Professional Documents
Culture Documents
Inferncia estatstica
a. Estimao de parmetros
b.
Testes de hipteses.
c. Anlise da Varincia.
d. Regresso linear simples
e. Regresso linear mltipla.
f.
Controle da Qualidade.
Divide-se em:
a) Estimao: quando nada se sabe a respeito da populao;
b) Testes de Hipteses: quando se afirma algo sobre a populao e vai-se
verificar se verdade.
Independentemente de qual enfoque se aplique, as afirmaes feitas sempre devem vir
acompanhadas de um grau de confiana, ou grau de certeza; ou seja, o quanto se est
certo ao comunicar uma informao, porque toda deciso tem um risco, que probabilidade
associada a uma deciso errada.
Pg. 4-1
a. Estimao de parmetros
a.1 Conceito de estimao de parmetros (caractersticas) da
populao
Na Estatstica, o nome parmetro refere-se a uma caracterstica da populao; os mais
conhecidos so a mdia e o desvio-padro.
Quando nada se sabe a respeito dos valores dos parmetros da populao pode-se estimar
esses valores a partir de dados de uma amostra, ou seja, fazer uma estimao, que pode
ser de dois tipos: pontual e por intervalo.
Na estimao pontual, o valor da caracterstica da amostra considerado uma estimativa
do valor do parmetro na populao.
[ erro de amostragem ]
Intervalo de confiana
Valor amostral
Limite inferior
de confiana
Limite superior
de confiana
Pg. 4-2
Finalmente,
de amostragem).
O objetivo do estudo das tcnicas estatsticas de estimao obter o menor
intervalo que tenha uma confiana adequada ao tomador de deciso, ou seja, a
estimao por intervalo consiste em encontrar um intervalo definido por dois limites, tal que a
probabilidade do valor da populao estar contido nele seja igual a (1 ). Em porcentagem,
essa probabilidade, chamada nvel ou
%.
Mdia amostral
confiana .
disperso
tamanho da amostra
Mdia - confiana .
disperso
tamanho da amostra
disperso
tamanho da amostra
Mdia + confiana .
Pg. 4-3
X t
s
n
X +t
s
n
Mdia - confiana .
disperso
tamanho da amostra
Mdia + confiana .
disperso
tamanho da amostra
Todavia, com fazer em relao ao erro que se admite cometer, ou seja, confiana
que se deseja? A soluo a seguinte: escolhe-se o erro, usualmente 5%
(equivalente a dizer que se tem uma confiana de 95%). Surge, agora, mais um
problema, como expressar a confiana, como inclu-la na
expresso
matemtica?
X t
50 2,064
RESPOSTA
s
n
X +t
s
n
8
8
50 + 2,064
25
25
46,69mg/L 53,31mg/L
Pg. 4-4
n-1
Se desejarmos obter apenas o limite superior (ou apenas o limite inferior) do intervalo
de confiana, para determinar o valor de t no Excel, em Probabilidade deve ser
colocado o dobro do erro.
Para a distribuio de Student, temos, por exemplo, os seguintes fatores para os
tamanhos 25 e 38, e confianas de 90%, 95% e 99% (Tabela 3.1).
Pg. 4-5
Fator
90%
1,710882316
95%
2,063898137
99%
2,796950866
Tamanho da amostra = 38
Confiana
Fator
90%
1,687094482
95%
2,026190487
99%
2,715405572
SITUAO 5
Na fase de Projeto Executivo de uma rodovia, explicar como deve ser estimado o valor do
ndice de Suporte California CBR de um solo a ser utilizado na execuo de um aterro.
SOLUO
A Instruo de Servio IS-206 ESTUDOS GEOTCNICOS constante das Diretrizes Bsicas para
Elaborao de Estudos e Projetos Rodovirios do DNIT Edio 2006 (Publicao IPR-726)
estabelece os critrios estatsticos a serem empregados no estudo de ocorrncias de materiais
empregados nos diversos servios de construo rodoviria. Segundo essa instruo, devem
1
William Sealy Gosset (1876-1937) foi um qumico e estatstico, sendo mais conhecido pelo
pseudnimo de Student. Ingls, trabalhou na destilaria Guiness, cujo dono proibiu que seus funcionrios
publicassem artigos cientficos, e por essa causa conhece-se a distribuio t de Student e no distribuio
de Gosset.
No modelo de Gosset, tem-se uma distribuio para cada grau de liberdade. Desse modo, aquilo que se
conhece publicado como tabela t de Student , na verdade, o extrato de vrias tabelas, onde cada linha
parte da tabela geral, ou seja, cada linha o extrato da tabela para aquele grau de liberdade
Pg. 4-6
ser realizados furos de sondagem nos vrtices de um reticulado com malha de 50m de lado,
nos quais devero ser coletados exemplares de todos os horizontes identificados,
submetendo-as aos ensaios de caracterizao, compactao e ndice de Suporte California
CBR. Os valores obtidos nos ensaios so submetidos a tratamento estatstico, calculando-se os
seguintes valores:
X max = X + 1,29
X min = X 1,29
N
N
+ 0,68
0,68
Onde
N
X
X =
i =1
N
N
(X
=
X )2
i =1
N 1
N = nmero de exemplares
X = mdia da amostra
X i = valores individuais
b. Testes de hipteses.
4b A segunda parte da Inferncia Estatstica: testes de
hipteses
Considere-se um novo fornecedor que afirma ser melhor o produto dele: essencial que se
compare esse novo produto com um outro, aquele sendo usado. Por exemplo, um produto
apresenta, para certa caracterstica, a mdia 70. Uma amostra do novo fornecedor
apresenta mdia 65. A diferena entre os valores 65 e 70 estatisticamente
Pg. 4-7
bilateral
rejeio
Regio de
no-rejeio
rejeio
Pg. 4-8
rejeio
Regio de
no-rejeio
rejeio
rejeio
unilateral superior
Regio de
no-rejeio
rejeio
unilateral inferior
rejeio
Regio de
no-rejeio
A situao que se for estudar definir o tipo de teste a ser selecionado. Por exemplo, em
termos de carga mxima suportada por um elevador, o cuidado apenas no ultrapassar com
o valor mximo da capacidade, no importando o valor mnimo da carga (teste unilateral
superior). Por outro lado, ao se estimar o lucro de uma empresa, a preocupao com o
faturamento mnimo e no com o mximo (teste unilateral inferior).
Em todos os casos, a estatstica amostral deve ser comparada
crtico para determinar a rejeio, ou no, da hiptese de nulidade.
com um valor
Pg. 4-9
de
b)
teste
F a letra inicial de Fisher (Ronald Fisher, 1890-1962), estatstico ingls considerado o pai da
Estatstica moderna. O nome da distribuio foi atribudo por Snedecor (George Snedecor, 1881-1974)
em homenagem a ele.
3
Estes dois testes pressupem que os dados possam ser modelados pelo modelo probabilstico
conhecido como distribuio de Gauss (popularmente conhecida como distribuio normal) de acordo
com o Teorema Central do Limite (mais detalhes no Anexo 3).
Pg. 4-10
Pg. 4-11
Laboratrio 1
Laboratrio 2
2,07
2,05
2,42
2,43
Pg. 4-12
2,81
2,85
3,03
2,98
3,30
3,26
3,34
3,37
3,55
3,50
3,79
3,81
4,05
4,01
4,42
4,38
RESPOSTA
Pg. 4-13
Mdia
Varincia
Observaes
gl
F
P(F<=f) uni-caudal
F crtico uni-caudal
Varivel 1
Varivel 2
3,278
3,264
0,524062222 0,509826667
10
10
9
9
1,027922344
0,483975055
3,178893105
Interpretando o resultado
A regra de deciso a seguinte: se o valor de F for menor que o do F crtico unicaudal, as
varincias podem ser consideradas equivalentes.
Como o valor da estatstica de teste F, 1,027922344, menor que o valor de F crtico
unicaudal, 3,178893105, pode-se afirmar, com 95% de confiana, que as varincias dos
mtodos 1 e 2 podem ser consideradas equivalentes. Usa-se o teste unicaudal porque mais
restritivo.
Pg. 4-14
Pg. 4-15
Mdia
Varincia
Observaes
Varincia agrupada
Hiptese da diferena de mdia
gl
Stat t
P(T<=t) uni-caudal
t crtico uni-caudal
P(T<=t) bi-caudal
t crtico bi-caudal
Varivel 1
Varivel 2
3,278
3,264
0,524062222 0,509826667
10
10
0,516944444
0
18
0,043540268
0,482875119
1,734063592
0,965750237
2,100922037
Interpretando o resultado
Como o valor da estatstica de teste Stat t, 0,043540268, em mdulo, menor que o valor de t crtico
unicaudal (1,734063592), pode-se afirmar, com 95% de confiana, que os laboratrios podem ser
considerados equivalentes.
Pg. 4-16
da amostra. Como F calculado maior que F crtico, ento tambm pelo enfoque
clssico (no qual se estipulou 5% de erro), obviamente tambm se rejeita H0.
3.3.2
Amostras Dependentes
Se a mesma amostra analisada por dois mtodos, faz-se o Teste-T: duas amostras
em par para mdias (Figura 3.17).
Pg. 4-17
Resultado
E3-3
Amostra
Resultados pelo
Laboratrio 1
pelo Laboratrio
0,0134
0,0135
0,0144
0,0156
0,0126
0,0137
0,0125
0,0137
0,0137
0,0136
de referncia
Pg. 4-18
Figura 3.18 Dados para o Teste T: duas amostras em par para mdias
Mdia
Varincia
Observaes
Correlao de Pearson
Hiptese da diferena de mdia
gl
Stat t
P(T<=t) uni-caudal
t crtico uni-caudal
P(T<=t) bi-caudal
t crtico bi-caudal
Varivel 1 Varivel 2
0,01332
0,01402
6,27E-07 0,000000787
5
5
0,711073
0
4
-2,42974
0,036001
2,131847
0,072002
2,776445
Interpretando o resultado
Como o valor da estatstica de teste Stat t, -2,42974, em mdulo, maior que o valor de t
crtico unicaudal, 2,131847, pode-se afirmar, com 95% de confiana, que o Laboratrio 1 no
deve ter seus resultados equivalentes ao de referncia.. Decidimos pelo valor p, como este
0,036, menor que o erro usual de 5%, rejeita-se a hiptese de nulidade.
c. Anlise da Varincia.
Anlise da Varincia (ANOVA)
A Anlise da Varincia (conhecida como ANOVA)4 testa a hiptese de que so iguais as mdias
de todas as populaes de onde so retiradas as amostras; se no verdade, apenas se pode
afirmar que, pelo menos, uma das mdias diferente das outras (mas no se sabe qual). Em
notao estatstica:
H0: 1 = 2 = ... = c
H1: ao menos uma das mdias diferente
Porque no usar vrios testes T, dois a dois? Porque a probabilidade de se cometer ao menos
um erro do tipo I, usando testes t para comparar duas a duas todas as mdias de um
experimento com k grupos dada na Tabela 3 .3
Tabela A3.3 - Erros cometidos ao usar o teste de Student dois a dois
Nvel de significncia do teste
Nmero de mdias
0,05
0,01
0,001
0,05
0,01
0,001
0,14
0,03
0,003
0,26
0,06
0,006
0,40
0,10
0,010
Pg. 4-20
E-14.1
A hiptese de nulidade (sempre IGUALDADE): que as mdias de A, B e C so
iguais. Verificar se verdade, podendo-se errar em 5% das vezes.
O resultado apresentado pelo Excel o seguinte:
EA8-1
Determinaes (%)
An1
10,2
9,9
10,1
10,4
10,2
10,4
An2
9,9
10,2
9,5
10,4
10,6
9,4
An3
10,6
10,5
10,7
10,6
10,8
11,0
An4
10,1
9,9
10,2
9,9
11,1
10,0
Pode-se afirmar que o desempenho dos analistas o mesmo, tendo-se uma chance
mxima de erro de 5%?
RESPOSTA
Pg. 4-23
E3-6
G1
G2
G3
19
40
39
31
35
27
15
46
20
30
41
29
33
35
5
6
30
RESPOST
A
Contagem
4
5
6
ANOVA
Fonte da variao
Entre grupos
Dentro dos grupos
SQ
534,5833333
512,75
Total
1047,333333
Soma
95
195
180
gl
Mdia
Varincia
23,75 63,58333333
39
26,5
30
43,2
MQ
F
valor-P
F crtico
2 267,2916667 6,255485129 0,013769699 3,885293835
12 42,72916667
14
Como F-calculado > F-crtico: 6,255 > 3,88, rejeita-se a hiptese de nulidade e
ao menos uma das mdias diferente.
Entretanto, todos os grupos diferem entre si? Para responder, necessrio realizar a
comparao mltipla entre mdias para determinar quais grupos diferem entre si:
Teste de Tukey
Correo de Bonferroni
39,00
30,00
23,75
n:
EP =
QMresduo 1
1
+
2
n A nB
grupos.
Desse modo, temos
EP =
42,73 1 1
+ = 2,7989
2 5 6
EP =
42,73 1 1
+ = 3,1007
2 5 4
EP =
42,73 1 1
+ = 2,9836
2 6 4
Qcalc =
X A X B
EP
Qcalc =
39,00 30,00
= 3,22
2,7989
Qcalc =
39,00 23,75
= 5,11
2,9836
Qcalc =
30,00 23,75
= 2,02
3,1007
Pg. 4-26
A equao que relaciona duas variveis, por exemplo, resposta medida e varivel
modificada, :
Y=aX+b
onde:
Y = resposta medida
X = varivel modificada
a = coeficiente angular (inclinao) da reta
b = interseo da reta com o eixo Y (ou seja, a ordenada quando X = 0)
O mtodo mais usado para determinar a linha reta que melhor representa um conjunto de
pontos conhecido como MMQ, mtodos dos mnimos quadrados. A reta resultante (chamada
Pg. 4-27
Pg. 4-28
Ano
Demanda
10,4
17,3
27,1
33,8
41,5
E4-2
a) Faa um grfico mostrando os dados experimentais.
b) Determine a equao da reta dos mnimos quadrados, usando o
Excel.
c) Indique a demanda terica na metade do terceiro ano.
1. Aps a digitao dos resultados do ano na coluna A e da demanda na
coluna B, escolha o grfico Disperso (XY), que resulta na Figura 4.8. .
45
Demanda
40
35
30
25
20
15
10
5
RESPOSTA
0
0
Ano
Pg. 4-29
Pg. 4-30
45
Demanda
40
y = 7,87x + 2,41
R2 = 0,9968
35
30
25
20
15
10
5
0
0
Ano
Pg. 4-31
As respostas so:
A anlise de regresso apenas indica qual relacionamento matemtico pode existir, se existir
algum. Em outras palavras, a regresso no pode mostrar que uma varivel tenda a causar
certos valores de outra varivel, ou seja, no garante que exista relao de causa e
efeito.
Pg. 4-32
Pg. 4-33
Ano
Demanda
10,4
17,3
27,1
33,8
41,5
E4-3
Determine a equao da reta dos mnimos quadrados Y = AX + B com a
variao dos coeficientes A e B.
passo 1: primeiramente, digitar em uma coluna os valores do Anoe em outra
coluna os resultados da Demanda:
Interseo
Varivel X 1
Interseo
Varivel X 1
Coeficientes
2,41
7,87
95% inferiores
95% superiores
-0,300938699
5,120938699
7,052621228
8,687378772
Pg. 4-35
Reta de regresso
Corredor de 99%
de confiana
Corredor de 95%
de confiana
1
outros tipos de regresses que, embora no sejam lineares, podem se tornar lineares
mediante transformaes simples como, por exemplo, aplicar logaritmos a ambos os
termos.
Pg. 4-37
S=
(y i y i )
, onde
i =1
valores de y observados
Pg. 4-38
yi
Tem-se que
Figura 3.2 Ilustrao das diferenas entre o modelo, os dados reais e a mdia das
observaes y
Quanto, ento, a reta de regresso (valores
? Isto fornecido
), o que corresponde a
) (Figura 2).
Pg. 4-39
Matematicamente, como
Variao Residual
valores de y observados
valor mdio de y
valor de y estimado pela reta de regresso y=ax+b
3.2 Medida de qualidade do ajuste, o coeficiente de determinao R2
O objetivo determinar se o modelo representa adequadamente os dados coletados.. Se se
fizer
SQT
SQT
SQ Re g
SQ Re s
+
SQT
SQT
ento
1=
(Yi
(Y i
)2
)2
(Y i
e i2
Y
)2
SQ Re g
. Da que:
SQT
SQ Re s
SQ Re s
1 = R2 +
, ou seja, R2 = 1 SQT
SQT
Pg. 4-40
R2 =
ei2
SQ Re g
SQ Re s
= 1
= 1
yi2
SQT
SQT
2
2
e yi independente do nmero de variveis explicativas, mas ei depende do nmero de
ei2 ( n k )
R = 1
yi2 ( n 1 )
2
que, sob H0, uma distribuio F com graus de liberdade (1,n-2). Portanto rejeita-se H0 quando
MQregresso for significativamente maior que a MQresduos.
O Quadro 3.1 apresenta a ANOVA com a identificao de cada uma das clulas.
Pg. 4-41
y i quanto
xi.
A SQtotal tem (n-1) graus de liberdade pela definio de varincia amostral.
A SQresduos tem (n-2) graus de liberdade porque a reta de regresso tem dois parmetros, a e b,
que devem ser fixos para cada amostra
yt = 1 + 2 xt.
EQ. 3.1
Caso a regresso pelo modelo linear no tenha se apresentado adequada para descrever o
relacionamento entre as variveis com os dados observados, pode-se empregar a regresso no-linear
como, por exemplo, a polinomial (EQ. 2).
y = 1 + 2 x + 3 x 3 + ...
EQ. 3.2
Conforme sejam adicionadas potncias crescentes de x, a curva tornar-se- cada vez mais
complexa numa tentativa de ajustarem os pontos representativos do relacionamento entre as
duas variveis.
Considerando o caso de se ter um modelo de regresso linear simples, o modelo geral est
representado pela EQ. 3.3. Observe a existncia do termo referente ao erro, que diferencia o
modelo estatstico do modelo matemtico.
yt = 1 + 2x t + et
EQ. 3.3
Pg. 4-42
1. yt = 1 + 2x t + et
2. E (et ) = 0 E(yt) = 1 + 2x t
3. var(et) = 2 = var(yt)
4. cov(ei,ej) = cov(yi,yj) = 0
5. x t c (cte) para toda observao
6. et ~ N(0,2) yt ~ N[( 1 + 2x t ), 2 ] (opcional)
onde 2 representa um valor constante para a varincia.
comum que o termo et seja numericamente mais importante que a explicao motivada pela
varivel xt. Nesse caso, recomendvel introduzir-se mais variveis ao modelo de forma a
explicar o comportamento de yt. A anlise passa a ser ento denominada de anlise de
regresso linear mltipla.
A regresso mltipla utilizada para testar dependncias acumuladas de uma nica varivel
dependente em relao a diversas variveis independentes. Cada varivel isolada e mantida
constante enquanto que as restantes variam sistematicamente, de modo a que se possa
verificar os seus efeitos sobre a varivel dependente.
O modelo geral representado pela EQ. 3.4.
yt = 1 + 2x t2 + 3x t3++ nx tk + et
EQ. 3.4
2.
Na regresso linear, o tratamento de valores extremos feito a partir do grfico dos resduos
da regresso versus os nveis de concentrao. Duas linhas horizontais correspondentes a
Pg. 4-43
(1 , n 2 )
2
S resduos
So traadas para indicar uma faixa de variao aceitvel para os resduos da regresso
representados no grfico, sendo os casos de pontos fora destes limites percebidos como
tendenciosidades. Compara-se a disposio dos pontos no grfico dos resduos da regresso
com padres para identificar valores extremos ou no adequabilidade do modelo original.
Cnicas indicam heteroscedasticidade, e formas em U ou U invertido sugerem desvio de
linearidade.
Esses valores extremos so avaliados pelo mtodo dos resduos padronizados Jackknife, cuja
estatstica o resduo padronizado Jackknife
J ei ,
analtica por
n p 1
J ei = ri
n p
2
i
onde
p o nmero de parmetros do modelo,
ri =
Sei
o resduo padronizado,
sei = S resduos 1 hi
1 ( xi x ) 2
hi = +
n
S xx
erro
padro
do
resduo.
Nessa
expresso,
S xx =
(x x)
i =1
J ei maiores
porcentagem de dados tratados for superior a 22,2 % do nmero original de dados ou quando
o ponto for a terceira e ltima replicata do nvel de concentrao estudado. Para cada retirada,
recalcula-se a reta de egresso.
No Excel, tem-se:
Pg. 4-44
Pg. 4-45
Pg. 4-46
X
1
2
3
4
5
6
7
Y
2,9
5,4
6,8
8,7
10,8
13,2
14,9
RESULTADOS DE RESDUOS
Observao
Y previsto
1
3
2 4,985714
3 6,971429
4 8,957143
5 10,94286
6 12,92857
7 14,91429
desvpad=
mdia=
Resduos
Resduos padro
-0,1
-0,401918476
0,414285714
1,66509083
-0,171428571
-0,689003102
-0,257142857
-1,033504653
-0,142857143
-0,574169252
0,271428571
1,090921578
-0,014285714
-0,057416925
0,248806676
0
Varivel X 1 Plotagem de
resduos
Resduos
0,5
0
0
-0,5
Varivel X 1
Pg. 4-47
X
1
2
3
4
5
6
7
8
Y
2,9
5,4
6,8
8,7
10,8
13,2
14,9
57
RESULTADOS DE RESDUOS
Observao
1
2
3
4
5
6
7
8
Y previsto
-3,683333333
1,644047619
6,971428571
12,29880952
17,62619048
22,95357143
28,28095238
33,60833333
desvpad=
mdia=
Resduos
Resduos padro
6,583333333
0,568599047
3,755952381
0,324399637
-0,171428571
-0,014806196
-3,598809524
-0,310827291
-6,826190476
-0,589574491
-9,753571429
-0,842410848
-13,38095238
-1,155705839
23,39166667
2,020325981
11,57816456
8,88178E-16
quadrados no pode ser usado para estimar a regresso, devendo ser usado um
mtodo mais complexo chamado mnimos quadrados geral.
Resduos
Resduos
crescendo
5a. Teste de Ryan-Joner para verificar se os resduos dos dados podem ser
modelados pela distribuio de Gauss
A questo mais importante no "Os dados podem ser modelados pela distribuio de
Gauss? ou, popularmente falando, A populao normal?", porque j se sabe que nenhuma
populao real pode ser modelada pela distribuio de Gauss. Entretanto, a pergunta deve ser
Quanto no Gauss a populao? ou Quanto no ser Gauss vai influenciar no resultado?
A estatstica Ryan-Joiner (RJ) pode ser utilizada para indicar a resposta primeira dessas
perguntas.
Por ser um o coeficiente de correlao, a hiptese de nulidade rejeitada quando os
coeficientes de correlao calculados so menores que os valores crticos estabelecidos para
esses coeficientes.
Os passos so os seguintes:
1) Ordenar os resduos.
2) Determinar, a partir dos valores desses resduos, os percentis estimados para uma
distribuio de Gauss padronizada, percentis denominados, popularmente, quantis
normais, a partir da seguinte expresso
qi =
1 (i
3 / 8)
(n + 1 / 4) para i = 1, ..., n
Pg. 4-49
(i 3 / 8)
, i a ordem da
(n + 1 / 4)
Req =
eq
S xS
ee
Onde
n
(e e )(q q )
Seq =
i =1
n
See =
(e e )
i =1
n
S qq =
(q q )
i =1
n
e=
i =1
n
n
q=
i =1
.
5) Determinar o valor do coeficiente de correlai crtico Rcrtico(n) para um erro de 5%
pela expresso:
+
n
n2
n
=
ij
y ~
y
ij
~
y a mediana do grupo j.
j onde
ij
(e e
i 1 )
Calcula-se a estatstica DW = d =
1=2
n
1=1
Pg. 4-51
Se d> 2, os termos sucessivos de erro so, em mdia, muito diferentes uns dos outros, isto ,
negativamente correlacionados. Em regresses, isto pode implicar uma subestimao do nvel
de significncia estatstica.
Para testar para auto-correlao positiva com nvel de significncia , a estatstica de teste
comparada com os valores crticos inferiores e superiores (dL e dU).
Se d <dL, h evidncia estatstica de que os termos de erro so positivamente
autocorrelacionados.
Se d> dU, no h nenhuma evidncia estatstica de que os termos de erro so positivamente
autocorrelacionados.
Extrato da tabela para o teste de Durbin-Watson para alfa = 5%
N
dL
dU
15
1,08
1,36
20
1,20
1,71
25
1,29
1,45
30
1.35
1,49
40
1,44
1,54
50
1,50
1,59
60
1,55
1,62
80
1,61
1,66
100
1,65
1,69
Graficamente, tem-se:
Pg. 4-52
EXERCCIOS
f. Controle da Qualidade.
Um grfico de controle um meio de controlar um processo. Valores dos dados so
coletados e determina-se, por exemplo, a mdia amostral, a amplitude da amostra ou o
desvio-padro amostral, baseados na caracterstica da qualidade de interesse que se deseja
controlar, caracterstica colocada em um grfico. Se esse valor estiver entre determinados
limites e no exibir qualquer padro sistemtico ou previsvel, o processo pode ser
considerado sob controle estatstico. Se os limites so calculados a partir de dados recentes, o
Pg. 4-53
grfico informa que o processo est, no momento, sob controle. Entretanto, se os limites de
controle foram calculados a partir de dados anteriores, baseados em um processo inicialmente
sob controle, o grfico pode ser usado para determinar se, aps ltima coleta de dados, o
processo saiu ou no de controle.
Os grficos de controle so chamados, algumas vezes, de grficos de Shewhart, porque Walter
A . Shewhart foi quem primeiro props sua teoria geral.
H dois tipos principais de grficos de controle: por variveis e por atributos. Nos grficos de
controle por variveis, o valor de uma caracterstica da qualidade medida em escala
numrica e so construdos para uma medida de representatividade (normalmente a mdia
aritmtica) e para uma medida de disperso (normalmente a amplitude ou o desvio-padro),
os quais devem ser utilizados de modo conjunto. Os grficos de controle para variveis
informam a respeito da mdia da amostra, da amplitude da amostra, do desvio padro da
amostra, dos valores individuais e da mdia mvel. Nos grficos de controle por atributos,
indica-se a presena ou falta de uma determinada condio. Por exemplo, nos grficos por
atributos indica-se a frao de itens no conformes, o nmero de no conformidades, o
nmero total de no conformidades e o nmero total de no conformidades por unidade.
A caracterstica da qualidade a ser acompanhada colocada o eixo vertical, enquanto que, no
eixo horizontal, representam-se as amostras ou os subgrupos7. A figura 8.1 mostra um tpico
grfico de controle.
Valor da caracterstica
30
25
20
15
10
0
10
Nmero da amostra
Pg. 4-54
Trs linhas so indicadas no grfico de controle. A linha central (LC) representa o valor mdio
da caracterstica em estudo, sendo uma indicao da medida central do processo. A linha
central geralmente definida a partir de dados das amostras ou de uma especificao. Para a
tomada de deciso a respeito do processo, utilizam-se dois limites, o limite superior de
controle (LSC) e o limite inferior de controle (LIC).
Se os pontos representando os valores observados das caractersticas encontram-se dentro
dos limites de controle e no exibem nenhuma disposio regular, o processo considerado
sob controle estatstico. Se algum ponto situa-se fora dos limites de controle ou se uma
disposio no-aleatria existe (como, por exemplo, inmeros pontos sucessivos acima da
linha mdia), o processo considerado fora de controle estatstico.
LC = valor mdio de
LSC = valor mdio de + k. DP( )
LIC = valor mdio de - k DP( )
onde
central. Tradicionalmente, o valor de k escolhido 3 (origem da expresso limites 3, Sixsigma e Seis Sigma).
Os valores apresentados em um grfico de controle so considerados, aproximadamente,
como sendo modelados pela distribuio de deMoivre-Laplace-Gauss ( tambm conhecida
como distribuio normal). Para as mdias amostrais, o teorema central do limite garante que
a distribuio de probabilidade tende para a distribuio de deMoivre-Laplace-Gauss, mesmo
que a populao original no seja modelada por essa distribuio. Como, na maioria dos casos,
utiliza-se a mdia amostral dos valores de determinadas caractersticas, considera-se vlida a
distribuio de DeMoivre-Laplace-Gauss para a determinao dos erros associados s
decises.
Pg. 4-55
Desse modo, k=3 significa que existe a probabilidade de que, caso o processo esteja sob
controle, somente 0,27% dos valores encontrarem-se fora dos limites de controle.
g. Introduo ao planejamento de
experimentos. (exemplo simples com
base no Montgomery)
Conceitos iniciais definies etc.
Pg. 4-56
Pg. 4-57
Pg. 4-58
Pg. 4-59
Pg. 4-60
Pg. 4-61
Pg. 4-62
EXERCCIOS
Caso encontre algum exerccio que no tem um texto que o responda, pesquise a
respeito e incorpore o que descobriu ao corpo do material.
A. EXERCCIOS CONCEITUAIS
Fonte: http://rpcriativo.blogspot.com/2010/04/pensar-fora-da-caixa-pode-ser-muito.html
1.
2. .
B.EXERCCIOS de habilidade
(resolver problemas)
Pg. 4-63
C. Exerccios
Exerccios de uso de aplicativos
computacionais
1) Crie um anexo ao captulo 1 com os passos bsicos para usar o aplicativo R.
2) Inclua no texto como fazer para gerar o feito no Excel dgitos pseudoaleatrios
com o aplicativo R.
D. Exerccios de
interpretao de resultados
resultados
Ao longo do texto.
E.EXERCCIOS de pesquisa
www.youtube.com
a.
b.
2.
1.
2.
G. Para descontrair:
3. http://www.youtube.com/watch?v=H6syI3xiBBg
Pg. 4-64
4.
Pg. 4-65