Estatística 2011

1
Estatstica Aplicada
Balestrassi Paiva Ferreira (UNIFEI IEPG)
Estat
Estat
stica Aplicada
stica Aplicada
Prof. Dr. Joo Roberto Ferreira
jorofe@unifei.edu.br
(35) 3629 1293
UNIFEI Instituto de Engenharia de Produo e Gesto
Programa de Ps-Graduao em Eng de Produo
2
Estatstica Aplicada
Pensar estatisticamente ser um
dia, para a eficiente prtica da
cidadania, to necessrio como a
habilidade de ler e escrever.
H. G. Wells (Escritor, considerado o pai da moderna
Fico Cientfica, 1895)
3
Estatstica Aplicada
Processo
Fatores Incontrolveis (rudo)
Fatores Controlveis
Entrada Sada
...
...
x1 x2 xp
z1 z2 zq
y1
y2
ym
.
.
.
Motivao das empresas para estudo e uso de
Estatstica:
Foco no Processo: Um dos principais requisitos
da ISO 9001:2000
4
Estatstica Aplicada
X
Presso de ar air strip
Presso de ar air bag
Presso de ar front piston
Presso Hidrulica
Temperatura
Vazo de leo Solvel
Presso do Nitrognio
Y
Espessura da parede Top Wall
Espessura da Parede Mid Wall
Profundidade do Dome
Altura da Lata
Visualizao
Processo Bodymaker de
fabricao de latas
Z
Operador
Rede Eltrica
Qualidade da Bobina
Exemplo de Processo
Aplicao: Pense
em um problema
similar em sua
rea de atuao
complexo inferir sobre X,Y e Z sem Estatstica!
Y=f(X)+Z
5
Estatstica Aplicada
DO THE
REAL
THING!
Faa anotaes!
Aplicando os
conhecimentos na
sua rea a nica
forma de
sediment-los!
Cone of Learning
6
Estatstica Aplicada
Statgame e Statquiz
(Interessante para verificar
o conhecimento bsico)
Recursos de Software
O uso de recursos computacionais
tornou os clculos atividades fceis
permitindo uma maior nfase na
compreenso e interpretao dos
resultados
7
Estatstica Aplicada
Pratique:
1. Gere a planilha ao lado e entenda a diferena entre
Worksheet e Project. Observe o que Session.
2. Calcule as principais Estatsticas Descritivas da planilha
gerada.
Siga o caminho: <Stat> <Basic Statistics> <Display
Descriptive Statistics> < Graph> <Graphical
Summary>
3. Navegue no Statguide
4. Navegue pelo Tutorial do Minitab
5. Observe os cones para Worksheet, Session, Show Graphs
Folder e Edit Last Dialog
www.minitab.com
www.e-academy.com
8
Estatstica Aplicada
6. Gere uma srie de 100 valores aleatrios que poderia
simular uma variabilidade em Temperatura;
Use <Calc> <Random Data> <Normal
Distribution> e inclua os parmetros
convenientes (Ex.: Mdia=100, S=10).
7. Calcule as principais estatsticas descritivas da planilha
usando Graphical Summary. Faa outros grficos.
8. Entenda o procedimento <Calc> <Set Base>?
9. Salve a planilha na Desktop com um nome qualquer.
10. Feche o programa minitab e depois abra a planilha
que voc salvou.
9
Estatstica Aplicada
Obtenha domnio
sobre o Minitab a
partir do arquivo
minitab.pdf que est
no Cd do curso.
Um bom Material de
Apoio
10
Estatstica Aplicada
Bibliografia bsica:
1 Montgomery, D.C., Runger, G.C., Estatstica
Aplicada e Probabilidade para Engenheiros, 2 ed.,
LTC Livros Tcnicos e Cientficos, 2003, 461 p.
2 Newbold et al., Statistics for Business and
Economics, 4 ed., Ed. Prentice Hall, 2002, 579 p.
3 Apostila (Notas de Aula).
11
Estatstica Aplicada
SUMRIO
1 Estatstica Descritiva
2 Distribuies de Probabilidade
3 Estimao - Intervalos de Confiana
4 Testes de Hiptese
5 Anlise de Varincia
6 Correlao e Regresso
7 Controle Estatstico do Processo
12
Estatstica Aplicada
1 - Estatstica Descritiva
Uma mente que se abre para uma nova idia, jamais retornar ao seu tamanho
original. (Albert Einstein)
13
Estatstica Aplicada
A essncia da cincia a observao.
Estatstica: A cincia que se preocupa com a organizao, descrio, anlise e
interpretao dos dados experimentais. Ramo da Matemtica Aplicada. A
palavra estatstica provm de Status.
Do que trata a Estatstica
Estatstica Bsica (Anova,
TH, Regresso)
Sries Temporais
Data Mining
Six Sigma
Redes Neurais
Controle de Qualidade
Simulao / PO
DOE /Taguchi /RSM
Anlise de Sistema de Medio
Estatstica Multivariada
Amostragem / Pesquisa
Confiabilidade
14
Estatstica Aplicada
A Populao (ou Distribuio) a coleo de todas as
observaes potenciais sobre determinado fenmeno.
O conjunto de dados efetivamente observados, ou
extrados, constitui uma Amostra da populao.
Um Censo uma coleo de dados relativos a Todos os
elementos de uma populao.
Um Parmetro est para a Populao assim como uma
Estatstica est para a Amostra.
Populao e Amostra
15
Estatstica Aplicada
Varivel
Qualitativa
Quantitativa
Ordinal
Nominal
Discreta
Contnua
Ex.: Para uma populao de peas produzidas em um determinado processo,
poderamos ter:
Quantitativa Contnua Dimetro das peas
Quantitativa Discreta N
o
de peas defeituosas
Qualitativa Ordinal Qualidade: 1
a
, 2
a
ou 3
a
categoria
Qualitativa Nominal Estado: Perfeita ou defeituosa
Tipo Varivel
(Tambm Dados Categricos ou de Atributos)
Tipos de Dados
(Variveis)
16
Estatstica Aplicada
Aplicao: Gere sequncias de valores aleatrios que represente
problemas em sua rea.
O que significa o procedimento <Calc> <Set Base>?
Amostragem: Gere a sequncia 1 2 3 ...100.
<Calc> <Make Patterned Data>
Selecione uma amostra com 10 valores a partir das sequncias geradas
anteriormente.
Use <Calc> RandomData> <Sample fromColumn>
<Calc> <Random Data> Nmeros Aleatrios
17
Estatstica Aplicada
Conjunto Original
de dados
Grficos/ Ramo-e-Folhas/
Distribuies de Frequncia, etc...
Medidas Estatsticas
Fornece muito mais
informaes sobre o
comportamento de uma
varivel do que a prpria
srie original de dados
Reduo dos dados
Valores representativos
da srie toda. Medidas
de Posio e
Disperso.
Medidas Estatsticas
18
Estatstica Aplicada
Aplicao:
Gere uma sequncia de
dados que represente um
processo em sua rea e
calcule as estatsticas
desse conjunto de dados.
Use:
<Random> e
<Display Descriptive
Statistics>
Ex.:Nmero de acessos pgina do Site da Empresa
durante os ltimos 100 dias teis.
<Graphical Summary>
19
Estatstica Aplicada
Medidas de Posio: Mdia
x
x x x
n
x
n
n
i
i
n
=
+ + +
=
=
1 2
1
L
x
x p x p x p
p p p
x p
p
n n
n
i i
i
n
i
i
n
=
+ + +
+ + +
=
=
=
1 1 2 2
1 2
1
1
L
L
Aritmtica Simples
Aritmtica Ponderada
+...+
+...+
+...+
Um pouco sobre arredondamento de mdias:
Tome uma decimal acima da dos dados: Ex.: 2,4 3,4 e 5,7 => mdia =3,73
Em vrias operaes, arredonde apenas o resultado final
20
Estatstica Aplicada
Chama-se Robert
Pesa 78 Kg
Manequim 48
85 cm de cintura
Consome anualmente 8,5 Kg massa, 11,8Kg de bananas, 1,8 Kg de
batatas fritas, 8,15Kg de sorvete e 35,8 Kg de carne.
V TV por ano 2567 horas
Recebe anualmente 585 coisas por correio (cartas e outros)
Diariamente dorme 7,7 horas, gasta 21 minutos para chegar ao trabalho e
trabalha 6,1 horas
Um Cidado Americano Mdio
21
Estatstica Aplicada
~
x
n
o
=
+ |
\
|
1
2
termo
~
x
n n
=
|
\
|
+ +
|
\
|
2 2
1
2
o o
termo termo
{ } 35 36 37 38 40 40 41 43 46 40 , , , , , , , ,
~
= x
{ } 12 14 14 15 16 16 17 20
15 16
2
15 5 , , , , , , ,
~
, =
+
= x
Ex.:
Se n mpar: Se n par:
Medidas de Posio: Mediana
Mediana o valor do meio de um conjunto de dados dispostos em
ordem crescente ou decrescente.
Inconveniente: No considera todos os valores da amostra!
22
Estatstica Aplicada
Mdia x Mediana
x = 345 7 ,
~
x = 300
Ex.: { 200, 250, 250, 300, 450, 460, 510 }
Ambas so boas medidas
de Tendncia Central.
Prefira a mdia
x
{ 200, 250, 250, 300, 450, 460, 2300 }
= 601
~
x = 300
Devido ao Outlier
2300, a mediana
melhor estatstica que
a mdia.
23
Estatstica Aplicada
Medidas de Disperso
Rode e Entenda o
programa Interativo da
PQ Systems
Discuta:
1) Porque os bancos adotam fila nica?
2) Por favor, com quantos dias de antecedncia eu
devo postar uma carta de aniversrio para minha
me?
24
Estatstica Aplicada
A = { 3, 4, 5, 6, 7 }
B = { 1, 3, 5, 7, 9 }
C = { 5, 5, 5, 5 }
D = { 3, 5, 5, 7 }
E = { 3.5, 5, 6.5 }
Uma medida de Posio no
suficiente para descrever um conjunto
de dados. Os Conjuntos ao lado
mostram isso! Eles possuem mesma
mdia, sendo diferentes.
Algumas medidas de Variabilidade:
Amplitude (H): Tem o inconveniente de levar em conta apenas os
dois valores extremos:
H
=7-3=4
Variabilidade
Amplitude=Range
25
Estatstica Aplicada
Considerando os desvios em relao mdia, temos, para A, por
exemplo:
A = { 3, 4, 5, 6, 7 }
x xi - {-2, -1, 0, 1, 2}
Medidas de Disperso
0 ) (
1 1 1
= =

= = =
x n x n x x x x
n
i
n
i
i
n
i
i
Inconveniente:
Uma opo para analisar os desvios das observaes :
considerar o total dos quadrados dos desvios.
( ) x x
i
i
= + + + + =
=
2
1
5
4 1 0 1 4 10
26
Estatstica Aplicada
Desvio Padro
.
( ) x x
n
i
i
n
2
1
Associando ao nmero de elementos da amostra (n), tem-se:
...que a Varincia ( Var(x))
S
2
=
S S =
2
...que o Desvio Padro (DP(x)), uma
medida que expressa na mesma unidade
dos dados originais
27
Estatstica Aplicada
Disperso: Frmulas Alternativas
( )
2
1
2
1
2
2
x
n
x
n
x x
n
i
i
n
i
i
=
=

= =
( )
S
x x
n
i
i
n
2
2
1
1
=
Varincia
Amostral
n-1 est
Relacionado a
um problema de
tendenciosidade
Varincia Populacional
(
2
ou
n
2
)
28
Estatstica Aplicada
Mdia = 3
Mdia = 3
Soma da
ltima coluna
= 10
Soma da
ltima coluna
= 10
Divide a Soma
por (n-1):
= Varincia = S
2
= 2,5
Divide a Soma
por (n-1):
= Varincia = S
2
= 2,5
X
=
Soma dos pontos de dados
Nmero dos pontos de dados
X
5
4
3
1
2
X
2
1
0
-2
-1
( )
X X
4
1
0
4
1
( )
X X
2
Raiz Qadrada
da Varincia
= Desv.Pa. = S
= 1,58
Raiz Qadrada
da Varincia
= Desv.Pa. = S
= 1,58
S S =
2
Calcular a Varincia e o Desvio Padro de X
S
2
Exemplo
Uma Regra
Prtica para
conjunto de dados
tpicos:
S=Amplitude/4
29
Estatstica Aplicada
Mdia da Populao
=
X
N
i
i
N
=
1
Mdia da Amostra
Desvio Padro da Populao
=
(X )
N
i
2
i=1
N
Desvio Padro da Amostra

x =
x
n
i
i=1
n
s =
(X )
n -1
i
2
i=1
N
X
Expresses para Mdia e Varincia
30
Estatstica Aplicada
25%
50%
75%
109
104
99
94
D
B
P
*
Outlier ( fora da distncia do Q3 + 1,5D )
Q3=75 Percentil
Observao Mxima
Q1=25 Percentil
Q2=Mediana (50 Percentil)
D=Q3-Q1
Interquartil
EDA (Exploratory Data
Analysis) e Mtodo dos
Cinco Nmeros
Outra Estratgia: Percentis e Boxplot
Boxplot desgastante quando feito sem computador pois
supe a ordenao de dados.
31
Estatstica Aplicada
Valor do meio
Quartis:
Q1=Quarta Observao Crescente=71.7
Q3=Quarta Observao Decrescente=150.6
Outliers: Q3+1.5D=150.6+1.5(150.6-71.7)=268.95
So outliers valores maiores que 268.95
Percentis e Boxplot
2.(n+1)/4
0
3.(n+1)/4
0
(n+1)/4
0
Para valores
no inteiros
dos quartis,
usa-se
interpolao
32
Estatstica Aplicada
Boxplot
Exerccio: Como conduzir uma anlise de questionrio
(com escala de Likert) usando Boxplot?
Perg1 Perg2 Perg3 Perg4 Perg5 Perg6
0
50
100
Perguntas
A
v
a
l
i
a
c
a
o
Entenda o procedimento de
empilhamento de colunas (Stack):
<Manip>
<Stack Columns>
Likert.mtw
Use: <Graph> <Boxplot>
Use a opo <Frame> <Multiple Graph>
33
Estatstica Aplicada
Escores padronizados (z)
z
x x
s
i
i
=
x
7.75 kg 72.9 kg B
6.38 kg 66.5 kg A
Desvio Padro Peso mdio Grupo
Ex.: Dois grupos de pessoas acusam os seguintes dados:
e 3 , 2
38 , 6
5 , 66 2 , 81
: em =
=
A
z A 95 , 1
75 , 7
9 , 72 88
: em =
=
B
z B
x
i
- considera o afastamento de x
i
em relao mdia.
A diviso por s torna s como unidade ou padro de medida.
Nesses grupos h duas
pessoas que pesam
respectivamente, 81.2 kg e
88.0 kg.
Logo, a pessoa de A revela um maior excesso relativo de peso.
34
Estatstica Aplicada
(z)
z
x
-3

-2

-

+

+2

+3
-3 -2 -1 0 1 2 3
Distribuio Normal
Reduzida ou Padronizada

=
x
z
) ; ( : N X
Z: N(0; 1)
Tal frmula est tabelada e
fornece valores acumulados
Qual o formato da
curva acumulada?
Distribuio Normal
N(0,1) a
distribuio
Benchmark
35
Estatstica Aplicada
Escores padronizados (z)
z
x x
s
i
i
=
Uma mulher deu luz um filho 308 dias aps a visita de seu
marido que serve na marinha dos EUA. Sabendo-se que uma
gravidez normal tem mdia de 268 dias e desvio-padro de 15
dias, determine se o tempo de gravidez da mulher pode ser
considerado comum.
O marido tem razo de preocupar-se?
36
Estatstica Aplicada
z
x x
s
i
i
=
Regra 68 -- 95 -- 99
Cerca de 68% dos valores esto a menos de 1 desvio padro a contar da mdia (-1 < z < 1)
Cerca de 95% dos valores esto a menos de 2 desvios padro a contar da mdia (-2 < z < 2)
Cerca de 99% dos valores esto a menos de 3 desvios padro a contar da mdia (-3 < z < 3)
Medidas de Disperso
Escore Padronizado (z)
4 3 2 1 0 -1 -2 -3 -4
40%
30%
20%
10%
0%
68%
95%
Nmero de Desvios Padro da Mdia
99.73%
37
Estatstica Aplicada
Coeficiente de Variao (cv)
cv
S
x
=
cv exprime a variabilidade em termos relativos. uma medida
adimensional e sua grande utilidade permitir a comparao
das variabilidades em diferentes conjuntos de dados.
Ex.: Testes de resistncia trao aplicados a dois tipos diferentes de ao:
Assim, apesar do Tipo I ser menos resistente, ele mais estvel, mais consistente. O
uso do coeficiente de variao pode ser pensado considerando a questo: Um desvio
padro de 10 se a mdia 10.000 bem diferente se a mdia 100!
17,25 147,00 Tipo II
2,0 27,45 Tipo I
s (kg/mm
2
) Mdia (kg/mm
2
)
cv
I
= =
2
27 45
7 29
,
, %
cv
II
= =
17 25
147
1173
,
, %
38
Estatstica Aplicada
Assimetria (Skewness)
Prximo de 0: Simtrico
Menor que 0: Assimtrico
Esquerda
Maior que 0: Assimtrico
Direita
Achatamento (Kurtosis)
Prximo de 0: Pico Normal
Menor que 0: Mais achatada
que o Normal (Uniforme)
Maior que 0: Menos achatada
que o normal (Afinada)
Skewness and Kurtosis
39
Estatstica Aplicada
Assimetria, Percentis e Boxplot
40
Estatstica Aplicada
Exerccio
Encontre todas as estatsticas descritivas para a
srie da tabela a seguir. Considere o caso no-agrupado
(Newbold et al., 2003 p.33).
254 70 58 39 32 21
250 70 58 39 30 20
88 64 53 38 25 15
82 63 48 37 25 15
80 58 41 35 24 13
74 58 40 34 23 10
41
Estatstica Aplicada
Ex.: Populao = X=Dimetro de determinada pea (em mm).
Dados brutos: { 168, 164, 164, 163, 165, 168, 165, 164, 168, 168 }
Rol: { 163, 164, 164, 164, 165, 165, 168, 168, 168, 168 }
Amplitude (H) = 168 - 163 = 5
1 10
1.0 10 0.4 4 168
0.6 6 0.2 2 165
0.4 4 0.3 3 164
0.1 1 0.1 1 163
F
i
Frequncia
Relativa
Acumulada)
N
i
(Frequncia
Absoluta
Acumulada)
f
i
(Frequncia
Relativa)
n
i
(Frequncia
Absoluta)
X
Distribuio de Freqncias
n n
i
K
1
=
f
n
n
i
i
=
f
i
i
K
=
=
1
1
F
N
n
i
i
=
42
Estatstica Aplicada
100 1 50
100 1.0 50 10 0.1 5 55
50 60
90 0.9 45 26 0.26 13 45
40 50
64 0.64 32 36 0.36 18 35
30 40
28 0.28 14 24 0.24 12 25
20 30
4 0.04 2 4 0.04 2 15
10 20
F%
(Percentual
Acum.)
F
i
(Relativa
Acum.)
N
i
(Absoluta
Acum.)
f%
(frequncia
percentual)
f
i
(frequncia
relativa)
n
i
(frequncia
absoluta)
x
i
(ponto
mdio)
x
(Varivel)
Classes (ou Categorias)
DISTRIBUIO DE FREQUNCIAS
43
Estatstica Aplicada
1820 50
275 5 55
50 60
585 13 45
40 50
630 18 35
30 40
300 12 25
20 30
30 2 15
10 20
(Xi).(ni) n
i
(frequncia
absoluta)
x
i
(ponto
mdio)
x
(Varivel)
Classes (ou Categorias)
EXEMPLO MDIA P/DADOS AGRUPADOS
4 , 36
50
1820
.
1
1
= =
= =
=
=
X
n
n x
X Mdia
n
i
i
n
i
i i
44
Estatstica Aplicada
Exemplo:
Clculo da mediana para a
seguinte Distribuio de
Frequncia
1846 1834
36%
1834
8%
. .
~
.
=
x
~
x
=1.837
Medidas de Posio
Mediana para Classes
45
Estatstica Aplicada
10
8
6
4
2
10 20 30 40 60
x
n
i
Construo da tabela de distribuio de
freqncias a partir do histograma de classes
desiguais.
Exerccio: Complete a tabela.
1
40 |-- 60
30 |-- 40
20 |-- 30
10 |-- 20
f
i
n
i
X
Histogramas
46
Estatstica Aplicada
Exerccio
93
93
93
92
91
90
113 101 95 89 78
109 101 94 87 78
90
90
89
86
106 100 85
105 100 81
103 100 79
108 101 94 74
Dados
Agrupados!
47
Estatstica Aplicada
Exerccio
92 79 75 71 67 65 61 58 50 42
88 77 74 70 66 64 61 58 50 37
86 77 74 70 66 64 61 57 50 35
85 76 73 70 66 64 60 55 48 34
85 76 73 69 66 63 60 54 48 33
83 75 71 68 66 63 60 54 47 23
81 75 71 67 66 62 60 53 45 15
81 75 71 67 65 62 60 51 45 10
Exerccio 2:
48
Estatstica Aplicada
3 7
Processo A
Processo B
Tempo Total (A+B)
?
= 3
s = 1
X = 7
s = 2
X
3 2 1
2.23 5 (2) (1) S S S
2 2 2
B
2
A B A
= +
= = + = + =
+
Correto;
Some as
varincias e
depois
obtenha o
Desvio
Padro
Incorreto;
Soma de Normais
49
Estatstica Aplicada
-10 -5
0 5
10 15
Linha A
Linha B
Diferena:
Linha A Linha B
?
= 3
s = 1
X
= 7
s = 2
X
4 - 7 - 3 X - X X
B A B A
= = =
1 2 1
2.23 5 (2) (1) S S S
2 2 2
B
2
A B A
=
= = + = + =
Correto
Incorreto
Diferena de Normais
50
Estatstica Aplicada
Representao Grfica:Ramo-e-folhas
x x x
x x x x x
Folhas x x Ramos
x
86 94 85 89 78 89 87 93 92 91 90
94 90 95 101 101 101 100 100 100 103 106
93 109 105 93 90 78 79 74 108 113 81
8 8 9 4 7
6 5 9 9 7 1 8
4 3 2 1 0 4 0 5 3 3 0 9
1 1 1 0 0 0 3 6 9 5 8 10
3 11
8 8 9 4 7
6 5 9 9 7 1 8
4 3 2 1 0 4 0 5 3 3 0 9
-
1 1 1 0 0 0 3 10
-
6 9 5 8 10
+
3 11
Ex.:
51
Estatstica Aplicada
Stem-and-Leaf Display: folha_ramo
Stem-and-leaf of Ramo N = 33
Leaf Unit = 1.0
1 7 4
4 7 889
5 8 1
10 8 56799
(10) 9 0001233344
13 9 5
12 10 0001113
5 10 5689
1 11 3
Obtendo o
seguinte Folha
e Ramo.
Compare os
resultados
fazendo um
Histograma.
O que
representa tal
coluna?
Coluna
folha_ramo
Ramo-e-folhas
52
Estatstica Aplicada
Exerccio no Minitab: Faa o grfico
abaixo a partir dos dados seguintes.
Plot
53
Estatstica Aplicada
Faa o grfico
bidimensional a partir
dos dados a seguir
<Marginal Plot>
54
Estatstica Aplicada
<Marginal Plot>
n Peso Altura n Peso Altura
1 66 135 11 70 125
2 71 170 12 68 116
3 70 157 13 69 145
4 70 130 14 69 150
5 75 185 15 63 112
6 61 140 16 68 125
7 66 120 17 74 190
8 68 130 18 69 170
9 68 138 19 70 155
10 63 121 20 72 215
55
Estatstica Aplicada
Os dados representam uma srie temporal
Tal grfico til para ver a estabilidade de
um processo.
Control Chart Melhor!
<Stat> <Quality Tools>
<Run Chart>
Column=Tempo na fila
Subgroup Size=1
Runchart
56
Estatstica Aplicada
Identifica Diversos tipos de variao
A anlise de efeitos similar em DOE
Permite identificar interaes
No o mesmo que Estatstica Multivariada
15 18 21
17,5
18,5
19,5
20,5
21,5
22,5
23,5
TipoMetal
F
o
r
a
0,5
1,0
2,0
TempoSinter
Use os
Dados a seguir
<Stat>
<Quality Tools>
<Multi-Vari>:
Response: Fora (y)
Factor1: TempoSinter (x1)
Factor2: TipoMetal (x2)
Multi-Vari
57
Estatstica Aplicada
Multi-Vari
x1 x2 y x1 x2 y x1 x2 y
0,5 15 23 1 15 22 2 15 18
0,5 15 20 1 15 20 2 15 18
0,5 15 21 1 15 19 2 15 16
0,5 18 22 1 18 24 2 18 21
0,5 18 19 1 18 25 2 18 23
0,5 18 20 1 18 22 2 18 20
0,5 21 19 1 21 20 2 21 20
0,5 21 18 1 21 19 2 21 22
0,5 21 21 1 21 22 2 21 24
Nvel 0,5 Nvel 1,0 Nvel 2,0
58
Estatstica Aplicada
2 - DISTRIBUIES DE PROBABILIDADE
59
Estatstica Aplicada
Motivao
O reconhecimento da importncia dos
processos estocsticos;
A considerao da Incerteza associada aos
eventos;
Exatido na modelagem matemtica;
Correta determinao da probabilidade de
ocorrncia dos fenmenos;
A otimizao de processos industriais e de
servios atravs de tcnicas de SIMULAO.
60
Estatstica Aplicada
DISTRIBUIES DE PROBABILIDADE
61
Estatstica Aplicada
( ) 0 x f
( ) 1 =

x f
( )
> =
b
a
a b dx x f b X a P ) ( ) (
Algumas Distribuies Contnuas:
Normal Uniforme Chi-square Fisher(F) Student(t)
Beta Cauchy Exponential Gamma Laplace Logistic Lognormal Weibull
f(x) => fdp
Funo densidade
de probabilidade
rea da curva unitria
Probabilidade est
associada a rea
Distribuies Contnuas de Probabilidade
62
Estatstica Aplicada
e) Mx f (x) ocorre em x =
f) Os pont os de inflexo so x =
g) E(X) =
h) Var(X) =
2

f(x)
x
+
a) f x dx ( )
= 1
b) f (x) 0
c) lim ( ) lim ( )
x x
f x f x

= = 0 0 e
d) f ( + x) = f ( - x)
( )
2
2 1
2
1
) (
(

x
e x f
Distribuio Normal
63
Estatstica Aplicada
(z)
z
x
-3

-2

-

+

+2

+3
-3 -2 -1 0 1 2 3
Distribuio Normal
Reduzida ou Padronizada

=
x
z
) ; ( : N X
Z: N(0; 1)
Tal frmula est tabelada e
fornece valores acumulados
Qual o formato da
curva acumulada?
Distribuio Normal
N(0,1) a
distribuio
Benchmark
64
Estatstica Aplicada
Distribuio Normal Padronizada
65
Estatstica Aplicada
Distribuio Normal Padronizada
66
Estatstica Aplicada
Distribuio Normal
Pouca Utilidade
Prtica
Retorna a probabilidade
Acumulada
Retorna a Varivel quando
dada a probabilidade
acumulada
Exemplo
X:N(100,5)
P(X<=95)=0,1587
67
Estatstica Aplicada
Use o programa
Statdisk
<Analysis>
<Probability
Distribution>
<Normal
Distribution>
Observe em <Options> os valores acumulados
Distribuio Normal
68
Estatstica Aplicada

1
1
T
T
LSE
LSE
p(d)
3
Used With Permission
6 Sigma Academy Inc. 1995
Distribuio Normal
) ; ( : N X
Se a dimenso de uma pea
segue uma distribuio Normal
X: N(80,3) qual a Probabiliade
de ter uma pea defeituosa de
acordo com a figura?
69
Estatstica Aplicada
Exerccio 1:
Em uma populao onde as medidas
tem Mdia 100 e Desvio Padro 5,
determine a probabilidade de se ter
uma medida:
a) Entre 100 e 115
b) Entre 100 e 90
c) Superior a 110
d) Inferior a 95
e) Inferior a 105
f) Superior a 97
g) Entre 105 e 112
h) Entre 89 e 93
i) 98
Dica:
Crie uma
coluna com
os valores
100 115...98
no Minitab
Crie uma
coluna com
os valores
0,74...0,05
no Minitab
Exerccio 2:
Em uma populao onde as medidas tem
Mdia 100 e Desvio Padro 5, determine
os valores k tais que se tenha a
probabilidade:
a) P(X>k)=0,26
b) P(X<k)=0,32
c) P(100-k<100<100+k)=0,47
d) P(x<100-k)+P(x>100+k)=5%
Distribuio Normal
Use: <Calc><Probability
Distribution><Normal>
70
Estatstica Aplicada
Probabilidades e Escores padronizados (z)

=
i
i
x
z
Exemplo 6.3 (Newbold et al., 2003)
Um cliente tem um portflio de investimentos cuja mdia US$
500.000 com desvio padro de US$ 15.000. Determine a
probabilidade de que o valor de seu portflio esteja entre US$
485.000 e US$ 530.000.
71
Estatstica Aplicada
Probabilidades e Escores padronizados (z)
Um grupo de estudantes obtm notas que so normalmente
distribudas com mdia 60 e desvio padro 15. Que proporo
dos estudantes obtiveram notas entre 85 e 95?
No caso da prova do exerccio anterior, determine a
nota acima da qual esto 10% dos melhores alunos
da classe.
72
Estatstica Aplicada
Probabilidades e Produo
Exerccio 6.12 (Newbold et al., 2003)
A demanda antecipada de consumo de um certo produto
representada por uma distribuio normal com mdia 1.200
unidades e desvio padro de 100.
a) Qual a probabilidade de que as vendas
excedam 1.000 unidades?
b) Qual a probabilidade de que as vendas
estejam entre 1.100 e 1300 unidades?
c) A probabilidade de se vender mais do que
k unidades de 10%. Determine k.
73
Estatstica Aplicada
Probabilidades e Investimentos
Um portflio de investimentos contm aes de um grande nmero
de empresas. Ao longo do ltimo ano as taxas de retorno das aes
dessas corporaes seguiram distribuio normal com mdia de
12,2% e desvio padro de 7,2%.
a) Para que proporo de empresas o
retorno foi maior que 20%?
b) Para que proporo de empresas o
retorno foi negativo?
c) Que proporo de empresas tiveram
retornos entre 5% e 15%?
74
Estatstica Aplicada
Probabilidades e Investimentos
Considere dois investimentos. Em ambos, a taxa de retorno segue
uma distribuio normal, com mdia e desvio padro conhecidos
conforme tabela a seguir. Deseja saber qual dos investimentos
mais provvel de produzir retornos de no mnimo 10%. Que
investimento deveria ser escolhido?
4,0 11,0 Investimento B
1,2 10,4 Investimento A
Desvio Mdia
75
Estatstica Aplicada
Distribuio Normal
Teste de Normalidade
Teste a Normalidade de
um conjunto de medies
de Diametros de
determinada pea.
Use: diametro.mtw
<Stat> <Basic statistics>
<Normality Test>
Use tambm a opo
Reference Probability
para obter o Percentil de
ordem 5 e de ordem 95
76
Estatstica Aplicada
3 3 Maneiras Maneiras de de Ver Ver se se Seus Seus Dados Dados esto esto Distribu Distribu dos dos Normalmente Normalmente
80 70 60 50 40 30 20 10 0
300
200
100
0
C3
F
r
e
q
u
e
n
c
y
Normal Probability Plots
130 120 110 100 90 80 70 60
300
200
100
0
C2
F
r
e
q
u
e
n
c
y
110 100 90 80 70 60 50 40 30 20
100
50
0
C1
F
r
e
q
u
e
n
c
y
106 96 86 76 66 56 46 36 26
.999
.99
.95
.80
.50
.20
.05
.01
.001
P
r
o
b
a
b
ilit
y
Normal
p-value: 0.328
A-Squared: 0.418
Anderson-Darling NormalityTest
Nof data: 500
Std Dev: 10
Average: 70
Normal Distribution
130 120 110 100 90 80 70 60
.999
.99
.95
.80
.50
.20
.05
.01
.001
P
r
o
b
a
b
ilit
y
Pos Skew
p-value: 0.000
A-Squared: 46.447
Nof data: 500
Std Dev: 10
Average: 70
Positive Skewed Distribution
80 70 60 50 40 30 20 10 0
.999
.99
.95
.80
.50
.20
.05
.01
.001
P
r
o
b
a
b
ilit
y
Neg Skew
p-value: 0.000
A-Squared: 43.953
Nof data: 500
Std Dev: 10
Average: 70
Negative Skewed Distribution
Used With Permission
AlliedSignal 1995 -
Dr. Steve Zinkgraf
Se o Teste de
Normalidade
mostrar um
"valor-P"
Menor que
0,05, ento os
dados NO
ESTO bem
representados
por uma
distribuio
normal
Se o Teste de
Normalidade
mostrar um
"valor-P"
Menor que
0,05, ento os
dados NO
ESTO bem
representados
por uma
distribuio
normal
Distribuio Normal
77
Estatstica Aplicada
Distribuio Uniforme
F(x)
a b
( )
+

= = dx x xf X E ) (
( ) ( )
( )
12
1
2
) (
2
2
2
2
a b
dx
a b
b a
x dx x f x X Var

=
|
\
|
\
|
+
= = =

+

+

1 ) ( ) ( .
1
= = =
=
x f a b h b A
A
( )
2
1 b a
dx
a b
x X E
b
a
+
=
= =
( ) ( )
+

= = dx x f x X Var ) (
2
2

) (
1
) (
a b
x f
=
78
Estatstica Aplicada
x
F
(
x
)
140 120 100 80 60 40 20 0
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0
0
Funo Exponencial
Distribuio Exponencial
( ) ( )
2
0
2
2
2
1 1
) (

=
(
\
|
= = =

+
+

dx e x dx x f x X Var
x
( )

1
0
= = =
dx e x X E
x
( )
i
x
e x f

= .
79
Estatstica Aplicada
X-Data
Y
-
D
a
t
a
10 8 6 4 2 0
1,0
0,8
0,6
0,4
0,2
0,0
0
0
Variable
C7 * Weibull 1 1
C8 * Weibull 3,4 2
C9 * Weibull 4,5 6.2
Weibull
Distribuio Weibull
( )
\
|
\
|
=
x
e
x
x f
1
80
Estatstica Aplicada
Distribuio Weibull
( )
\
|
\
|
=
x
e
x
x f
1
A distribuio de Weibull usada para modelar
o tempo at que uma falha ocorra (MTTF
Mean Time to Failure).
Neste modelo, o nmero de falhas funo do
tempo (desgaste).
Shape
Scale
81
Estatstica Aplicada
Distribuio Weibull
Algumas definies:
( ) ( )
=
|
\
|
=
2
1
! 1 n n
( ) ( )
2 2
1
2
1
! 1 1
2
1
2
3
=
|
\
|
= = = + =
|
\
|
+ =
|
\
|
n n n n
( )
2
2 2 2
1
2
1
2
1
1
1
(
|
|
\
|
+
|
|
\
|
+ =
|
|
\
|
+ =
|
\
|
=
|
\
|

x
e
x
x f
82
Estatstica Aplicada
X-Data
Y
-
D
a
t
a
30 25 20 15 10 5 0
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0
0
Variable
C4 * C1
C5 * C2
C6 * C3
Treshold
Distribuio Lognormal
Usada em modelagem de estoques e tamanho de partculas.
( )
( )

2
, , ln
2
2
2
ln
2
x
e
x f
x
=
83
Estatstica Aplicada
X-Data
Y
-
D
a
t
a
25 20 15 10 5 0 -5 -10
0,25
0,20
0,15
0,10
0,05
0,00
0
0
Variable
C3 * C1
C4 * C2
Logstica
Distribuio Logstica
Usada em modelagem de variveis binrias.
( )
( )
( )
[ ]
2
1
b a x
b
a x
e b
e
x f

+
=
84
Estatstica Aplicada
Distribuio Uniforme
Exemplo
A espessura de um componente uma varivel aleatria
uniformemente distribuda entre os valores 0,95 a 1,05 cm.
a) Determine a proporo de componentes
que excedem a espessura de 1,02 cm.
b) Qual o valor de espessura que excedida
por 90% dos componentes?
c) Qual o valor da espessura abaixo da qual
esto 75% dos componentes?
85
Estatstica Aplicada
Distribuio Uniforme
Exemplo
Suponha que uma varivel aleatria seja uniformemente distribuda
no intervalo [1.5; 5.5].
a) Determine a probabilidade de x ser menor
que 2,5.
b) Qual a probabilidade de x ser maior que
3,5?
c) Determine o valor de k, de modo que a
probabilidade de x ser maior que k seja de
40%
86
Estatstica Aplicada
Exemplo
Considere o seguinte conjunto de dados: [26, 22, 21, 19, 8, 4].
Ajustando estes dados por distribuio exponencial, determine:
a) A probabilidade de uma v.a. x ser menor
que 10.
b) A probabilidade de uma v.a. x ser menor
que 5.
c) P(5< x < 10).
87
Estatstica Aplicada
Exerccio 5.70 (Montgomery e Runger, 2003)
Suponha que X tem uma distribuio exponencial com mdia igual
a 10. Determine:
a) A probabilidade de uma v.a. x ser maior
que 10.
b) A probabilidade de uma v.a. x ser menor
que 20.
c) Encontre k tal que P(X<k)=0,95
88
Estatstica Aplicada
O tempo entre as chamadas telefnicas para uma loja de
suprimentos distribudo exponencialmente com um tempo mdio
de 15 minutos entre as chamadas. Determine:
a) A probabilidade de no haver chamadas por um
perodo de 30 minutos. (Resp.13,5%)
b) A probabilidade de que uma chamada chegue dentro
do intervalo de no mnimo 10 minutos. (51,3%)
c) A probabilidade de que a primeira chamada chegue
entre 5 e 10 minutos. (20,3%)
d) O intervalo de tempo, tal que exista uma
probabilidade de 90% de haver no mnimo uma
chamada no intervalo. (34,5 min)
89
Estatstica Aplicada
O tempo entre as chegadas de nibus a uma estao rodoviria
distribudo exponencialmente, com mdia 10 min. Determine:
a) x, tal que a probabilidade de vc esperar mais
de x minutos seja de 10%. (Resp. 23,03)
b) x, tal que a probabilidade de vc esperar menos
c) x, tal que a probabilidade de vc esperar menos
90
Estatstica Aplicada
Distribuio Weibull
Exemplo 5.25 (Montgomery e Runger, 2003)
O tempo de falha (em horas) de um mancal de rolamentos em um
eixo mecnico modelado segundo uma distribuio de Weibull,
com beta=0,5 e delta=5.000 horas. Determine:
a) O tempo mdio at falhar. (10.000 h)
b) A probabilidade de um mancal durar
no mnimo 6.000 horas. (0,335)
Confiabilidade
( ) ( )
=
|
\
|
=
2
1
! 1 n n
|
|
\
|
+ =

1
1
91
Estatstica Aplicada
Distribuio Weibull
Suponha que a vida de um disco magntico de armazenamento,
exposto a gases corrosivos, tenha uma distribuio de Weibull com
beta=0,5 e com vida mdia igual 600 horas . Determine:
a) A probabilidade de um disco durar no
mnimo 500 horas.(27,5%)
b) A probabilidade do disco falhar antes
de 400 horas. (68,5%)
92
Estatstica Aplicada
( ) 0
i
x f
( ) 1
1
=
=
n
i
i
x f
( ) ( )
i i
x f x X P = =
Algumas Distribuies
Discretas
A Distribuio Binomial
A Distribuio de Poisson
A Distribuio Geomtrica
A Distribuio de Pascal
A Distribuio Multinomial
A Distribuio Hipergeomtrica
A soma das
frequncias
unitria
A probabilidade
a frequncia
Distribuio Discretas de Probabilidade
93
Estatstica Aplicada
Use o programa
Statdisk
<Analysis>
<Probability
Distribution>
<Binomial
Distribution>
Distribuio Binomial
94
Estatstica Aplicada
Ex.: A probabilidade de um teste Burn in / Burn out
queimar um componente eletrnico 0,2 (p). Colocando-se
trs (n) componentes sob teste, qual a probabilidade de que
pelo menos dois deles (x) se queime?
E(X) = np e Var (X) = npq
( )
( )
valores outros para

0
,... 2 , 1 , 0 ) 1 (
! !
!
=
=
|
|
\
|
= =

n x p p
x n x
n
x X P
x n x
Distribuio Binomial
95
Estatstica Aplicada
E = {QQQ, QQN, QNQ, NQQ, NNQ, NQN, QNN, NNN}
onde Q e N representam a queima ou no do componente
x
0
1
2
3
P(x)
P{NNN} = P(X = 0) = q
3
= (0.8)
3
P{NNQ} + P{NQN} + P{QNN} = P(X = 1) = 3pq
2
= 3(0.2)(0.8)
2
P{QQN} + P{QNQ} + P{NQQ} = P(X = 2) = 3p
2
q = 3(0.2)
2
(0.8)
P{QQQ} = P(X = 3) = p
3
= (0.2)
3
P(X 2) = P(X=2) + P(X= 3) = 3p
2
q + p
3
= 0.104 = 10,4%
X: Nmero de Queimas Q
Distribuio Binomial
96
Estatstica Aplicada
Exerccio:
Suponha que uma vlvula eletrnica, instalada em determinado
circuito, tenha probabilidade 0.2 de funcionar durante o tempo de
garantia. So ensaiadas 20 vlvulas.
a) Qual a probabilidade de que delas, exatamente k,
funcionem durante o tempo de garantia (k = 0, 1, 2, ...
20)?
b) Qual a probabilidade de que 4 funcionem durante o
tempo de garantia?
c) Qual o nmero mdio e o desvio padro de vlvulas que
iro funcionar durante o tempo de garantia?
X Nmero de vlvulas que funcionam durante o tempo de garantia.
p = 0.2
X = 0, 1, 2, ... 20
Distribuio Binomial
97
Estatstica Aplicada
P(X = x)
x
0 1 2 3 4 5 6 7 8 9 18
com mdia E(x) = np =
20.(0.2) = 4
e desvio padro npq
=
1788 .
( ) ( )
k k
k
k X P

|
|
\
|
20
8 . 0 2 . 0
20
= ) = (
E(X) = np e
Var (X) = npq
( )
valores outros para 0
, 2 , 1 , 0 ) 1 (
=
=
|
|
\
|
= =

n x p p
x
n
x X P
x n x
L
Distribuio Binomial
98
Estatstica Aplicada
Exerccio: Complete a tabela referente a Distribuio Binomial a seguir:
P(X>k)
3 0,7 12
12 0,8 20
63 0,6 100
4 0,5 8
2 0,2 4
E(x) P(X<k) F(k) P(X=k) k p n
Distribuio Binomial
99
Estatstica Aplicada
0,2386
0,9679
0,9983
0,3633
0,0272
P(X>k)
8,4 0,0002 0,0015 0,0015 3 0,7 12
16 0,0099 0,0222 0,0222 12 0,8 20
60 0,6932 0,0682 0,0682 63 0,6 100
4 0,0899 0,2734 0,2734 4 0,5 8
0,8 0,8192 0,1536 0,1536 2 0,2 4
E(x) P(X<k) F(k) P(X=k) k p n
Distribuio Binomial
100
Estatstica Aplicada
Ex.: Em uma experincia de laboratrio passam, em mdia, por
um contador, quatro partculas radioativas por milissegundo.
Qual a probabilidade de entrarem no contador seis partculas em
determinado milissegundo?
Utilizando a distribuio de Poisson com = 4, ento:
1042 . 0
! 6
4
) 6 (
6 4
= = =
e
X P
np np
X
k
e
k X P
k
= = = =
= = =

2, 1, , L 0
!
) (
Distribuio de Poisson
No Minitab use: <Calc> <Probability Distribution> <Poisson>
101
Estatstica Aplicada
Use o programa
Statdisk
<Analysis>
<Probability
Distribution>
<Poisson
Distribution>
102
Estatstica Aplicada
Exerccio: Complete a tabela referente Distribuio Poisson:
F(k)
3 12
12 20
63 100
4 8
2 4
P(X<k) P(X>k) P(X=k) k Mdia
103
Estatstica Aplicada
Ex.: Chegam, em mdia, 10 navios-
tanque por dia a um movimentado
porto, que tem capacidade para 15
desses navios. Qual a probabilidade
de que, em determinado dia, um ou
mais navios tanque tenham de ficar ao
largo, aguardando vaga?
Temos aqui que, para = 10:
0487 . 0 9513 . 0 1 ) 15 ( 1 ) 15 ( = = = > X P X P
104
Estatstica Aplicada
Ex.: Uma central telefnica recebe em mdia
300 chamadas por hora e pode processar no
mximo 10 ligaes por minuto. Estimar a
probabilidade de a capacidade da mesa ser
ultrapassada.
Temos agora:
= 300/60 = 5 chamadas/minuto em mdia
% 4 , 1 014 . 0 986 . 0 1 ) 10 ( 1 ) 10 ( = = = = > X P X P
105
Estatstica Aplicada
Aproximao da Distribuio Binomial
P X k
n
k
p p
k n k
( ) ( ) = =
|
\
|

1
!
) ( lim
k
e
k X P
k
n

= =
Seja X uma v.a. distribuda binomialmente com parmetro p
(baseado em n repeties de um experimento). Isto ,
Admita-se que quando n , p 0 e np .
Nessas condies possvel demonstrar uma importante considerao:
106
Estatstica Aplicada
Ex.: A probabilidade de um indivduo ter reao negativa a certa
injeo de 0,001. Determinar a probabilidade de que de 2.000
indivduos injetados, exatamente 3 tenham reao negativa.
Usando a distribuio binomial com n = 2.000 e p = 0.001 temos:
1997 3
) 999 . 0 ( ) 001 . 0 (
3
2000
) 3 (
|
|
\
|
= = X P
O clculo desses nmeros d origem a considervel dificuldade. Pela
aproximao de Poisson temos:
1804 . 0
! 3
2
) 3 (
3 2
= = =
e
X P
2 ) 001 . 0 )( 2000 ( = = = np
107
Estatstica Aplicada
Ex.: Consideremos um experimento binomial com n = 200, p = 0.04
em que se pede a probabilidade de, no mximo, 5 sucessos.
k k
k
k
X P

=
|
|
\
|
=
5
5
0
) 96 . 0 ( ) 04 . 0 (
200
) 5 (
= np = (200) (0.04) = 8
P(X 5) = 0.1912 Obtido de Tabela (ou micro)
O clculo direto impraticvel, usando a Distribuio Binomial
108
Estatstica Aplicada
Ex.: A probabilidade de um indivduo ter reao negativa a certa
injeo de 0,001. Determinar a probabilidade de que de 2.000
indivduos injetados, mais de quatro tenham reao negativa.
( ) ( ) ( ) ( ) ( ) ( )
0526 . 0 1 2
2
4
6
8
24
16
1
! 0
2
! 1
2
! 3
2
! 4
2
1
] 0 1 2 3 4 [ 1 4
2
0 2 2 3 2 4 2
=
(
+ + + + =
(
+ + + =
= + = + = + = + = = >

e
e e e e
X P X P X P X P X P X P
2 ) 001 . 0 )( 2000 ( = = = np
Estatstica Aplicada
3 - Estimao de Parmetros
110
Estatstica Aplicada
Idia Central:
Criar e avaliar intervalos de Confiana
para dados amostrais.
Tpicos abordados:
Inferncia Estatstica
O Teorema Central do Limite
Intervalos de Confiana
A Distribuio t de Student.
Estima
Estima
o de Parmetros
o de Parmetros
111
Estatstica Aplicada
Populao
Amostragem
Estimao de parmetros
e escolha da Distribuio
Clculo de Probabilidades
(Usando a Distribuio acima)
Inferncia
Estatstica
Informao para
tomada de deciso
Ex.: Para a
distribuio
normal os
parmetros so
e
2
.
Os termos
populao e
distribuio so
equivalentes.
Estimao de
Parmetros -
Noes
112
Estatstica Aplicada
Nomenclatura
113
Estatstica Aplicada
Mdia da Populao
=
X
N
i
i
N
=
1
Mdia da Amostra
Desvio Padro da Populao
=
(X )
N
i
2
i=1
N
Desvio Padro da Amostra

x =
x
n
i
i=1
n
s =
(X )
n -1
i
2
i=1
N
X
Expresses para Mdia e Varincia
114
Estatstica Aplicada
Para uma populao no normal com mdia e
desvio padro , a distribuio da mdia
amostral para amostras de tamanho n
suficientemente grande aproximadamente
normal com mdia e desvio padro ,
isto :
~ N : (0,1)
X
n
n
X

=
Ou seja:
Se X:(, ) ento a distribuio amostral de N(:(, )
X
n
O Teorema Central do Limite
115
Estatstica Aplicada
Para uma populao normal com mdia e
desvio padro , a distribuio da mdia amostral
para amostras de tamanho n suficientemente grande
aproximadamente normal com mdia e desvio
padro , isto :
~ N : (0,1)
X
n
n
X

=
Ou seja:
Se X:N(, ) ento a mdia amostral de N:(, )
X
n
TCL
n
Erro Padro = Standard Error=SE=
116
Estatstica Aplicada
Exemplo
A planilha ao lado representa 20 medidas da
espessura da parede Top Wall, em polegadas,
aps o processo Bodymaker de fabricao de
latas.
1) Esse processo pode ser considerado Normal?
2) Quais as estimativas pontuais da Mdia e do
Desvio Padro das espessuras?
3) Qual o intervalo de 95% de Confiana para a
Mdia e o Desvio Padro?
Body_Top_Wall_20.MTW
Inferncia Estatstica
117
Estatstica Aplicada
Graphical Summary
118
Estatstica Aplicada
Exemplo
Ainda com respeito ao exemplo anterior onde se
tinha 20 medidas da espessura da parede Top
Wall, em polegadas, aps o processo
Bodymaker.
1) Qual a probabilidade de se obter uma
espessura de 0,0063?
espessura maior que 0,0067?
espessura mdia maior que 0,0067 em 9
medidas?
Body_Top_Wall_20.MTW
TCL - Exemplo
119
Estatstica Aplicada
% . . . ) . ( 5 0 005 0 995 0 1 0067 0 = = = > X P
1) P(X = 0.0063)=0 (Probabilidade est relacionado a rea!)
2) P(X > 0.0067)
TCL Exemplo - Respostas
Suposies:
1) Normalidade
2) Desvio Padro
da Amostra
igual ao da
Populao
120
Estatstica Aplicada
9
000201 0
00618 0 0067 0
0067 0
.
. .
e .

=
= =
n
X
z X
0 0067 0 > ) . ( X P
3) P( > 0.0067) X
TCL Exemplo - Respostas
Mean
Standard Deviation=Erro Padro
Input
Constant
Usando o
TCL
121
Estatstica Aplicada
z
X
-1.96 0 1.96
0.025 0.025
0.95
Consideremos uma populao normal com mdia , desvio padro e uma
amostra dessa populao.
n
u X
~ N : (0,1)
Pelos resultados do Teorema do
Limite Central
Fixando em 0.05,
ou seja, 1- =0.95,
95 . 0 ) 96 . 1 96 . 1 ( = < < Z P
%) 95 : ( IC = ... para Sigma conhecido
122
Estatstica Aplicada
Populao normal com mdia e desvio padro
n
u X
~ N : (0,1)
Pelos resultados do TLC:
: Nvel de significncia
1- : Nvel de confiana
95 . 0 ) 96 . 1 96 . 1 ( = < < Z P
95 . 0 96 . 1 96 . 1 =
(
<
<
n
X
P
[ ] 95 . 0 ) ( 96 . 1 ) ( 96 . 1 = + < < n X n X P
[ ] ( ) ( ) [ ] n X n X 96 . 1 ; 96 . 1
1 0
+ = %) 95 : ( IC =
Confiana e Significncia
Ufa!
123
Estatstica Aplicada
Ela no significa que a

probabilidade do parmetro
cair dentro de um intervalo
especificado seja igual a 0.95.
sendo o parmetro, est ou no,
dentro do intervalo
0.95 a probabilidade de que um
intervalo aleatrio contenha .
[ ] 95 . 0 ) ( 96 . 1 ) ( 96 . 1 = + < < n X n X P
IC - Interpretao
124
Estatstica Aplicada
Uma amostra da Resistncia ao Estufamento das latas
para a inspeo final em um processo de fabricao de
latas dada na planilha ao lado. Tal resistncia obedece
a uma distribuio normal com desvio padro de 1 psi .
1) Qual a limitao desse tipo de problema?
2) Qual o intervalo de 95% de confiana para a
Resistncia Mdia?
Resistncia.MTW
IC - Exemplo
125
Estatstica Aplicada
1) Qual a limitao desse tipo de problema?
Dificilmente se
conhece a varincia
de uma populao
quando sua mdia
desconhecida!
Nesse Problema o Desvio
Padro foi dado. Isso no
comum!
IC Resposta - Limitaes
126
Estatstica Aplicada
2) Qual o intervalo de 95% de confiana para a Resistncia Mdia.
( ) ( ) ( ) [ ] n Z X n Z X IC
2 2
100 1 + = ; ) ( :
= 5%
96 . 1
2
=
Z
= 1%
Z
2
2 58 = .
Por que os valores da Graphical Summary gerados pelo Minitab
diferem ligeiramente do intervalo acima calculado?
( ) [ ] 616 . 91 ; 604 . 90 % 95 : = IC
Substituindo os valores da mdia e do Desvio Padro na
expresso tem-se:
IC Resposta - Limitaes
127
Estatstica Aplicada
IC Exemplo
Como so feitos
tais clculos?
128
Estatstica Aplicada
- t
/2
0 t
/2
/2 /2
1-
t
( ) ( ) [ ] n S t X n S t X IC
2 2
; ) 100 ) 1 ( : (

+ =
n S
X
t
) (
=

=
=
n
i
i
X X
n
S
1
2 2
) (
1
1
%) 95 : ( IC = ... para Sigma Desconhecido
129
Estatstica Aplicada
(Distribuio t de Student)
n S
X
t
) (
=

=
=
n
i
i
X X
n
S
1
2 2
) (
1
1
Distribuio t de
Student, com v
graus de liberdade
v = n - 1
Tal distribuio
usualmente tabelada para
alguns valores de v e
Normal
h
v
(t)
t
130
Estatstica Aplicada
A especificao da Largura da Flange das latas para a
inspeo final definida como 0.082+/- 0.010 e
obedece a uma distribuio normal. As medidas da
Largura da Flange para uma determinada linha/turno
esto dadas na planilha.
a) Qual o intervalo de 90% de confiana para a
Resistncia Mdia? Defina para esse caso o Grau de
Liberdade e o Nvel de significncia?
b) Qual a diferena bsica em relao ao exemplo
anterior?
c) As medidas esto dentro das especificaes?
Flange15.MTW
Outro Exemplo
131
Estatstica Aplicada
Obtido em
funo do
Desvio
Padro
amostral
Student t
Exemplo: IC
132
Estatstica Aplicada
b) Qual a diferena bsica em relao ao exemplo anterior da
Resistncia?
Esse problema
bastante real.
Usualmente no se
tem o Desvio Padro
populacional. A
Estatstica t de
Student visa corrigir
essa distoro.
Exemplo: Situao real
133
Estatstica Aplicada
c) As medidas esto dentro das especificaes?
Exemplo: Process Report
Capabilidade
uma medida
fundamental
em 6 Sigma
134
Estatstica Aplicada
0 5 10 15
0,070
0,078
0,086
0,094
Individual and MR Chart
Obser.
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
Mean=0,08352
UCL=0,09349
LCL=0,07356
0,000
0,004
0,008
0,012
M
o
v
.
R
a
n
g
e
R=0,003748
UCL=0,01224
LCL=0
0 5 10 15
Last 15 Observations
0,080
0,084
0,088
0,092
Observation Number
V
a
l
u
e
s
0,072 0,092
Capability Plot
Process Tolerance
I I I
I I I
I I
Specifications
Within
Overall
0,080 0,085 0,090
Normal Prob Plot
0,080 0,085 0,090
Capability Histogram
Within
StDev:
Cp:
Cpk:
0,0033223
1,00
0,85
Overall
StDev:
Pp:
Ppk:
0,0035078
0,95
0,81
Process Capability Sixpack for Largura Flan
O processo
apresenta um Ppk
razovel (o ideal
1.5) mas que
pode ser
melhorado em
um projeto 6
Sigma!
Exemplo: Capabilidade
Estatstica Aplicada
4 TESTES DE HIPTESE
136
Estatstica Aplicada
Idia Central:
Estudar os experimentos
envolvendo Teste de Hipteses
para um e dois tratamentos.
Tpicos abordados:
Teste de Hipteses
Experimentos
Experimentos
Comparativos Simples
Comparativos Simples
137
Estatstica Aplicada
Exemplos:
Duas linhas de produo supostamente
idnticas esto apresentando resultados
diferentes. Como confirmar isso?
A variabilidade de um processo maior
que outro. Temos certeza?
Os dados esto normalmente
distribudos?
Como saber estatisticamente se dois
funcionrios tem o mesmo desempenho?
138
Estatstica Aplicada
Um produto original identificado pelo seu peso (em
libras) e reconhecidamente segue uma distribuio
normal N(50; 0.8).
Do mesmo modo, produtos falsificados tem pesos
significativamente maiores que 50 lb, seguindo
distribuio tambm normal N(52, 0.8).
Uma amostra aleatria revelou
um peso mdio de 51,3 lb.
Baseado nesta amostra a que
concluses se pode chegar?
Deciso Estatstica
139
Estatstica Aplicada
Qual a probabilidade de que (em funo da amostra)
um produto original seja classificado como Falso? ()
Qual a probabilidade de que o produto original seja
corretamente identificado? (1- )
Qual a probabilidade de que um produto falsificado seja
classificado como original? ()
Qual a probabilidade de se detectar produtos
falsificados neste caso? (1- )
140
Estatstica Aplicada
54 53 52 51 50 49 48
100
80
60
40
20
0
50 52
141
Estatstica Aplicada
54 53 52 51 50 49 48
100
80
60
40
20
0
51,3 50 52
142
Estatstica Aplicada
54 53 52 51 50 49 48
100
80
60
40
20
0
51,3 50 52
5%
Erro Tipo 1
(Alfa)
143
Estatstica Aplicada
54 53 52 51 50 49 48
100
80
60
40
20
0
51,3 50 52
5%
19%
Erro Tipo 1
(Alfa)
Erro Tipo 2
(Beta)
144
Estatstica Aplicada
54 53 52 51 50 49 48
100
80
60
40
20
0
51,3 50 52
5%
19%
Erro Tipo 1
(Alfa)
Erro Tipo 2
(Beta)
CONFIANA
(1-Alfa)
145
Estatstica Aplicada
54 53 52 51 50 49 48
100
80
60
40
20
0
51,3 50 52
5%
19%
Erro Tipo 1
(Alfa)
Erro Tipo 2
(Beta)
POWER
(1-Beta)
CONFIANA
(1-Alfa)
REALIDADE
H
0
verdadeira H
0
falsa
aceitar
H
0
deciso correta
1 -
erro tipo II
DECISO
rejeitar
H
0
erro tipo I
deciso correta
1 -
146
Estatstica Aplicada
Na afirmao: Uma pessoa considerada
inocente at que se prove o contrrio pois um erro
maior condenar um inocente do que libertar um
culpado., defina:
Erros Tipo I e Tipo II
Hipteses Nula e Alternativa
H
0
: o ru inocente (hiptese fundamental)
H
1
: o ru culpado (hiptese alternativa)
147
Estatstica Aplicada
Os erros de julgamento poderiam
ser : condenar um ru inocente ou,
ento, absolver um ru culpado.
REALIDADE
H
0
verdadeira H
0
falsa
aceitar
H
0
deciso correta
1 -
erro tipo II
DECISO
rejeitar
H
0
erro tipo I
deciso correta
1 -
Hipteses e Erros
148
Estatstica Aplicada
ERRO DO TIPO I
Rejeitar Ho sendo Ho verdadeira
P(Erro I) = P(rejeitar Ho|Ho verdadeira) =
ERRO DO TIPO II
No rejeitar Ho sendo Ho falsa
P(Erro II) = P(no rejeitar Ho|Ho
falsa) =
Tipos de Erros
149
Estatstica Aplicada
No Minitab: Anlise do P-value !
1) Definir as hipteses;
2) Escolher a estatstica de teste adequada;
3) Escolher e estabelecer a Regio Crtica (RC);
4) Com base em uma amostra de tamanho n, extrada da
populao, calcular ;
5) Rejeitar Ho caso RC. No rejeitar Ho em caso
contrrio.
Construo de T.H.
150
Estatstica Aplicada
Testes de Hipteses Estatsticas
Os testes de hipteses em Estatstica podem ser
empregados para avaliar ou comparar:
mdias;
varincias (ou desvios-padro);
propores;
distribuies de probabilidade e correlao.
Estas anlises podem se do tipo igual, menor
que ou, ainda, maior que.
Testes Paramtricos
151
Estatstica Aplicada
Para avaliar mdias, empregam-se dois
diferentes tipos de testes: z ou t.
o teste z empregado somente se o desvio-
padro da populao (s) conhecido (caso
pouco provvel);
o teste t utilizado nas demais
circunstncias e, por isso, este que ser
visto no curso.
TH p/ Mdia
152
Estatstica Aplicada
0 1
0 0
: H
: H
<

0 1
0 0
: H
: H
>

0 1
0 0
: H
: H

=
Teste de Hiptese para Mdias Uma amostra
T.U.E
Bilateral
T.U.D
n
X
Z
/
0
0

=
n S
X
T
/
0

=
Teste Z: Teste T:
1Z e 1t
153
Estatstica Aplicada
Ex. 9.1: (Newbold et al., 2003)
The production manager of a company has asked
you to evaluate a proposed new procedure for
producing its double-hung windows. The present
process has a mean production of 80 units per
hour with a population standard deviation of 8
units. The manager indicates that she does not
want to change to a new procedure unless there is
strong evidence that the mean production level is
higher with the new process.
A random sample of 25 units revealed the sample mean was 83. Based
on this sample, is there strong evidence to support the conclusion that
the new process resulted in higher productivity?
154
Estatstica Aplicada
Ex. 9.1: (Newbold et al., 2003)
n
X
Z
>
80 :
80 :
1
0
H
H
155
Estatstica Aplicada
P-Value a rea ou
probabilidade que fica
acima (ou abaixo) do
valor obtido
experimentalmente.
Quanto menor o P-
Value, menor ser
a chance de se
cometer um erro do
tipo 1!
P-Value = P(1-)
P-Value
156
Estatstica Aplicada
Alfa
Pvalue= [1- F(z)]
157
Estatstica Aplicada
Teste Unilateral Esquerdo
Teste Unilateral Direito
Teste Bilateral
/2
A1 A2
A1
A2
A2
A1
P-Value = A1Aceita-se Ho
P-Value = A2Rejeita-se Ho
P-Value = A1Aceita-se Ho
P-Value = A2Rejeita-se Ho
P-Value = A1+A2
Unilateral e Bilateral
Pv= 2[1- F(z)]
Pv= F(z)
158
Estatstica Aplicada
Exemplo 9.3: (Newbold et al., 2003)
A manufacturing process involves drilling holes
whose diameters are normally distributed with
population mean of 2 inches and population
standard deviation 0.06 inches. A random sample
of 9 measurements had a sample mean of 1.95
inches. Use a significance level of 5% to
determine if the observed sample mean is unusual
and suggests that the drilling machine should be
adjusted.
n
X
Z
=
2 :
2 :
1
0
H
H
159
Estatstica Aplicada
Question 1:
A company which receives shipments of batteries
tests a random sample of nine of them before
agreeing to take a shipment. The company is
concerned that the true mean lifetime for all
batteries in the shipment should be at least 50
hours. From past experience, it is safe to conclude
that the population distribution of lifetimes is
normal, with standard deviation of 3 hours. For
one particular shipment, the mean lifetime for a
sample of nine batteries was 48.2 hours. Test at
5% level the null hypothesis that the population
mean lifetime is at least 50 hours.
EXERCCIOS
160
Estatstica Aplicada
Question 2:
An engineering research center claims that through the use of a
new computer control system, automobiles should achieve on
average an additional 3 miles per gallon of gas. A random sample
of 100 automobiles was used to evaluate this product. The sample
mean increase in miles per gallon achieved was 2.4 and the
sample standard deviation was 1.8 miles per gallon.
EXERCCIOS
Test the hypothesis that the population
mean is at least 3 miles per gallon using
5% significance level. Find the P-value of
this test, and interpret your findings.
161
Estatstica Aplicada
Question 3:
A beer distributor claims that a new
display, featuring a life-size picture of a
well-known rock singer, will increase
product sales in supermarkets by an
average of 50 cases in a week. For a
random sample of 20 liquor weekly sales,
the average sales increase was 41.3
cases and the sample standard deviation
was 12.2 cases. Test at the 5% level the
hypothesis that the population mean sales
increase is at least 50 cases.
EXERCCIOS
162
Estatstica Aplicada
Question 4:
In contract negotiations, a company claims that a
new incentive scheme has resulted in
average weekly earning of at least $400 for all
customer service workers. A union
representative takes a random sample of 15
workers and finds that their weekly earnings
have an average of $381.25 and a standard
deviation of $48.60. Assume a normal
distribution.
a) Test the companys claim;
b) If the same sample results had been obtained
from a random sample of 50 employees,
could the companys claim be rejected at a
lower significance level than in part (a)?
EXERCCIOS
163
Estatstica Aplicada
Question 5:
A bearing used in an automotive application is supposed to have a
nominal inside diameter of 1.5 inches. A random sample of 25 bearings
is selected and the average inside diameter of these bearing is 1.4975
inches. Bearing diameter is known to be normally distributed with
standard deviation 0.01 inch. Test the null hypothesis using a two-sided
approach and considering.
EXERCCIOS
164
Estatstica Aplicada
Question 6:
A process that produces bottles of
shampoo, when operating correctly,
produces bottles whose contents
weigh, on average, 20 ounces. A
random sample of nine bottles from a
single production run yielded the
following content weights (in ounces):
EXERCCIOS
21,4 19,7 19,7 20,6 20,8 20,1 19,7 20,3 20,9.
Assuming that the population distribution is normal, test at
the 5% level against a two-sided alternative the null
hypothesis that the process is operating correctly.
165
Estatstica Aplicada
A Resistncia ao Estufamento das latas
para a inspeo final deve ser maior que
90 psi. Tal resistncia obedece a uma
distribuio normal com desvio padro
de 1 psi . As medidas da Resistncia para
uma determinada linha/turno esto dadas
na planilha Resistncia.MTW
Teste a Hiptese de que as medidas da
Resistncia ao Estufamento esto dentro
do limite de especificao. (Prove que as
medidas so maiores que 90)
Gere: N(91; 0.83)
Exemplo 1Z
166
Estatstica Aplicada
<Stat><Basic Statistics> <1 Sample Z>
Selecione Resistencia
Sigma=1 (isso geralmente no fornecido)
Test mean= 90
<Options>
Alternative= Greater than
<Graphs...>
Individual plot
167
Estatstica Aplicada
One-Sample Z: Resistencia
Test of mu = 90 vs mu > 90
The assumed sigma = 1
Variable N Mean StDev SE Mean
Resistencia 15 91,111 0,834 0,258
Variable 95,0% Lower Bound Z P
Resistencia 90,686 4,30 0,000
H0 H1
Rejeita-se H0
Regio Crtica
Valor dentro da Regio Crtica
Uma boa regra:
Se P-Value < ,
rejeita-se H
o
168
Estatstica Aplicada
A especificao da Largura da Flange das
latas para a inspeo final definida como
0.082+/- 0.010 e obedece a uma
distribuio normal. As medidas da Largura
da Flange para uma determinada linha/turno
esto dadas na planilha.
Teste a Hiptese de que as medidas da
Largura da Flange esto dentro do limite de
especificao. (Prove que os valores so em
mdia maiores que 0,072 e menores que
0,092)
Teste de mdia t para 1 amostra
Exemplo 1t
flange.MTW
169
Estatstica Aplicada
<Stat><Basic Statistics> <1 Sample t>
Selecione Largura Flange
Test mean= 0,092
<Options>
Alternative= Less than
<Graphs...>
Histogram of data
Selecione Largura Flange
Test mean= 0,072
<Options>
Alternative= Greater than
<Graphs...>
Histogram of data
Teste 1 (Para provar
que os valores so
menores que 0,092)
Teste 2 (Para provar
que os valores so
maiores que 0,072)
170
Estatstica Aplicada
2 1 1
2 1 0
:
:

<
H
H
2 1 1
2 1 0
:
:

>
H
H
2 1 1
2 1 0
:
:

=
H
H
Teste de Hiptese para Mdias Duas amostras
T.U.E Bilateral T.U.D
( )
2
2
2
1
2
1
2 1 2 1
0
n n
X X
Z

+

=
Varincias Conhecidas
( )
2 1
2 1 2 1
1 1 1
n n S
X X
T
p
+

=

Varincias Desconhecidas
2Z e 2t
171
Estatstica Aplicada
Estimador Combinado
( ) ( )
( ) ( ) 1 1
1 1
2 1
2
2 2
2
1 1
2
+
+
=
n n
S n S n
S
p
: :
: :
2 1
2
2
2
1
n n
S S
Varincia Amostral Grupo 1 Varincia Amostral Grupo 2
Tamanho do Grupo 1 Tamanho do Grupo 2
2t Clculo da Varincia
172
Estatstica Aplicada
2
2
1
2
1
2
2
1
2
0
:
:

<
H
H
TH p/ Varincias
T.U.E
Bilateral
T.U.D
2
2
2
1
0
S
S
F =
Estatstica de Teste:
2
2
1
2
1
2
2
1
2
0
:
:

>
H
H
2
2
1
2
1
2
2
1
2
0
:
:

=
H
H
173
Estatstica Aplicada
Exemplo
Dois tipos de Bico de Aplicao de
verniz (Tipo I e Tipo II) foram avaliados.
Deseja-se investigar o efeito desses
dois Bicos com relao ao Peso do
Verniz (em mg) medido aps o
processo. Tais medidas so dadas na
planilha ao lado.
As varincias so iguais? (Teste a
Hiptese nula de que os dois bicos
produzem um peso de Verniz com
mesma varincia.)
Peso_Verniz.MTW
174
Estatstica Aplicada
Obs.: Teste o Procedimento Stack Columns
Para usar Samples in one column
<Stat><Basic Statistics> <2 Variances>
Selecione Samples in different columns
First= Verniz_tipo1
Second= Verniz_tipo2
175
Estatstica Aplicada
95% Bonferroni Confidence Intervals for StDevs
Verniz_tipo2
Verniz_tipo1
1,2 1,0 0,8 0,6 0,4 0,2
Data
Verniz_tipo2
Verniz_tipo1
112,5 112,0 111,5 111,0 110,5 110,0
F-Test
0,236
Test Statistic 2,74
P-Value 0,150
Levene's Test
Test Statistic 1,51
P-Value
Test for Equal Variances for Verniz_tipo1; Verniz_tipo2
Prefira
sempre, pois
independe da
distribuio
dos dados.
As varincias so iguais!
Levines Test
176
Estatstica Aplicada
Bonferroni confidence intervals for standard deviations
Lower Sigma Upper N Factor Levels
0.358564 0.548160 1.10380 10 Verniz_tipo1
0.216713 0.331303 0.66713 10 Verniz_tipo2
F-Test (normal distribution)
Test Statistic: 2.738
P-Value : 0.150
Levene's Test (any continuous distribution)
Test Statistic: 1.505
P-Value : 0.236 (varincias iguais)
Aps empilhamento dos dados faa: <Anova> <test for equal variances>
Esse mtodo melhor, pois pode testar mais que dois conjuntos de dados.
Test for Equal Variances
177
Estatstica Aplicada
Exemplo: Em relao ao problema anterior, teste se as
mdias so diferentes. (Peso_Verniz.MTW)
Selecione Samples in different columns
First= Verniz_tipo1
Second= Verniz_tipo2
Selecione: Assume equal variances
<Options>
Test mean= 0
Alternative= not equal
<Graphs>
Selecione Boxplots of data
178
Estatstica Aplicada
Two-Sample T-Test and CI: Verniz_tipo1, Verniz_tipo2
Two-sample T for Verniz_tipo1 vs Verniz_tipo2
N Mean StDev SE Mean
Verniz_t 10 110.792 0.548 0.17
Verniz_t 10 112.205 0.331 0.10
Difference = mu Verniz_tipo1 - mu Verniz_tipo2
Estimate for difference: -1.413
95% CI for difference: (-1.838, -0.987)
T-Test of difference = 0 (vs not =): T-Value = -6.97
P-Value = 0.000 DF = 18 Both use Pooled StDev = 0.453
Mdias diferentes
179
Estatstica Aplicada
D
a
t
a
Verniz_tipo2 Verniz_tipo1
112,5
112,0
111,5
111,0
110,5
110,0
Boxplot of Verniz_tipo1; Verniz_tipo2
180
Estatstica Aplicada
Observaes Emparelhadas
0 :
0 :
2 1 0 1
2 1 0 0
=
= =

H
H
0 :
0 :
2 1 0 1
2 1 0 0
< =
=

H
H
0 :
0 :
2 1 0 1
2 1 0 0
> =
=

H
H
n S
D
T
D
/
0
0

=
Diferena Amostral
Mdia
Desvio Padro das
diferenas entre 1 e 2
Paired t
181
Estatstica Aplicada
Consiste em dois testes (um antes e outro depois) com a
mesma unidade experimental (amostra).
Ex.: O peso de pessoas antes e depois de um tratamento.
Em geral, as unidades
experimentais so
heterogneas ( grande)
e exibem alta correlao
positiva.
Paired t - Caractersticas
182
Estatstica Aplicada
Suspeita-se que dois
funcionrios esto
monitorando o manmetro
de um processo de uma
forma desigual. Para
diferentes presses foram
lidas (de uma forma
emparelhada) os
resultados da planilha ao
lado.
Teste a Hiptese de que os dois operadores tem o mesmo
desempenho.
Exemplo - Paired t
Oper_Pressao.MTW
183
Estatstica Aplicada
Paired t
<Stat><Basic Statistics> <Paired t>
Selecione Samples in columns
First sample= Operador 1
Second sample= Operador 2
<Options>
Test mean= 0
Alternative= not equal
<Graphs>
Individual value plot
184
Estatstica Aplicada
Paired T-Test and CI: Operador 1, Operador 2
Paired T for Operador 1 - Operador 2
N Mean StDev SE Mean
Operador 1 10 194 428 135
Operador 2 10 196 428 135
Difference 10 -2.400 1.075 0.340
95% CI for mean difference: (-3.169, -1.631)
T-Test of mean difference = 0 (vs not = 0): T-Value
= -7.06 P-Value = 0.000
Mdias diferentes
185
Estatstica Aplicada
TH - Propores
0 1
0 0
: H
: H
<

0 1
0 0
: H
: H
>

0 1
0 0
: H
: H

=
Onde: a proporo populacional e
0
uma constante
T.U.E Bilateral T.U.D
T.U.E T.U.D Bilateral
2 1 1
2 1 0
: H
: H
<

2 1 1
2 1 0
: H
: H
>

2 1 1
2 1 0
: H
: H

=
186
Estatstica Aplicada
Em uma indstria de autopeas, historicamente 3,5% das
peas produzidas contm algum tipo no-conformidade.
Uma equipe est trabalhando na reduo desta
incidncia de defeitos e, no ltimo ms, foram produzidas
1500 peas e somente 45 estavam fora da especificao.
A equipe obteve melhoria no desempenho ?
035 , 0 :
035 , 0 :
1
0
<
H
H
Exemplo 1 Proportion
187
Estatstica Aplicada
<Stat > <Basic Statistics > <1 Proportion>
Selecione Summarized data
Number of trials: 1500
Number of successes: 45
Options
test proportion: < 0,035 >
alternative: < less than >
% 0 , 3
1500
45
= = p
0
188
Estatstica Aplicada
Uma equipe deseja aumentar a porcentagem (ou
proporo) de pedidos aceitos pelos clientes.
A equipe acredita ter identificado uma das causas de
perdas de pedidos que o prazo elevado para envio
da cotao ao cliente. Conseguiram reduzir este
tempo e os resultados das ltimas 10 semanas esto
so fornecidos:
- Antes: 11 pedidos aceitos em 43;
- Depois: 14 pedidos aceitos em 30.
-Qual a concluso ?
189
Estatstica Aplicada
<Stat > <Basic Statistics > <2 Proportions>
Selecione: Dados resumidos
First= antes
Second= depois
Options
test difference: < 0 >
alternative: < less than >
2 Proportions
190
Estatstica Aplicada
Test and CI for Two Proportions: antes; depois
Success = s
Variable X N Sample p
antes 11 43 0,255814
depois 14 30 0,466667
Estimate for p(antes) - p(depois): -0,210853
95% upper bound for p(antes) - p(depois): -0,0253151
Test for p(antes) - p(depois) = 0 (vs < 0): Z = -1,87
P-Value = 0,031
Rejeita-se H
0
191
Estatstica Aplicada
Tamanho de Amostras em Testes de Hipteses
Power Sample Size
Fatores determinantes do
Tamanho da Amostra (n)
Fonte Efeito sobre n
1 Desvio Padro dos dados Deve ser estimado.
Quando o Desvio Padro
diminui, n diminui.
2 Nvel de Significncia (
) Em geral, 0.05. Se
diminui, n cresce.
3
Diferena a ser detectada
(d)
Voc decide o tamanho
adequado.
Quanto menor for a
diferena desejada, maior
n.
4
Poder do Teste: (1-
)
Probabilidade de detectar
uma diferena quando ela
realmente existir.
Usualmente, 90%
Se o poder do teste
cresce, n cresce.
192
Estatstica Aplicada
Exemplo
Uma equipe de melhoria desenvolveu um novo
procedimento de manuteno. Espera-se que o tempo de
manuteno diminua com a utilizao do novo
procedimento. Para identificar se as mudanas foram
eficazes, a equipe decide coletar amostras dos dois
processos: o novo e o antigo.
193
Estatstica Aplicada
Questo 1: Qual o teste de Hipteses adequado para
esta situao?
2 Sample-t (mdia de dois grupos)
Questo 2: Que Informaes so necessrias para se
determinar o tamanho de amostra necessria ao teste?
Uma estimativa do desvio padro do tempo de
manuteno;
A diferena que deve ser detectada entre os
tempos mdios dos dois processos;
A probabilidade de detectar esta diferena
(Geralmente 90%);
O nvel de significncia desejado (Geralmente5%);
Questionamentos
194
Estatstica Aplicada
Questo 3:
Que suposies a equipe est fazendo?
Que o processo estvel;
Que os dados so Normais.
Questo 4:
Como estas suposies podem ser
verificadas?
Carta de Controle;
Teste de Normalidade.
195
Estatstica Aplicada
0 10 20 30 40
50
60
70
80
90
100
110
120
T
i
m
e

(
m
i
n
u
t
e
s
)
X=87
UCL=118
LCL=56
Examinando-se a carta de controle, verifica-se:
O processo estvel e a mdia atual 87 minutos
Exemplo Verificao
196
Estatstica Aplicada
0 10 20 30 40
50
60
70
80
90
100
110
120
T
i
m
e

(
m
i
n
u
t
e
s
)
X=87
UCL=118
LCL=56
10.3
6
56 18 1

6
LCL UCL
=
10.3
6
56 18 1

6
LCL UCL
=
10.1
3
87 18 1

3
Avg UCL
=
10.1
3
87 18 1

3
Avg UCL
=
Portanto, pode-se adotar um desvio padro de 10.

197
Estatstica Aplicada
Se a equipe deseja provar que o
tempo mdio de manuteno
utilizando-se o novo
procedimento de 75 minutos, e
se considerarem a probabilidade
de 90% de chance de deteco
desta diferena (12 minutos),
com um nvel de significncia de
0,05, qual ser o tamanho da
amostra necessria?
198
Estatstica Aplicada
<Stat > <Power and Sample Size> <2 Sample t>
Differences= 12
Power values= 0,9
Sigma= 10
<Options>
Selecione Not equal como Alternative Hypothesis
199
Estatstica Aplicada
2-Sample t Test
Testing mean 1 = mean 2 (versus not =)
Calculating power for mean 1 = mean 2 + difference
Alpha = 0,05 Sigma = 10
Sample Target Actual
Difference Size Power Power
12 16 0,9000 0,9072
Tamanho de amostra necessria.
Estatstica Aplicada
5 ANLISE DE VARINCIA (ANOVA)
201
Estatstica Aplicada
As bases da Anlise de Varincia
Um fator (One-way)
Dois fatores (Two-way)
Anlise de Mdias (ANOM)
Balanced ANOVA
ANOVA um Teste para
Comparar Mdias
(O nome enganoso!)
ANOVA
Anlise de Varincia
202
Estatstica Aplicada
Entendendo o
significado da
ANOVA...
ANOVA - Visualmente
203
Estatstica Aplicada
8 7 6 Mdias
40 35 30 Somatrio
10 6 8
7 11 7
8 8 6
5 1 4
10 9 5
C B A
Resposta
Tratamentos
As mdias so
realmente diferentes
ou tudo no passa de
casualidade?
negado ser vai sinais dos um menos Pelo :
:
1
0
=
= =
H
H
C B A

As Bases da
ANOVA
204
Estatstica Aplicada
Passo 1: Clculo da Variao Total
96 0 105
9 3 10
0 0 7
Etc Etc. Etc.
9 4-7=-3 4
4 5-7=-2 5
i
X
i i
x X X =
2
i
x
(
A
,

B

e

C
)
VT - Variao Total
Como VT>0
razovel
imaginar que ela
se compe de
variaes que
ocorrem Dentro
dos Grupos (VD
- Within) e
Entre os
tratamentos (VE
- Between)
Foram considerados 15
observaes: Glib=14
Mdia geral
Algoritmo: Variao Total
205
Estatstica Aplicada
10
4 2 8
1 1 7
0 0 6
4 -2 4
1 5-6=-1 5
Passo 2: Clculo da Variao Dentro do Grupo - Within
A A
X X
2
) (
A A
X X
A
X
2
) (
B B
X X
2
) (
C C
X X
58 18
VD=10+58+18=86
Foram considerados 5 observaes em
cada caso: Glib=12
Algoritmo: Variao Within
206
Estatstica Aplicada
5
1 -1 6
1 -1 6
1 -1 6
1 -1 6
1 -1 6
Passo 3: Clculo da Variao Entre Tratamentos (Between)
X X
A

2
) ( X X
A

A
X
0 5
VE=5+0+5=10
2
) ( X X
B

2
) ( X X
C

Foram considerados 3 observaes :
Glib=2
Algoritmo: Variao Between
207
Estatstica Aplicada
VT=VD+VE ! 96=86+10
Graus de Liberdade:
A VT possui (15-1)=14 GLIB
(3 Tratamentos) (5 Observ/Trat)
A VD possui (5-1)(3)=12 GLIB
(5 Observ/Amostra)(3 Amostras)
A VE possui (3-1)=2 GLIB
(3 Tratamentos -1)
10 6 8
7 11 7
8 8 6
5 1 4
10 9 5
C B A
GLIBVT=GLIBVD+GLIBVE ! 14=12+02
Algoritmo: Graus de Liberdade
208
Estatstica Aplicada
VT=VD+VE ! 96=86+10
GLIBVT=GLIBVD+GLIBVE ! 14=12+02
VD/GLIBVD = 86/12 = 7,17
VE/GLIBVE= 10/2 = 5
Estimativas de Varincias:
F0= 5/7,17=0,70
Fcrtico= 3,89 (em funo dos GLIBVE GLIBVD e alfa=5%
F0<Fcrtico No se Rejeita Ho
Algoritmo: Teste de Fisher para Mdias
209
Estatstica Aplicada
14 96 VT
86/12=7,17 12 86 VD
5/7,17=0,70 10/2=5 2 10 VE
F0
Varincia
Estimada
GLIB
Prpria
Variao
Fonte de
Variao
Quadro Resumo Bsico
Algoritmo: Quadro resumo
210
Estatstica Aplicada
One-way ANOVA: A; B; C (use unstacked)
Analysis of Variance
Source DF SS MS F P
Factor 2 10,00 5,00 0,70 0,517
Error 12 86,00 7,17
Total 14 96,00
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ----+---------+---------+---------+--
A 5 6,000 1,581 (------------*------------)
B 5 7,000 3,808 (------------*------------)
C 5 8,000 2,121 (------------*------------)
----+---------+---------+---------+--
Pooled StDev = 2,677 4,0 6,0 8,0 10,0
Minitab <ANOVA>One-Way Unstacked
211
Estatstica Aplicada
Exemplo 2
Na definio do Setup dos
fatores para o processo
Inside Spray quatro
conjuntos de nveis para os
parmetros de Temperatura
foram avaliados. Deseja-se
investigar o efeito desses
quatro Setups com relao a
Distribuio do Verniz interno
no fundo para cerveja
medidas em mg/pol
2
aps o
processo. Tais medidas so
dadas na planilha ao lado.
One-Way
ANOVA
Anova_1.MTW
212
Estatstica Aplicada
Usar o Procedimento Stack Columns para executar o
Teste ANOVA One-Way (prefervel pois faz a
anlise de resduos!!)
ANOVA One-Way (Unstacked)
ANOVA One-Way (Unstacked)
213
Estatstica Aplicada
As mdias so
diferentes
ANOVA One-Way: Resultados
214
Estatstica Aplicada
ANOVA - Boxplots
Setup
D
a
d
o
s
Setup4 Setup3 Setup2 Setup1
8,5
8,0
7,5
7,0
6,5
6,0
5,5
5,0
4,5
Boxplot of Dados by Setup
215
Estatstica Aplicada
Residual
P
e
r
c
e
n
t
1 0 -1
99
90
50
10
1
Fitted Value
R
e
s
i
d
u
a
l
7,00 6,75 6,50 6,25 6,00
1
0
-1
Residual
F
r
e
q
u
e
n
c
y
1,2 0,6 0,0 -0,6 -1,2
10,0
7,5
5,0
2,5
0,0
Observation Order
R
e
s
i
d
u
a
l
45 40 35 30 25 20 15 10 5 1
1
0
-1
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for Dados
ANOVA Anlise de Resduos
216
Estatstica Aplicada
Exemplo 3
No processo Bodymaker deseja-
se investigar a Profundidade do
Dome em funo de 3 conjuntos
de parmetros (envolvendo
presso, Temperatura Vazo,
etc...) e tambm em dois turnos
de operao. Foram ento
colhidas amostras da
Profundidade do Dome (em
polegadas) para diferentes Turnos
e diferentes Conjuntos de
Parmetros.
Anova_2.MTW
Two-Way
ANOVA
Processo de fabricao de latas
217
Estatstica Aplicada
ANOVA Two-Way: Follow along
218
Estatstica Aplicada
Diferentes
Iguais
ANOVA Two-Way: Resultados
219
Estatstica Aplicada
Exemplo 4
Foram avaliados trs nveis de
presses de ar draw pad (em psi) e
tambm trs nveis de presses de ar
blow off (em psi) na influncia de
problemas visuais aps o processo
Minster. O nmero de defeitos
visuais (Riscos, Abaulamento,
orelhas, rebarbas, rugas e ovalizao)
est mostrado na planilha ao lado.
Anova_3.MTW
ANOM
Anlise de Mdias
ANOM: Para identificar qual mdia diferente e avaliar a Interao!
220
Estatstica Aplicada
ANOM
Isso melhor
estudado em DOE!
221
Estatstica Aplicada
No h interao entre
as presses Blow e
Draw. O Efeito de
Blow significativo!
ANOM: Grficos
222
Estatstica Aplicada
A Presso Blow
afeta mais a
mdia
3,0 e 8,83 so
valores distantes
de 6,22
Draw
Blow
ANOM: Resultados
223
Estatstica Aplicada
Exemplo 5
Deseja-se avaliar o tempo gasto (em
minutos) por seis funcionrios para
ajustar o Setup de dois processos (I e
II) usando dois diferentes
procedimentos (um novo e um
antigo). A planilha seguinte mostra
os resultados obtidos.
Anova_5.MTW
Balanced
Anova
Processo de fabricao de latas
Isso a base para
DOE - Delineamento
de Experimentos!
224
Estatstica Aplicada
Balanced ANOVA
225
Estatstica Aplicada
Diferentes
Balanced ANOVA: Resultados
226
Estatstica Aplicada
TWO-WAY
Ex.7: An engineer suspects
that the surface finish of metal
parts is influenced by paint
used and the drying time.

Using a 5% significance
level, test the influence of
these two factors as also its
interaction.
227
Estatstica Aplicada
TWO-WAY
Ex.8: Am experiment describes
na investigation about the effect
of glass type and phosphor type
on the brigtness of a television
tube. The response is the current
(mA) necessary to obtain a
specified brightness level.
Using a 5% significance
level, test the influence of
these two factors as also its
interaction.

Estatstica Aplicada
6 CORRELAO E REGRESSO
229
Estatstica Aplicada
Correlao
Procedimentos Gerais Y=f(X)
Regresso linear
Ajuste da Regresso
Regresso linear Mltipla
Best Subsets
A anlise de regresso uma tcnica estatstica usada para modelar e
investigar a relao entre duas ou mais variveis. O modelo freqentemente
usado para previses.
Regresso um teste de hiptese
H
a
: O modelo permite significativamente prever a resposta.
Anlise de Regresso
230
Estatstica Aplicada
Questionamentos comuns:
Como implementar a equao
Y=f(X) a partir de dados histricos
ou experimentais?
Como avaliar a correlao entre
variveis?
Como fazer previses a partir
dos dados histricos ou
experimentais?
231
Estatstica Aplicada
Coeficiente de
Correlao
Ex.: Suponha que o nosso desejo
seja o de quantificar a
associabilidade entre duas
variveis relacionadas a cinco
agentes de uma seguradora.
Assim, temos:
X Anos de experincia do agente.
Y Nmero de clientes do agente.
8 7 6 5 4 3 2
70
60
50
Experincia
Anos de
C
l
i
e
n
t
e
s
72 8 E
60 6 D
64 5 C
56 4 B
48 2 A
y x Agente
(x, y) um par aleatrio
Dados emparelhados
Diagrama de
Disperso
232
Estatstica Aplicada
y
x
x x
y y
x x
s
z
x
x
=
y
y
z
s
y y
=
r=Correlao de Pearson
Srie de dados
originais (x e y)
so valores
quantitativos.
O conjunto de pontos
deslocado, tendo
agora como centro, os
valores mdios.
A escala de x e y
agora padronizada.
Isso torna os valores
independente da sua
unidade.
=
= =
n
i
y x
i i
z z
n
Y X r
1
1
) , ( Corr
233
Estatstica Aplicada
4,75 0 0 0 0 300 25 Total
2,25 1.5 1.5 12 3 72 8 E
0 0 0.5 0 1 60 6 D
0 0.5 0 4 0 64 5 C
0,25 -0.5 -0.5 -4 -1 56 4 B
2,25 -1.5 -1.5 -12 -3 48 2 A
z
x
. z
y
z
y
z
x
y x Agente
x x
y y
Coeficiente de Correlao
x = 5
S
x
= 2
y = 60
S
y
= 8
% 95 95 , 0
5
75 , 4
) , ( = = = Y X r = Correlao
234
Estatstica Aplicada
r X Y
n
z z
n
x x
s
y y
s
x y
i
n
i
x
i
y
i
n
i i
= = =
|
\
|

|
\
|
= =

Corr ( , )
1 1
1 1
( )( )
r
n
x x y y
s s
X Y
s s
i i
x y x y
=

1 Covarincia ( , )
1 1 r
A correlao apresentada aqui linear. Existem outros tipos de correlao!
P_value p/ Correlao
72 8 E
60 6 D
64 5 C
56 4 B
48 2 A
y x Agente
Pearson correlation of Anos Exp and Clientes = 0,950
P-Value = 0,013
Ex.: Clculo da correlao da tabela ao lado
Forte Correlao pois P-Value <0,05
235
Estatstica Aplicada
Faa a anlise de Correlao das
variveis ao lado na planilha
Bidimensional.mtw
Correlao no Minitab
O Coeficiente de
Correlao
tambm chamado
de Coeficiente de
Pearson.
236
Estatstica Aplicada
X
60 40 20 1 0 -1 100 50 0
8
4
0
Y
60
40
20
Z
1
0
-1
W
Matrix Plot of X; Y; Z; W
<Graph><Matrix Plots> <Simple>
Graph Variables= x y z w
<Matrix Options> Upper right
Matrix Plots
237
Estatstica Aplicada
A) Uma medida de Correlao fornece dois tipos de informaes a respeito do
relacionamento de duas variveis. Quais so elas?
B) Qual coeficiente de correlao abaixo indica o mais forte relacionamento?
a) 0.70 b) 0.03 c)-0.77 d) 0.10
C) Se a correlao Rxy=0.45, ento Ryx=
D) Qual o valor do coeficiente de correlao melhor descreve os seguintes
valores das variveis X e Y, relacionadas abaixo:
X: 20 30 40 50 60
Y: 40 30 20 10 0
a) -1.0
b) 0.0
c) 0.5
d) 1.0
E) Qual a correlao do
grfico abaixo?
Algumas questes sobre Correlao:
238
Estatstica Aplicada
F) Se um coeficiente de correlao for de +1.4, o que ocorre?
a) O Relacionamento extremamente forte
b) O Relacionamento positivo
c) As respostas acima esto corretas
d) Um erro computacional foi cometido
G) Um coeficiente de Person de -0.5 entre os valores de Leitura (X) e o nmero de
dias ausentes da escola (Y) indica que:
a) Metade dos valores de Leitura so menos do que o nmero de dias
ausentes da escola
b) Maiores valores de Leitura so associados com menor ausncia da escola
c)A soma do produto XY igual a -0.5
d) Quase no existe relacionamento entre X e Y
Algumas questes sobre Correlao:
239
Estatstica Aplicada
y
x
Linha de Regresso
A varivel X dita varivel
independente (ou exgenas),
enquanto Y dita varivel
dependente (ou endgenas).
Y=f(x) Simples
Y=f(x,y,z...) Mltipla
Y=f(x)
240
Estatstica Aplicada
Variveis Indicativas
(para Xs Discretos)
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
X
i
Y
X
a
X
b
X
c
Curvilnea (Um X)
X
Y
Linear Simples (Um X)
X
Y
Mltipla (Dois ou mais Xs)
Y
X
2
X
1
Logstica (Ys Discretos)
1
0
%

y
e
s
X
Curvilnear (Dois ou mais Xs)
Y
X
1
X
2
Regresso
241
Estatstica Aplicada
x y + =
y
x
x
1
x
2
x
3
,
bx a y + =
Uma
importante
condio para
o uso de
regresso
simples que
os resduos (e)
sejam
independentes
de x. Porque?
Curva de
Resduos (e)
Resduos
242
Estatstica Aplicada
x
y
75 70 65 60 55 50
8
7
6
5
4
3
2
ei ei
2
1 i
n
i
e
=
bx a y + =
( ) ( )
2
1
2
1
2
1
i i
n
i i i
n
i i
n
i
bx a y min y y min e min = =
= = =
Regresso Linear
Simples
i
y
i
y
243
Estatstica Aplicada
2
1 i
n
i
e
=
bx a y + =
( ) ( )
2
1
2
1
2
1
i i
n
i i i
n
i i
n
i
bx a y min y y min e min = =
= = =
. 0 e 0
1
2
1
2
= =

= =
n
i
i
n
i
i
d
b
d
a
=
=
=
=
n
i
i i i
n
i
i i
bx a y x
bx a y
1
1
, 0 ) ( 2
, 0 ) ( 2
A matemtica da Regresso Linear
244
Estatstica Aplicada
=
=
=
=
,
,
) (
) (
1
2
1
x b y a
S
S
x x
y x x
b
xx
xy
n
i
i
n
i
i i
+ =
=
+ =

= = =
=
n
i
n
i
n
i
i i i
n
i
n
i i
i
x b x a y x
i
x b na y
1 1
2
1
1
,
1
Ufa!
245
Estatstica Aplicada
Ex.: Obter a equao da reta (chamada de reta dos mnimos
quadrados) para os seguintes pontos experimentais:
x 1 2 3 4 5 6 7 8
y 0,5 0,6 0,9 0,8 1,2 1,5 1,7 2,0
Traar a reta no diagrama de disperso. Calcular o coeficiente de
correlao linear.
Qual o valor previsto para x=9?
Qual a Tolerncia de X para 1<Y<1.5?
Exemplo
246
Estatstica Aplicada
. 42 162 204
8
) 36 (
204
, 1 , 9 4 , 41 5 , 50
8
2 , 9 36
5 , 50
2
= = =
= =
=
xx
xy
S
S
Regresso: By Hand
247
Estatstica Aplicada
. 42 162 204
8
) 36 (
204
, 1 , 9 4 , 41 5 , 50
8
2 , 9 36
5 , 50
2
= = =
= =
=
xx
xy
S
S
. 174 , 0 976 , 0 150 , 1
8
36
217 , 0
8
2 , 9
, 217 , 0
42
1 , 9
= = =
= =
x b y a
S
S
b
xx
xy
x y 217 , 0 174 , 0
+ =
Regresso: Clculos
248
Estatstica Aplicada
Regresso: Grfico
x
y
8 7 6 5 4 3 2 1 0
2,00
1,75
1,50
1,25
1,00
0,75
0,50
S 0,121335
R-Sq 95,7%
R-Sq(adj) 95,0%
Fitted Line Plot
y = 0,1750 + 0,2167 x
249
Estatstica Aplicada
98 , 0
06 , 2 42
1 , 9
, 06 , 2 58 , 10 64 , 12
8
) 2 , 9 (
64 , 12
2
= =
= = =
yy xx
xy
yy
S S
S
r
S
Relembre Correlao!
Regresso: Correlao
250
Estatstica Aplicada
Regresso no Minitab
<Stat><Regression> <Fitted Line Plot>
Response (Y)=Y
Predictor(X)=X
Marque Linear
251
Estatstica Aplicada
Ajuste da Regresso
Linear
R-quadrado a
porcentagem da variao
explicada pelo seu modelo.
R-quadrado (ajustado) a
porcentagem da variao
explicada pelo seu modelo,
ajustada para o nmero de
termos em seu modelo e o
nmero de pontos de dados.
O valor-p para a
regresso para ver se o
modelo de regresso inteiro
significativo.
H
a
: O modelo permite
significativamente
prever a resposta.
X
Y
8 7 6 5 4 3 2 1 0
2,00
1,75
1,50
1,25
1,00
0,75
0,50
Fitted Line Plot
Y = 0,1750 + 0,2167 X
252
Estatstica Aplicada
Quadrtico
Ajuste Quadrtico
X
Y
8 7 6 5 4 3 2 1 0
2,00
1,75
1,50
1,25
1,00
0,75
0,50
S 0,0980767
R-Sq 97,7%
R-Sq(adj) 96,7%
Fitted Line Plot
Y = 0,4071 + 0,07738 X
+ 0,01548 X**2
Response (Y)=Y
Predictor(X)=X
Marque Quadratic
253
Estatstica Aplicada
Ajuste Cbico
X
Y
8 7 6 5 4 3 2 1 0
2,00
1,75
1,50
1,25
1,00
0,75
0,50
S 0,108960
R-Sq 97,7%
R-Sq(adj) 96,0%
Fitted Line Plot
Y = 0,4571 + 0,0254 X
+ 0,02911 X**2 - 0,001010 X**3
Response (Y)=Y
Predictor(X)=X
Marque Cubic
254
Estatstica Aplicada
Intervalos de confiana e de previso
Uma faixa (ou intervalo) de
confiana uma medida da
certeza da forma da linha de
regresso ajustada. Em geral,
uma faixa de 95% implica em
uma chance de 95% de que
as linha verdadeira fique
dentro da faixa. [Linhas
vermelhas]
Uma faixa (ou intervalo) de
previso uma medida da
certeza da disperso dos
pontos individuais em torno da
linha de regresso. Em geral,
95% dos pontos individuais
(da populao em que a linha
de regresso se baseia)
estaro contidos dentro da
faixa. [Linhas azuis]
X
Y
8 7 6 5 4 3 2 1 0
2,5
2,0
1,5
1,0
0,5
0,0
Response (Y)=Y
Predictor(X)=X
Marque Linear
<Options> Marque os Display Options
255
Estatstica Aplicada
Residual
P
e
r
c
e
n
t
0,2 0,1 0,0 -0,1 -0,2
99
90
50
10
1
Fitted Value
R
e
s
i
d
u
a
l
2,0 1,5 1,0 0,5
0,1
0,0
-0,1
-0,2
Residual
F
r
e
q
u
e
n
c
y
0,10 0,05 0,00 -0,05 -0,10 -0,15 -0,20 -0,25
3
2
1
0
Observation Order
R
e
s
i
d
u
a
l
8 7 6 5 4 3 2 1
0,1
0,0
-0,1
-0,2
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for Y
Regresso: Resduos
256
Estatstica Aplicada
CTQ
1
2
Estreitando Tolerncias
257
Estatstica Aplicada
CTQ
1 1
2 2
Estreitando Tolerncias
258
Estatstica Aplicada
Pratique Regresso Linear Simples
Determine a funo de transferncia entre o Nmero de Setups
e o Tempo de Ciclo para diversas operaes em uma certa
empresa. Use a planilha cycletime.mtw.
Faa a anlise de Resduos.
Qual a previso do Tempo de Ciclo para uma operao que
consiste em 10 Setups de equipamento?
A equao final adequada? Se no for, como melhor-la?
259
Estatstica Aplicada
Uma reao Qumica foi realizada
sob seis pares de diferentes
condies de presso e
temperatura. Em cada caso foi
medido o tempo necessrio para
que a reao se completasse. Obter
a equao de regresso do tempo
em relao a presso e
temperatura.
Regresso
Mltipla
Regresso.mtw
260
Estatstica Aplicada
Menores
que 0,05
Maior melhor
Regresso Mltipla: Resultados
261
Estatstica Aplicada
92 estudantes americanos
participam de um simples
experimento. Cada estudante
registra o seu peso, altura,
gnero, pulso e se fumante
ou no. Todos eles jogam uma
moeda e sorteiam se vo dar
uma corrida (cara) ou no por
um minuto. Aps a corrida,
todos os alunos registram o
seu pulso novamente. Um
aluno sugere que seja inserida
a seguinte importante
considerao: Se a pessoa
pinta o cabelo ou no.
Deseja-se fazer uma regresso
do segundo pulso em relao a
todas as outras variveis.
Regresso.mtw
Best Subsets
262
Estatstica Aplicada
Equao de regresso
inicial. Muito complexa
Correlao muito alta.
Quem pinta cabelo
geralmente mulher
Best Subsets: Resultados
263
Estatstica Aplicada
Melhor
ajuste
Best Subsets: Resultados
264
Estatstica Aplicada
Pulso1
150 100 50 2,0 1,5 1,0 2,0 1,5 1,0 2,0 1,5 1,0 75 70 65 200 150 100 2,0 1,5 1,0
100
75
50
Pulso2
150
100
50
Corrida
2,0
1,5
1,0
Fumante
2,0
1,5
1,0
Sexo
2,0
1,5
1,0
Altura
75
70
65
Peso
200
150
100
Pinta Cabelo
Matrix Plot of Pulso1; Pulso2; Corrida; Fumante; Sexo; Altura; ...
<Graph><Matrix Plots> <Simple>
Graph Variables=Pulso1 Corrida ... PintaCabelo
<Matrix Options> Upper right
Matrix Plots
265
Estatstica Aplicada
30 40 50
-3
-2
-1
0
1
2
3
Pred. Y
Residual
0 50 100
-3
-2
-1
0
1
2
3
Pred. Y
Residual
0 50 100
-3
-2
-1
0
1
2
3
Time Order
Residual
0 50 100
-3
-2
-1
0
1
2
3
Time Order
Residual
3 4 5 6 7 8 9 10 11 12
-3
-2
-1
0
1
2
3
X
Residual
10 20 30
-3
-2
-1
0
1
2
3
X
Residual
-3 -2 -1 0 1 2 3
-3
-2
-1
0
1
2
3
Residual
Nscore
-1 0 1 2 3 4
-3
-2
-1
0
1
2
3
Residual
Nscore
Bom Ruim
Nos casos ruins tente
uma transformao
em X,em Y ou
ambos. Use Box-Cox
Transformation
Considere a
possibilidade da
existncia de
variveis ocultas que
no foram
consideradas no
modelo (Lurking)
Residuals vs
Each X
Time Plot of
Residuals
Residuals vs
Predicted Y
(Fits)
Normal
Probability Plot
of Residuals
Anlise de Resduos
Entenda que X e Y no
precisam ser normalmente
distribudos. Os resduos,
contudo, deveriam ser.
266
Estatstica Aplicada
Regresso Curvilnea
200 250 300 350 400
1900
1950
2000
2050
2100
Temperature
Seal Strength
(g/cm2)
Um laboratrio est fazendo testes
em adesivos em funo da
temperatura. Quando a
temperatura aumenta a fora do
contato entre duas superfcies
aumenta Em um determinado
ponto, contudo a fora desse
contato comea a diminuir em
funo de propriedades trmicas
do adesivo. Qual o modelo
emprico da fora (Seal Strength)
em funo da temperatura?
Curve.mtw
267
Estatstica Aplicada
Termo quadrtico
Observe resduos
VIF
Armazena
resduos
Funo
quadrtica
Deve-se criar a varivel
quadrtica e em seguida rodar
o modelo em Regression
Termo quadrtico da regresso
268
Estatstica Aplicada
Regresso Curvilnea
X
X
2
The regression equation is
SealStrength = 923 + 7.45 Temperature - 0.0125 TempSqrd
Predictor Coef StDev T P VIF
Constant 922.98 72.33 12.76 0.000
Temperat 7.4469 0.5033 14.80 0.000 132.9
TempSqrd -0.0124596 0.0008499 -14.66 0.000 132.9
S = 25.18 R-Sq = 69.4% R-Sq(adj) = 68.7%
Analysis of Variance
Source DF SS MS F P
Regression 2 139321 69661 109.87 0.000
Residual Error 97 61498 634
Total 99 200819
Source DF Seq SS
Temperat 1 3051
TempSqrd 1 136270
X e X
2
so
fortemente
correlacionados.
Nenhuma
surpresa
Concluso: Existe uma curvatura
significativa
269
Estatstica Aplicada
PORTFLIO
420 5,0 8
450 4,5 7
380 6,5 6
440 5,0 5
400 6,0 4
350 6,5 3
380 6,0 2
420 5,5 1
VENDAS PREO n
Ex.1: De acordo com os
dados da tabela ao
lado, h correlao
entre o preo de um
produto e o respectivo
volume de vendas?
270
Estatstica Aplicada
PORTFLIO
16 1,4 5
27 1,2 4
10 1,5 3
40 1,0 2
25 1,2 1
Recovery Time Dosage n
Exerccio 2:
Doctors are interested in the relationship between the dosage
of a medicine and the time required for a patients recovery.
Based on the following data, verify if the variables are
correlated.
271
Estatstica Aplicada
PORTFLIO
6 2,6 8
9 2,0 7
13 2,9 6
18 2,7 5
22 2,6 4
22 2,8 3
21 3,3 2
24 3,6 1
y x n
Exerccio 3:
The table shows, for eight
vintages of select wine,
purchase per buyer (y) and
the wine buyers rating in a
year (x).
Are the variables correlated?
* Vintage: safra de vinho
272
Estatstica Aplicada
(Newbold, Ex. 11.14): Determine a correlao entre o tempo
de experincia e o salrio anual do funcionrio e se existe
diferena significativa entre os salrios dos homens e das
mulheres.
17 14 10 9 7 5 Experincia
105979 93379 75022 72486 62289 51535 Salrio ($)
Homens
17 14 10 9 7 5 Experincia
67360 59679 50149 46820 40650 36730 Salrio ($)
Mulheres
Estatstica Aplicada
7 Controle estatstico de processos
274
Estatstica Aplicada
Cap
Cap
tulo 6
tulo 6
Controle Estat
Controle Estat
stico de Processos
stico de Processos
Idia Central:
Construir grficos de controle de processo
para variveis e atributos corretamente.
Tpicos abordados:
Cartas de Controle para variveis
Cartas de Controle para atributos
275
Estatstica Aplicada
Dados do tipo variveis
ou atributo?
Defeitos ou %
de defeituosos
Tamanho do
lote constante?
u p
No Sim
Defeitos ou
Defeituosos
c np
Alto ou Baixo
Volume
Baixo
Alto
Valores individuais
e amplitude mvel
X-Bar&R
ou X-Bar&S
Varivel Atributo
Tipo de Grfico
276
Estatstica Aplicada
Dois tipos de grficos de controle
Utiliza valores medidos
Tempo de um ciclo, comprimento, Dimetro,
temperatura, etc.
Geralmente uma caracterstica por grfico
Passa/No-Passa, Bom/Ruim
Podem existir muitas caractersticas por grfico
Grficos para variveis
Grficos para atributos
Valores contnuos
Distribuio Normal
Valores discretos
Distribuio Poisson ou Binomial
O Grfico para Variveis
contm mais informao
que o grfico de Atributos
277
Estatstica Aplicada
O propsito do controle estatstico de processos indicar:
quando um processo est funcionando de forma ideal
(apenas causas comuns de variao esto presentes)
Nenhuma ao corretiva necessria.
Aes desnecessrias podem na verdade aumentar
a variabilidade.
Quando um processo est desordenado e necessita
algum tipo de ao corretiva (causas especiais de
variao esto presentes)
Propsito do CEP
278
Estatstica Aplicada
Exemplos de causas especiais da
variao
Lote isolado de matria-prima com
problema
Desregulagem ocasional do
equipamento
Quebra de equipamento de medio
Falhas humanas ou de
comportamento
Exemplos de causas comuns de
variao
Compra sistemtica de materiais com
baixa qualidade
Inexistncia de treinamento
Falta de padronizao das operaes
Causas de Variao
4
6
8
10
12
14
16
18
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
<- CAUSA ESPECIAL
ELIMINAO DE ->
CAUSAS COMUNS
<- NVEL HISTRICO
NOVO NVEL ->
279
Estatstica Aplicada
X Bar: uma representao grfica da mdia de amostras
ao longo do tempo (Between)
R: representao da amplitude de uma amostra ao longo
do tempo. (Within)
S: representao do desvio padro de uma amostra ao
longo do tempo. (Within)
Valores individuais: uma representao dos valores
individuais ao longo do tempo.
Amplitude mvel: uma representao da amplitude mvel
(para duas observaes |X
i
- X
i-1
|) ao longo do tempo.
Grficos de Controle
para Variveis
280
Estatstica Aplicada
Exemplo: Os dados da
planilha ao lado foram obtidos
em um sistema de controle de
qualidade de bombas para o
exrcito americano. As
medidas, em polegadas,
referem-se s alturas de uma
parte da base das bombas.
Grficos de Controle para Variveis
Cep.mtw
281
Estatstica Aplicada
Xbar&R
01435 , 0 83115 , 0 = = R X
282
Estatstica Aplicada
Variao Within e Between
Test Results
for Xbar
Chart
TEST 4. 14
points in a
row
alternating
up and down.
Test Failed
at points: 20
283
Estatstica Aplicada
25 20 15 10 5 0

LM
LSC
LIC
3
2
1
25 20 15 10 5 0

LM
LSC
LIC
3
2
1
Runs tests
284
Estatstica Aplicada
Regras do Minitab
1. Um ponto alm da zona A.
2. Nove pontos em seqncia na zona C ou alm. (Todos do mesmo lado da
linha mdia)
3. Seqncia crescente ou decrescente de seis ou mais pontos.
4. Quatorze pontos em seqncia alternados para cima e para baixo.
5. Dois de trs pontos em seqncia na zona A ou alm.
6. Quatro de cinco pontos em seqncia na zona B ou alm.
7. Quinze pontos em seqncia na zone C, acima ou abaixo da linha mdia.
8. Oito pontos em seqncia alm da zona C, acima ou abaixo da linha mdia.
-3
-2
+2
+3
-1
+1
C
C
B
B
A
A
285
Estatstica Aplicada
Exibindo variao aleatria em torno da linha
mdia
Processo sob controle
Limite superior de controle (LSC)
Linha mdia (LM)
Limite inferior de controle (LIC)
286
Estatstica Aplicada
Processo Fora de controle
Uma seqncia de nove ou mais pontos do mesmo
lado da linha mdia
Limite superior de controle (LSC)
Limite inferior de controle (LIC)
Linha mdia (LM)
LSC
LM
LIC
287
Estatstica Aplicada
Um ou mais pontos alm dos limites de controle
LSC
LM
LIC
LSC
LM
LIC
288
Estatstica Aplicada
LSC
LM
LIC
LSC
LM
LIC
Seis ou mais pontos em seqncia crescente ou
decrescente
289
Estatstica Aplicada
Xbar&R - Exemplo
O arquivo Xbar_r.mtw (coluna= Torno) contm dados medidos do
dimetro de um eixo. Os dados esto em subgrupos de tamanho 3.
A especificao .060 +/- .003 polegadas
1. Verifique a estabilidade com um grfico sequencial (run chart). Verifique
tambm a normalidade.
2. Com o Minitab, crie um grfico Xbar&R. Quais suas concluses?
3. As especificaes dadas tm alguma relao com os limites de controle do
grfico?
4. Utilize os dados e as especificicaes para estimar a capabilidade desse
processo de usinagem.
5. Como o controle do processo est relacionado com a capabilidade do
processo?
290
Estatstica Aplicada
Xbar&R - Torno
291
Estatstica Aplicada
O processo est sob controle mas sua capabilidade no muito
boa!!!
Xbar&R - Capabilidade
Capabilidade
um tema central
em 6 Sigma
292
Estatstica Aplicada
Xbar&R - Capabilidade
293
Estatstica Aplicada
No confunda limites de controle com limites de
especificao.
Os limites de especificao so externos ao processo.
Eles podem representar requisitos de engenharia para
satisfazer um CTQ.
Limites de controle so internos ao processo, eles refletem
a faixa esperada de variao do processo.
Controle x Especificao
294
Estatstica Aplicada
Por exemplo, no grfico Xbar:
Limites de controle so para mdias dos subgrupos. A
maioria das especificaes so para valores individuais.
USL
UCL
LCL
LSL
Limite superior de controle
Limite superior de especificao
Subgrupo
Mdia de um subgrupo
Controle x Especificao
295
Estatstica Aplicada
I/MR
Exemplo:
O tempo de espera na fila de
um supermercado um CTQ
muito importante para os
clientes deste servio. A cada
4 horas, um cliente ao acaso
selecionado e o seu tempo de
espera cronometrado (em
minutos).
Que concluses podem ser
tiradas deste estudo?
Cep.mtw
296
Estatstica Aplicada
I/MR
297
Estatstica Aplicada
Exemplo: I/MR
Os dados no arquivo IMR.mtw (coluna shaft OD) so
referentes ao dimetro de um eixo torneado para 25
peas consecutivas.
Crie o grfico I/MR.
Analise seus resultados. Eles indicam uma condio
fora do controle? Liste as indicaes, se houverem.
O que est acontecendo com esse processo?
298
Estatstica Aplicada
0 Subgroup 5 10 15 20 25
24,95
25,05
25,15
25,25
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
1
5 5 5
2
2 2
Mean=25,09
UCL=25,22
LCL=24,96
0,00
0,05
0,10
0,15
M
o
v
i
n
g

R
a
n
g
e
2
2
R=0,04792
UCL=0,1566
LCL=0
I and MR Chart for Comprimento
I/MR
299
Estatstica Aplicada
teis quando a caracterstica medida no uma varivel.
Baseados em contagem ou classificao (Passa/No-Passa,
Bom/Ruim).
Baseados nas distribuies de Poisson ou Binomial
Os limites de controle so calculados de forma diferente dos
grficos para variveis mas seu significado e interpretao so
similares.
Um grfico (c, u) pode cobrir qualquer nmero de caractersticas,
mas nesse caso pode ser mais difcil analisar os sinais.
Um grfico ao invs de dois (No existe variao Within).
Grfico para
Atributos
300
Estatstica Aplicada
Uma unidade que contm um ou mais defeitos
S IM N O S IM S IM N O
Grfico P e NP
Classificao: Um item defeituoso
301
Estatstica Aplicada
3 0 1 0 2
Uma nica caracterstica que no atende os requisitos
Grfico C e U
Contagem: Um item com defeitos
302
Estatstica Aplicada
Exemplo: Em uma fbrica de
meias, 200 pares so analisados
diariamente. Nos 25 dias teis de
um ms obtiveram-se os nmeros
de pares defeituosos como na
planilha ao lado. Analise tal
processo usando o grfico de
proporo de defeituosos.
Cep.mtw
P e NP
303
Estatstica Aplicada
( ) ( ) p d n
i i
=

( )
p
p p
n
i

3
1
Grfico P e NP
p = =
250
5000
0 05
.
,
( )( )
0 05 3
0 05 0 95
200
,
, ,
LIC = 0,004 LSC = 0,096

304
Estatstica Aplicada
No arquivo P_chart.mtw, a coluna falhas contm dados
dirios para o nmero de peas contendo falhas no
revestimento, encontradas na inspeo do processo de
revestimento. A coluna subgrupo contm o nmero de peas
inspecionadas.
Crie um grfico P.
Quais suas observaes?
Exemplo Grfico P
Grfico para frao/percentual de defeituosos
305
Estatstica Aplicada
Grfico P - Falha
Sample
P
r
o
p
o
r
t
i
o
n
24 22 20 18 16 14 12 10 8 6 4 2
0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
_
P=0,01192
UCL=0,02137
LCL=0,00247
1
1
P Chart of Voids
Tests performed with unequal sample sizes
306
Estatstica Aplicada
Faturas so checadas em busca de erro de preenchimento
como entrada errada dos preos dos servios, erros no
preenchimento da identificao do cliente, etc. O nmero de
faturas preenchidas erroneamente por ms registrado. O
arquivo P_chart.mtw contm dados referentes aos ltimos
13 meses.
Crie um grfico P.
Exerccio Grfico P
307
Estatstica Aplicada
Sample
S
a
m
p
l
e

C
o
u
n
t

P
e
r

U
n
i
t
13 12 11 10 9 8 7 6 5 4 3 2 1
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
_
U=0,1017
UCL=0,1599
LCL=0,0436
1
1 1
1
1
1
1
1
1
U Chart of bad_inv
Exerccio Grfico P
308
Estatstica Aplicada
Grfico NP
No arquivo Np_chart.mtw, a coluna chaves contm
dados da inspeo de 25 lotes consecutivos de chaves
eltricas.
O tamanho de cada lote de 100 chaves.
Crie um grfico NP dos dados.
309
Estatstica Aplicada
Uma clnica atende 60 pacientes por dia. Eles pedem
aos pacientes que classifiquem, em uma escala de 1 a
5, a qualidade do atendimento recebido. Cinco timo e
um pssimo.
O nmero de pacientes que classifica o atendimento
como sendo 3 ou inferior considerado de insatisfeitos
e registrado todos os dias. Os dados esto no arquivo
Np_chart.mtw, coluna insatisfeitos.
Faa um grfico np dos dados.
Quais suas concluses?
Exerccio Grfico NP
310
Estatstica Aplicada
Grfico C e U
Exemplo: O trabalho de uma
datilgrafa, em fase de
treinamento, verificado
atravs da contagem dos
erros em unidades de 10
pginas datilografadas. Para
os seguintes dados, construir
o grfico de controle
correspondente.
311
Estatstica Aplicada
c = =
1393
25
55 72
.
,
c = 7 46 ,
LSC :
LIC :
c c
c c
+ =
=
3 78 10
3 33 34
,
,
c
c c c
k
k
=
+ + +
1 2
K
c c 3
Grfico C e U
312
Estatstica Aplicada
Exemplo Grfico C
Dados de fabricao de uma pea indicam perdas devido a defeitos de
soldagem. Os registros dos defeitos encontrados para cada pea
ensaiada so mantidos pelos responsveis pelo controle do processo.
Os dados observados no tempo para subgrupos de 2 peas esto na
coluna Solda_I da planilha C chart.mtw.
1. Crie um grfico C.
2. As no conformidades que so observadas so devido a causas
comuns ou causas especiais de variao.
3. Que tipo de ao pode ser tomada para tentar reduzir as no
conformidades desse processo?
313
Estatstica Aplicada
Exemplo Grfico C
314
Estatstica Aplicada
Exemplo Grfico C - Parte II
Uma ao que foi implementada para tentar diminuir o nmero de
defeitos em solda foi melhorar o treinamento dos operadores. Dados de
defeitos em peas fabricadas aps essa ao (tambm em subgrupos
de duas peas) esto na coluna Solda_II da planilha C_chart.mtw. Essa
ao foi efetiva na reduo das no-conformidades?
1. Crie um grfico C.
2. O novo processo est sob controle estatstico?
3. O treinamento melhorou o processo?
4. Como isso pode ser avaliado estatisticamente?
315
Estatstica Aplicada
Caiu significativamente?
...estatisticamente (2 sample t) e em termos de meta de projeto?
Exemplo Grfico C - Parte II
316
Estatstica Aplicada
Grfico U
No arquivo U_chart.mtw, a coluna erros contm dados ordenados
no tempo referentes a erros no preenchimento dos pedidos para os
clientes. Um defeito definido como informaes inexatas
encontradas na requisio. Diariamente, o nmero de defeitos e o
nmero de requisies preenchidas so registrados.
Construa um grfico U dos dados.
Quais suas concluses?
317
Estatstica Aplicada
Grfico U
O Grfico U o mesmo que o grfico C, exceto
pelo tamanho da unidade que varivel.
Sample
S
a
m
p
l
e

C
o
u
n
t

P
e
r

U
n
i
t
30 27 24 21 18 15 12 9 6 3
3,5
3,0
2,5
2,0
1,5
1,0
_
U=1,764
UCL=2,114
LCL=1,415
1
1
1
1
1
1
1
1
1
1
1
1
1
U Chart of errors
318
Estatstica Aplicada
Exerccio Grfico U
Duas partes de um readiador de autmvel so montadas
juntas. O nmero de vazamentos detectados no tempo
assim como o nmero de radiadores montados esto no
arquivo U_chart.mtw.
Construa um grfico U para esse processo.
Quais so suas concluses?
319
Estatstica Aplicada
Tamanhos dos subgrupos
Selecione um tamanho de subgrupo que fornea uma
mdia de defeitos/defeituosos:
Para que os limites de controle sejam simtricos em torno da mdia. (evitar LIC = 0)
C, U, NP > 5.0
:
Para os grficos P, selecionar os subgrupos de forma que
pelo menos 95% dos subgrupos contenham pelo menos um
defeituoso. Use a relao aproximada
N ~ 5 / P
320
Estatstica Aplicada
Durante as primeiras investigaes coloque os grficos
nas variveis de Sada (Y) que no esto sob
controle.
Aps as investigaes, coloque as grficos nas variveis
crticas de Entrada (X).
Se um grfico implantado no estiver proporcionando
informao de valor e gerando aes, remova-o.
Objetivo: Monitorar e controlar Entradas (X) e, com
tempo, eliminar os grficos de controle na Sada (Y).
Estratgia 6 Sigma
para uso de Grficos
de Controle
Y=f(X)
321
Estatstica Aplicada
Principais finalidades dos
grficos de controle
Reduzir refugo e retrabalho e melhorar produtividade.
Prevenir defeitos. Processo sob controle significa menor chance de produzir
unidades no-conformes.
Prevenir de ajustes desnecessrios no processo atravs da distino entre
causas comuns e causas especiais de variao.
Fornecer informao para diagnstico de forma que um operador experiente
possa determinar o estado de seu processo analisando padres de
variabilidade. O operador pode ento fazer as alteraes necessrias para
melhorar a performance do processo.
Fornecer informaes importantes sobre os parmetros do processo ao
longo do tempo.
Significando:
Custos mais baixos de fabricao
Padres de trabalho corretos
Processos previsveis quanto ao desempenho
Especificaes realistas
Menos inspees
Melhor relacionamento com clientes
Menor tempo de ciclo
Melhor qualidade de produto

Estatística 2011

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 2011

Enviado por

Direitos autorais:

Formatos disponíveis

1

Desvio Padro da Amostra

Desvio Padro da Amostra

Ela no significa que a

Portanto, pode-se adotar um desvio padro de 10.

LIC = 0,004 LSC = 0,096

Você também pode gostar