UNIVERSIDADE DO ESTADO DE MATO GROSSO

CAMPUS UNIVERSITÁRIO DE BARRA DO BUGRES

CURSO BACHARELADO EM ENGENHARIA DE PRODUÇÃO
AGROINDUSTRIAL

Aluno: JOAB FARIAS PAZ

Disciplina: CONTROLE ESTASTISTICO DA QUALIDADE

ATIVIDADE DE CONTROLE ESTASTITICO DA QUALIDADE

1) Pesquise sobre Cartas de Controle e Limites de Controle, dê exemplos e aplicações

As Cartas de Controle são ferramentas utilizadas para monitorar a qualidade de um processo

produtivo ao longo do tempo, identificando variações e desvios que podem afetar a qualidade
do produto final. Elas foram desenvolvidas no início do século XX por Walter A. Shewhart, um
estatístico estadunidense que trabalhava na empresa Bell Telephone Laboratories. O objetivo
das cartas de controle é garantir a qualidade de um processo produtivo, identificando quando
ele está fora de controle e tomando medidas para corrigi-lo antes que a qualidade do produto
seja comprometida.

Existem vários tipos de gráficos de controle, mas o mais comum é o gráfico de controle de média.
Ele é utilizado para monitorar a média de um processo ao longo do tempo. Os limites de controle
superior e inferior são calculados a partir da média e do desvio padrão do processo. Quando os
dados coletados estão dentro desses limites, o processo está sob controle estatístico. Quando
os dados ultrapassam esses limites, é necessário investigar as causas e tomar medidas
corretivas.

Por exemplo, uma aplicação das Cartas de Controle é na indústria automotiva. As Cartas de
Controle podem ser usadas para monitorar a qualidade de peças produzidas em uma linha de
montagem. Se os dados coletados estiverem dentro dos limites de controle, significa que as
peças estão sendo produzidas com qualidade consistente. Se os dados ultrapassarem os limites
de controle, é necessário investigar as causas e tomar medidas corretivas para garantir a
qualidade das peças produzidas.

2) Pesquisa sobre distribuições Bernoulli, Hipergeométrica, Normal, Exponencial – e quais suas

aplicações práticas no CEQ. Cite exemplos, definições. Onde e quando serem usadas.

INFORMAÇÕES

Uma distribuição discreta descreve a probabilidade de ocorrência de cada valor de uma

variável aleatória discreta. Uma variável aleatória discreta é uma variável aleatória que tem
valores contáveis, como uma lista de inteiros não negativos. Com uma distribuição de
probabilidade discreta, cada valor possível da variável aleatória discreta pode ser associado a
uma probabilidade diferente de zero. A definição matemática de uma função de probabilidade
discreta, p(x), é uma função que satisfaz as seguintes propriedades:

A probabilidade de x poder ter um valor específico é p(x). A probabilidade de todos os valores

possíveis de x é igual a 1: ∑p(x) = 1. A probabilidade de qualquer evento que inclua um
conjunto de valores possíveis de x é a soma das probabilidades desses valores: P(X ∈ A) =
∑p(x), onde A é um conjunto de valores possíveis de x.

A distribuição de Bernoulli é uma distribuição discreta de espaço amostral {0, 1}, que tem
valor 1 com a probabilidade de sucesso e valor 0 com a probabilidade de falha. Ela é usada
para representar uma variável aleatória discreta que só pode resultar em dois eventos
 UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE BARRA DO BUGRES
CURSO BACHARELADO EM ENGENHARIA DE PRODUÇÃO
AGROINDUSTRIAL

mutuamente exclusivos. Um exemplo clássico de uma experiência de Bernoulli é uma

jogada única de uma moeda. A moeda pode dar “coroa” com probabilidade p e “cara” com
probabilidade q = 1 - p. A experiência é dita justa se p = q, indicando a origem dessa
terminologia em jogos de aposta (a aposta é justa se ambos os possíveis resultados têm a
mesma probabilidade). A função de probabilidade dessa distribuição é:

𝑃(𝑋 = 𝐾) = 1 − 𝑃 𝑠𝑒 𝐾 = 0
𝑃 𝑠𝑒 𝐾 = 1
Onde 0<p<1 e k∈{0,1}. A distribuição de Bernoulli é um caso especial da distribuição
binomial, com n=1.
A distribuição hipergeométrica é uma distribuição discreta que descreve a probabilidade
de sucessos em retiradas, sem reposição, de uma população de tamanho que contém
exatamente sucessos, sendo cada retirada um sucesso ou um fracasso. Ela é usada para
modelar a probabilidade de obter um número específico de sucessos em uma amostra
aleatória de tamanho fixo, retirada de uma população finita sem reposição. A função de
probabilidade dessa distribuição é:

( )( )
𝑃(𝑋 = 𝑘) =
( )
Onde 0≤k≤n, K é o número de sucessos na população, N é o tamanho da população e n é
o tamanho da amostra. A distribuição hipergeométrica é um caso especial da distribuição
binomial negativa, com r=1.
A distribuição normal, também conhecida como distribuição gaussiana, é uma distribuição
de probabilidade contínua e simétrica que representa o comportamento de um fenômeno
natural de forma aleatória. Ela é o principal modelo probabilístico contínuo, sendo muito
utilizada pelas áreas de Estatística, Probabilidade e Estocástica. A curva de distribuição
normal representa o comportamento de diversos processos nas empresas e muitos
fenômenos comuns, como por exemplo, altura ou peso de uma população, a pressão
sanguínea de um grupo de pessoas, o tempo que estudantes gastam em uma prova. A
distribuição normal pode ser usada para aproximar distribuições discretas de
probabilidade, como a distribuição binomial. Além disso, a distribuição normal serve
também como base para a inferência estatística clássica. Nela, a média, mediana e moda
dos dados possuem o mesmo valor.
A função de densidade de distribuição normal é dada por:
1 ( )
𝑓(𝑥) = 𝑒
𝜎√2𝜋
Onde μ é a média da distribuição, σ é o desvio padrão e x é a variável aleatória. A curva
normal é simétrica em torno da média, o que implica que a média, a mediana e a moda
são todas coincidentes. O teorema central do limite estabelece que a distribuição amostral
de uma estatística tende a se aproximar de uma distribuição normal à medida que o
tamanho da amostra aumenta.
A distribuição exponencial é uma distribuição contínua de probabilidade que descreve o
tempo entre as ocorrências de um processo de Poisson. Ela é usada para modelar a
probabilidade de um evento ocorrer em um intervalo de tempo específico. A função de
densidade de probabilidade da distribuição exponencial é dada por:
f(x) = λe−λx para 0 ≤ x < ∞
Onde λ é a taxa de ocorrência do processo de Poisson e x é a variável aleatória que
representa o tempo entre as ocorrências. A distribuição exponencial é caracterizada pela
 UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE BARRA DO BUGRES
CURSO BACHARELADO EM ENGENHARIA DE PRODUÇÃO
AGROINDUSTRIAL

falta de memória, o que significa que a probabilidade de um evento ocorrer em um

intervalo de tempo específico é independente do tempo decorrido desde o último evento
1
. A distribuição exponencial é um caso especial da distribuição gamma, com k=1.

3) Exercícios sobre Distribuições Binomial e Poisson.

a) Qual é a diferença entre as distribuições de Poisson e Binomial?

A distribuição binomial é utilizada para calcular a probabilidade de um número fixo de
sucessos em um número fixo de tentativas independentes. Já a distribuição de Poisson é
utilizada para calcular a probabilidade de um número fixo de sucessos em um intervalo de
tempo ou espaço fixo, quando a taxa de ocorrência de sucessos é constante e
independente do tempo ou espaço.

b) Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson.

Alguns exemplos de quando podemos aplicar a distribuição de Poisson são: o número de
carros que passam por uma rua em um determinado intervalo de tempo, o número de
chamadas recebidas por um call center em um determinado intervalo de tempo, o número
de defeitos em um lote de produtos, entre outros.

c) Dê a fórmula da distribuição de Poisson e o significado dos vários símbolos.

A fórmula da distribuição de Poisson é dada por:
𝑒 𝜆
𝑃(𝑋 = 𝑥) =
𝑥!

Onde:

 P(X=x) é a probabilidade de ocorrerem x sucessos em um intervalo de tempo ou espaço

fixo.
 e é a constante matemática de Euler, aproximadamente igual a 2,71828.
 λ é a taxa média de ocorrência de sucessos por unidade de tempo ou espaço.
 x é o número de sucessos que se deseja calcular a probabilidade.
 x! é o fatorial de x.

d) Sob que condições pode a distribuição de Poisson ser usada como uma aproximação da
distribuição Binomial? Por que isto pode ser útil?

A distribuição de Poisson pode ser usada como uma aproximação da distribuição binomial
quando o número de tentativas independentes é grande e a probabilidade de sucesso é
pequena. Isso pode ser útil porque a distribuição de Poisson é mais fácil de calcular do que a
distribuição binomial, especialmente quando o número de tentativas é muito grande.

4) Um departamento de polícia recebe em média 5 solicitações por hora. Qual a probabilidade

de receber 2 solicitações numa hora selecionada aleatoriamente?

𝑒 5
𝑃(𝑋 = 2) = ≈ 0.0842
2!
 UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE BARRA DO BUGRES
CURSO BACHARELADO EM ENGENHARIA DE PRODUÇÃO
AGROINDUSTRIAL

Portanto, a probabilidade de receber 2 solicitações em uma hora selecionada aleatoriamente é

de aproximadamente 8,42%.

5) A experiência passada indica que um número médio de 6 clientes por hora para colocar
gasolina numa bomba.
a) Qual é a probabilidade de 3 clientes pararem qualquer hora?
𝑒 6
𝑃(𝑋 = 3) = ≈ 0.0504
3!
b) Qual é a probabilidade de 3 clientes ou menos pararem em qualquer hora?
𝑒 6
𝑃(𝑋 ≤ 3) = ≈ 0.1512
𝑥!

c) Qual é o valor esperado, a média, e o desvio padrão para esta distribuição?

𝐸(𝑋) = 𝜆 = 6
𝑉𝑎𝑟(𝑋) = 𝜆 = 6
𝜎 = 𝑉𝑎𝑟(𝑋) = √6 ≈ 2.4495

6) A experiência passada mostra que 1% das lâmpadas incandescentes produzidas numa

fábrica são defeituosas. Encontre a probabilidade de mais que uma lâmpada numa amostra
aleatória de 30 lâmpadas sejam defeituosas, usando:
a) A distribuição Binomial.
𝑃(𝑋 > 1) = 1 − 𝑃(𝑋 ≤ 1)
𝑃(𝑋 > 1) = 1 − 𝑃(𝑋 = 0) − 𝑃(𝑋 = 1)
30 30
𝑃(𝑋 > 1) = 1 − ( )(0.01) (0.99) − ( )(0.01) (0.99)
0 1
𝑃(𝑋 > 1) ≈ 0.2592

Portanto, a probabilidade de mais de uma lâmpada ser defeituosa em uma amostra aleatória de
30 lâmpadas utilizando a distribuição binomial é de aproximadamente 25.92%.

b) A distribuição de Poisson.
𝑃(𝑋 > 1) = 1 − 𝑃(𝑋 ≤ 1)
𝑃(𝑋 > 1) = 1 − [𝑃(𝑋 = 0) + 𝑃(𝑋 = 1)]
𝑒 . 0. 3 𝑒 . 0. 3
𝑃(𝑋 > 1) = 1 − [ + ]
0! 1!
𝑃(𝑋 > 1) ≈ 0.2562

Portanto, a probabilidade de mais de uma lâmpada ser defeituosa em uma amostra aleatória de
30 lâmpadas utilizando a distribuição de Poisson é de aproximadamente 25.62%.

7) Um processo de produção produz 10 itens defeituosos por hora. Encontre a probabilidade

que 4 ou menos itenssejam defeituosos numa retirada aleatória por hora usando, usando:
a) A distribuição de Poisson
𝑒 10
𝑃(𝑋 ≤ 4) = ≈ 0.0293
𝑥!
 UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE BARRA DO BUGRES
CURSO BACHARELADO EM ENGENHARIA DE PRODUÇÃO
AGROINDUSTRIAL

Portanto, a probabilidade de 4 ou menos itens serem defeituosos em uma retirada aleatória por
hora utilizando a distribuição de Poisson é de aproximadamente 2.93%.

b) A aproximação normal da Poisson.

4.5 − 10
𝑃(𝑋 ≤ 4) ≈ 𝑃(𝑍 ≤ ) ≈ 𝑃(𝑍 ≤ −1.77) ≈ 0.0384
3.1623

Portanto, a probabilidade de 4 ou menos itens serem defeituosos em uma retirada aleatória por
hora utilizando a aproximação normal da Poisson é de aproximadamente 3.84%.

8) Se eventos ou sucessos seguem uma distribuição de Poisson, podemos determinar a

probabilidade que o primeiro evento ocorra dentro de um período de tempo designado,
PሺT ≤ tሻ, pela distribuição de probabilidades exponencial. Como estamos tratando com o
tempo, a exponencial é uma distribuição de probabilidade contínua. Isto é dado por PሺT ≤
tሻ െ◌ൗ 1 – e-λ onde λ é o número médio de ocorrências para o intervalo de interesse e e-
λ é tabelado. O valor esperado e a variância são EሺTሻ െ◌ൗ 1/λ e Var T 1 /λ2
a) Para Var T 1 /λ2 , encontre a probabilidade que iniciando num ponto aleatório no tempo, o
primeiro cliente pare na bomba de gasolina dentro de meia hora.
𝑃(𝑇 ≤ 𝑡) = 1 − 𝑒
𝑃(𝑇 ≤ 0.5) = 1 − 𝑒 × . ≈ 0.3935

Portanto, a probabilidade de que o primeiro cliente pare na bomba de gasolina dentro de meia
hora é de aproximadamente 39.35%.

b) Qual é a probabilidade de que nenhum cliente pare na bomba de gasolina dentro de meia
hora.
𝑃(𝑇 > 𝑡) = 𝑒
𝑃(𝑇 > 0.5) = 𝑒 × . ≈ 0.6065

Portanto, a probabilidade de que nenhum cliente pare na bomba de gasolina dentro de meia
hora é de aproximadamente 60.65%.

c) Qual é o valor esperado e a variância da distribuição exponencial, onde a variável contínua

é o tempo T?
1
𝐸(𝑇) = = 0.1
𝜆
1
𝑉𝑎𝑟(𝑇) = = 0.01
𝜆
9) Estabeleça as condições exigidas para se aplicar a distribuição binomial?
𝑛
𝑃(𝑋 = 𝑥) = ( )𝑝 (1 − 𝑝)
𝑥
𝑒
𝑛
𝑃(𝑋 ≤ 𝑥) = 𝑝 (1 − 𝑝)
𝑖
 UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE BARRA DO BUGRES
CURSO BACHARELADO EM ENGENHARIA DE PRODUÇÃO
AGROINDUSTRIAL

10) Qual é a probabilidade de 3 caras em 5 lançamentos de uma moeda honesta?

5
𝑃(𝑋 = 3) = ( )0. 5 (1 − 0.5) = 0.3125
3

Portanto, a probabilidade de 3 caras em 5 lançamentos de uma moeda honesta é de 31,25%.

11) Qual é a probabilidade de menos que 3 caras em 5 lançamentos de uma moeda honesta?

5
𝑃(𝑋 ≤ 2) = ( ) 0. 5 (1 − 0.5) = 0.5
𝑖

Portanto, a probabilidade de menos que 3 caras em 5 lançamentos de uma moeda honesta é

de 50%.

12) Suponha que a probabilidade de os pais terem um filhoሺaሻ com cabelos loiros seja ¼. Se
houver 6 crianças na família, qual é a probabilidade de que metade delas terem cabelos
loiros?
𝑛
𝑃(𝑋 = 𝑥) = ( )𝑝 (1 − 𝑝)
𝑥
6 1 3
𝑃(𝑋 = 3) = ≈ 0.1779785
3 4 4

Portanto, a probabilidade de que metade das 6 crianças tenham cabelos loiros é

de aproximadamente 17.8%.

13) Se a probabilidade de atingir um alvo num único disparo é 0,3, qual é a probabilidade de
que em 4 disparos o alvo seja atingido no mínimo 3 vezes?
𝑛
𝑃(𝑋 ≥ 𝑥) = 𝑝 (1 − 𝑝)
𝑖

4
𝑃(𝑋 ≥ 3) = 0. 3 0. 7 ≈ 0.4116
𝑖

Portanto, a probabilidade de que em 4 disparos o alvo seja atingido no mínimo 3 vezes é

de aproximadamente 41.16%.

14) Um inspetor de qualidade extrai uma amostra de 10 tubos aleatoriamente de uma carga
muito grande de tubosque se sabe que contém 20% de tubos defeituosos. Qual é a
probabilidade de que não mais do que 2 dos tubos extraídos sejam defeituosos?
𝑛
𝑃(𝑋 ≤ 𝑥) = 𝑝 (1 − 𝑝)
𝑖
 UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITÁRIO DE BARRA DO BUGRES
CURSO BACHARELADO EM ENGENHARIA DE PRODUÇÃO
AGROINDUSTRIAL

10
𝑃(𝑋 ≤ 2) = 0. 2 (1 − 0.2) ≈ 0.6765
𝑖

Portanto, a probabilidade de que não mais do que 2 dos tubos extraídos sejam defeituosos é
de aproximadamente 67.65%.

15) Um engenheiro de inspeção extrai uma amostra de 15 itens aleatoriamente de um processo

de fabricação sabido produzir 85% de itens aceitáveis. Qual a probabilidade de que 10 dos
itens extraídos sejam aceitáveis?
𝑛
𝑃(𝑋 = 𝑥) = ( )𝑝 (1 − 𝑝)
𝑥
15
𝑃(𝑋 = 10) = ( )0.85 (1 − 0.85) ≈ 0.196
10

Portanto, a probabilidade de que 10 dos itens extraídos sejam aceitáveis é de aproximadamente

19.6%.

16) Crie um exemplo você mesmo usando a distribuição que achar mais convicente.

Ex. Suponha que a vida útil de um tipo de lâmpada segue uma distribuição exponencial com uma
taxa média de falhas de 0,02 falhas por hora. Qual é a probabilidade de que uma lâmpada dure
mais de 100 horas?

A probabilidade de que uma lâmpada dure mais de 100 horas é dada pela distribuição
exponencial. A fórmula da distribuição exponencial é:

𝑃(𝑇 > 𝑡) = 𝑒

No caso do problema, a taxa média de falhas por hora é de λ=0.02. Portanto, a probabilidade de
que uma lâmpada dure mais de 100 horas é dada por:

. ×
𝑃(𝑇 > 100) = 𝑒 ≈ 0.1353

Portanto, a probabilidade de que uma lâmpada dure mais de 100 horas é de aproximadamente
13.53%.