% são conformes, 15%
reaproveitáveis e 5% rejeitadas. Em um lote de 10 unidades, qual a probabilidade de se encontrar 7
conformes, 2 reaproveitáveis e 1 rejeitada ?
A média e a variância para cada um dos n resultados são dadas respectivamente por
(5.17)
(5.18)
1) Um produto, cuja p.n.c. é igual a 7%, é comercializado em caixas com 20 unidades. Os clientes
rejeitam qualquer caixa que contenha mais de uma unidade não conforme. Qual a probabilidade
de que uma caixa seja rejeitada ?
2) Supondo que, no exercício anterior, o fabricante tenha um custo de R$ 2,00 por caixa devolvida,
qual o custo total esperado para uma encomenda de 1000 caixas ?
3) Um equipamento costuma apresentar uma falha a cada dez horas de trabalho. Qual a
probabilidade de apresentar:
a) Uma falha em duas horas ?
b) Mais de uma falha em duas horas ?
c) Duas falhas em cinco horas ?
4) Em um lote de 15 unidades de um certo produto há três defeituosas. Qual a probabilidade de que
uma amostra de três unidades apresente todas com defeito ?
5) A p.n.c. de um produto é igual a 5%. Qual a probabilidade de que um lote com dez unidades
contenha três não conformes ?
6) A taxa de cancelamento de passagens verificada por empresa é igual a 15%. Para evitar que um
avião, com capacidade para 30 passageiros, decole com assentos vazios, a empresa aceita até 33
reservas. Qual a probabilidade de que haja excesso de lotação (“overbooking”) ?
7) Uma empresa utiliza o Controle Estatístico de Processo (CEP) na fabricação de um certo
componente mecânico. Para tanto, são tomadas amostras periódicas a fim de verificar possíveis
variações nos valores controlados. No processo de fabricação do componente em questão, a
probabilidade de que uma variação não seja detectada em uma amostragem é de 15%. Qual a
probabilidade de que o problema seja detectado apenas na décima amostragem ?
8) Um posto de gasolina atende em média seis carros por hora. Qual a probabilidade de atender
cinco carros em trinta minutos ?
9) Um aeroporto registra em média seis aterrissagens num período de doze horas. Qual a
probabilidade de registrar duas aterrissagens em uma hora ?
10) Um empresa fabrica placas de madeira compensada que são comercializadas em lotes de 20
unidades. Cada placa apresenta em média uma imperfeição. Um cliente desta empresa admite
que uma placa possua no máximo duas imperfeições. Qual a probabilidade de:
a) uma placa ser recusada pelo cliente ?
b) um lote ter no máximo cinco placas rejeitadas ?
11) Uma administradora de planos de saúde verificou que, para determinada faixa etária, a taxa
mensal média de utilização de consultas médicas pelos clientes é de 25%. A mensalidade é
calculada de modo a permitir até dez consultas por mês. Se o número de consultas ultrapassar
este limite a administradora terá prejuízos. Supondo que cada cliente possa solicitar uma
consulta mensal, qual a probabilidade de que a administradora tenha prejuízo em um grupo de
vinte pacientes ?
12) Um produto, que apresenta p.n.c. igual a 5%, é embalado em pacotes com 25 unidades. Estes
pacotes são acondicionados em caixas com 30 pacotes. Um pacote é rejeitado se apresentar mais
de uma unidade fora de conformidade. Qual a probabilidade de uma caixa apresentar:
a) nenhum
b) um
c) dois
d) mais de dois
pacote(s) rejeitado(s) ?
13) Supondo que o fabricante do produto mencionado no exercício anterior deva indenizar os
clientes em R$ 2,50 por pacote rejeitado, qual o montante esperado com indenizações em uma
encomenda de 200 pacotes ?
14) Entre os candidatos a um certo cargo, 15% possuem as qualificações exigidas pela empresa
contratante. Em um grupo de 15 candidatos qual a probabilidade de que cinco possuam os
requisitos necessários à contratação ?
15) Uma fábrica de autopeças adquire chapas de aço em bobinas de 20m. Cada bobina apresenta em
média duas imperfeições. Para seu uso a indústria corta as bobinas em segmentos de 2 m de
comprimento. Um segmento só é aprovado na inspeção de qualidade se não apresentar nenhuma
imperfeição. Qual a probabilidade de um segmento ser rejeitado ?
Figura 6.1 – Gráfico da Distribuição Normal
A curva normal, também chamada Gaussiana, tem área total igual a um, e é simétrica em relação
ao eixo vertical. A probabilidade de que o valor de X esteja entre a e b, P(a X b), correspondente à
área (Fig. 6.2) abaixo da curva limitada pelas retas X = a e X = b, é dada por
(6.02)
a b
Figura 6.2
É possível demonstrar que os intervalos
(-,+ )
( - 2 , + 2 )
( - 3 , + 3 )
compreendem, respectivamente, 68,27% , 95,45% e 99,73% da área total da curva, conforme mostrado
na figura 6.3.
7
exp( X ) = eX.
99,45%
99,73%
Figura 6.3
(6.03)
então z tem distribuição normal com média igual a 0 e variância igual a 1. A f.d.p. de z é dada por
(6.04)
O gráfico para f(z) tem a forma da figura 6.4. A probabilidade de que X assuma um valor entre a e b
corresponde à área limitada pela curva e pelas retas z = z1 e z = z2 , conforme a figura 6.5.
0
Figura 6.4 – Gráfico da Distribuição Normal Padronizada
Exemplo 6.1 – Seja X uma v. a. contínua, normalmente distribuída, com média igual a 20 e variância
igual a 4. Calcular a probabilidade de:
a) P(18 X 21)
b) P(19 X)
c) P(X 18)
d) P(X 23)
e) P(25 X)
g) P(17 X 19)
Exemplo 6.2 – Uma máquina empacotadora embala um produto em pacotes cujo peso médio é igual a
500 g, e cujo desvio padrão é igual a 20 g. Qual a probabilidade de um pacote apresentar peso igual a:
a) No mínimo 510 g ?
b) No máximo 520 g ?
c) No mínimo 495 g e no máximo 520 g ?
d) No máximo 495 g ?
e) No mínimo 490 g e no máximo 495 g ?
f) No mínimo 500 g e no máximo 515 g ?
Exemplo 6.3 – Sejam os pacotes embalados pela máquina do exemplo anterior. Um cliente rejeita todos
os pacotes com menos de 495 g. Quantos pacotes de uma encomenda de 10000 serão rejeitados ?
Exemplo 6.4 – Para quanto deve ser ajustado o peso médio dos pacotes dos exemplos anteriores para que
a percentagem de rejeição seja reduzida à metade ? O desvio padrão também deve ser alterado ? Por quê ?
Exemplo 6.5 – Uma indústria produz tubos de concreto com diâmetro médio igual a 900 mm e desvio
padrão igual a 15 mm. Os tubos são vendidos de acordo o diâmetro, de acordo com a tabela abaixo. Qual
o faturamento esperado para uma produção mensal de 5000 unidades ?
Diâmetro (mm) Preço Unitário (R$)
Abaixo de 895 8,50
De 895 a 910 12,30
Acima de 910 6,50
Exemplo 6.6 – Um comprador dos tubos do exemplo anterior está rejeitando 8% das unidades adquiridas,
sob a alegação de que o diâmetro excede o seu limite superior de especificação. Quanto vale esta
especificação ?
(6.05)
(6.06)
(6.05)
Exemplo 6.7 – Um aeroporto recebe em média dez aviões a cada oito horas. Após a aterrissagem de uma
aeronave, qual a probabilidade de que a próxima chegue em no máximo:
a) uma hora ?
b) 30 minutos ?
Para calcular a probabilidade de que um evento ocorra após um instante t pode-se utilizar a fórmula
(6.07)
Exemplo 6.8 – Um terminal portuário recebe em média dois navios por semana (cinco dias úteis). Após a
chegada de um navio, qual a probabilidade de que se passem dois dias até a chegada do próximo ?
(6.08)
(6.08)
6.03 – Exercícios
1) Um determinado componente tem duração de vida média igual a 2500 horas, com desvio padrão de
150 horas. Calcular a probabilidade de uma unidade selecionada aleatoriamente durar:
a) no máximo 2550 horas
b) no mínimo 2450 horas.
c) no mínimo 2400 e no máximo 2700 horas.
d) no mínimo 2700 horas
2) Supondo que o fabricante do componente acima deva pagar uma indenização de R$ 35,00 para cada
unidade com duração de vida inferior a 2400 horas, qual o montante com indenizações para um lote de
1000 unidades ?
3) Se o componente dos exercícios anteriores é embalado em caixas com dez unidades, qual a
probabilidade de que uma caixa contenha no máximo três unidades com duração de vida inferior a 2700
horas ?
4) O cliente de uma indústria de parafusos rejeita 10% das unidades entregues, alegando que os diâmetros
estão abaixo do limite inferior de especificação. Outros 4% são rejeitados sob a alegação de que os
diâmetros estão acima do limite superior de especificação. Se o diâmetro médio dos parafusos é igual a 12
mm, e o desvio padrão igual a 0,5 mm, quais são os limites de especificação do cliente ?
5) Os limites de especificação para o diâmetro de um tipo de eixo são 105 0,6 mm. Se o diâmetro médio
é igual a 105 mm, e o desvio padrão igual a 1 mm, qual a proporção de não conformidade ?
7) Um terminal de descarga recebe em média seis caminhões num período de doze horas. A operação
requer 20 minutos. Qual a probabilidade de não haver formação de fila ?
8) A p.n.c. de um componente é igual a 10%. Em uma remessa de 500 unidades, qual a probabilidade de
que no mínimo 450 sejam consideradas “conformes”?
10) As bobinas de aço produzidas por uma siderúrgica têm comprimento de 50 m, e apresentam em média
3 imperfeições cada uma. Ao se desenrolar uma bobina, qual a probabilidade de que a primeira
imperfeição apareça após os primeiros 10 m ?
7 – Estimação de Parâmetros
O termo parâmetro origina-se da língua grega, para (ao lado) + metron (medida). Um
parâmetro é representado geralmente por uma letra grega. Em Estatística é usado para designar uma
grandeza mensurável, que caracteriza uma população. Como exemplo de parâmetros pode-se citar a
média ( ) e a variância ( 2 ) . Na prática é comum que os parâmetros de uma população sejam
desconhecidos. Nestes casos os valores dos parâmetros são determinados através de um processo
conhecido como estimação. Um estimador, do latim aestimare (avaliar), é um valor característico de
uma amostra, de tamanho n, extraída de uma população, de tamanho N, sobre a qual deseja-se tirar
alguma conclusão. Os estimadores são representados por letras latinas e, algumas vezes, são designados
por estatísticas. Exemplos de estimadores são a média amostral ( ) e a variância amostral (s 2), que
foram estudados nos capítulos 1 e 2, respectivamente.
A principal finalidade da estimação de parâmetros é o estudo de uma população com base em
valores obtidos a partir de uma amostra extraída da mesma.
s2
2
População Amostra
1) É não viciado, ou “não tendencioso”. Seja S o estimador de um parâmetro . Neste caso a média de S
deve ser igual ao parâmetro . Isto é
E( S ) =
2) Deve possuir mínima variância.
3) Deve ser consistente. Isto significa que, a medida que o tamanho da amostra ( n ) aumenta, a diferença
entre o estimador e o parâmetro diminui.
4) Deve ser suficiente, isto é, deve ser função de uma estatística que resuma o máximo possível de
informações a respeito do parâmetro.
Um estimador que reúna as duas primeiras características é referido como sendo “uniformemente
não-viciado de variância mínima” (UNVM). A média e a variância amostrais são exemplos de
estimadores UNVM.
Seja uma população, de tamanho N, da qual são extraídas todas as possíveis amostras, todas de
tamanho n. Seja o parâmetro que se deseja estimar. Se, para cada uma das possíveis amostras, for
É a distribuição de probabilidade para os possíveis valores das médias das amostras de tamanho
n.
Também denominada Estimação Pontual, consiste em apresentar como estimador para um dado
parâmetro um valor numérico único. Isto significa, por exemplo, estimar a média populacional como
igual a . Este procedimento, embora não seja incorreto, apresenta, contudo, um sério inconveniente: o
estimador pode não ser um valor suficientemente próximo do valor do parâmetro. Este fato pode
comprometer seriamente a qualidade do estimador.
Para uma distribuição normal há uma probabilidade de 68,27% de que o valor do parâmetro
pertença ao intervalo ( - ; + ). Para os intervalos dados por ( - 2 ; + 2 ) e ( - 3 ;
+ 3 ) as probabilidades são, respectivamente, 95,45% e 99,73%. Estas probabilidades são os níveis de
confiança para os respectivos intervalos. Os valores 1 , 2 e 3 são denominados “valores críticos”.
Os principais níveis de confiança, e os respectivos valores críticos, adotados na prática são
apresentados no quadro 7.03, adiante.
(7.01)
(7.02)
Exemplo 7.02: Uma amostra de 50 rolamentos produzidos por uma indústria apresentou diâmetro médio
igual a 92,0 mm. O desvio padrão verificado para o processo é igual a 0,6 mm. Determinar um intervalo
de 95% de confiança para a o diâmetro médio dos rolamentos produzidos pela indústria.
n= = = zc =
N= n= = = zc =
7.06.01 – Comentários
Nos dois exemplos acima o desvio padrão populacional ( ) é conhecido. Como deve ser do
conhecimento do estudante, para a determinação deste valor deve-se conhecer a média. Neste caso, como
explicar que se conheça o valor do desvio padrão sem que o valor da média seja conhecido ? Considere-
se, por exemplo, uma máquina empacotadora. Os pacotes embalados pela referida máquina apresentam
um peso médio ( ) e um desvio padrão ( ). Se a regulagem da máquina for alterada, o peso de cada
pacote será alterado. Esta nova regulagem acarretará uma alteração no peso médio, mas não no desvio
padrão, conforme é possível verificar pelas propriedades da média e do desvio padrão. Nestas condições o
intervalo de confiança terá como finalidade estimar o novo peso médio, já que o desvio padrão
permanecerá o mesmo.
Seja p a proporção de “sucessos” em uma população. Um caso que pode ser tomado como
exemplo é a proporção de não conformidade (p.n.c.), que representa a percentagem de unidades
defeituosas. Neste caso a distribuição envolvida é a Binomial. Entretanto, como as populações, e também
as amostras, costumam ter um tamanho considerável, é utilizada a aproximação da distribuição Binomial
pela distribuição Normal, conforme visto em 6.01.02. Seja uma amostra de tamanho n, para a qual é
calculada a proporção amostral ( ). Desta forma, o intervalo de confiança para a proporção
populacional ( p ) é dado por
(7.03)
(7.04)
Exemplo 7.04: Uma amostra de 50 unidades de um certo componente apresentou 4 não conformes.
Determinar um intervalo de 95% de confiança para a p.n.c. deste componente.
n= = zc =
Exemplo 7.05: Uma empresa emprega 300 funcionários. Uma pesquisa junto a 40 funcionários mostrou
que 15 estão propensos a aceitar um novo plano de cargos e salários. Determinar um intervalo de 99% de
confiança para a proporção de aceitação do novo plano entre os funcionários.
N= n= = zc =
8
Pseudônimo do matemático inglês William Gosset, que não podia publicar seus trabalhos usando o próprio nome.
(7.05)
Diz-se que a variável aleatória t acima tem “Distribuição t, de Student” com (n – 1) graus de
liberdade. A função densidade de probabilidade desta variável é dada por
(7.06)
(7.07)
Exemplo 7.06: Uma amostra de 20 tubos de concreto apresentou média igual a 275 mm e desvio padrão
igual a 2 mm. Determinar um intervalo de 95% de confiança para o diâmetro médio.
n= = s= tc =
Sejam duas amostras, uma de tamanho n1, extraída de uma população com média 1, e outra de
tamanho n2 , extraída de uma população com média 2, sendo ambas as médias desconhecidas e as
variâncias populacionais, 12 e 22.
Sejam duas amostras nas condições acima. Então o intervalo de confiança para a diferença das
médias populacionais é dado por
(7.08)
(7.09)
Exemplo 7.07: Uma amostra de 50 lâmpadas de uma certa marca apresentou duração de vida média igual
a 1750 horas, com desvio padrão igual a 245 horas. Outra amostra, de 60 lâmpadas de uma outra marca,
apresentou duração de vida média igual a 1698 horas, com desvio padrão igual a 197 horas. Determinar
Sejam duas amostras, uma de tamanho n1, extraída de uma população com proporção p1 de
“sucessos”, e outra de tamanho n2, extraída de uma população com proporção p2 de “sucessos”. Então o
intervalo de confiança para a diferença (p1 – p2) é dado por
(7.10)
onde
(7.11)
Exemplo 7.08: Uma amostra, de 50 mancais produzidos por uma máquina apresentou 3 fora de
conformidade. Outra amostra, de 70 mancais produzidos por uma segunda máquina, apresentou 5 fora de
conformidade. Construir um intervalo de 95% para estimar a diferença entre as p.n.c.’s .
7.10.01 – Comentários:
Ao se construir um intervalo de confiança para a proporção, pode-se obter para o limite inferior
um valor negativo. Neste caso pode-se interpreta-lo como 0 (zero). Para a diferença de duas proporções
não há necessidade de considerar o valor negativo como 0 (zero).
Para a estimação da média o tamanho mínimo da amostra deve ser calculado por
(7.12)
onde:
zc = valor crítico correspondente ao nível de confiança desejado.
= desvio padrão populacional, ou seu estimador ( s ).
= erro bilateral admitido.
Exemplo 7.09: Uma injetora produz garrafas com diâmetro médio igual a 145 mm e desvio padrão igual a
0,6 mm. Após uma modificação no equipamento, deseja-se estimar o novo diâmetro médio. O nível de
confiança desejado é de 95% e o erro admitido é de 0,2 mm, para mais ou para menos (tolerância
bilateral). Qual deve ser o tamanho mínimo da amostra?
= zc = =
(7.13)
Exemplo 7.10: Deseja-se estimar a p.n.c. de um componente produzido por uma certa máquina. O nível
de confiança necessário é igual a 95%, e a tolerância (bilateral) admitida é de 0,02, ou 1%. Qual deve ser
o tamanho da amostra ?
7.12 – Exercícios
2) Uma pesquisa sobre renda familiar em uma certa localidade apresentou os valores
mostrados na distribuição de freqüências abaixo. Determinar um intervalo de 90% de
confiança para a renda familiar média.
Renda (SM) Famílias
1–5 12
5–9 20
9 – 13 38
13 – 17 18
17 – 21 8
21 – 25 4
4) Sabe-se que o salário de uma determinada categoria tem desvio padrão igual a R$ 220,00. Uma
pesquisa junto a 150 trabalhadores apresentou salário médio igual a R$ 458,00. Construir um intervalo de
90% de confiança para o salário médio da categoria.
5) Uma viga, fabricada com determinada liga metálica, apresenta tensão de ruptura média igual a 45
kgf/mm2, com desvio padrão igual a 7 kgf/mm 2. Uma amostra de 40 unidades, tomada após uma
modificação no processo de fabricação, mostrou tensão de ruptura média igual a 46,8 kgf/mm 2.
Determinar um intervalo de 99% de confiança para a tensão de ruptura média da viga após a modificação.
6) Uma amostra de 45 garrafas de cerveja apresentou conteúdo médio igual a 355 ml, e desvio padrão
igual a 2 ml. Uma outra amostra, de 60 garrafas de cerveja de outra marca, apresentou conteúdo médio
igual a 356 ml, e desvio padrão de 3,5 ml. Determinar um intervalo de confiança de 95% para a diferença
das duas médias.
7) Uma pesquisa junto a 150 eleitores de uma região mostrou que 87 estão propensos a votar em um
determinado candidato a prefeito. Construir um intervalo de 95% de confiança para a proporção de votos
a favor do referido candidato.
8) Deseja-se estimar a renda média, em salários mínimos, das famílias de um certo bairro. Estima-se a
variância populacional em 2,5. Deseja-se 95% de confiança e admite-se uma diferença de 1 SM. Qual
deve ser o tamanho da amostra a ser coletada ?
11) Em uma região estão instaladas 250 madeireiras. Um estudo efetuado junto a 50 destas empresas
apontou faturamento médio mensal de R$ 87000,00 , com desvio padrão igual a R$ 6700,00. Determinar
um intervalo de 90% de confiança para o faturamento médio mensal das empresas instaladas nesta região.
12) Uma pesquisa junto a 200 eleitores de certa localidade mostrou que 85 pretendem votar no candidato
da situação, enquanto os demais preferem o candidato da oposição. Construir um intervalo de 95% de
confiança para a diferença das proporções de votos para ambos os candidatos. OBS: Considerar n 1 = n2 =
200.
13) Partindo dos resultados do exercício anterior, interpretar o termo “empate técnico”, ouvido com
freqüência em períodos de eleição. Representar individualmente os intervalos encontrados.
15) Um lote de bois foi submetido a uma dieta à base de milho e sais minerais. O ganho de peso
observado é mostrado no quadro a seguir. Determinar um intervalo de 95% de confiança para o peso
médio do rebanho. OBS: @ = arroba (15 kg)
Peso ( @ ) Animais
18 – 20 8
20 – 22 10
22 – 24 20
24 – 26 26
26 – 28 18
28 – 30 14
30 – 32 4
8.01 – Conceitos
8.01.01 – Qualidade
8.01.02 – Processo
1) Material
2) Mão de obra
3) Máquina
4) Meio ambiente
5) Método
6) Meio de medição
8.01.03 – Controle
8.01.04.01 – Bilateral: Quando admite tanto uma diferença positiva como negativa. O diâmetro de um
eixo, por exemplo, pode ser especificado como 105 mm 0,3 mm. Neste caso admite-se que o diâmetro
varie de 104,7 mm até 105,3 mm.
8.01.04.02 – Unilateral: Quando admite a diferença em apenas um sentido. No eemplo citado acima, a
especificação poderia ser 105 mm + 0,3 mm. Neste caso qualquer unidade com diâmetro inferior a 105
mm seria rejeitada.
8.01.05 – Característico
É o termo usado para designar qualquer elemento que esteja sendo estudado na busca da
qualidade. Assim, p. ex., o diâmetro de um eixo e o conteúdo de uma lata de refrigerante podem ser
considerados característicos de qualidade.
8.01.06 – Variação
8.01.06.01 – Aleatórias: São as variações inerentes ao processo de fabricação. Este tipo de variação não
pode ser eliminado. Neste caso o que se pretende é a manutenção de tais variações dentro de certos
limites. Diz-se que um processo está “sob controle” quando as variações aleatórias estão dentro dos
limites acima referidos.
8.01.06.02 – Causais: São as variações estranhas ao processo. A eliminação de tais variações é o principal
objetivo do CEP.
8.01.07 – Técnicas
Ao estudar a distribuição de renda em sua época, Pareto concluiu que a maior parte das riquezas
era controlada pela minoria da população, cabendo à maioria a menor parcela das riquezas. Este princípio
foi incorporado ao estudo da qualidade por J. M. Juran, que o sintetizou como “poucos vitais e muitos
triviais”, referindo-se à ocorrência de defeitos. O princípio consiste em elaborar uma distribuição de
freqüências para os problemas verificados, por exemplo, em um produto. Os problemas verificados são
distribuídos de acordo com a freqüência, sempre em ordem decrescente.
Exemplo 8.01:
Quadro 8.1 – Defeitos observados no produto X.
Defeito Freqüência Freqüência relativa (%)
Risco na pintura 25 29,76
Porta desregulada 18 21,43
Dobradiça solta 15 17,86
Mancal com folga 10 11,90
Embalagem violada 6 7,15
Outros 10 11,90
9
Vilfredo Pareto (1848 – 1923), economista italiano .
Figura 8.1
Figura 8.2
Também conhecido como “Gráfico Espinha de Peixe”, é usado sobretudo no exame das
possíveis causas para uma problema. Tem a forma mostrada na figura 8.3, a seguir.
Efeito
Exemplo 8.02: Construir um diagrama causa – efeito para estudar o problema “risco na pintura”, do
exemplo anterior.
Efeito
Também chamado “carta de controle”, é formado por três linhas paralelas ao eixo das abscissas.
A intermediária é chamada “linha média” (LM). As outras duas são chamadas “limites de controle”. A
região compreendida entre os limites de controle é chamada “zona de controle”. As regiões abaixo do
limite inferior de controle (LIC) e acima do limite superior de controle (LSC) são denominadas “zonas de
ação”. Quando usados de forma adequada os gráficos de controle proporcionam benefícios como:
1) Auxiliar os operadores a atingir e manter o controle de um processo.
2) Proporcionar um linguagem comum para acompanhar a performance do processo.
3) Ajudar a tornar o processo mais consistente e previsível.
Medidas
LSC
Zona de controle
LM
Zona de controle
LIC
Amostras
Figura 8.5 – Gráfico de Controle
Diz-se que um processo está “sob controle” quando nenhum ponto correspondente a uma medida
está fora da zona de controle.
Este tipo de gráfico é amplamente utilizado quando se pretende avaliar grandezas mensuráveis,
como diâmetro, peso e comprimento, por exemplo. Os gráficos de variáveis podem ser considerados
como a mais típica das aplicações do CEP, e um dos seus principais atributos é a precisão das
informações fornecidas, uma vez que uma resposta do tipos “o diâmetro do rolamento é 23,5 mm” pode
ser muito mais útil que uma resposta como “o rolamento está fora das especificações”. Os principais
gráficos de controle por variável são apresentados a seguir.
(8.01)
n 2 3 4 5 6 7 8 9 10
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
D3 - - - - - 0,08 0,14 0,18 0,22
D2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08
A2 1,88 1,02 0,73 0,58 0,48 0,42 0,37 0,34 0,31
Quadro 8.2 – Constantes Multiplicativas para o Gráfico
Para amostras com menos de sete unidades considera-se que não há limite inferior para o gráfico
da amplitude.
Exemplo 8.03: A seguir são mostrados os valores observados para um determinado característico de
qualidade. Por comodidade foram anotados apenas os valores decimais, isto é, se o valor observado foi
100,92 mm, anotou-se apenas “92”. Esta é uma prática bastante comum, e não compromete os resultados
finais. No total foram observadas 25 amostras, cada uma com cinco elementos. O objetivo é construir o
gráfico .
A2 = D3 = D4 =
1) Pontos além dos limites de controle: A ocorrência de um ponto além dos limites de controle é
uma evidência de que o processo esteve fora de controle naquele ponto. Considerando que
pontos nesta situação devem ocorrer raramente, presume-se que houve uma variação causal.
Neste caso deve-se isolar a amostra correspondente a fim de investigar as possíveis causas.
Um ponto acima do limite superior de controle indica uma, ou mais, das causas a seguir:
O limite superior de controle foi calculado, ou traçado, incorretamente.
O ponto foi plotado incorretamente.
A dispersão sofreu um acréscimo naquele ponto. Isto pode eventualmente indicar uma tendência.
O meio de medição pode ter sido alterado.
O meio de medição sofreu alterações na sua precisão.
Um ponto abaixo do limite inferior de controle indica uma, ou mais, das causas a seguir:
O limite inferior de controle foi calculado, ou traçado, incorretamente.
O ponto foi plotado incorretamente.
A dispersão sofreu um decréscimo naquele ponto. Isto pode eventualmente indicar uma
tendência de melhoria no processo.
O meio de medição pode ter sido alterado.
O meio de medição sofreu alterações na sua precisão.
3) Muitos pontos de um mesmo lado da linha média: Esta ocorrência pode indicar uma grande
dispersão, resultante de uma variação causal. Esta variação pode ter sido provocada por um
problema na máquina, p. ex.
4) Uma seqüência crescente de três pontos acima da linha média, ou uma seqüência decrescente de
três pontos abaixo da mesma. Neste caso o processo deve ser interrompido, pois há uma
tendência de que o mesmo fique fora de controle.
A variabilidade dentro de cada amostra é representada pela amplitude da mesma. Desta forma a
estimação do desvio padrão pode se basear na amplitude média . Desta forma
(8.11)
Tolerância Bilateral
Deve-se calcular os escores reduzidos relativos aos limites de engenharia, tomando como parâmetros
a média ( ) e o desvio padrão do mesmo. Então
(8.12)
(8.13)
Onde LIE = Limite Inferior de Especificação
LSE = Limite Superior de Especificação
Deve-se considerar em seguida o menor valor entre os dois calculados acima, isto é
(8.14)
Tolerância Unilateral
Neste caso há apenas um escore reduzido a ser calculado. Utiliza-se a fórmula apropriada entre as
duas acima, (8.12) e (8.13). Desta forma
ou
ZLIE ZLSE
Figura 8.6
Exemplo 8.05: Calcular o índice de capabilidade para o processo do exemplo 8.03, considerando
tolerância bilateral, sendo os limites inferior e superior de especificação iguais a 91,90 mm e 93,20 mm ,
respectivamente.
Exercício 8.01: No próximo quadro são mostrados os conteúdos observados em 20 amostras de latas de
óleo de soja. Por comodidade não foram anotados os valores correspondentes à centena, isto é, se o valor
observado foi “989,92 ml”, anotou-se apenas “89,92”.
Amostra X1 X2 X3 X4 X5 R
1 90,92 89,91 89,98 90,94 90,95
2 90,99 89,99 89,91 90,93 90,92
3 91,06 90,91 91,52 91,92 90,97
4 90,93 90,95 91,02 90,52 90,00
5 90,05 89,93 89,92 90,15 90,21
6 89,04 89,93 90,03 90,94 91,91
7 88,94 90,92 90,35 90,02 90,00
8 90,92 90,90 90,10 89,95 88,98
9 90,95 91,40 90,90 90,44 90,00
10 94,95 91,94 92,95 91,92 91,91
11 90,00 90,42 90,24 90,91 90,45
12 90,04 90,02 90,05 90,12 90,15
13 91,03 90,91 90,94 89,98 90,93
14 98,92 90,03 90,15 90,25 90,14
15 98,93 98,94 98,92 90,02 90,03
16 90,02 90,04 90,03 90,01 90,15
17 91,12 90,43 90,01 90,12 89,93
18 90,41 91,02 90,99 90,93 89,95
19 90,90 90,90 90,80 90,92 91,02
20 91,05 91,41 91,91 90,91 89,92
(8.01)
Amostra X1 X2 X3 X4 X5 s
1 92 91 93 94 95 93
2 91 92 91 93 92
3 96 91 92 92 92
4 93 93 92 92 92
5 92 93 92 93 91
6 94 93 93 94 91
7 94 92 93 92 92
8 92 95 91 95 92
9 95 94 91 94 93
10 95 94 94 92 91
11 93 92 94 91 91
12 94 92 95 92 94
13 93 91 94 93 93
14 92 93 93 92 94
15 93 94 92 92 93
16 92 94 93 91 93
17 92 93 91 92 93
18 91 92 92 93 95
19 90 90 90 92 92
20 92 91 91 91 92
21 93 92 92 93 91
22 94 93 94 94 93
23 95 93 93 92 94
24 93 91 94 92 92
25 91 92 94 93 93
Normalmente os dados não são observados em ordem crescente. Para evitar o trabalho adicional de
ordená-los, basta que sejam representados (plotados) diretamente no gráfico. Desta forma o valor
mediano é facilmente identificável.
n 2 3 4 5 6 7 8 9 10
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
D3 - - - - - 0,08 0,14 0,18 0,22
D2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08
Ã2 1,88 1,19 0,80 0,69 0,55 0,51 0,43 0,41 0,36
Quadro 8.4 – Constantes Multiplicativas para o Gráfico
Para amostras com menos de sete unidades considera-se que não há limite inferior para o gráfico
da amplitude.
Amostra X1 X2 X3 X4 X5 s
1 92 91 93 94 95 93
2 91 92 91 93 92
3 96 91 92 92 92
4 93 93 92 92 92
5 92 93 92 93 91
6 94 93 93 94 91
7 94 92 93 92 92
8 92 95 91 95 92
9 95 94 91 94 93
10 95 94 94 92 91
11 93 92 94 91 91
12 94 92 95 92 94
13 93 91 94 93 93
14 92 93 93 92 94
15 93 94 92 92 93
16 92 94 93 91 93
17 92 93 91 92 93
18 91 92 92 93 95
19 90 90 90 92 92
20 92 91 91 91 92
21 93 92 92 93 91
22 94 93 94 94 93
23 95 93 93 92 94
24 93 91 94 92 92
25 91 92 94 93 93
Alguns processos podem ter seu controle baseado em observações individuais. Isto ocorre, p. ex.,
no controle do pH de produtos químicos armazenados em tanques; neste caso não há necessidade de se
coletar mais de uma observação por tanque. O mesmo se aplica a ensaios destrutivos, já que o alto custo
representado por certos tipos de ensaios pode inviabilizar os trabalhos. Uma outra situação na qual se
recomenda o uso deste tipo de gráfico é na produção de pequenas quantidades, quando não há
observações suficientes para se formar uma amostra.
, j = 2 , 3 , ... , k
n 2 3 4 5 6 7 8 9 10
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
D3 - - - - - 0,08 0,14 0,18 0,22
D2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08
E2 2,66 1,77 1,46 1,29 1,18 1,11 1,05 1,01 0,98
Exercício 8.06: O quadro a seguir mostra as observações efetuadas para um processo industrial qualquer.
Os dados referem-se à concentração, em p.p.m., de uma certa substância. Construir o gráfico X – MR.
Obs. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Cada gráfico, ou carta, pode ser usado para apenas uma variável. Supondo que um produto tenha
cinco característicos a serem controlados. Neste caso serão necessários cinco gráficos.
Em algumas etapas da produção o interesse resume-se à simples verificação de conformidade em
relação a algum parâmetro. Uma situação típica deste caso é a inspeção efetuada com o objetivo
de verificar se o diâmetro de um eixo está dentro dos limites de tolerância. Aqui não há interesse
em determinar o diâmetro, o que dispensa a coleta de amostra e os cálculos das medidas já
estudadas.
Alguns componentes são inspecionados apenas com o objetivo de verificar a presença de algum
defeito. Nas indústrias automobilísticas as partes da carroceria de um veículo são inspecionadas
com a finalidade de verificar se apresentam riscos. A simples ocorrência de um risco na pintura é
suficiente para que a peça seja rejeitada, não importando a dimensão ou a quantidade de riscos.
O controle por atributo trabalha apenas com os conceitos “passa – não passa”, “presente –
ausente” e “conforme – não conforme”, entre outros referidos acima. É de grande utilidade nos trabalhos
de inspeção final, e também em setores industriais, como na indústria eletrônica, p. ex.
A estrutura de um gráfico de controle por atributo é igual à do gráfico de controle por variável,
isto é, possui dois limites de controle, que definem a zona de controle, e uma linha média, definida com
base na proporção de ocorrências do atributo.
Antes de se adotar o controle por atributo deve-se tomar alguns cuidados, entre os quais
destacam-se:
1) O tamanho ( n ) das k amostras não precisa ser igual. Pode-se coletar amostras de tamanhos
diferentes. Este tipo de gráfico normalmente requer amostras grandes, geralmente de tamanho
não inferior a 50. Este detalhe pode se tornar uma desvantagem, pois em alguns setores
2) Para cada uma das k amostras, calcular a fração defeituosa, ou proporção de não conformidade,
que se obtém dividindo o número de itens defeituosos ( dj ) da amostra pelo tamanho ( nj ) da
mesma.
(8.31)
(8.32)
(8.33)
(8.34)
Exercício 8.07: O quadro a seguir mostra o resultado das observações sobre 20 amostras formadas por um
determinado produto.
Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Tamanho 50 40 50 60 50 50 30 40 40 30 60 20 40 50 50 40 20 30 50 50
Defeituosos 3 2 2 3 3 2 1 1 2 0 3 3 1 0 2 3 2 1 4 0
pj
Construir o gráfico de controle da fração defeituosa (use o gráfico em branco da próxima página). Utilize
duas casas decimais.
Também conhecido como Gráfico do Número de Defeituosos, pode ser usado como alternativa
ao gráfico da fração defeituosa (8.03.01), apresentando as mesmas vantagens já mencionadas. Neste caso
as amostras devem ter todas o mesmo tamanho, ao contrário do gráfico anterior, que permite a observação
de amostras de diferentes tamanhos. As etapas para construção do gráfico np são dadas a seguir.
(8.38)
Exercício 8.08: Construir o gráfico do número de unidades não conformes para os dados a seguir. Os
valores apresentados referem-se à observação de 20 amostras, de tamanho 50, de um certo produto.
Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
n 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50
Defeituosos 2 3 1 0 3 4 0 0 2 2 3 5 4 2 3 3 0 1 3 4
p
Este gráfico é utilizado para avaliar o número de não conformidades, ou defeitos, em uma
amostra. A utilização deste gráfico requer tamanho constante para as amostras observadas. Algumas
aplicações são, p. ex., controle de bolhas em garrafas e riscos em peças estampadas.A principal diferença
com relação ao gráfico p, é que este último se utiliza da contagem de unidades defeituosas, não se
preocupando com a quantidade de defeitos. Uma idéia desta diferença é dada pela figura 8.7, a seguir.
Considerando cada quadro como uma unidade, e cada ponto em destaque como um defeito, nota-se que
há na amostra da esquerda quatro unidades defeituosas, e um total de sete defeitos. Na amostra da direita
há duas unidades defeituosas, e o mesmo número de defeitos da primeira.
(8.43)
Exercício 8.09: Os dados a seguir referem-se à observação de 20 amostras, cada uma com 10 camisas. A
cada amostra observada anotou-se o número de defeitos verificados (c). Construir um gráfico c para os
dados.
Amostra ( j ) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
cj 3 2 5 4 2 0 3 4 5 1 1 2 0 3 4 3 2 2 0 3
Este gráfico mede o número de não conformidades, ou defeitos, por unidade. Pode ser uma
alternativa ao gráfico c, quando as amostras não têm o mesmo tamanho. Também pode ser usado quando
a amostra é constituída de apenas uma unidade, mas que possui muitos componentes que devem ser
inspecionados, como um motor, p. ex.,.
As etapas para construção do gráfico u são dadas a seguir.
1) Selecionar k amostras, que podem ter tamanhos diferentes, e registrar o número de defeitos ( c )
encontrados em cada uma.
2) Para cada uma das k amostras, determinar o número de defeitos por unidade.
(8.48)
(8.49)
Exercício 8.10: Os dados a seguir referem-se à observação de 15 amostras de um certo produto. A cada
amostra observada anotou-se o número de defeitos verificados. Construir um gráfico u para os dados.
Amostra ( j ) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
nj 30 25 50 20 20 10 25 30 40 40 50 20 30 30 20
cj 3 2 5 4 2 0 3 4 5 1 1 2 0 3 4
uj
Um processo pode ser classificado de acordo com o valor obtido para o índice C pk, conforme o
quadro a seguir:
Embora a principal meta do CEP seja alcançar e manter um processo sob controle, esta condição
nem sempre é a mais satisfatória. Um processo, mesmo sob controle, pode não ser capaz de atender às
especificações do cliente. Para classificar um processo com relação à esta capacidade basta comparar os
limites de controle do mesmo com os limites de especificação, ou de engenharia, do cliente. A
comparação pode ser feita diretamente sobre o gráfico, ou carta, do processo, conforme mostrado nas
figuras a seguir. Nas figuras, os limites de controle são representados por linhas cheias e os limites de
especificação por linhas tracejadas .
n 2 3 4 5 6 7 8 9 10
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
D3 - - - - - 0,08 0,14 0,18 0,22
D2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08
A2 1,88 1,02 0,73 0,58 0,48 0,42 0,37 0,34 0,31
Quadro 8.2 – Constantes Multiplicativas para o Gráfico
n 2 3 4 5 6 7 8 9 10
B4 3,27 2,57 2,27 2,09 1,97 1,88 1,82 1,76 1,72
B3 - - - - 0,03 0,12 0,19 0,24 0,28
C4 0,798 0,886 0,921 0,940 0,952 0,959 0,965 0,969 0,973
A3 2,66 1,95 1,63 1,43 1,29 1,18 1,10 1,03 0,98
Quadro 8.3 – Constantes Multiplicativas para o Gráfico
n 2 3 4 5 6 7 8 9 10
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
D3 - - - - - 0,08 0,14 0,18 0,22
D2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08
Ã2 1,88 1,19 0,80 0,69 0,55 0,51 0,43 0,41 0,36
Quadro 8.4 – Constantes Multiplicativas para o Gráfico
n 2 3 4 5 6 7 8 9 10
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
D3 - - - - - 0,08 0,14 0,18 0,22
D2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08
E2 2,66 1,77 1,46 1,29 1,18 1,11 1,05 1,01 0,98
8.07 – Exercícios
1) Da produção de uma máquina foram extraídas 20 amostras, cada uma com 50 unidades de um
componente. As unidades foram inspecionadas para a verificação da ocorrência de um certo
defeito. Calcular os limites de controle e construir o gráfico de controle .
Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Defeituosos 2 3 0 2 0 5 1 0 0 3 2 0 5 4 1 2 3 0 2 3
3) Uma indústria química produz um certo tipo de solvente. Uma inspeção em 15 tonéis do produto
apresentou os valores dados no quadro abaixo, referentes à concentração de sal, em p.p.m.
Construir o gráfico de controle mais apropriado.
4) Em uma confecção foram inspecionadas 15 amostras, cada uma com 20 calças. Registrou-se o
número de defeitos em cada amostra. Calcular os limites de controle e construir o gráfico.
Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Defeitos 6 4 8 4 5 4 2 8 4 3 4 4 2 6 4
5) Os gráficos de controle por variável devem ser construídos para processos normalizados, isto é,
quando a curva de freqüências é normal. O quadro a seguir mostra o resultado da inspeção em 20
amostras, cada uma com cinco unidades, de tubos de PVC. O característico avaliado é o
diâmetro.