Estatística 22 Agosto 2020

Estatística aplicada à
Confiabilidade
Complexo Industrial
MBA – IESAEPiaçaguera
Conhecimentos básicos para aplicação

das ferramentas e conceitos de
confiabilidade
Marcelo Miranda
Professor MBA
Segurança
Segurança e Saúde deve ser nossa 1ª prioridade

Segurança
Certifique-se que tudo está Procure um local com

Cuidado com a postura!!! iluminação adequada!!!
seguro na sua casa!!!
Mantenha seu ambiente

Use roupas confortáveis!!! Tire pausas (20 minutos)!!! organizado!!!
Segurança
Veja seu ambiente de trabalho agora!!!

“Quebrando o Gelo”
Objetivos
❖ Preparar os participantes para conhecer e aplicar as ferramentas

estatísticas que formam a base para os conceitos empregados na
Engenharia de Confiabilidade.
❖ Apresentar metodologias para:

✓ Conhecimento dos conceitos básicos de Estatística
✓ Consolidar a utilização do software Minitab no emprego de
ferramentas aplicadas à Engenharia de Confiabilidade
✓ Resolução de exemplos práticos, empregando o software
estatístico
6
Programa
• Conhecendo o Minitab
1
• Introdução à Estatística
2
• Distribuições Estatísticas
3
• Teorema Central do Limite e Intervalos de Confiança

4
• Distribuições Weibull, LogNormal e Exponencial

5
7
1. CONHECENDO O MINITAB
Você conhece o Minitab?
1. Conhecendo o Minitab
Software Minitab
Permite a execução de diversos tipos de

análises:
- Gráficos de Controle
- Análise de Capacidade
- Histogramas
- Testes de Hipótese
- Correlações Estatísticas (simples e
múltiplas)
- DOE (Design of Experiments)
Software muito aplicado no desenvolvimento

de Projetos de Melhoria (Lean Seis Sigma,
Análises de Confiabilidade, etc)
Abra um novo arquivo no Minitab

Digite os dados colocados no quadro ao lado na planilha em branco do Minitab

Abra o arquivo “Dados Gestão de Manutenção”
Project Manager: Permite fácil localização dos comandos realizados através do uso do
software.
Gerenciamento de todas as planilhas existentes no arquivo

Gerenciamento de todos os gráficos realizados no arquivo

Podemos abrir ....
1) um novo arquivo MPJ, ou
2) nova planilha dentro do mesmo

arquivo
1
Opções:
- Abrir um novo projeto ou planilhas

- Abrir um arquivo já existente
- Salvar projetos e planilhas
- Extrair informações de base de dados
- Salvar informações da Session no formato texto
- Impressão
- Sair & Outros
Opções:
-Todas as operações para “manipular” a base de dados

-Trabalhando com planilhas, agrupando, separando e selecionando
- Operações com colunas, linhas, cópias, empilhamento e
transposição
- Classificação, ordenação, codificação, mudança do tipo de dados,
entre outros
Opções:
- Cálculos utilizando a calculadora interna
- Estatísticas de linhas e colunas
- Construção de experimentos e situações de testes
- Criação de base de dados e distribuições aleatórias
- Cálculo de probabilidades de distribuição
Opções:
- Cálculos estatísticos básicos
- Análises de regressão
- Testes de hipótese paramétricos
- Testes de hipótese não-paramétricos
- Delineamento de experimentos
- Gráficos de controle estatístico de processo
- Ferramentas de qualidade (capacidade do processo)
- Análises temporais
- Análises de tipos de distribuição
- Análises de tamanho e poder da amostra
Opções:
- Gráficos de dispersão
- Gráficos de medidas de posição e variação
- Gráficos de probabilidade (para diversas séries)
- Gráficos temporais
- Gráficos de otimização de processos
2. INTRODUÇÃO À
ESTATÍSTICA
Introdução à Estatística
✓ Estatística: visa fornecer subsídios ao analista para coletar, organizar, resumir, analisar e
apresentar dados. Trata de parâmetros extraídos da população, tais como média ou desvio
padrão.
✓ Dados: Medidas que descrevem o comportamento de algum fenômeno de interesse.
“Estatística é uma arte de representar o todo

através de partes” (Marcelo Miranda)
FAZER ESTIMATIVAS → ESTIMAÇÕES
Vantagem
Dados Informação Conhecimento Inteligência
Competitiva
Reduzir Custos Aumentar produção Estabilizar Processos

✓ População:
Uma população é o conjunto de todos os dados que descrevem algum fenômeno de
interesse.
✓ Amostra:
Uma amostra é um subconjunto de dados extraído de uma população.
Como geralmente não é prático ou é impossível medir todas as observações que
constituem a população, o mais freqüente é que se trabalhe com amostras.
Existem metodologias de amostragem que determinam os tamanhos e freqüências
ideais para cada caso.
26
Fazer afirmações a partir de um conjunto de
valores representativo sobre o universo
Bichos de estimação da estatística
(desvio padrão, média)
Jairão,
posso te
pedir um
favor?
Fala Marcelão,
na hora!!!
Tô precisando
Blza, Marcelão,
medir o pH e a
na hora!!!
turbidez do lago
de Catalão.
Teria como
agilizar prá
mim?
Com certeza o lago tem um valor

médio de pH → µ ph e também um
valor de turbidez µ turbidez
Fala Marcelão,
já to aqui!!!
Marcelão, vamos Introdução à Estatística
melhorar isso aí...
1 2 3 4 5 23
..
.
..
X1 X3 X4 X5 X23
.
X2
X µ
1 2 3 4 5 23
..
.
..
X1 X3 X4 X5 X23
.
X2
X µ
... É possível determinar o teor de Níquel contido
em uma pilha de minério tomando toda a sua
massa?
µ → média populacional
(praticamente impossível obter este valor na prática)
Inferência
estatística
X1, X2, X3, X4, ...,
Xn X → média amostral para representar a população
... É possível determinar o ph e a turbidez de um

lago analisando todo o seu volume?
µ → média populacional
(praticamente impossível obter este valor na prática)
Inferência
estatística
X1, X2, X3, X4, ...,
Xn X → média amostral para representar a população
O que deve ser feito então nestes casos, para

que eu tome decisões assertivas no meu
processo?
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
Quais os erros que podem acontecer em todo

processo de estimação, que podem interferir
no resultado?
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
________________________________________________________
Dados
1. Discretos 2. Contínuos
1.1
1.2 Qualitativos
Quantitativos
1.2.1 1.2.2
Nominal Ordinal
36
Classificação de Dados
Tipos de dados:
1. Dados discretos:
– Podem assumir somente alguns valores específicos, havendo “saltos” (“gaps”)
entre estes valores. Os dados discretos resultam de contagens ou de
classificações.
– Também podem ser qualitativos (classificação) ou quantitativos (contagem).
1.1 Dados quantitativos:

São observações medidas em uma escala numérica, já que estes dados
consistem de observações que, naturalmente, assumem valores numéricos (quantitativos).
37
Tipos de dados:
1.2 Dados qualitativos
- Os dados qualitativos podem, somente, ser classificados em uma categoria de um conjunto

de categorias.
Os dados qualitativos podem ser nominais ou ordinais
1.2.1 Os dados nominais são dados qualitativos para os quais não faz sentido ordenar as
categorias. (exemplo: marca de automóveis)
1.2.2 Os dados ordinais são dados qualitativos para os quais faz sentido ordenar as
categorias de menor para maior ou de pior para melhor (faixa etária)
Tipos de dados:
2. Dados contínuos:
-Os dados contínuos são expressos em unidades de medidas e podem assumir qualquer
valor dentro de uma faixa especificada.
-Os dados contínuos são necessariamente quantitativos.
– Normalmente, a estes dados, estão associadas unidades de medida e
aparelhos de medição. Ex: termômetro, pHmetro, balança, etc..
39
• Dados Discretos – Conhecidos como atributos também. Resultados da utilização dos

instrumentos de medição “passa não passa”, ou da inspeção de defeitos visuais, problemas visuais,
peças faltando, ou de decisões passar/falhar ou sim/não.Entre dois pontos quaisquer há finitas
possibilidades de outros pontos.
• Dados Contínuos – Conhecidos também como variáveis. Resultados da real medição de uma
característica tal como a impedância de uma bobina de motor, força de tração do aço,diâmetro do
tubo, peso de uma pessoa, tempo para executar uma tarefa, etc. Entre dois pontos quaisquer há
infinitas possibilidades de outros pontos.
Exercício: Complete com D (discreto) ou C (contínuo)
Peso do produto – _________________________________________________________________________
Quantidade de reclamações – ________________________________________________________________
Cor dos olhos – ___________________________________________________________________________
Quantidade de filhos – ______________________________________________________________________
Nível de instrução –________________________________________________________________________
Renda familiar – ___________________________________________________________________________
Volume em uma garrafa – ___________________________________________________________________
Quantidade de defeituosos – _________________________________________________________________
Nome da pessoa – _________________________________________________________________________
Idade – __________________________________________________________________________________
% Clientes insatisfeitos – ____________________________________________________________________
Sexo - __________________________________________________________________________________
Diagrama de Pareto
 Gráfico de colunas que ordena as frequências das ocorrências, da maior para a menor,
permitindo a priorização dos problemas → princípio de Pareto (80% das consequências advêm de
20% das causas), isto é, há muitos problemas sem importância diante de outros mais graves.
 Permite fácil visualização e identificação das causas ou problemas mais importantes,
possibilitando a concentração de esforços sobre os mesmos.
41
Diagrama de Pareto
Exemplo
Coca-Cola Sprite Pepsi-Cola

Coca-Cola Diet Coca-Cola Coca-Cola
Pepsi-Cola Coca-Cola Diet Coca-Cola
Coca-Cola Diet Coca-Cola Coca-Cola
Coca-Cola Coca-Cola Diet Pepsi-Cola
Coca-Cola Coca-Cola Fanta Laranja
Fanta-Laranja Sprite Coca-Cola
Coca-Cola Diet Pepsi-Cola Coca-Cola Diet
Pepsi-Cola Coca-Cola Pepsi-Cola
Pepsi-Cola Coca-Cola Pepsi-Cola
Coca-Cola Coca-Cola Pepsi-Cola
Fanta Laranja Pepsi-Cola Pepsi-Cola
Sprite Coca-Cola Coca-Cola
Coca-Cola Sprite Fanta Laranja
Coca-Cola Diet Fanta Laranja Pepsi-Cola
Coca-Cola Pepsi-Cola Sprite
Coca-Cola Coca-Cola Diet
42
Diagrama de Pareto
Exemplo
Refrigerante Freqüência
Coca-Cola 19
Coca-Cola Diet 8
Fanta Laranja 5
Pepsi Cola 13
Sprite 5
Total 50
20
15
Freqüênc ia
10
0
Coca-C ola Coca-C ola Diet Fanta Laranja Pepsi C ola Spr ite
Refrigerante 43
Diagrama de Pareto
Exemplo
1. Abra a Worksheet “Exemplo Pareto.MTW ”
Clicar em “Stat → Quality Tools → Pareto Chart”
Clicar OK
No campo “Defects or attibute data” → clicar C1 Refrigerantes

44
Diagrama de Pareto
Exemplo
Quantos % a Pepsi representa do conjunto?
Quantos % a Coca Cola + Pepsi Cola representam do conjunto?
Pareto Chart of Refrigerantes

50 100
40 80
Percent
30 60
Count
20 40
10 20
0 0
Refrigerantes
ol
a
ol
a et ta ite he
r
C C Di an r t
ca
i la F Sp O
o ps Co
C Pe ca
Co
Count 19 13 7 5 5 1
Percent 38,0 26,0 14,0 10,0 10,0 2,0
Cum % 38,0 64,0 78,0 88,0 98,0 100,0
45
Diagrama de Pareto
Atividade
 Empresa: Niquel Land
 Produto: Concentrado de Níquel
 Cenário:
• A mineração de níquel Niquel Land vem apresentando baixas produções e um belt foi
designado a desenvolver um projeto para melhorar a produção.
• No Define verificou-se um número elevado de horas paradas e ficou definida a redução de
50% da média de horas paradas .
• Deve-se também definir os focos que serão atacados e determinar as metas específicas.
TAREFA:
• Analise os dados relativos à atividade
• Determine metas específicas para atacar o problema global
46
Diagrama de Pareto
Atividade
1. Abra a Worksheet “Atividade Pareto OEE. MTW ”
Clicar em “Stat → Quality Tools → Pareto Chart”
47
Diagrama de Pareto Atividade
Espaço para resolução
OEE (Overall Equipment Effectiveness)
Perdas Paradas de Perdas Paradas de Perdas de Ritmo de

Produção não Aprovada
Manutenção Operação Produção
Disponibilidade Utilização Performance Qualidade
Falta de Matéria Elevada

Mecânica Falhas Gerais
Prima Granulometria
Elétrica Absenteísmo Baixo Teor
Contaminação
Hidráulica Troca de Turno
Ferro
Contaminação
Pneumática Outros
Magnésio
Diagrama de Pareto Atividade
Espaço para resolução
Total de Paradas = 120 + 135 + 30 + 33 = 318 Horas
Meta de Redução (50%) = 159 Horas
Vamos calcular as metas por indicador
Disponibilidade(___) Utilização Performance Utilização

Horas (___) Horas (___) Horas (___) Horas
Matéria Prima __ Horas

Mecânica __ Horas Granulometria__ Horas
Absenteísmo = __ Horas
Elétrica = __ Horas Teor de Fero = __ Horas
Troca de Turno = __ Falhas Gerais __ Horas
Hidráulica = __ Horas Teor de Magnésio = __ Horas
Horas
Pneumática = __ Horas Baixo Teor = __ Horas
Outros = __ Horas
2.2 Histogramas
 Representação gráfica, em colunas (retângulos), de um conjunto de dados previamente

tabulado e dividido em classes uniformes.
 A base de cada retângulo representa uma classe e a altura de cada retângulo representa a
frequência com que o valor dessa classe ocorreu no conjunto de dados.
Histogram of Teor Nb2O5 %

40
30
Frequency
20
10
0
0,6 0,8 1,0 1,2 1,4 1,6 1,8
Teor Nb2O5 %
2.2 Histogramas
É uma ferramenta que permite conhecer as características de uma determinada distribuição.

Dispõe as informações graficamente, tornando mais fácil a visualização das 3 propriedades
da distribuição de um conjunto de dados:
1. Localização do valor central;
2. Dispersão dos dados em torno do valor central.
3. Forma.
Os produtos de um processo apresentam variabilidade
Refugo Refugo Refugo Refugo

mas eles formam um padrão que, se for estável, é denominado distribuição.
Refugo Refugo Refugo

As distribuições podem diferir em:
Locação Variabilidade Forma
Refugo Refugo Refugo

... ou em qualquer combinação dos três.
2.2 Histogramas
 A construção de histogramas tem caráter preliminar em qualquer estudo, sendo um

importante indicador da distribuição de dados. Eles podem indicar se uma distribuição se
aproxima de uma função normal, assim como também pode indicar a mistura de populações,
quando se apresentam bimodais.
 Um histograma pode ser construído para responder às seguintes questões:

- Que tipo de distribuição os dados estão sugerindo?
- Como os dados estão localizados?
- Os dados são simétricos?
- Existem dados que devem ser desconsiderados por estarem distante dos demais
dentro do conjunto?
- Como os dados estão dispersos?
2.2 Histogramas
Comparações de Histogramas e Limites de Especificação
 A distribuição representa o padrão de variação de todos os resultados que podem ser

gerados por um processo sob controle.
 Propriedades da distribuição de um conjunto de dados
1 - Locação;
2 - Variabilidade;
3 - Forma.
2.2 Histogramas
 A distribuição representa o padrão de variação de todos os resultados que podem ser

gerados por um processo sob controle.
 Propriedades da distribuição de um conjunto de dados
1 – Locação – Posição;
2 - Variabilidade;
3 - Forma.
2.2 Histogramas
 São medidas que trazem informações numéricas sobre a forma da distribuição dos dados.
 As medidas de locação/posição indicam o centro ou meio da distribuição dos dados.
 Já as medidas de variabilidade/dispersão mostram a dispersão dos dados em torno
deste valor central.
1. Medidas de Locação/Posição
• Média (X-barra)
• Mediana (X-til ou Q2)
• Quartil (Q1 e Q3)
• Moda (Mo)
2. Medidas de Variabilidade / Dispersão
• Amplitude (R)
• Variância (s2)
• Desvio-padrão (s)
2.2 – Histogramas
Medidas de Posição: Média
 Média (x - barra)
- A média é a estatística mais utilizada para representar a locação dos
dados.
- Ela é considerada o ponto de equilíbrio de um conjunto de dados.
soma de todos os dados

x=
número de dados somados
A média é calculada somando-se todos os elementos do conjunto considerado e dividindo-

se o resultado pelo número de elementos somados.
2.2 – Histogramas
Medidas de Posição: Mediana
• Mediana ( x )
-Está diretamente associada à ordenação e à posição ocupada pelos elementos de
um conjunto de dados.
- A mediana é o termo central de uma sequência de valores colocados em ordem
crescente ou decrescente.
- Ela é o valor que divide um conjunto de dados em duas partes iguais, deixando 50%
dos dados acima e 50% abaixo de seu valor.
• Cálculo da Mediana
−Coloque os dados em ordem crescente.
-Se o número de valores é impar a mediana é o número localizado exatamente
no meio da lista: X(n+1)/2

-Se o número de valores é par, a mediana é a média dos dois valores centrais:
2.2 – Histogramas
Medidas de Posição: Mediana
67, 50, 22, 24, 09, 13, 08, 02, 100 Quando a qtde de dados é par
Vamos colocar os dados em

ordem crescente
100
100
67
67
50
50% dos dados acima
50
24
24
22
Mediana = É o valor que ocupa a A mediana é a média dos dados centrais
22 posição do meio. Também (22 +13)/2 = 17,5
conhecido como P50 13
13
09
Média = 29,6
09
50% dos dados abaixo 08
08 Se os dados não são bem distribuídos, a
02 média é bem diferente da mediana
02
01
2.2 – Histogramas
Medidas de Posição: Quartis
• Quartis
-Assim como a mediana que divide o conjunto de dados em duas metades, os quartis
dividem este conjunto em quartos. (1/4 e 3/4)
-1° Quartil - é o valor que deixa 25% dos dados abaixo e 75% acima dele.
-2° Quartil - Mediana.
-3° Quartil - é o valor que deixa 25% dos dados acima e 75% abaixo dele.
Elemento que divide a distribuição de dados em 75%

abaixo e 25% acima é denomindado 3º Quartil
25% abaixo 75% acima
Menor Maior
Elemento que divide a distribuição de dados
em 50% abaixo e 50% acima é denomindado
2º Quartil = Mediana
Elemento que divide a distribuição de dados em

25% abaixo e 75% acima é denomindado 1º Quartil
2.2 – Histogramas
Medidas de Posição: Quartis
• Moda (M)
- É utilizada para designar o elemento de um conjunto de valores que aparece com maior
freqüência.
- Baseados nisso, podemos encontrar diretamente a moda de uma população contando
o número que aparece mais vezes na seqüência.
-233444455566789
- A moda (M) é igual a 4.
5.2 Medidas de Variabilidade: Amplitude
 As principais medidas de variabilidade são:

• Amplitude (R)
-É definida como a diferença, em valor absoluto, entre os extremos superior e
inferior.
R = maior valor da amostra – menor valor da amostra
Média
3 4 5 6 7 8 9 10 11 12 14 15 16 17 18 19 20 21 22 23 24 25 26
x1 = 12,9
Amplitude
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
R1 = 23
Média
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
x2 = 12,9
Amplitude
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
R2 = 8
5.2 Medidas de Variabilidade: Desvio Padrão
• Desvio padrão (s)

- É a variação dos valores individuais em relação à média de um conjunto de dados.
- Desvio padrão alto → muita variação entre os resultados do processo (pouca
uniformidade).
-Quanto menor o valor do desvio padrão, melhor o processo!
- População = 
- Amostra = s
- Fórmula para cálculo do desvio padrão:
onde,
Xi = resultado individual do processo. X = média dos resultados do processo. n = nº de resultados
avaliados.
-A simples observação do valor obtido p/ o desvio padrão não permite a interpretação do

que aquele valor significa, ou seja, se a magnitude da variação é aceitável ou inaceitável.
-Esta dificuldade é resolvida por meio da comparação do valor do desvio padrão com
outros valores.
2.2 – Histogramas
Forma da distribuição
 Simetria
• Simetria está relacionada com a forma da distribuição dos dados.
• A distribuição dos dados é simétrica quando as medidas de tendência centrais têm
valores próximos, dividindo o conjunto de dados em duas partes iguais.
• Quando isto não acontece, a distribuição dos dados é assimétrica.
Média < Mediana < Moda Média = Mediana = Moda Média > Mediana > Moda
Assimétrica à esquerda Simétrica Assimétrica à direita

2.2 – Histogramas
Exemplo
 Se você conhece o super-herói Wolverine sabe que ele possui duas garras retráteis e um
poder mutante que o cura de qualquer ferimento. Um projeto do governo canadense
chamado Arma X encobriu seus ossos com uma liga chamada adamantium, o que você não
deve saber (ainda...) é que na liga do adamantium temos Níquel, Nióbio e Fosfatos.
O Níquel protege contra a corrosão

O Nióbio gera estabilidade térmica
O Fosfato regenera a liga quando quebrada (chamado efeito lagartixa)
 Esta liga agora está sendo produzida em larga escala

 Produto: Liga de adamantium
 Problema: Aumento da variabilidade no % de Ni na composição da liga
 Meta: Reduzir em 80% a produção de Ni fora das especificações, em três meses.
 Coleta de dados: Amostra de 120 bateladas, sendo 40 observações de cada um dos 03 turnos
Especificações do % de teor de Ni na liga:
• LIE= 6,16 %
• VN= 6,24 %
• LSE= 6,32 %
2.2 – Histogramas
Exemplo
2.2 – Histogramas
Exemplo
• Toda análise começa com análise sequencial (histórico ao longo do tempo)

• Abra o arquivo “Exemplo Histograma.MPJ”
Clicar em “Graph →Times

Series Plot”
Clicar na opção “Simple”
1
2
Clicar na opção “C4 %Ni”
Clicar “Ok”
2.2 – Histogramas
Exemplo
• Toda análise começa com análise sequencial (histórico ao longo do tempo)
Analise mudanças drásticas de patamar de processo, outliers, tendências,

sequencias, etc.....
Trate os dados , se necessário antes de partir para análises mais profundas

(assim como na mineração, dados necessitam de saneamento!!!)
2.2 – Histogramas
Exemplo
• Vamos determinar as estatísticas descritivas da %Ni (C4)
Clicar em “Stat → Basic Selecione “Mean, Standard

Statistics → Display Selecione “C4 %Ni” deviation, Minimum,
Maximum, N nonmissing, N
Descriptive Statistics 2 missing, Third quartile”
1 3
Clicar
“Statistics”
Clicar “Ok”
Descriptive Statistics: % Ni
Variable N N* Mean StDev Minimum Q3 Maximum

% Ni 120 0 6,2659 0,0512 6,0879 6,2980 6,4073
Com base nas estatísticas acima faça um esboço do histograma.
2.2 – Histogramas
Exemplo
Selecionar a opção “Simple”
2 Atenção:
Clicar em “Graph →
Histogram” O desenho da curva
1 normal não indica
que a distribuição
seja normal!!!
Selecionar “C4 %Ni” 4

3 5
Clicar “Reference
Line”
Digite as “Especificações
de Ni liga ”
Clicar “Scale”
Clicar “Ok”
2.2 – Histogramas
Exemplo
2.2 – Histogramas
Exemplo
Atenção:
Clicar em “Data →
Unstack Columns” Infelizmente o minitab não permite analisar dados
estratificados em uma única tela, por isso devemos
1
estratificar os dados por categorias. Para tanto,
vamos desempilhar.
Selecionar
Escolher a opção
“After last column
in use”
Clicar “ok”
2.2 – Histogramas
Exemplo
ANTES DEPOIS
2.2 – Histogramas
Exemplo
Vamos determinar as estatísticas

descritivas
ou
Descriptive Statistics: Turno A; Turno B; Turno C
Variable N N* Mean StDev Minimum Q3 Maximum

Turno A 40 0 6,2610 0,0367 6,1641 6,2822 6,3382
Turno B 40 0 6,2409 0,0594 6,0879 6,2717 6,3673
Turno C 40 0 6,2959 0,0393 6,2155 6,3249 6,4073
Esboce os histogramas e indique o tipo de melhoria a se fazer: deslocar

média, reduzir variabilidade ou ambos.
2.2 – Histogramas
Exemplo
Clicar em “Graph →
Histogram”
Clicar a
opção “With
Fit and
Groups” Clicar
“Ok”
Clicar
“Ok”
2.2 – Histogramas
Exemplo
Onde estão as referências

(especificações)?
2.2 – Histogramas
Exemplo
Seu gráfico ficou igual a este?

2.3 – Box Plot
 Apresenta simultaneamente várias características de um conjunto de dados: locação,

dispersão, simetria ou assimetria e presença de observações discrepantes (“outliers”).
 São muito úteis para a comparação de dois ou mais conjuntos de dados.
 Construa o boxplot dos dados : 55 87 65 75 3 20 33 47 45 48 50 54 51 53 54.
Ordem crescente
3 20 33 45 47 48 50 51 53 54 54 55 65 75 87
50 % dados abaixo 50 % dados acima

Mediana
Q1 Q3
Q1= 45
~ x~ = 51
Q1 x Q3 Q3= 55
MIM = 3
MAX = 87
0 10 20 30 40 50 60 70 80 90
2.3 – Box Plot
)
)
1
-Q
1
-Q
3
(Q
3
(Q
,5
,5
+1
-1
~
x = Q2
3
Q
Q
Q1= 45 (1º Quartil)
~
x = 51 (Mediana)
Q3= 55 (3º Quartil)
* * * * MIM = 3 (Valor Mínimo)
MAX = 87 (Valor Máximo)
0 10 20 30 40 50 60 70 80 90
 Observações sobre a construção e interpretação de Boxplots.

• Quando a distribuição dos dados é simétrica, a linha que representa a mediana estará
localizada mais ou menos no centro do retângulo e as duas linhas que partem das
extremidades do retângulo terão aproximadamente os mesmos comprimentos.
• De modo geral, quando a distribuição dos dados é assimétrica à direita, a linha que representa
a mediana estará mais próxima de Q1 do que de Q3. Isto acontece porque a metade inferior
dos dados está dispersa em uma faixa de comprimento menor que o comprimento da região
ocupada pela metade superior do conjunto de dados
• Quando a distribuição dos dados é assimétrica à esquerda, a linha que representa a mediana
geralmente estará mais próxima de Q3 do que de Q1. Isto acontece porque a metade superior
dos dados está dispersa em uma faixa de comprimento menor que o comprimento da região
ocupada pela metade inferior do conjunto de dados
2.3 – Box Plot
2.3 – Box Plot
Abra o Arquivo “BOX PLOT Comparação Plantas A B C”. Este arquivo apresenta a recuperação de
processo de 3 Plantas. Além disso, é informada a temperatura média diária dos tanques dos Processos
A, B. Estes dados foram coletados na última semana.
2
1) Avalie através do BOX Plot o rendimento da Planta A
Clicar em “Graph → Boxplot”
Selecionar → “Rendimento Planta A (%)”
3
2.3 – Box Plot
Boxplot of Rendimento Planta A (%)

95
90
Rendimento Planta A (%)
85
80
75
2.3 – Box Plot
2) Compare através do BOX Plot os 2

rendimento das Plantas A, B e C
Selecionar → “Rendimento Planta A (%),

Rendimento Planta B e Rendimento Planta C”
3
2.3 – Box Plot
Boxplot of Rendimento Plant; Rendimento Plant; Rendimento Plant

100
90
80
Data
70
60
5
50
40
Rendimento Planta A (%) Rendimento Planta B (%) Rendimento Planta C (%)
2.3 – Box Plot
3) Compare através do Box Plot as recuperações da 2

Planta A e Planta B juntamente com as temperaturas
de solução no Tanque de Processo

1
Selecionar → “Rendimento Planta e

Temperatura Média ”
Selecionar → “Planta ”
2.3 – Box Plot
Boxplot of Rendimento Planta; Temperatura Média Tanque (oC)

A B
Rendimento Planta Temperatura Média Tanque (oC)
100
190
90
180
80
70 170
5
60
160
50
150
40
A B
Planta
2.3 – Box Plot
3. DISTRIBUIÇÕES
ESTATÍSTICAS
3. Distribuições Estatísticas
 São modelos que fornecem uma base teórica para o estudo do padrão de ocorrência dos
elementos de várias populações de interesse.
 Diversas características da qualidade de interesse, principalmente as associadas a
processos da área industrial, seguem de forma aproximada, distribuições estatísticas.
 Na área de manutenção, o uso das distribuições tem sido amplamente empregada na área
de confiabilidade e gestão de indicadores e variáveis-chave.
Gauss Weibull
• Estamos acostumados a trabalhar com os dados em gráficos X - Y.
• Outra maneira de avaliar o comportamento dos dados é através da estatística.
• Na estatística, “congelamos” uma variável em um determinado intervalo de tempo,

dividimos os dados em pequenas faixas e verificamos a frequência ou ocorrência
de dados dentro destas faixas.
Intensidade
LSE
LIE
Tempo
• Estamos acostumados a trabalhar com os dados em gráficos X - Y.
• Outra maneira de avaliar o comportamento dos dados é através da estatística.
• Na estatística, “congelamos” uma variável em um determinado intervalo de tempo,

dividimos os dados em pequenas faixas e verificamos a frequência ou ocorrência
de dados dentro destas faixas.
Disponibilidade
100
LIE
Tempo
• Através da distribuição da frequência dos dados de um determinado KPI,

parâmetro ou medida, e considerando que os mesmos apresentam um
comportamento, podemos empregá-lo para avaliar a eficácia do processo, em
relação a limites de especificação.
• Ou mesmo utilizar os dados presentes para predizer o comportamento do

processo – indicando a probabilidade ou risco de ocorrência de resultados no
curto ou longo prazo.
• Neste caso, a estatística se torna uma poderosa ferramenta para tomada de

decisões.
3.1DISTRIBUIÇÃO NORMAL
3.1 Distribuição Normal
 Mais de 90% das variáveis de interesse do mundo tem uma distribuição padronizada.
 Exemplo: a altura das mulheres do Brasil possui uma variação natural em torno de 1,60
+/- 0,15 cm.
 Principais características da Distribuição Normal:

1) A distribuição “normal” é uma distribuição de dados contendo certas propriedades
consistentes (μ e σ), que muito bem caracterizam o processo;
Ou seja, uma distribuição normal pode ser completamente descrita sabendo apenas o
seguinte:
- Média
- Desvio Padrão
2) Outra propriedade bastante importante é a capacidade de encontrarmos a probabilidade
de ocorrência de um certo X, baseando-se nas equações desenvolvidas por Gauss.
Exemplo: suponha que a distribuição do peso dos jogadores de um time de futebol

segue uma distribuição normal com μ= 80 kg e σ= 5 kg.
Estou com 98
kg. Em que
região desta
distribuição eu
me encontro?
µ-3 µ-2 µ- µ µ+ µ+2 µ+3
PROBABILIDADE
INTERVALO INTERNA EXTERNA
(µ ± 1 ) 68,26% 31,74%
(µ ± 2 ) 95,46% 4,54%
(µ ± 3 ) 99,73% 0,27%
Substituindo X = µ na
equação z = (x - µ)/σ
Temos z = 0
Substituindo X = σ
na equação z = (x - µ)/σ
Temos z = 1
• Com os conceitos vistos anteriormente, podemos agora associar à curva que representa o
processo estudado o valor de “Z”.
• O valor da estatística Z é a distância de um valor “X” qualquer até a média em quantidade

de desvios-padrão
Exercício:
• Certa vez, estudou-se que a distribuição dos dados do tempo de espera de um

eletricista para reparo em uma Planta de Britagem, verificando que esta característica
seguia uma distribuição normal com uma média de 45 minutos e desvio padrão de 5
minutos.
• Qual a probabilidade do eletricista demorar menos que 35 minutos para fazer o reparo
na Planta?
• Qual a probabilidade do eletricista demorar mais que 55 minutos para fazer o reparo na
Planta?
• Qual a probabilidade do eletricista chegar antes de 41 ou após 49 minutos?

Sabemos, então, que o termo usado para normalizar a distribuição dos dados é a estatística
“Z”, que é uma relação de dois valores absolutos e, portanto, sem dimensão. Como faremos
quando o valor da estatística “Z” for diferente de 0; +-1; +-2; +-3
Tabela de Distribuição Normal
Podemos usar a tabela

para calcular
probabilidades
Área correspondente A partir das informações da

X≤x probabilidade podemos
cálcular o valor de X
correspondente.
X
• Qual a probabilidade do eletricista demorar menos que 35

minutos para fazer o reparo na Planta?
Z = (35 – 45)/5 = - 2
35 45
µ
Precisamos calcular o
valor de Z Para Z = -2 a área correspondente a (X ≤ 35) é 100 – 97,72 = 2,28%
correspondente a 35
• Qual a probabilidade do eletricista demorar mais

que 55 minutos para fazer o reparo na Planta?
Z = (55 – 45)/5 = 2
Para Z = 2 a área correspondente a (X ≥ 55) é 100

– 97,72 = 2,28%
45 55
• Qual a probabilidade do eletricista chegar antes de

41 ou após 49 minutos?
Z1 = (41 – 45)/5 = - 0,8

Z2 = (49 – 45)/5 = 0,8
41 45 49
Precisamos calcular o
valor de Z correspondente Para Z = - 0,8 a área correspondente a (X ≤ 41) é 100 – 78,81 = 21,19%
a 41 e 49
Para Z = 0,8 a área correspondente a (X ≤ 41) é 100 – 78,81 = 21,19%
Logo, a probabilidade do eletricista chegar antes de 41 ou após 49 minutos é de 42,38%

No MINITAB “Shadded Area” Escolha “Normal”
1 3
Média = 45
Média = 5
4 4
Opção
“Probabilidade” Opção “X value” retorna
retorna o X a probabilidade
correspondente à correspondente ao X
probabilidade informado
informada
No MINITAB • Qual a probabilidade do eletricista chegar entre 47 e 52 minutos?

4 5
VAMOS ESCOLHER
Opção “X value” retorna

o probabilidade
correspondente ao X
informado
47 e 52
Distribution Plot
Normal; Mean=45; StDev=5
0,09
0,08 Probabilidade de
0,07 26,38%
0,06
0,2638
Density
0,05
0,04
0,03
0,02
0,01
0,00
45 47 52
X
 Para saber se uma distribuição pode ser explicado pelo modelo Normal, podemos fazer o
Teste de Normalidade:
Abrir Minitab → Arquivo “Cumprimento da

Programação Semanal (%)”
No campo variable, escolher “Cumprimento da Programação”
Clicar em “ok”
Um teste muito usado p/ avaliar se os dados seguem a distribuição Normal é adotar um nível de significância
como referência e comparando-o com o P-value. Comumente o nível de significância adotado é 0,05
Probability Plot of Cumprimento da Programação (%)

Normal
99
Mean 68,88
StDev 4,104
95 N 30
AD 0,543
90
P-Value 0,150
80
70
Percent
60
50
40
30
20
10
1
60 65 70 75 80
Cumprimento da Programação (%)
 Se os dados possuem “um bom ajuste” em relação a distribuição Normal, podemos avaliar a
capacidade deste processo através da função Capability Analysis. Suponha que a meta de
cumprimento da programação seja 70%. Neste caso, podemos seguir os seguintes passos.
Clicar em “Stat → Quality Tools → Normal”
Escolha a opção “Cumprimento da

Programação”
Neste caso o subgrupo será 1, pois os dados são

tratados individualmente
Como a meta é 70%, vamos considerá-lo como

Limite inferior
Clique em “ok”
 Neste caso temos um exemplo de análise de capacidade para o indicador “Cumprimento da
manutenção semanal”.
Process Capability of Cumprimento da Programação (%)
LSL
P rocess Data Within
LS L 70 Ov erall
Target *
USL * P otential (Within) C apability
S ample M ean 68,8777 Cp *
S ample N 30 C PL -0,11
S tDev (Within) 3,562 C PU *
S tDev (O v erall) 4,10443 C pk -0,11
O v erall C apability
Pp *
PPL -0,09
PPU *
P pk -0,09
C pm *
60 64 68 72 76
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 633333,33 PPM < LS L 623651,65 P P M < LS L 607744,21
PPM > USL * PPM > USL * PPM > USL *
P P M Total 633333,33 PPM Total 623651,65 P P M Total 607744,21
Diferença do
comportamento do
Process Capability of Cumprimento da Programação (%) processo no curto e longo
prazo: cálculos realizados
LSL pelo desvio padrão de
P rocess Data Within curto e longo prazo
LS L 70 Ov erall
Target *
USL * P otential (Within) C apability
S ample M ean 68,8777 Cp *
S ample N 30 C PL -0,11 Índice de capacidade do
S tDev (Within) 3,562 C PU * processo: relação entre a
S tDev (O v erall) 4,10443 C pk -0,11 especificações atribuídas
O v erall C apability para o indicador e a
Pp *
variabilidade natural do
PPL -0,09
PPU * processo. Quanto maior
P pk -0,09 melhor!!!
C pm *
60 64 68 72 76
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 633333,33 PPM < LS L 623651,65 P P M < LS L 607744,21
PPM > USL * PPM > USL * PPM > USL *
P P M Total 633333,33 PPM Total 623651,65 P P M Total 607744,21
Quantidade de Defeitos por milhão de oportunidades (PPM Total) →

corresponde % de defeitos de 60,77%
 Abra os dados de “Disponibilidade de Manutenção da Planta A”. Avalie se a distribuição

pode se ajusta ao modelo normal.
Probability Plot of Disponibilidade Física

Normal
99,9
Mean 94,86
StDev 4,129 O que podemos concluir?
99
N 88
AD 1,638
A distribuição é normal?
95 P-Value <0,005 ____________________
90
80
____________________
70 ____________________
Percent
60
50 ____________________
40
30 ____________________
20
10
____________________
5 ____________________
1
0,1
80 85 90 95 100 105 110
Disponibilidade Física
Se a distribuição
não é normal, o que
podemos fazer?
Probability Plot of Disponibilidade Física

Normal
99,9
Mean 94,86
StDev 4,129
99
N 88
AD 1,638
95 P-Value <0,005
90
80
70
Percent
60
50
40
30
20
10
5
0,1
80 85 90 95 100 105 110
Disponibilidade Física
 Podemos avaliar modelos que se encaixam melhor em relação ao comportamento da

variável. Indicadores de manutenção como Disponibilidade Física, TBF, TTR, entre outros,
podem ter comportamentos que não se ajustam em uma distribuição normal.
 Podemos avaliar o modelo mais adequado através do MINITAB.
Tipos de Distribuição avaliadas:

Clicar em “Stat→ Quality Tools → Individual
Distribution Identification”
• Largest Extreme Value
• Gamma
• 3 – Parameter Gamma
• Logistic
• LogLogistic
• 3 – Parameter LogLogistic
• Parameter Exponential
• Weibull
• 3 – Parameter Weibull
• Smallest Extreme Value
• Normal
• Lognormal
• 3 – Parameter Lognormal
• Exponential
• Box Cox
Escolha a opção “Disponibilidade Física”
Como estamos tratando os dados

individualmente, vamos escolher subgrupo de
tamanho 1
Podemos escolher o teste de todas as

opções de distribuição disponíveis ou
especificar aquelas que são de maior
interesse. Neste caso, vamos optar por testar
todas!!!
Clique em “Ok”
 Neste caso, 16 tipos de distribuição foram testadas. Quais foram os melhores modelos?
 Podemos verificar:
1) como os dados estão ajustados às curvas da distribuição;
2) O valor de P-value (considerando um nível de significância como referência);
3) Estatística Anderson-Darling: a melhor distribuição é aquela em que o valor de AD
é substancialmente menor do que as outras.
 Observando o ajuste dos dados sobre as distribuições e o valor de P-value, podemos

verificar que o indicador se encaixa em um modelo de distribuição do tipo Weibull.
Probability Plot for Disponibilidade Física

G oodness of F it Test
E xponential - 95% C I 2-P arameter E xponential - 95% C I
99,9 99,9 E xponential
90 90 A D = 37,116
50 50 P -V alue < 0,003
P er cent
P er cent
10 10 2-P arameter E xponential
A D = 18,225
P -V alue < 0,010
1 1
Weibull
0,1 0,1 A D = 0,726
0,1 1 10 100 1000 0,01 0,1 1 10 100 P -V alue = 0,057
Disponibilidade Física Disponibilidade Física - T hr eshold
3-P arameter Weibull
Weibull - 95% C I 3-P arameter Weibull - 95% C I A D = 0,685
99,9 99,9 P -V alue = 0,032
90 90
50 50
P er cent
P er cent
10 10
1 1
0,1 0,1
70 80 90 100 43720 43730 43740 43750
Disponibilidade Física Disponibilidade Física - T hr eshold
 Considerando que a meta de Disponibilidade Física desta Planta é 96%, podemos calcular a
capacidade desta Planta, sabendo que os dados se encaixam em uma distribuição Weibull?
 Vamos seguir os seguintes passos:
Clicar em “Stat→ Quality Tools → Capability Analysis →

Nonnormal”
Selecione a opção “Disponibilidade Física”
Selecione a opção “Weibull”
Coloque o limite de espeficação

Clique “Ok”
Process Capability of Disponibilidade Física

Calculations Based on Weibull Distribution Model
O que podemos
LSL
P rocess Data O v erall C apability concluir? Qual a
LS L
Target
96
*
Pp
PPL
*
-0,03
capacidade do
USL *
S ample M ean 94,8634
PPU
P pk
*
-0,03
indicador?
S ample N 88
E xp. O v erall P erformance __________________
S hape 30,8236
S cale 96,6624
P P M < LS L 554703,97
PPM > USL *
__________________
O bserv ed P erformance P P M Total 554703,97 __________________
P P M < LS L 522727,27
PPM > USL * __________________
P P M Total 522727,27
__________________
__________________
__________________
__________________
84 88 92 96 100
4.TEOREMA CENTRAL DO LIMITE
E INTERVALOS DE CONFIANÇA
4. Teorema Central do Limite
• O Teorema do Limite Central afirma que uma distribuição amostral de qualquer estatística
(média, desvio padrão, mediana, etc) será normal ou aproximadamente normal, se o
tamanho da amostra é grande suficiente
• Considerando a Média: se tomarmos amostras grandes de uma população, as médias

amostrais terão distribuição Normal mesmo que os dados originais não tenham
distribuição Normal.
• Supondo que tenhamos tomado todas as amostras possíveis, de TAMANHO n, de uma

população qualquer.
A2 A3
• Se determinarmos as médias de cada uma das A1
amostras e fizermos a distribuição das mesmas, A4
A6
teremos uma distribuição normal, com as A9
A8
seguintes características: A7 Lago A5
A12
A10 A11 A13
- A média da população (µ) é igual a média da
ditribuição das médias das amostras (x) A14
Ax
- O erro do desvio padrão (s) é determinado

pelo desvio padrão da população, o tamanho da
popução e o tamanho da amostra
http://onlinestatbook.com/stat_sim/sampling_dist/index.html
Vamos escolher a
média
Escolha qtas vezes

vc quer retirar as
Amostras retiradas aleatoriamente de amostras
acordo c/ tamanho de n
n=5 n =16 n =25 Escolha a

4,26 2,38 1,90
estatística e n
Distribuição das Médias
Distribuição do Desvio Padrão

A distribuição da média amostral X – barra, de uma amostra de tamanho n extraída de

uma população que tenha média µ e desvio padrão σ, tem as seguintes características:
Erro padrão (SE)

da média
4. Intervalos de Confiança
Supondo que coletemos 20 amostras de alturas de alunos e considerando que esta

representa efetivamente a população de alunos da universidade.
Como estimativa da média da população (μ) de alunos, poderíamos utilizar
i) Média ii) Moda iii) Mediana iv) Ponto Médio
Em geral, entretanto, a média amostral do conjunto de dados é a melhor estimativa de

uma média populacional.
Obs.:
– Uma estimativa é um valor específico, ou um intervalo de valores usados para

aproximar um parâmetro populacional.
– Um estimador é uma característica da amostra (Ex: ), utilizado para obtermos uma

aproximação do parâmetro populacional.
Razões para utilizarmos a média amostral como um estimador de uma média

populacional μ:
– A distribuição das médias amostrais tende a apresentar menor variação do que

distribuições de outras características amostrais (mediana ou moda)
– É um estimador não tendencioso da média populacional μ: tende a centrar-se em torno

de μ; tende a um valor central que é o próprio valor de μ
Como a média amostral é um valor pontual, chamamos a este de estimador pontual.
Portanto, a média amostral é a melhor estimativa pontual da média populacional μ.
No nosso exemplo, a suposição da média amostral das 20 amostras é a melhor

estimativa pontual da população de alunos da universidade.
Entretanto,....
O que nos garante que as 20 amostras compõem uma boa estimativa da população?
• Associamos, assim, uma estimativa pontual a uma outra estimativa:

O que nos garante que as 20 amostras compõem uma boa estimativa da população?
Associamos, assim, uma estimativa pontual a uma outra estimativa:
Intervalo de Confiança
CONSIDERE UMA ARQUEIRA ATIRANDO EM UM ALVO. SUPONHA QUE ELA ACERTA

NO CENTRO COM RAIO DE 10 CM 95% DAS VEZES. OU SEJA, ERRA APENAS UMA
VEZ A CADA 20 TENTATIVAS.
SENTADO ATRÁS DO ALVO ENCONTRA-SE UM BRAVO DETETIVE, QUE NÃO VÊ

ONDE ESTÁ O CENTRO. A ARQUEIRA ATIRA A PRIMEIRA FLECHA...
CONHECENDO O NÍVEL DA HABILIDADE DA

ARQUEIRA, O DETETIVE DESENHA UM
CÍRCULO COM 10 CM DE RAIO AO REDOR DA
FLECHA. ELE TEM 95% DE CONFIANÇA DE QUE
O SEU CÍRCULO INCLUI O CENTRO DO ALVO!
ELE RACIOCINOU QUE SE DESENHASSE

CÍRCULOS COM 10 CM DE RAIO AO REDOR
DE MUITAS FLECHAS, OS SEUS CÍRCULOS
INCLUIRIAM O CENTRO DO ALVO EM 95% DOS
CASOS..
Como aumentar a confiança?
O PRIMEIRO MÉTODO É EQUIVALENTE A ALARGAR O INTERVALO DE

CONFIANÇA. QTO MAIOR FOR A MARGEM DE ERRO, MAIS CERTO
VOCÊ ESTÁ DE QUE O VALOR DESEJADO ENCONTRA-SE NO
INTERVALO:
Como aumentar a confiança?
Aumentar o Tamanho do Círculo? Aumentar a precisão da

arqueira?
É uma amplitude (ou um intervalo) de valores que tem a probabilidade de conter o valor
verdadeiro da população.
Observa-se que, na definição de intervalo de confiança, está associado uma probabilidade.
Probabilidade {c1≤ µ ≤ c2} = 1 - α

0,09
0,08
0,07
1-α • O intervalo (c1,c2) é chamado de intervalo
0,06 de confiança da média da população.
Density
0,05
• α é o nível de significância.
0,04
• 100(1- α) é o nível de confiança em %.
0,03
0,02 • 1- α é o coeficiente de confiança.

α/2 α/2
0,01
0,00
c1 µ c2
Probabilidade [ Xinf ≤ µ ≤ Xsup] = 1- α

0,09
• Se 1- α = 95% → α = 5% → α/2 = 2,5%
0,08
0,07 • Se 1- α = 90% → α = 10% → α/2 = 5%

0,06
• Se 1- α = 99% → α = 1% → α/2 = 0,5%
0,05
Density
0,04
0,03 Podemos consultar as tabelas de

probabilidade e determinar os valores de Z
0,02 α/2 α/2 associados aos valores de α
0,01
0,00
Xinf µ Xsup
Zα/2 Z=0 Zα/2
• Pelo Teorema do Limite Central, sabemos que as médias amostrais tendem a

distribuir-se por uma normal. Assim, a área sombreada apresenta chance
relativamente pequena de conter uma média amostral.
• Denotando de α/2 a área sombreada de cada extremo, há uma probabilidade de

α da média amostral estar em um dos extremos.
• Pela regra do complemento, há uma probabilidade de 1 - α da média amostral estar na
região não sombreada.
• Por que se usa a Distribuição Normal Padronizada ?
– Pelo Teorema do Limite Central, as médias amostrais distribuem-se

normalmente em torno da média das médias. Então, pode-se usar a Normal Padronizada
para cálculo das áreas (probabilidades).
Tamanho Amostra σ s
n ≥ 30 X ± Zσx X ± Zσx
n <30 X ± Zσx X ± tσx
No caso de n < 30 e desvio padrão populacional não informado →

recomenda-se utilizar a distribuição t de Student
Probabilidade [ Xinf ≤ µ ≤ Xsup] = 1- α

Um componente mecânico sujeito a estresse cíclico apresenta um tempo até a falha
normalmente distribuído. Foi retirada uma amostra de 15 componentes c/ seus respectivos ciclos
até a falha. O fabricante garante a troca do componente, caso apresente ciclos iguais ou
inferiores a 1.580. Considerando um nível de confiança de 95%, o que podemos afirmar em
relação à quantidade de ciclos considerada na garantia?
Amostra –
Ciclos até a falha Neste caso, temos a seguinte situação
2435
1325
Tamanho Amostra σ s
1589 n ≥ 30 X ± Zσx X ± Zσx
2351
2140 n <30 X ± Zσx X ± tσx
2279
1351
2363
2374
1153
2158
2292
1884
2125
1838
O que podemos
concluir?
__________________
__________________
__________________
__________________
__________________
__________________
__________________
__________________
Histogram of Amostra Boxplot of Amostra

(with 95% t-confidence interval for the mean) (with 95% t-confidence interval for the mean)
3
Frequency
_
1 X
0 _
X
1200 1400 1600 1800 2000 2200 2400 1000 1200 1400 1600 1800 2000 2200 2400 2600
Amostra Amostra
Amostra II
Um componente mecânico sujeito a estresse cíclico apresenta um tempo até a falha 1887,69
2583,99
normalmente distribuído. Foi retirada uma amostra de 32 componentes c/ seus 1750,97
respectivos ciclos até a falha. O fabricante garante a troca do componente, caso 2051,95
2049,81
apresente ciclos iguais ou inferiores a 1.580. Considerando um nível de confiança de 2118,98
95%, o que podemos afirmar em relação à quantidade de ciclos considerada na 2047,66
2601,41
garantia? 2017,63
2426,68
Neste caso, temos a seguinte situação 1761,60
1694,47
1976,15
Tamanho Amostra σ s 1831,24
1671,33
n ≥ 30 X ± Zσx X ± Zσx 1900,49
1832,49
2020,63
n <30 X ± Zσx X ± tσx 338,2 2245,56
2051,87
2601,41
2309,89
1982,83
2051,95
1755,62
2136,95
1701,97
2051,95
1970,45
2090,72
986,44
1280,48
O que podemos
concluir?
__________________
__________________
__________________
__________________
__________________
__________________
__________________
__________________
Histogram of Amostra II Boxplot of Amostra II

(with 95% Z-confidence interval for the Mean, and StDev = 338,2) (with 95% Z-confidence interval for the Mean, and StDev = 338,2)
15,0
12,5
10,0
Frequency
7,5
5,0
_
2,5 X
0,0 _
X
1200 1600 2000 2400

1000 1200 1400 1600 1800 2000 2200 2400 2600 2800
Amostra II
Amostra II
5. DISTRIBUIÇÕES
WEIBULL, LOGNORMAL E
EXPONENCIAL
5. Distribuições Weibull, Exponencial e Lognormal
 É de grande interesse das indústrias conhecer e controlar a vida útil de seus processos,
equipamentos e periféricos, com foco no aumento da disponibilidade, produtividade, qualidade
e segurança.
Deve-se garantir que os equipamentos exercerão suas funções com a menor qtde de falhas
possível.
 A predição e a avaliação da confiabilidade são os dois pontos principais que a

confiabilidade deve encarar. A predição consiste em modelos estatísticos que predizem
sobre a confiabilidade de um componente ou sistema, sugerir métodos para melhorá-la,
desenvolver projetos, novos materiais e tecnologias que permitem medir os valores reais de
confiabilidade, verificar as predições efetuadas e, com base nos modelos, controlar a
manutenção de um nível exigido de confiabilidade.
 As técnicas estatísticas existentes, como a análise de confiabilidade nos permitem estimar

probabilidades de itens relacionados a necessidade das indústrias, seja no período de
desenvolvimento de um projeto ou após o inicio da utilização do produto.
As estimativas estão principalmente relacionadas com:
 Durabilidade de um produto, com as falhas classificadas como de projeto ou processo;

ocasionais, por desgaste ou fadiga.
 Tempo médio entre as falhas: permite o dimensionamento de reposição do estoque e planos de
manutenção.
 Correções em projetos ou recalls: necessidade pelo agravante das falhas em campo ocorrerem
em grande volume.
 A confiabilidade desejada a novos projetos.
 Normalmente, a confiabilidade é uma função do tempo. O “tempo” pode ser medido de várias
maneiras. Por exemplo:
• Tempo de operação
• Quilometragem
• Tempo de prateleira
• Número de ciclos
Na Análise de Dados de Vida ou Análise dos Tempos de Falha, aspecto particular da análise
de confiabilidade, tudo é baseado em estimativas; o valor real da confiabilidade de um
produto nunca será conhecido.
Os modelos são representações matemáticas que permitem interpolações e algumas
extrapolações. Estes modelos probabilísticos são baseados em distribuições estatísticas.
Funções importantes dentro da avaliação de confiabilidade de um determinado

componente, equipamento ou sistema:
1) A função de distribuição da probabilidade é a distribuição f(t) dos tempos de falha. O

valor de f(t) é a frequência de falhas exatamente no tempo t
Função de distribuição da
probabilidade
2) A função de distribuição acumulativa F(t) representa a probabilidade do

equipamento/sistema/componente falhar a algum tempo antes de t. É a integral da
função de distribuição da probabilidade de falha, considerando o intervalo de 0 a t.
probabilidade
Probabilidade falha em um
determinado intervalo
3) A função de confiabilidade R(t) é a probabilidade de um

sistema/componente/equipamento não falhar antes de t.
probabilidade
4) A função de taxa de falha h(t) é definido como o limite da taxa de falha quando Δt se
aproxima de zero. Representa a taxa instantânea de falha obtida como:
A função taxa de falha h(t) é a probabilidade condicional de falha no intervalo de t até t + Δt,
dado que não existe falha em t. Isto pode ser expressado por :
As taxas de falhas podem ser classificadas em três categorias
Falhas por desgaste -

Falhas Precoces - Infância Velhice Falhas Casuais – Vida últil
Em alguns casos pode-se reduzir ou Não é fácil a eliminação deste tipo de

Podem ser totalmente depuradas falhas, porém em alguns casos existem
eliminar as falhas por desgaste
através de um rigoroso controle na técnicas que nos permitem fazer um
mediante a um sistema de manutenção
fabricação e mediante testes antes do acompanhamento de componentes
preventiva.
envio do produto ao consumidor (uso adequados, através de projetos. São
demasiadamente intenso, as Acontecem devido ao envelhecimento falhas que ocorrem ao acaso, em
anormalidades de fabricação, um do equipamento ou desgaste real (pela intervalos de tempo inesperados.
projeto defeituoso). A classificação da perda ou degeneração de
taxa de falha é decrescente. características importantes). A taxa de
falha é classificada como crescente
A conhecida “Curva da Banheira” que descreve a ocorrência de falhas que se iniciam com
um alto índice de falha, seguidas de desgaste por uso (falhas precoces seguidas de falhas
por desgaste).
As estratégias de manutenção podem variar de acordo com a vida de um equipamento

ou sistema...
1 2 3
1 2 3
Manut. Corretiva X X X
Manut. Preventiva X X
Manut. Produtiva X X X
Manut. Preditiva X
Sist. Inform. Manut X

Quais são os modelos empregados na análise dos tempos de falha / análise de vida?
Muitas das distribuições que tendem a melhor representar os

dados de vida são comumente chamadas de distribuições de vida.
Utilizando o software Minitab, encontre a distribuição que melhor se ajusta aos dados
de Tempo até a Falha da seguinte amostra de tempos até a falha
Dados de Tempo até a Falha (dias)

6 33 51
8 36 57
10 39 62
15 41 110
16 45 149
28 47 271
30 48
Considere os dados a seguir, obtidos em um teste de fadiga em hélices de

automóveis (em milhares de horas). Analisar os gráficos resultantes e escolher a
distribuição de probabilidade mais apropriada na descrição dos tempos até a falha.
Dados TTF
8,2 3,7 15,4 9,6
14.3 32,2 10,9 7,4
28,3 0,7 14 27,5
12 22 22.7 7,1
3,2 1,6 14,9 9,2
31,3 20,3 3 43,3
17,2 14,4 35,7 0,2
49,7 2,6 10,9 273,2
0,4 11,6 11,9 273,9
2,3 8,4 14,5
12,5 5,0 8,2
5.1 Distribuições de Weibull
• É usada p/ análise de confiabilidade, muito flexível, e por esta razão, amplamente

utilizada. Pode ter diferentes formatos e se aproximar das outras distribuições.
• Sua utilidade decorre do fato de permitir:
- Representar falhas típicas de partida (mortalidade infantil), falhas

aleatórias e falhas devido ao desgaste.
- Obter parâmetros significativos da configuração das falhas.
Função Geral
Onde:
t → Tempo, ciclos, etc
β → Parâmetro de forma da distribuição, indica as características de falha
η → Parâmetro de escala
IMPORTANTE:
Alterando o valor de β, a função dens. de probabilidade toma formas de outras distribuições
β < 1, mortalidade infantil β =1, falhas aleatórias β >1, falhas por desgaste
Clicar em “Graph → Probability Escolha “Weibull”

Distribution Plot”
3
1
Selecione “Vary Parameters” Corresponde a β
Corresponde a η
Corresponde a t0
Clicar em “Ok”
Distribution Plot
Weibull; Scale=100; Thresh=0
0,08 Shape
Corresponde a η 0,5
0,07 3,44
1
β = 20
20
0,06
0,05
β = 0,5
Density
0,04
β=1 β = 3,44
0,03 Aprox. Função Aprox. Função
exponencial Normal
0,02
0,01
0,00
0 20 40 60 80 100 120 140 160 180
X
β = 0,5 Falhas Precoces β = 20 Falhas por desgaste

IMPORTANTE:
β > 1- Fim de vida útil
f(t)
h (t)
R (t) β < 1- Início de β = 1- Taxa

operação constante de falha
• Exemplo: Um fabricante de cabos elétricos quer estimar a vida útil desses produtos. Para
isso, foi observado o tempo até a falha (em dias) de 50 circuitos. Considere que os dados
se encaixam em uma distribuição de Weibull.
Tempo de Falha do Produto

50 45 100 27 64
60 61 58 59 81
53 92 46 48 64
40 73 51 77 81
51 51 27 58 105
99 49 52 51 84
35 24 48 97 54
55 37 79 34 23
54 31 48 79
101 67 67 91
56 62 66 41
• Primeiramente vamos verificar a distribuição e seus parâmetros.
1 3
2
Probability Plot of Tempo até Falha

Weibull - 95% CI
99,9
99
Shape
Scale
3,084
66,90
O que podemos concluir sobre
90
N
AD
52
0,603
η e β?
80
70
P-Value 0,116 ________________________
60
50
40
________________________
________________________
Percent
30
20
________________________
10
________________________
5
________________________
________________________
3
2
1
________________________
10
Tempo até Falha
100
________________________
• Estimar a distribuição do tempo de falha de um produto:

1 2 3
4 5
• Estimar a distribuição do tempo de falha de um produto:
Histogram of Tempo até Falha

Weibull
16 Shape 3,084
Scale 66,9
14 N 52
12
10
Frequency
0
0 20 40 60 80 100
Tempo até Falha
1 3
4
Distribution Plot
Weibull; Shape=3,084; Scale=66,9; Thresh=0
0,020
1% dos
0,015
circuitos
falham após
Density
0,010 15,1dias
0,005
0,01
0,000
0 15,05
X
Distribution Plot
Weibull; Shape=3,084; Scale=66,9; Thresh=0
0,020
0,015
20% dos circuitos
falham após
Density
41,13 dias
0,010
0,005 0,2
0,000
0 41,13
X
• Na próxima aula, veremos que podemos empregar o Minitab para obter todas as funções
relacionadas à confiabilidade.
Distribution Overview Plot for Tempo até Falha

ML Estimates-Complete Data
Table of S tatistics
P robability D ensity F unction Weibull
S hape 3,08396
99,9 S cale 66,8950
90 M ean 59,8102
0,015
S tD ev 21,2064
50 M edian 59,3991
P er cent
0,010
P DF
IQ R 29,7066
F ailure 52
10
0,005 C ensor 0
A D* 0,848
0,000 1
30 60 90 120 20 50 100
T empo até Falha T empo até Falha
S urv iv al F unction H azard F unction

100
0,12
P er cent
0,08
Rate
50
0,04
0 0,00
30 60 90 120 30 60 90 120
T empo até Falha T empo até Falha
5.2 Distribuição Exponencial
• Caracteriza a porção central da Curva de Banheira. Essa fase corresponde à vida útil do
produto e é conhecida como parte de "falha intrínseca" da curva.
• Não tem memória: a vida restante de um componente independe de sua idade atual. Um
sistema sujeito a desgaste que aumenta a probabilidade de falhas na parte final da vida não é
sem memória. Essa distribuição deve ser usada qdo a taxa de falha é constante durante toda a
vida do produto.
Clicar em “Graph → Probability

Distribution Plot” Escolha “Exponencial”
1 3
Selecione “Vary Parameters”
2 Corresponde a λ
Corresponde a t0
Clicar em “Ok”
• Distribuição simples com apenas um parâmetro usada para modelar dados de confiabilidade. É
um caso especial da distribuição de Weibull com ß = 1.
• Bom modelo p/ a fase da vida de um item qdo a probabilidade de falha é sempre a mesma
independentemente de ser novo, ter um ano ou vários anos de idade.
• Em outras palavras, a fase antes que o item comece a envelhecer e se desgastar durante sua
aplicação esperada.
• Usada frequentemente para modelar componentes eletrônicos que geralmente não sofrem
desgaste até muito tempo depois da vida esperada do produto no qual estão instalados (ex:
diodos, transistores, resistores e capacitores).
Função Geral
Onde:
λ→ Constante que parâmetro da distribuição

Distribution Plot
Exponential; Thresh=0
Scale
10000
0,0003
0,0002
0,0001
8000 λ = 0,0001
6000
Density
λ = 0,0002
4000
2000 λ = 0,0003
0
0,0000 0,0002 0,0004 0,0006 0,0008 0,0010 0,0012 0,0014
X
R
f(t
(t)
)
5.3 Distribuição LogNormal
• Distribuição flexível fortemente relacionada com a distribuição normal. Pode ser

particularmente útil para modelar dados mais ou menos simétricos ou com assimetria
para a direita.
• Como a distribuição de Weibull, a distribuição lognormal pode ter aparências muito
diferentes dependendo do parâmetro de escala.
• O modelo Lognormal e o modelo de Weibull podem às vezes ajustar um conjunto

específico de dados de testes de vida igualmente bem.
Função Geral
Onde:
µ→ Parâmetro relacionado à localização /posição
σ →Parâmetro de escala
• Comumente usado para muitas aplicações de alta tecnologia.

• Baseada no modelo de crescimento multiplicador, o que significa que a qualquer instante
no tempo o processo sofre um aumento aleatório da degradação que é proporcional ao
estado atual. O efeito multiplicador de todos esses crescimentos independentes e
aleatórios acumula para gerar falhas. Aplicações:
- Degradação por reações químicas, corrosão, migração ou difusão;
- Componentes eletrônicos que exibem risco de falha menor após um certo tempo
Clicar em “Graph → Probability

Distribution Plot” Escolha “LogNormal”
1 3
Selecione “Vary Parameters”
2 Corresponde a µ
Corresponde a σ
Corresponde a t0
Clicar em “Ok”
Distribution Plot
Lognormal; Loc=3; Thresh=0
0,05 Scale
σ = 1,5
0,5
1
1,5
0,04
σ = 0,5
0,03
Density
0,02 σ = 1,0
0,01
0,00
0 25 50 75 100
X
Confiabilidade Taxa de Falha

1 2 3
• Em que Φ é a função de distribuição acumulada de uma distribuição normal padrão.
1 2 3
f R h
(t) (t) (t)

Estatística 22 Agosto 2020

Enviado por

Dados do documento

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

Estatística 22 Agosto 2020

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística aplicada à

Conhecimentos básicos para aplicação

Segurança e Saúde deve ser nossa 1ª prioridade

Certifique-se que tudo está Procure um local com

Mantenha seu ambiente

Veja seu ambiente de trabalho agora!!!

❖ Preparar os participantes para conhecer e aplicar as ferramentas

❖ Apresentar metodologias para:

• Teorema Central do Limite e Intervalos de Confiança

• Distribuições Weibull, LogNormal e Exponencial

Permite a execução de diversos tipos de

Software muito aplicado no desenvolvimento

Abra um novo arquivo no Minitab

Digite os dados colocados no quadro ao lado na planilha em branco do Minitab

Abra o arquivo “Dados Gestão de Manutenção”

Gerenciamento de todas as planilhas existentes no arquivo

Gerenciamento de todos os gráficos realizados no arquivo

Podemos abrir ....

1) um novo arquivo MPJ, ou

2) nova planilha dentro do mesmo

- Abrir um novo projeto ou planilhas

-Todas as operações para “manipular” a base de dados

“Estatística é uma arte de representar o todo

FAZER ESTIMATIVAS → ESTIMAÇÕES

Reduzir Custos Aumentar produção Estabilizar Processos

Com certeza o lago tem um valor

... É possível determinar o ph e a turbidez de um

O que deve ser feito então nestes casos, para

Quais os erros que podem acontecer em todo

1.1 Dados quantitativos:

1.2 Dados qualitativos

- Os dados qualitativos podem, somente, ser classificados em uma categoria de um conjunto

• Dados Discretos – Conhecidos como atributos também. Resultados da utilização dos

Coca-Cola Sprite Pepsi-Cola

Clicar em “Stat → Quality Tools → Pareto Chart”

No campo “Defects or attibute data” → clicar C1 Refrigerantes

Pareto Chart of Refrigerantes

Clicar em “Stat → Quality Tools → Pareto Chart”

OEE (Overall Equipment Effectiveness)

Perdas Paradas de Perdas Paradas de Perdas de Ritmo de

Disponibilidade Utilização Performance Qualidade

Falta de Matéria Elevada

Elétrica Absenteísmo Baixo Teor

Total de Paradas = 120 + 135 + 30 + 33 = 318 Horas

Meta de Redução (50%) = 159 Horas

Vamos calcular as metas por indicador

Disponibilidade(___) Utilização Performance Utilização

Matéria Prima __ Horas

 Representação gráfica, em colunas (retângulos), de um conjunto de dados previamente

Histogram of Teor Nb2O5 %

É uma ferramenta que permite conhecer as características de uma determinada distribuição.

Refugo Refugo Refugo Refugo

Refugo Refugo Refugo

Locação Variabilidade Forma

Refugo Refugo Refugo

 A construção de histogramas tem caráter preliminar em qualquer estudo, sendo um

 Um histograma pode ser construído para responder às seguintes questões:

 A distribuição representa o padrão de variação de todos os resultados que podem ser

 A distribuição representa o padrão de variação de todos os resultados que podem ser

2. Medidas de Variabilidade / Dispersão

soma de todos os dados

A média é calculada somando-se todos os elementos do conjunto considerado e dividindo-

dos dados acima e 50% abaixo de seu valor.

no meio da lista: X(n+1)/2