Baixe o app para aproveitar ainda mais
Prévia do material em texto
DESCRIÇÃO O Controle Estatístico é uma poderosa coleção de ferramentas úteis na obtenção da estabilidade do processo e na melhoria da capacidade por meio da redução da variabilidade. Um processo estará sob controle (estável) se os resultados estiverem em conformidade com os limites impostos. Caso contrário, o processo deve ser investigado para que sejam detectadas as causas do desvio. PROPÓSITO Obter conhecimento sobre a aplicação das técnicas estatísticas e análise de dados relacionados ao controle da qualidade de processos e suas aplicações práticas. PREPARAÇÃO Antes de iniciar este estudo, tenha em mãos uma calculadora, preferencialmente que execute cálculo de exponenciais. Tenha também, se possível, um computador com aplicativo Microsoft Excel ou Apache OpenOffice, como apoio para a solução dos problemas que serão apresentados. Processing math: 33% OBJETIVOS MÓDULO 1 Descrever os conceitos de Estatística Básica MÓDULO 2 Definir como se deve determinar tamanhos de amostras MÓDULO 3 Aplicar planos de amostragem MÓDULO 4 Reconhecer a importância da análise da capacidade de processos Processing math: 33% BEM-VINDO AOS ESTUDOS DO CONTROLE ESTATÍSTICO DE PROCESSOS MÓDULO 1 Descrever os conceitos de Estatística Básica IMPORTÂNCIA DA ESTATÍSTICA BÁSICA EM PROCESSOS Processing math: 33% INTRODUÇÃO À ESTATÍSTICA Neste módulo, vamos rever alguns conceitos de Estatística Básica, e outros que serão obrigatórios para a compreensão dos demais módulos. O estudo da Estatística envolve Matemática e se baseia em cálculos de números. Mas também depende muito de como os números são escolhidos e de como as estatísticas são interpretadas. Imagem: Shutterstock.com. Considere os dois cenários a seguir e as interpretações baseadas nas estatísticas apresentadas. Você verá que os números podem estar certos, mas a interpretação pode estar errada. CENÁRIO 1 Um novo anúncio de sorvete feito pela sorveteria YDVQS e apresentado no final de novembro do ano passado resultou em um aumento de 30% nas vendas de sorvete durante os três meses seguintes. O anúncio foi eficaz, porém, uma grande falha é desconsiderar que o consumo de sorvete geralmenteProcessing math: 33% javascript:void(0) aumenta nos meses de dezembro, janeiro e fevereiro, independentemente dos anúncios de sorvete feitos. Esse impacto é chamado de efeito histórico e leva as pessoas a interpretar como final o resultado de uma variável quando outra variável (nesse caso, a época do ano) é realmente a responsável. CENÁRIO 2 Estão ocorrendo 75% mais casamentos inter-raciais este ano do que há 25 anos. Assim, nossa sociedade aceita casamentos inter-raciais. Uma grande falha é que não temos todas as informações de que precisamos. O que representa a taxa de casamentos que estão ocorrendo? Suponha que apenas 1% de casamentos há 25 anos eram inter-raciais, e agora 1,75% de casamentos são inter-raciais (1,75 é 75% maior que 1). Mas esse número dificilmente evidencia a aceitabilidade de casamentos inter-raciais. Portanto, simplesmente não há informações suficientes para compreender totalmente o impacto das estatísticas. Em conjunto, esses exemplos mostram que as estatísticas não são apenas fatos e números, elas são mais do que isso. No sentido mais amplo, estatística se refere a uma gama de técnicas e procedimentos para analisar, interpretar, exibir e tomar decisões baseadas em dados. POPULAÇÃO E AMOSTRA Em Estatística, muitas vezes, contamos com uma amostra, isto é, um pequeno subconjunto de um conjunto maior de dados, para fazer inferências sobre o conjunto maior, conhecido como população da qual a amostra é retirada. Veja nos exemplos a seguir. Processing math: 33% javascript:void(0) Imagem: Shutterstock.com. EXEMPLO 1 Você foi escolhido pelo Tribunal Eleitoral para realizar uma pesquisa sobre como o povo de seu estado se sente em relação à confiabilidade dos procedimentos de votação. A quem você vai perguntar? Não será prático perguntar a cada pessoa como ela se sente em relação aos procedimentos de votação. Em vez disso, consultamos um número relativamente pequeno de pessoas para poder tirar conclusões sobre o estado inteiro, a partir de suas respostas. As pessoas realmente consultadas são nossa amostra da maior população de todos os moradores do estado. Os procedimentos matemáticos pelos quais convertemos informações sobre a amostra em suposições inteligentes sobre a população se enquadram na rubrica de Estatística Inferencial. Uma amostra é normalmente um pequeno subconjunto da população. No caso da votação, teríamos uma amostra de alguns milhares de pessoas escolhidas entre milhões que compõem o estado. Ao escolher uma amostra, é fundamental que não represente em demasia um tipo de cidadão em detrimento de outros. Falaremos sobre isso mais à frente. Atenção! Para visualização completa da equação utilize a rolagem horizontal EXEMPLO 2 Processing math: 33% Um treinador de basquete está interessado em saber quantas cestas de três pontos os calouros da faculdade podem fazer em média. Oito voluntários dão um passo à frente. Depois de observar o desempenho deles, o treinador conclui que calouros podem fazer uma média de 16 cestas de três pontos. No exemplo, a população é a turma de calouros da universidade do treinador. A amostra é composta por oito voluntários, porém, foi mal escolhida porque os voluntários têm mais probabilidade de fazer cestas de três pontos do que a média dos calouros, pois as pessoas que sabem que não vão acertar provavelmente não se voluntariaram. No exemplo, também não foi informado o gênero dos voluntários e isso pode afetar o resultado, contribuindo para a natureza não representativa da amostra. Atenção! Para visualização completa da equação utilize a rolagem horizontal AMOSTRAGEM ALEATÓRIA SIMPLES Os pesquisadores adotam uma variedade de estratégias de amostragem. A mais simples é a amostragem aleatória simples. Ela requer que cada membro da população tenha uma chance igual de ser selecionado para a amostra. Além disso, a seleção de um membro deve ser independente da seleção de todos os outros membros. Ou seja, escolher um membro da população não deve aumentar ou diminuir a probabilidade de escolher qualquer outro membro (em relação aos outros). Nesse sentido, nós podemos dizer que a amostragem aleatória simples escolhe uma amostra por puro acaso. Para você verificar sua compreensão da amostragem aleatória simples, considere o exemplo a seguir. EXEMPLO O que é a população? Qual é a amostra? A amostra foi colhida por simples amostragem aleatória? É tendenciosa? Uma pesquisadora está interessada em estudar as experiências de gêmeos criados juntos, versus gêmeos criados separados. Ela obtém uma lista de gêmeos dos registros em um estado e seleciona dois subconjuntos de indivíduos para seu estudo. Primeiro, ela escolhe todos aqueles no registro cujo sobrenome começa com Z. Então, ela se volta para todos aqueles cujo sobrenome começa com B. Por haver tantos nomes que começam com B, nossa pesquisadora decide incorporar todos os outros nomes em sua amostra. Finalmente, ela envia uma pesquisa e compara características de gêmeos criados separados e juntos. Processing math: 33% Atenção! Para visualização completa da equação utilize a rolagem horizontal No exemplo, a população consiste em todos os gêmeos registrados no estado. É importante que a pesquisadora apenas faça generalizações estatísticas para os gêmeos dessa lista, não para todos os gêmeos do país ou do mundo. Ou seja, registro de gêmeos pode não representar todos os gêmeos. Mesmo que as inferências sejam limitadas para o registro, vários problemas afetam o procedimento de amostragem que descrevemos. Imagem: Shutterstock.com. Escolher apenas gêmeos cujos sobrenomes começam com Z não dá a cada indivíduo uma chance igual de ser selecionado para a amostra. Além disso, tal procedimento corre o risco de representar grupos étnicos com muitos sobrenomes que começamcom Z. Existem outras razões pelas quais escolher apenas o Z pode enviesar a amostra, como a possibilidade de essas pessoas serem mais altas do que a média, por exemplo. O mesmo problema ocorre com a escolha de gêmeos cujo sobrenome começa com B. Um problema adicional para o B é que o procedimento "todos os outros" não permitia nomes adjacentes na parte B da lista de serem ambos selecionados. Apenas esse defeito sozinho significa que a amostra não foi formada por meio de amostragem aleatória simples. O TAMANHO DA AMOSTRA É IMPORTANTE Lembre-se de que a definição de uma amostra aleatória é aquela em que cada membro da população tem uma chance igual de ser selecionado. Isso quer dizer que o procedimento de amostragem, em vez dos resultados do procedimento, define o que significa uma amostra ser aleatória. Amostras aleatórias,Processing math: 33% especialmente se o tamanho da amostra for pequeno, não representam necessariamente toda a população. Imagem: Shutterstock.com. EXEMPLO Se uma amostra aleatória de 20 indivíduos foi retirada de uma população com um número igual de homens e mulheres, haveria uma probabilidade não trivial de 70% ou mais da amostra ser do sexo feminino. Tal amostra não seria representativa, embora fosse sorteada aleatoriamente. Apenas um grande tamanho de amostra torna provável que nossa amostra seja quase representativa da população. Por essa razão, as estatísticas inferenciais levam em consideração o tamanho da amostra ao generalizar resultados de amostras para populações. AMOSTRAGEM MAIS COMPLEXA Às vezes, não é viável construir uma amostra usando amostragem aleatória simples. Veja o problema a seguir: Considere o fato de que Dallas e Berlim estão competindo para ser o anfitrião dos Jogos Olímpicos de 2032. Imagine que você seja contratado para avaliar se a maioria dos atletas prefere Berlim a Dallas como anfitrião, ou o contrário. Considerando a inviabilidade de obter a opinião de cada um dos atletas, você deve construir uma amostra da população de cada cidade. Agora, observe como seria difícil proceder por amostragem aleatória simples. Por exemplo, como vocêProcessing math: 33% entrará em contato com os indivíduos de cada cidade? Mesmo entre as pessoas que você encontra na lista telefônica, como você pode identificar aqueles que acabaram de se mudar para outra cidade (e não tinham motivo para informá-lo sobre a mudança)? Como você pode ver, às vezes, é muito difícil desenvolver um procedimento verdadeiramente aleatório. Por essa razão, outros tipos de amostragens técnicas foram concebidas. Vamos discutir acerca de duas delas: ATRIBUIÇÃO ALEATÓRIA AMOSTRAGEM ESTRATIFICADA ATRIBUIÇÃO ALEATÓRIA Na pesquisa experimental, as populações costumam ser hipotéticas. Por exemplo, em um experimento comparando a eficácia de um novo medicamento antidepressivo com um placebo, não há uma população real de indivíduos tomando a droga. Nesse caso, uma população especificada de pessoas com algum grau de depressão é definida e uma amostra aleatória é retirada dessa população. A amostra é, então, dividida aleatoriamente em dois grupos: a um deles é atribuída a condição de tratamento (droga) e a outro, a condição de controle (placebo). Essa divisão aleatória da amostra em dois grupos é chamada de atribuição aleatória. Processing math: 33% Imagem: Shutterstock.com. A atribuição aleatória é crítica para a validade de um experimento por algumas razões. Por exemplo, considere o viés que poderia ser introduzido se os 20 primeiros indivíduos a aparecerem no experimento fossem atribuídos ao grupo experimental e os outros 20 fossem atribuídos ao grupo de controle. É possível que os sujeitos que chegaram depois tendessem a ficar mais deprimidos do que aqueles que apareceram antes, tornando o grupo experimental menos deprimido do que o grupo de controle antes mesmo de o tratamento ser administrado. Em pesquisas experimentais desse tipo, a falha em designar assuntos aleatoriamente para grupos geralmente é mais séria do que ter uma amostra não aleatória. A falha em randomizar – como pôde ser observado no exemplo que narra um experimento entre um antidepressivo e um placebo – invalida os resultados experimentais. Um grupo não aleatório – conforme observado no exemplo que representa a divisão entre grupo de controle e grupo experimental – simplesmente restringe a generalização dos resultados. AMOSTRAGEM ESTRATIFICADA Uma vez que a amostragem aleatória simples muitas vezes não garante uma amostra representativa, um método denominado amostragem aleatória estratificada, às vezes, é usado para fazer com que ela seja mais representativa na população. Na amostragem estratificada, identifique primeiro os membros de sua amostra que pertencem a cada grupo. Então, você junta aleatoriamente cada um desses subgrupos de tal maneira que os tamanhos dos subgrupos da amostra sejam proporcionais aos seus tamanhos na população. Processing math: 33% Imagem: Shutterstock.com. EXEMPLO Suponha que você estivesse interessado na pesquisa sobre pena de morte em uma universidade urbana. Você tem tempo e recursos para entrevistar 200 alunos. O corpo discente é diversificado em relação à idade, e muitas pessoas mais velhas trabalham durante o dia e matriculam-se em cursos noturnos (idade média de 39 anos), enquanto os alunos mais jovens geralmente se matriculam em aulas diurnas (idade média de 19 anos). É possível que os alunos da noite e os alunos do dia tenham opiniões diferentes sobre pena de morte. Se 70% dos alunos eram alunos diurnos, faz sentido garantir que 70% da amostra consista nesse tipo de aluno. Assim, sua amostra de 200 alunos consistiria em 140 alunos diurnos e 60 noturnos. A proporção de alunos diurnos na amostra e na população (toda a universidade) seria o mesmo. Inferências para toda a população de alunos da universidade estaria, portanto, mais segura. TAMANHO DA AMOSTRA PARA GRÁFICOS DE CONTROLE Você estudará mais adiante os gráficos de controle, e pode ser que surja a dúvida de qual deverá ser o tamanho da amostra para a análise do processo. Não entraremos aqui em detalhes sobre como construir esses gráficos, mas vamos discutir como se deve determinar o tamanho da amostra. COMO OS LIMITES DE CONTROLE MUDAM COM O TEMPO, CONFORME O NÚMERO DE AMOSTRAS TAMBÉM MUDA? Processing math: 33% Você pode iniciar um gráfico de controle individual com apenas cinco pontos, recalcular os limites de controle com cada novo ponto e, a seguir, travar os limites de controle após 20 pontos. Em seguida, recalcular após 100 pontos. Qual foi o resultado desse esforço? Você esperaria que os limites de controle baseados em cinco amostras fossem iguais aos baseados em 200 amostras? Provavelmente não. Qual deles tem os limites de controle mais precisos? Aquele com mais dados (200 amostras) fornecerá resultados mais precisos? Veja a tabela a seguir. n X R LSC LIC LSC - LIC 5 99,6 7,8 109,7 89,6 20,1 10 100,1 7,4 107,2 92,9 14,4 15 100,1 8,2 107,1 92,9 14,2 20 100,3 8,0 107,2 93,3 13,9 25 100,1 8,3 107,2 92,9 14,3 30 100,0 8,2 107,1 92,9 14,2 40 100,1 8,4 107,3 92,8 14,5 50 99,9 8,9 107,5 92,2 15,3Processing math: 33% 100 99,9 8,9 107,6 92,2 15,4 150 100,0 9,0 107,7 92,2 15,5 200 100,1 9,1 107,9 92,2 15,7 Tabela 1 Elaborada por Mauro Rezende Filho Atenção! Para visualização completa da tabela utilize a rolagem horizontal Imagem: Mauro Rezende Filho O gráfico acima foi construído usando as primeiras 20 amostras. Observe na tabela que os limites de controle não variam muito se aumentarmos o tamanho da amostra neste exemplo. Será interessante então plotarmos o gráfico do COV (Coeficiente de Variação), e para isto precisamos determinar os graus de liberdade, ou seja, a quantidade de informação que seus dados fornecem que você pode usar para estimar os valores de parâmetros populacionais desconhecidos e calcular a variabilidade dessas estimativas. Os graus de liberdade (df) associados ao intervalomóvel médio para uma amostra de tamanho “n” são determinados por: Processing math: 33% DF = 0, 62 (N - 1) = 0, 62 (20 - 1) = 0, 62 (19) = 11, 78 Atenção! Para visualização completa da equação utilize a rolagem horizontal O Coeficiente de variação para 11,8 graus de liberdade é: COV = 1 √2DF = 1 √2X11,8 = 20,6% Atenção! Para visualização completa da equação utilize a rolagem horizontal A tabela e o gráfico a seguir mostram quando os limites de controle começam a se estabilizar em função do tamanho da amostra. n df COV LSC LIC 5 2,48 44,90% 109,7 89,6 10 5,58 29,93% 107,2 92,9 15 8,68 24,00% 107,1 93,0 20 11,78 20,60% 107,2 93,3 25 14,88 18,33% 107,2 92,9 30 17,98 16,68% 107,1 92,9 40 24,18 14,38% 107,3 92,8 Processing math: 33% 50 30,38 12,83% 107,5 92,2 100 61,38 9,03% 107,6 92,2 150 92,38 7,36% 107,7 92,2 200 123,38 6,37% 107,9 92,2 Tabela 2 Elaborada por Mauro Rezende Filho Atenção! Para visualização completa da tabela utilize a rolagem horizontal Imagem: Mauro Rezende Filho Iniciamos um gráfico de controle individual com apenas cinco pontos, e depois recalculamos os limites de controle com cada novo ponto e, a seguir, travamos os limites de controle no lugar após 20 pontos. Em seguida, recalculamos após 100 pontos. Foi uma boa estratégia? Sim, e essa mesma abordagem funcionará para determinar quantas amostras você precisa para uma análise de capacidade do processo. Muitas vezes, as pessoas usam 30 amostras para uma análise de capacidade do processo. Qual é a incerteza para 30 amostras? Determine calculando o COV e indicando se está adequado. Processing math: 33% VARIÁVEIS INDEPENDENTES E DEPENDENTES Variáveis são propriedades ou características de algum evento, objeto ou pessoa que podem assumir diferentes valores ou quantidades (ao contrário de constantes, como π, que não variam). VOCÊ SABIA? Ao conduzir pesquisas, os pesquisadores frequentemente manipulam variáveis. Para comparar a eficácia de quatro tipos de antidepressivos, por exemplo, a variável independente representa o tipo de antidepressivo. O experimento visa determinar o efeito da variável independente no relevo da depressão. Nesse exemplo, o alívio da depressão é chamado de variável dependente. Em geral, a variável independente é manipulada pelo pesquisador e seus efeitos sobre a variável dependente são medidos. Se um experimento compara um tratamento experimental com um tratamento de controle, então, a variável independente (tipo de tratamento) tem dois níveis: experimental e de controle. Se um experimento comparasse cinco tipos de dietas, então, a variável (tipo de dieta) teria cinco níveis. VARIÁVEIS QUALITATIVAS E VARIÁVEIS QUANTITATIVAS Uma distinção importante a ser feita é entre variáveis qualitativas e variáveis quantitativas. Variáveis qualitativas expressam atributos como cor do cabelo, cor dos olhos, religião, filme favorito, gênero, entre outros. Valores da variável “religião”, por exemplo, diferem qualitativamente, pois nenhuma ordenação de religiões está implícita. Já as variáveis quantitativas são aquelas que permitem comparação, por meio de sua expressão por um valor numérico, que, em geral, encontra-se dentro de uma escala quantitativa. Como exemplo, podemos citar: massa (balança), altura (régua), tempo (relógio), pressão arterial, idade. VARIÁVEIS DISCRETAS E VARIÁVEIS CONTÍNUAS Variáveis como o número de filhos em uma casa são chamadas de variáveis discretas porque as pontuações possíveis são pontos discretos na escala. Por exemplo: uma casa poderia ter três ou seis filhos, mas não 4,53 filhos. Outras variáveis, como tempo para responder a uma pergunta, são variáveis contínuas, pois a escala é contínua, e não composta de etapas discretas. O tempo de resposta pode ser de 1,64 segundos ou de 1,64237123922121 segundos. MÉDIA ARITMÉTICA A média aritmética é a medida mais comum de tendência central. É simplesmente a soma dos números dividida pelo total de números. O símbolo “μ” é usado para a média de uma população. O símbolo X é Processing math: 33% usado para a média de uma amostra. A fórmula para μ é mostrada a seguir: Μ = ∑ X N Atenção! Para visualização completa da equação utilize a rolagem horizontal Em que ∑ X é a soma de todos os números da população e “n” é o número de itens na população. A fórmula para X é essencialmente idêntica: X = ∑ X N Atenção! Para visualização completa da equação utilize a rolagem horizontal Em que ∑ X é a soma de todos os números da amostra e “N” é o número de itens na amostra. EXEMPLO A média dos números 1, 2, 3, 6, 8 é 20÷5 = 4, independentemente se os números constituem toda a população ou apenas uma amostra dela. Deve-se tomar muito cuidado com essa medida, pois dependendo dos valores que compõem a amostra, ele poderá ser distorcido e nos levar a tomar conclusões equivocadas. Veja a tabela a seguir, em que pegamos a idade de todos os alunos de uma sala de aula onde está presente um professor: IDADES 18 31 18 33 19 28 20 25 Processing math: 33% 21 22 29 22 22 26 22 20 25 21 21 55 Tabela 3 Elaborada por Mauro Rezende Filho MÉDIA X = 18 + 19 + … + 55 20 X = 24, 9 ANOS Atenção! Para visualização completa da equação utilize a rolagem horizontal MÉDIA SEM O PROFESSOR X = 18 + 19 + … + 20 19 Processing math: 33% X = 23, 3 ANOS Atenção! Para visualização completa da equação utilize a rolagem horizontal MEDIANA A mediana também é uma medida frequentemente usada de tendência central. Ela representa o ponto médio de uma distribuição: o mesmo número de pontuações está acima da mediana e abaixo dela. Para os dados das idades, são 19 pontuações sem o professor. A 10ª maior pontuação (que é igual a 22) é a mediana porque há 9 pontuações abaixo da 10ª pontuação e 9 pontuações acima. Quando há uma quantidade ímpar de números, a mediana é simplesmente o número do meio. Por exemplo, a mediana de 2, 4 e 7 é 4. Quando há um número par de números, a mediana é a média dos dois números do meio. Assim, a mediana dos números 2, 4, 7, 12 é: 4 + 7 2 = 5,5 Atenção! Para visualização completa da equação utilize a rolagem horizontal MODA A moda é o valor que ocorre com maior frequência. Para os dados dos alunos sem o professor, a moda é 22, já que temos quatro alunos com esta idade, ou seja, a idade que mais aparece nos dados. Com dados contínuos, como tempo de resposta medido para muitos decimais (Exemplo: 12,025; 12,0252; 12,02524; 13,036; 15,154), a frequência (quantas vezes aparece) de cada valor será qualquer um deles, já que não há duas ou mais pontuações com o mesmo valor. Portanto, a moda de dados contínuos é calculada a partir de uma distribuição de frequência agrupada, ou seja, no caso do exemplo dado temos as seguintes classes: de 12 a 13, de 13 a 14, de 14 a 15, e de 15 a 16. Assim, na classe de 12 a 13 temos 3 números, de 13 a 14 temos 1, de 14 a 15 temos 0 e de 15 a 16 temos 1. A moda é o ponto médio da classe de maior frequência. Portanto: Moda = (12 + 13) ÷ 2 = 12,5. A classe modal é a classe de maior frequência, ou seja, de 12 a 13. Processing math: 33% VARIÂNCIA Uma vez conhecido um conjunto de dados, a variância é uma medida de dispersão que mostra o quão distante cada valor desse conjunto está do valor central (média). Quanto menor é a variância, mais próximos os valores estão da média, e quanto maior ela é, mais os valores estão distantes da média. Vejam as fórmulas: PARA POPULAÇÃO S = ∑ NI= 1 XI - X 2 N PARA AMOSTRA S = ∑ NI= 1 XI - X 2 N - 1 Atenção! Para visualização completa da equação utilize a rolagem horizontal Por exemplo, se um grupo de números varia de 1 a 10, terá uma média de 5,5. Se você elevar ao quadrado as diferenças entre cada número e a média e, em seguida, encontrar sua soma, o resultado é 82,5. Para descobrir a variância, divida a soma, 82,5, por n - 1, que é o tamanho da amostra (neste caso, 10) menos 1. O resultado é uma variância de 82,5 / 9 = 9,17. Devido a esse quadrado,a variância não está mais na mesma unidade de medida que os dados originais. X xi - X)2 1 20,25 ( ) ( ) ( Processing math: 33% 2 12,25 3 6,25 4 2,25 5 0,25 6 0,25 7 2,25 8 6,25 9 12,25 10 20,25 Total 55 Total 82,50 Média 5,5 Variância 9,17 Tabela 4 Elaborada por Mauro Rezende Filho Atenção! Para visualização completa da tabela utilize a rolagem horizontal Processing math: 33% DESVIO PADRÃO O cálculo da variância usa quadrados porque pesa os outliers (fora do padrão) mais fortemente do que os dados mais próximos da média. Esse cálculo também evita que diferenças acima da média cancelem aquelas abaixo, o que resultaria em uma variação de zero. O desvio padrão é calculado como sendo a raiz quadrada da variância, identificando a variação entre cada ponto de dados em relação à média. Se os pontos estiverem mais distantes da média, há um desvio maior, e se estiverem mais próximos da média, há um desvio menor. Portanto, quanto mais espalhado for o grupo de números, maior será o desvio padrão. Σ = √S No exemplo anterior, temos Σ = √S = √9,17 = 3,03 Atenção! Para visualização completa da equação utilize a rolagem horizontal DISTRIBUIÇÕES DE PROBABILIDADE Uma distribuição de probabilidade é um modelo matemático que relaciona o valor da variável com a probabilidade de ocorrência desse valor na população. Em outras palavras, nós podemos visualizar a espessura da camada como uma variável aleatória porque assume valores diferentes na população de acordo com algum mecanismo aleatório, então, a distribuição de probabilidade de espessura da camada descreve a probabilidade de ocorrência de qualquer valor de espessura da camada na população. Existem dois tipos de distribuição de probabilidade: contínuas e discretas. DISTRIBUIÇÕES CONTÍNUAS Quando a variável que está sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada de distribuição contínua. Um exemplo é a distribuição de probabilidade da espessura da camada de metal.Processing math: 33% javascript:void(0) DISTRIBUIÇÕES DISCRETAS Ocorrem quando o parâmetro que está sendo medido só pode assumir certos valores, como os inteiros 0, 1, 2,…, a distribuição de probabilidade. Um exemplo é a distribuição do número de não conformidades ou os defeitos nas placas de circuito impresso. DISTRIBUIÇÕES DISCRETAS IMPORTANTES Várias distribuições discretas de probabilidade surgem com frequência no controle de qualidade estatístico. Vamos discutir algumas, tais como: DISTRIBUIÇÃO HIPERGEOMÉTRICA DISTRIBUIÇÃO BINOMIAL DISTRIBUIÇÃO DE POISSON DISTRIBUIÇÃO HIPERGEOMÉTRICA Suponha que haja uma população finita consistindo em N itens. Algum número, ou seja, um desses itens, enquadra-se em uma classe de interesse. Uma amostra aleatória de “n” itens é selecionada da população sem reposição, e o número de itens na amostra que se enquadra na classe de interesse (x, digamos) é observada. Então, x é uma variável aleatória hipergeométrica com a distribuição de probabilidade definida a seguir. DEFINIÇÃO:Processing math: 33% javascript:void(0) A distribuição de probabilidade hipergeométrica é: P(X) = D X N - D N - X N N X = 0,1, 2, . . . , MIN(N, D) A média e a variância são: Μ = ND N E S = ND N 1 - D N N - N N - 1 Atenção! Para visualização completa da equação utilize a rolagem horizontal Lembrando de estatística que a b = a ! b ! ( a - b ) ! A distribuição hipergeométrica é o modelo de probabilidade apropriado para selecionar uma amostra aleatória de n itens sem substituição de um lote de N itens, dos quais D não estão em conformidade ou estão com defeito. Chamamos de amostra aleatória uma amostra que foi selecionada de maneira que todas as amostras possíveis tenham a mesma chance de serem escolhidas. Por exemplo, suponha que um lote contenha 100 itens, dos quais 5 não estão em conformidade com os requisitos. Se 10 itens forem selecionados aleatoriamente sem substituição, a probabilidade de encontrar um ou menos itens não conformes na amostra é: P{X ≤ 1} = P{X = 0} + {PX = 1} ( ) ( ) ( ) ( )( ) ( ) Processing math: 33% P (X) = D X N - D N - X N N = 5 0 100 - 5 10 - 0 100 10 + 5 1 100 - 5 10 - 1 100 10 = 0,92314 Atenção! Para visualização completa da equação utilize a rolagem horizontal DISTRIBUIÇÃO BINOMIAL Considere um processo que consiste em uma sequência de n tentativas independentes. Por ensaios independentes, queremos dizer que o resultado de cada ensaio independe do resultado generalizado de todos os ensaios. Quando o resultado de cada tentativa é um "sucesso" ou um "fracasso", as tentativas são chamadas de julgamentos de Bernoulli. Se a probabilidade de "sucesso" em qualquer tentativa, digamos “p”, for constante, então, o número de "sucessos" x em n ensaios de Bernoulli tem a distribuição binomial com parâmetros n e p, definidos como na sequência. DEFINIÇÃO: A distribuição binomial com parâmetros n ≥ 0 e 0 < p < 1 é: P(X) = N X P X(1 - P)N - X X = 0,1, 2, . . . , N Atenção! Para visualização completa da equação utilize a rolagem horizontal A média e a variância são: Μ = NP E S = NP(1 - P) Atenção! Para visualização completa da equação utilize a rolagem horizontal A distribuição binomial é frequentemente usada na engenharia da qualidade. É o apropriado modelo de probabilidade para amostragem de uma população infinitamente grande, em que p representa a fração de itens defeituosos ou não conformes na população. Nessas aplicações, x geralmente representa o número de itens não conformes encontrados em uma amostra aleatória de n itens. ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Processing math: 33% Por exemplo, se p = 0, 10 e n = 15, então, a probabilidade de obter x itens não conformes é calculado a partir da equação anterior da seguinte forma: Imagem: Mauro Rezende Filho Elaborada por Mauro Rezende Filho Uma variável aleatória que surge com frequência no controle de qualidade estatístico é: P̂ = X N Atenção! Para visualização completa da equação utilize a rolagem horizontal Em que x tem uma distribuição binomial com parâmetros n e p. Frequentemente, é a proporção do número observado de itens defeituosos ou não conformes em uma amostra (x) ao tamanho da amostra (n) e isso geralmente é chamado de fração da amostra defeituosa ou de fração da amostra não conforme. O símbolo “ˆ” é usado para indicar que é uma estimativa do valor verdadeiro desconhecido do parâmetro binomial p. A distribuição de probabilidade é obtida a partir do binômio, então: P P̂ ≤ A = P X N ≤ A = P{X ≤ NA} = ∑ NA X = 0 N X P X 1 - P)N - X Atenção! Para visualização completa da equação utilize a rolagem horizontal Em que [na] denota o maior número inteiro menor ou igual a na. É fácil demonstrar que a média de p̂ é p e que a variância de p̂ é: { } { } ( ) ( Processing math: 33% SP = P ( 1 -P ) N Atenção! Para visualização completa da equação utilize a rolagem horizontal DISTRIBUIÇÃO DE POISSON Uma distribuição discreta útil no controle estatístico de qualidade é a distribuição de Poisson, assim definida: DEFINIÇÃO: A distribuição de Poisson é: P X = E - ΛΛX X ! ONDE X = 0,1, 2, . . . Atenção! Para visualização completa da equação utilize a rolagem horizontal A média e a variância são: Μ=Λ E S=Λ Atenção! Para visualização completa da equação utilize a rolagem horizontal Observe que a média e a variância da distribuição de Poisson são iguais ao parâmetro λ. Uma aplicação típica da distribuição de Poisson no controle de qualidade é como um modelo do número de defeitos ou não conformidades que ocorrem em uma unidade do produto. Na verdade, qualquer fenômeno aleatório que ocorre por unidade (ou por unidade de área, por unidade de volume, por unidade de tempo etc.) é frequentemente bem aproximado pela distribuição de Poisson. Por exemplo, suponha que o número de defeitos de ligação de fio por unidade que ocorremem um dispositivo semicondutor é Poisson distribuído com parâmetro λ = 4. Então, a probabilidade de que um semicondutor selecionado aleatoriamente no dispositivo conterá dois ou menos defeitos de ligação de fio é: ( ) Processing math: 33% P(X ≤ 2) = ∑ 2X = 0 E - 44X X ! = E - 440 0 ! + E - 441 1 ! + E - 442 2 ! = 0,238104 Atenção! Para visualização completa da equação utilize a rolagem horizontal DISTRIBUIÇÕES CONTÍNUAS IMPORTANTES Agora vamos discutir algumas distribuições contínuas que são importantes no controle estatístico da qualidade, que incluem a distribuição normal, a log-normal, a exponencial e a Weibull. DISTRIBUIÇÃO NORMAL A distribuição normal é provavelmente a distribuição mais importante na teoria e aplicação de estatísticas. Se x é uma variável aleatória normal, então, a distribuição de probabilidade de x é definido como segue. Definição A distribuição normal é: F(X) = 1 Σ√2Π E 1 2 X - Μ Σ 2 - ∞ < X < ∞ Atenção! Para visualização completa da equação utilize a rolagem horizontal A média e a variância são: Μ(-∞ < Μ < ∞) E S > 0 Atenção! Para visualização completa da equação utilize a rolagem horizontal A distribuição normal é usada tanto que frequentemente empregamos uma notação especial, x ∼ N (μ, s), para implicar que x é normalmente distribuído com média e variância. A aparência da distribuição normal é uma curva simétrica, unimodal ou em forma de sino e é mostrada na figura a seguir. ( ) Processing math: 33% Imagem: Mauro Rezende Filho Distribuição normal Há uma interpretação simples do desvio padrão de uma distribuição normal, que é ilustrado na figura a seguir. Observe que 68,26% dos valores da população situam-se entre os limites definidos pela média mais e menos um desvio padrão; 95,46% dos valores estão entre os limites definidos pela média mais e menos dois desvios padrão; e 99,73% dos valores da população estão dentro dos limites definidos pela média mais e menos três desvios padrão. Assim, o desvio padrão mede a distância na escala horizontal associada a 68,26%, 95,46% e os limites de contenção de 99,73%. É comum arredondar essas porcentagens para 68%, 95%, e 99,7%. Imagem: Mauro Rezende Filho Distribuição normal e a variação de desvios padrão Essa integral não pode ser avaliada de forma fechada. No entanto, usando a mudança de variável: Z = X - Μ Σ Processing math: 33% Atenção! Para visualização completa da equação utilize a rolagem horizontal A avaliação pode ser feita de forma independente de μ ou s. Então: P{X ≤ A} = P A ≤ A - Μ Σ = Φ A - Μ Σ Atenção! Para visualização completa da equação utilize a rolagem horizontal Em que Φ (.) é a função de distribuição cumulativa da distribuição normal padrão (média = 0, desvio padrão = 1). Uma tabela da distribuição normal padrão cumulativa é encontrada em qualquer livro de Estatística ou na internet. A transformação de “z” é normalmente chamada de padronização, porque converte uma variável aleatória N (μ, s) em uma variável aleatória N(0, 1). EXEMPLO A resistência à tração do papel usado para fazer sacolas de supermercado é uma característica de qualidade importante. É sabido que a força, digamos “x”, é normalmente distribuída com média μ = 40 kg /pol2 e desvio padrão s = 2 kg /pol2, denotado N (40, 22). O comprador dos sacos exige que eles tenham uma resistência de pelo menos 35 kg /pol2 . Calcule a probabilidade de as sacolas produzidas atenderem ou excederem as especificações. A probabilidade de que uma sacola produzida a partir desse papel atenda ou exceda a especificação é P(x ≥ 35). Observe que: P(X ≥ 35) = 1 - P(X ≤ 35) Atenção! Para visualização completa da equação utilize a rolagem horizontal Para avaliar essa probabilidade a partir das tabelas normais padrão, padronizamos o ponto 35 e encontramos: { } { } Processing math: 33% P{X ≤ 35} = P A ≤ 35 - 40 2 = P{X ≤ - 2,5} = Φ{-2,5} = 0,0062 Atenção! Para visualização completa da equação utilize a rolagem horizontal O valor 0,0062 foi tirado da tabela da distribuição normal padrão. Caso você tenha o Excel, não precisa buscar na tabela, basta digitar em uma célula: =DIST.NORMP.N(-2,5;1) Atenção! Para visualização completa da equação utilize a rolagem horizontal Consequentemente, a probabilidade desejada é: P(X ≥ 35) = 1 - P(X ≤ 35) = 1 – 0, 0062 = 0, 9938 Atenção! Para visualização completa da equação utilize a rolagem horizontal DISTRIBUIÇÃO LOG-NORMAL As variáveis em um sistema, às vezes, seguem uma relação exponencial, digamos x = exp (w). Se o expoente é uma variável aleatória, digamos w, x = exp(w) é uma variável aleatória e a distribuição de x é a desejada. Um caso especial importante ocorre quando w tem uma distribuição normal. No caso, a distribuição de x é chamada de distribuição log-normal. O nome segue da transformação ln(x) = w. Ou seja, o logaritmo natural de x é normalmente distribuído. Probabilidades para x são obtidas a partir da transformação para w, mas precisamos reconhecer que o intervalo de x é (0, ꚙ). Suponha que w é normalmente distribuído com média e variância, então, a função de distribuição cumulativa para x é: F(A) = P[X ≤ A] = P[EXP(W) ≤ A] = P[W ≤ LN(A)] { } Processing math: 33% F(A) = P Z ≤ LN ( A ) - Θ Ω = Φ LN ( A ) - Θ Ω Atenção! Para visualização completa da equação utilize a rolagem horizontal Para X > 0, em que z é uma variável aleatória normal padrão. Portanto, como já comentado, a tabela disponível em livros de Estatística ou na internet pode ser usada para determinar a probabilidade. Além disso, f (x) = 0, para x ≤ 0. A variável aleatória log-normal é sempre não negativa. A distribuição log- normal é definida a seguir. Definição Seja w uma distribuição normal com média θ e variância ω2, então, x = exp (w) é uma variável aleatória log-normal, e a distribuição log-normal é: F(X) = 1 XΩ√Π E - LN ( X ) - Θ 2Ω2 2 0 < X < ∞ Atenção! Para visualização completa da equação utilize a rolagem horizontal A média e a variância são: Μ = E Θ - Ω2 2 E S = E2Θ + Ω 2 EΩ2 - 1 Atenção! Para visualização completa da equação utilize a rolagem horizontal Os parâmetros de uma distribuição log-normal são θ e ω2, mas é necessário cuidado para interpretar que essas são a média e a variância da variável aleatória normal w. A média e a variância de x são as funções desses parâmetros mostrados na equação. A figura ilustra a distribuição log-normal para valores selecionados para os parâmetros. [ ] [ ] ( ) ( ) Processing math: 33% Imagem: Mauro Rezende Filho Distribuição log-normal A vida útil de um produto que se degrada ao longo do tempo é frequentemente modelada por uma variável log-normal. Por exemplo, essa é uma distribuição comum para a vida útil de um semicondutor laser. Outras distribuições contínuas também podem ser usadas nesse tipo de aplicação. Contudo, como a distribuição log-normal é derivada de uma função exponencial simples de uma variável aleatória normal, é fácil entender e avaliar as probabilidades. EXEMPLO A vida útil de um laser medicinal, usado em cirurgia oftálmica, tem uma distribuição log-normal com θ = 6 e ω = 1,2. Então, qual é a probabilidade de a vida útil desse laser ultrapassar a 500 horas? Da função de distribuição cumulativa para a variável aleatória log-normal: P(X > 500) = 1 - P[EXP(W) ≤ 500] = 1 - P[W ≤ LN(500)] P X > 500 = Φ LN ( 500 ) - 6 1,2 = 1 - Φ 0,1788 = 1 - 0,5710 = 0,4290( ) ( ) ( ) Processing math: 33% Atenção! Para visualização completa da equação utilize a rolagem horizontal Podemos observar o comportamento da variação do θ no gráfico a seguir: Imagem: Mauro Rezende Filho Qual vida útil é excedida em 99% dos lasers? Agora a pergunta é determinar um tal que P (x > a) = 0, 99. Portanto, P(X > A) = 1 - P[EXP(W) > A] = 1 - P[W > LN(A)] P X > A = Φ LN ( A ) - 6 1,2 = 0,99 Atenção! Para visualização completa da equação utilizea rolagem horizontal Da tabela da log-normal, quando 1 - Φ(a) = 0,99,tiramos a = - 2,33. Portanto, LN ( A ) - 6 1,2 = - 2,33, ENTÃO, A = EXP(3,204) = 24,63 HORAS Atenção! Para visualização completa da equação utilize a rolagem horizontal Vamos determinar a média e o desvio padrão da vida útil. Então, ( ) ( ) Processing math: 33% Μ = E Θ + Ω2 2 = EXP(6 + 0,72) = 828,82 HORAS S = E2Θ + ΩS EΩ2 - 1 = EXP(12 + 1,44)[EXP(1,44) - 1] = 2.212.419,85 Atenção! Para visualização completa da equação utilize a rolagem horizontal Portanto, o desvio padrão da vida útil é de σ = √s = 1487,42 horas. Observe que o desvio padrão da vida útil é grande em relação à média. Podemos plotar a vida média em função do θ Imagem: Mauro Rezende Filho DISTRIBUIÇÃO EXPONENCIAL A distribuição de probabilidade da variável aleatória exponencial é definida como segue. Definição A distribuição exponencial é: F(X) = ΛE - ΛX X ≥ 0 ( ) Processing math: 33% Atenção! Para visualização completa da equação utilize a rolagem horizontal A média e a variância são: Μ = 1 Λ E S = 1 Λ2 Atenção! Para visualização completa da equação utilize a rolagem horizontal Várias distribuições exponenciais são mostradas na figura a seguir. Imagem: Mauro Rezende Filho Distribuições exponenciais A distribuição exponencial cumulativa é: F(A) = P{X ≤ A} = ∫A0ΛE - ΛTDT = 1 - E - ΛA A ≥ 0 Atenção! Para visualização completa da equação utilize a rolagem horizontal Processing math: 33% Imagem: Mauro Rezende Filho Distribuição exponencial cumulativa A distribuição exponencial é amplamente utilizada no campo da engenharia de confiabilidade como um modelo do tempo até a falha de um componente ou sistema. Nessas aplicações, o parâmetro λ é chamado de taxa de falha do sistema, e a média da distribuição 1/λ é chamada de tempo médio para falha. Por exemplo, suponha que um componente eletrônico de um sistema de radar de uma aeronave tem vida útil descrita por uma distribuição exponencial com uma taxa de falha de λ = 10−4 /h, ou seja, o tempo médio de falha para esse componente é λ = 10−4/h. Se quiséssemos determinar a probabilidade de esse componente falhar antes de sua vida esperada, avaliaríamos: F(A) = P X ≤ 1 Λ = ∫ 1 Λ0ΛE - ΛTDT = 1 - E - 1 = 0,63212 Atenção! Para visualização completa da equação utilize a rolagem horizontal DISTRIBUIÇÃO WEIBULL A distribuição Weibull é definida como segue. Definição A distribuição Weibull é: { } Processing math: 33% F(X) = Β Θ X Θ Β - 1 EXP - X Θ Β X ≥ 0 Atenção! Para visualização completa da equação utilize a rolagem horizontal A média e a variância são: Μ = ΘΓ 1 + 1 Β E S = Θ 2 Γ 1 + 2 Β - Γ 1 + 1 Β 2 Atenção! Para visualização completa da equação utilize a rolagem horizontal A distribuição Weibull é muito flexível, e pela seleção apropriada dos parâmetros θ e β, a distribuição pode assumir uma grande variedade de formas. A distribuição cumulativa é: F(A) = 1 - EXP - A Θ Β Atenção! Para visualização completa da equação utilize a rolagem horizontal A distribuição Weibull foi amplamente usada na engenharia de confiabilidade como um modelo de tempo de falha de componentes e sistemas elétricos e mecânicos. Exemplos de situações em que a Weibull tem sido usada incluem dispositivos eletrônicos, como elementos de memória, componentes mecânicos, como rolamentos e elementos estruturais em aeronaves e automóveis. EXEMPLO O tempo até a falha de um componente eletrônico usado em sistema de monitoramento de um apartamento é satisfatoriamente modelada por uma distribuição Weibull com β = 0,5 e θ = 5000. Encontre o tempo médio de falha e a fração de componentes que devem sobreviver além de 20.000 horas. ( ) [ ( ) ] ( ) [ ( ) { ( )} ] [ ( ) ] Processing math: 33% O tempo médio para a falha é: Μ = ΘΓ 1 + 1 Β = 5000 × Γ 1 + 1 0,5 = 5000 × Γ(3) = 10.000HORAS Atenção! Para visualização completa da equação utilize a rolagem horizontal A fração de componentes esperada para sobreviver a = 20.000 horas é: 1 - F A = EXP - X Θ Β 1 - F 20000 = EXP - 20000 5000 0,5 = E - 2 = 0,1353 Atenção! Para visualização completa da equação utilize a rolagem horizontal Ou seja, 13,53% dos subconjuntos falharão por 20.000 horas. MÃO NA MASSA 1. UM PROCESSO DE FABRICAÇÃO PRODUZ MILHARES DE SEMICONDUTORES CHIPS POR DIA. EM MÉDIA, 1% DESSES CHIPS APRESENTAM NÃO CONFORMIDADE COM AS ESPECIFICAÇÕES. A CADA HORA, UM INSPETOR SELECIONA UMA AMOSTRA ALEATÓRIA DE 25 CHIPS E CLASSIFICA CADA UM NA AMOSTRA COMO CONFORME OU NÃO CONFORME. SE CHAMARMOS DE “X” A VARIÁVEL ALEATÓRIA QUE REPRESENTA O NÚMERO DE CHIPS NÃO ( ) ( ) ( ) [ ( ) ] ( ) [ ( ) ] Processing math: 33% CONFORMES NA AMOSTRA, QUAL A PROBABILIDADE APROXIMADA DE MENOS DE 2 CHIPS DA AMOSTRA SEREM NÃO CONFORMES? A) 97,42%. B) 96,47%. C) 86,12%. D) 77,78%. E) 85,23%. 2. O DIÂMETRO DE UM EIXO DE METAL USADO EM UMA CAIXA DE MARCHA DE UM TRATOR DE ESTEIRA É NORMALMENTE DISTRIBUÍDO COM MÉDIA DE 0,2508CM E DESVIO PADRÃO 0,0005CM. AS ESPECIFICAÇÕES NO EIXO FORAM ESTABELECIDAS COMO 0,2500 ± 0,0015CM. QUAL FRAÇÃO DOS EIXOS PRODUZIDOS ESTÁ EM CONFORMIDADE COM AS ESPECIFICAÇÕES? A) 99,73%. B) 95,47%. C) 93,06%. D) 91,92%. E) 94,78%. 3. UM COMPONENTE ELETRÔNICO PARA UMA UNIDADE DE RAIOS X É PRODUZIDO EM LOTES DE TAMANHO N = 25. UM PROCEDIMENTO DE TESTE DE ACEITAÇÃO É USADO PELO COMPRADOR PARA SE PROTEGER CONTRA LOTES QUE CONTÊM MUITOS COMPONENTES NÃO CONFORMES. O PROCEDIMENTO CONSISTE EM SELECIONAR CINCO COMPONENTES ALEATÓRIOS DO LOTE (SEM SUBSTITUIÇÃO) E TESTÁ-LOS. SE NENHUM DOS COMPONENTES FOR NÃO CONFORME, O LOTE É ACEITO. QUAL É A PROBABILIDADE DE ACEITAÇÃO DO LOTE? A) 88,04%. B) 92,36%. C) 77,80%. D) 60,21%. Processing math: 33% E) 65,89%. 4. O DEPARTAMENTO DE COBRANÇA DE UMA GRANDE EMPRESA DE CARTÃO DE CRÉDITO ESTÁ ANALISANDO UMA FORMA DE CONTROLAR ERROS (ADMINISTRATIVO, DE TRANSMISSÃO DE DADOS ETC.) NAS CONTAS DOS CLIENTES. SUPONHA QUE OS ERROS OCORREM DE ACORDO COM UMA DISTRIBUIÇÃO DE POISSON COM PARÂMETRO Λ = 0,001. QUAL É A PROBABILIDADE DE QUE UMA CONTA SELECIONADA ALEATORIAMENTE DE UM CLIENTE CONTENHA UM ERRO? A) 0,0001%. B) 0,001%. C) 0,01%. D) 0,1%. E) 99,99%. 5. CONSIDERE O SISTEMA MOSTRADO NA FIGURA A SEGUIR. ISSO É CHAMADO DE SISTEMA REDUNDANTE EM ESPERA, PORQUE ENQUANTO O COMPONENTE 1 ESTÁ LIGADO, O COMPONENTE 2 ESTÁ DESLIGADO; E QUANDO O COMPONENTE 1 FALHA, O INTERRUPTOR LIGA AUTOMATICAMENTE O COMPONENTE 2. SE CADA COMPONENTE TIVER UMA VIDA DESCRITA POR UMA DISTRIBUIÇÃO DE POISSON COM Λ = 10-2, A CONFIABILIDADE DE UM SISTEMA DESTE TIPO É FALHAS = 1 – (1 – P(C1) (1 – P(C2)). QUAL A CONFIABILIDADE DO SISTEMA? A) 99,99%.Processing math: 33% B) 99,00%. C) 98,03%. D) 96,45%. E) 93,21%. 6. A RESISTÊNCIA À TRAÇÃO DE UMA PEÇA DE METAL É NORMALMENTE DISTRIBUÍDA COM MÉDIA DE 40LB E DESVIO PADRÃO DE 5LB. SE 50.000 PEÇAS FOREM PRODUZIDAS, QUANTAS VOCÊ ESPERA QUE NÃO CUMPRAM UM LIMITE MÍNIMO DE ESPECIFICAÇÃO DE RESISTÊNCIA À TRAÇÃO DE 35LB? QUANTOS TERIAM UMA RESISTÊNCIA À TRAÇÃO SUPERIOR A 48LB? A) 45.148 e 41.487. B) 43.423 e 35.651. C) 38.104 e 26.458. D) 41.057 e 38.104. E) 40.026 e 32.751. GABARITO 1. Um processo de fabricação produz milhares de semicondutores chips por dia. Em média, 1% desses chips apresentam não conformidade com as especificações. A cada hora, um inspetor seleciona uma amostra aleatória de 25 chips e classifica cada um na amostra como conforme ou não conforme. Se chamarmos de “x” a variável aleatória que representa o número de chips não conformes na amostra, qual a probabilidade aproximada de menos de 2 chips da amostra serem não conformes? A alternativa "A " está correta. Solução: Essa é uma distribuição discreta, uma vez que o número observado de não conformidades é x = 0, 1, 2,…, 25 e é chamada de distribuição binomial. Podemos calcular a probabilidade de encontrar um ou menos elementos com não conformidadena amostra, da seguinte maneira: P(x) = n x p x(1 - p)n - x Atenção! Para visualização completa da equação utilize a rolagem horizontal ( ) Processing math: 33% Portanto: P(x≤1) = P(x=0) + p(x=1) Px≤1=2500,010(1-0,01)25-0+2510,011(1-0,01)25-1 Px≤1=25!0!25-0!0,010(1-0,01)25-0+25!1!25-1!0,011(1-0,01)25-1 Px≤1=0,7778+0,1964=0,9742=97,42% Atenção! Para visualização completa da equação utilize a rolagem horizontal 2. O diâmetro de um eixo de metal usado em uma caixa de marcha de um trator de esteira é normalmente distribuído com média de 0,2508cm e desvio padrão 0,0005cm. As especificações no eixo foram estabelecidas como 0,2500 ± 0,0015cm. Qual fração dos eixos produzidos está em conformidade com as especificações? A alternativa "D " está correta. Solução: Observe que: P0,2485≤x≤0,2515=Px≤0,2515-Px≥0,2485 P0,2485≤x≤0,2515= Φ0,2515-0,25080,0005-Φ0,2845-0,25080,0005 P0,2485≤x≤0,2515= Φ1,4-Φ-4,60=0,9192-0,0000=0,9192 =91,92% Atenção! Para visualização completa da equação utilize a rolagem horizontal Esses dados foram tirados da tabela da distribuição normal, entretanto se você tem o Excel instalado em seu equipamento, digite em uma célula: =DIST.NORMP.N(1,4;0,0005)- DIST.NORMP.N(-4,6;0,0005) Atenção! Para visualização completa da equação utilize a rolagem horizontal 3. Um componente eletrônico para uma unidade de raios X é produzido em lotes de tamanho N = 25. Um procedimento de teste de aceitação é usado pelo comprador para se proteger contra lotes que contêm muitos componentes não conformes. O procedimento consiste em selecionar cinco componentes aleatórios do lote (sem substituição) e testá-los. Se nenhum dos componentes for não conforme, o lote é aceito. Qual é a probabilidade de aceitação do lote? A alternativa "C " está correta. Solução: Essa é uma distribuição discreta, uma vez que o número observado de não conformidades é x = 0, 1, 2,…, 25 e é chamada de distribuição binomial. Podemos calcular a probabilidade de encontrar um ou menos elementos com não conformidade na amostra, da seguinte maneira: Px=nxpx(1-p)n-x Processing math: 33% Atenção! Para visualização completa da equação utilize a rolagem horizontal Portanto: Px=0=2500,010(1-0,01)25-0 Px=0=25!0!25-0!0,010(1-0,01)25-0=0,7778=77,80% Atenção! Para visualização completa da equação utilize a rolagem horizontal 4. O departamento de cobrança de uma grande empresa de cartão de crédito está analisando uma forma de controlar erros (administrativo, de transmissão de dados etc.) nas contas dos clientes. Suponha que os erros ocorrem de acordo com uma distribuição de Poisson com parâmetro λ = 0,001. Qual é a probabilidade de que uma conta selecionada aleatoriamente de um cliente contenha um erro? A alternativa "C " está correta. Solução: Usando Poisson, temos: p(x0)=∑x=00e-λλxx!=e-0,0010,00111!=0,9999 Atenção! Para visualização completa da equação utilize a rolagem horizontal Portanto, as não conformidades serão 1 – 0,9999 = 0,0001 = 0,01%. 5. Considere o sistema mostrado na figura a seguir. Isso é chamado de sistema redundante em espera, porque enquanto o componente 1 está ligado, o componente 2 está desligado; e quando o componente 1 falha, o interruptor liga automaticamente o componente 2. Se cada componente tiver uma vida descrita por uma distribuição de Poisson com λ = 10-2, a confiabilidade de um sistema deste tipo é Falhas = 1 – (1 – P(C1) (1 – P(C2)). Qual a confiabilidade do sistema? A alternativa "C " está correta. Solução: p(x=1)=e-λλxx!=e-0,010,0111!=0,0099 Processing math: 33% Falhas = 1 – (1 – 0,0099) (1 – 0,0099) = 0,0197 Confiabilidade = 1 – 0,0197 = 0,9803 = 98,03% Atenção! Para visualização completa da equação utilize a rolagem horizontal 6. A resistência à tração de uma peça de metal é normalmente distribuída com média de 40lb e desvio padrão de 5lb. Se 50.000 peças forem produzidas, quantas você espera que não cumpram um limite mínimo de especificação de resistência à tração de 35lb? Quantos teriam uma resistência à tração superior a 48lb? A alternativa "B " está correta. EXEMPLO DE APLICAÇÃO GABARITO TEORIA NA PRÁTICA As especificações de um componente eletrônico em um sistema de aquisição de alvos é que sua vida deve ser entre 5.000h e 10.000h. A vida é normalmente distribuída com média de 7.500h. O fabricante cobra $10 por unidade produzida; contudo, as unidades defeituosas devem ser substituídas a um custo de $5. Dois fabricantes com diferentes processos podem ser usados, sendo que ambos têm a mesma vida média. No entanto, o desvio padrão da vida para o processo 1 é 1000h, enquanto para o processo 2 é apenas 500h. Os custos de produção para o processo do fabricante 2 são o dobro daqueles para do fabricante 1, que custa $3/h. Levando em consideração o lucro, qual seria a melhor escolha a ser feita? RESOLUÇÃO Processing math: 33% UMA APLICAÇÃO PRÁTICA VERIFICANDO O APRENDIZADO 1. OS DIÂMETROS DE FURO DE OITO ROLAMENTOS SELECIONADOS ALEATORIAMENTE SÃO MOSTRADOS AQUI (EM MM): 50,001; 50,002; 49,998; 50,006; 50,005; 49,996; 50,003; 50,004. A MÉDIA DA AMOSTRA E O DESVIO PADRÃO DA AMOSTRA SERÃO IGUAIS A: A) 50,002 e 0,003. B) 50,001 e 0,001. C) 50,000 3 0,002. D) 50,004 e 0,000. E) 50,003 e 0,004. 2. UMA MONTAGEM MECATRÔNICA É SUBMETIDA A UMA INSPEÇÃO FUNCIONAL FINAL. SUPONHA QUE OS DEFEITOS OCORRAM ALEATORIAMENTE NESSES CONJUNTOS, E QUE OS DEFEITOS OCORREM DE ACORDO COM UMA DISTRIBUIÇÃO DE POISSON COM PARÂMETRO Λ = 0,02. QUAL É A PROBABILIDADE DE APRESENTAR EXATAMENTE UM DEFEITO? A) 1,58%. B) 1,96%.Processing math: 33% C) 2,01%. D) 1,89%. E) 1,92%. GABARITO 1. Os diâmetros de furo de oito rolamentos selecionados aleatoriamente são mostrados aqui (em mm): 50,001; 50,002; 49,998; 50,006; 50,005; 49,996; 50,003; 50,004. A média da amostra e o desvio padrão da amostra serão iguais a: A alternativa "A " está correta. μ=X-= 50,001+50,002+…+50,0048=50,002 σ=(50,001-50,002)2+(50,002-50,002)2+… (50,004-50,002)28-1=0,003 Atenção! Para visualização completa da equação utilize a rolagem horizontal 2. Uma montagem mecatrônica é submetida a uma inspeção funcional final. Suponha que os defeitos ocorram aleatoriamente nesses conjuntos, e que os defeitos ocorrem de acordo com uma distribuição de Poisson com parâmetro λ = 0,02. Qual é a probabilidade de apresentar exatamente um defeito? A alternativa "B " está correta. px=1=e-λλxx!=e-0,020,0211!=0,0196=1,96% MÓDULO 2 Definir como se deve determinar tamanhos de amostras Processing math: 33% DETERMINAÇÃO DO TAMANHO DE AMOSTRAS DETERMINAÇÃO DE AMOSTRAS Na maioria dos casos, as unidades do grupo são escolhidas aleatoriamente. Processing math: 33% Imagem: Mauro Rezende Filho É sempre necessário inspecionar/testar uma amostra para tirar uma conclusão sobre um lote inteiro? Não, não é. Se você verificar 50 relógios que custam R$50.000,00 cada, pode fazer mais sentido verificar todos os 50, um por um. Em contraste, se você comprar 4 recipientes de bolas de Natal custando R$2,00 cada, não faz sentido econômico verificar 100% delas. Você precisa, nesse caso, trabalhar com base na amostragem aleatória. Se um inspetor controla a qualidade de seus produtos na China, ele provavelmente verifica apenas uma parte do lote inteiro. Mas como ele decide quantas peças escolher para sua inspeção? Como ele decide que quantidade de unidades defeituosas é “demais”? E que certeza ele tem de tomar a decisão certa, visto que ela se baseia em suas descobertas em uma amostra aleatória? Digamos que você decidiu retirar amostras de um lote de produtos. Uma abordagem não sofisticada de amostragem costuma ter a seguinte aparência: pegue 10% aleatoriamente e verifique essas peças. Não se sugere tal esquema para uma atividade que a empresa realizará regularmente. Há duas razões para isso: Como você pode fazer a ligação entre esse plano e seu risco como comprador, ou seja, de aceitar um lote pior do que você está disposto a aceitar? Digamos que você encontre3% das amostras que você escolheu com defeito. Você fica negociando com a fábrica, sem nenhuma regra previamente acordada, para decidir como eles devem agir, como classificar todo o lote e deixar de lado os problemas. Os estatísticos têm trabalhado arduamente neste tópico e criaram ferramentas simples para os profissionais, desde os anos 1930. O plano mais popular foi desenvolvido pelo Departamento de Defesa dos Estados Unidos e foi formalizado nos padrões MIL-STD 105E, 2859-1 e ANSI Z1.4. É denominado inspeção AQL.Processing math: 33% javascript:void(0) INSPEÇÃO AQL AQL significa limite de qualidade aceitável e é definido como o nível de qualidade que é o pior tolerável. Representa o número máximo de unidades com defeito, além do qual um lote é rejeitado. Os importadores geralmente definem AQLs diferentes para defeitos críticos, principais e secundários. A maioria dos exportadores asiáticos está familiarizada com esse tipo de ambiente. EXEMPLO AQL de 1,5% significa que o comprador não aceita mais do que 1,5% de itens com defeito em toda a quantidade do pedido, em média, ao longo de várias ordens de produção com aquele fornecedor. Na prática, três tipos de defeitos são frequentemente distinguidos para a maioria dos bens de consumo. Os limites são: 0% PARA DEFEITOS CRÍTICOS Totalmente inaceitável pois o usuário pode ser prejudicado, ou quando os regulamentos não são respeitados. 2,5% PARA DEFEITOS MAIORES Esses produtos geralmente não seriam considerados aceitáveis pelo usuário final. 4,0% PARA PEQUENOS DEFEITOS Há alguns desvios das especificações, mas a maioria dos usuários não se importaria. DEMONSTRAÇÃO Uma organização de manufatura que deseja seguir as boas práticas certamente fará uma distinção entre três estágios: Processing math: 33% javascript:void(0) javascript:void(0) javascript:void(0) I. INSPEÇÃO DE ENTRADA II. CONTROLE EM PROCESSO III. INSPEÇÃO FINAL INSPEÇÃO DE ENTRADA Precisará de uma maneira econômica de verificar vários lotes. Uma inspeção AQL será uma boa estratégia. CONTROLE EM PROCESSO A abordagem aqui geralmente é uma combinação de controles de processo e de controles de produto. INSPEÇÃO FINAL Você ainda quer um filtro, a fim de parar os lotes que ainda apresentam defeitos. A abordagem certa depende da sua situação: Se você trabalha com bens de consumo em geral, definir limites de AQL um pouco mais rígidos do que o que seu cliente selecionaria costuma ser uma solução suficientemente adequada. Se você não pode enviar nenhuma mercadoria com defeito, uma aceitação no plano zero faz mais sentido. Agora, vamos dar uma olhada em cada tipo de plano descrito anteriormente, um por um. Se a empresa importar lotes de produtos e esses lotes forem feitos de maneira contínua ou semicontínua, sem alterações no processo ou nos componentes, isso faz sentido. Os estatísticos nos deram muitas variações desse plano. Vejamos dois deles: Processing math: 33% Imagem: Shutterstock.com. QUANTAS VEZES AS AMOSTRAS SÃO COLHIDAS? Supondo que, em mais de 90% dos casos, uma abordagem de “estágio único” é seguida, isso significa que um número (n) de peças é separado e tem suas peças inspecionadas. Esse número n depende do tamanho do lote e do nível de inspeção. Se o número de defeitos estiver abaixo do limite AQL, o resultado é aprovado. Um plano de amostragem de duplo estágio é um pouco mais eficiente. O inspetor começaria pegando menos peças da amostra (n1). Se a descoberta não for clara, ou seja, nem muito boa nem muito ruim, mais amostras deverão ser coletadas. Existem também planos múltiplos e sequenciais. São mais complexos e exigem mais acompanhamento administrativo, mas são ainda mais eficientes. TODOS OS LOTES SÃO VERIFICADOS? Mais uma vez, supõe-se que em mais de 90% dos casos o comprador decide verificar cada lote. Quando um lote não é verificado, essa decisão não é derivada de regras estatísticas. Um plano de ignorar lote, por outro lado, permite que o comprador inspecione apenas uma fração dos lotes, com base no desempenho anterior. A maneira de decidir quando pode ser aplicada, e qual deve ser a fração, é semelhante àquela que veremos mais à frente. O plano de amostragem contínua faz sentido quando as seguintes condições são atendidas: A inspeção é rápida e os resultados são conhecidos rapidamente.Processing math: 33% Nenhum teste destrutivo está envolvido. A qualidade do produto é conhecida por ser relativamente estável. Os produtos são idênticos (mesmos materiais passando pelo mesmo processo sob as mesmas especificações) e podem ser feitos em fluxo contínuo ou em lotes. Consiste em várias fases: I. No início, cada peça é verificada (isso é “verificação 100%” ou “triagem”). II Depois que certo número de peças foi considerado satisfatório, apenas algumas peças são verificadas aleatoriamente (essa é a “amostragem”). III Processing math: 33% Se a triagem durar muito tempo (significando que unidades defeituosas são frequentemente encontradas), a prioridade é melhorar o processo e/ou configurar o teste na fonte para detectar problemas imediatamente. VOCÊ SABIA? Implementar um plano de amostragem de “Aceitação em zero”: alguns importadores, que são sensíveis a litígios legais de seus clientes ou que possuem padrões de alta qualidade, aceitam lotes somente se nenhuma unidade com defeito for encontrada. Isso é comum em indústrias, como automotiva ou farmacêutica. Em alguns casos, o próprio produtor adota esse tipo de abordagem para seu controle de qualidade de saída. Uma grande vantagem é que menos amostras precisam ser verificadas. A princípio, só faz sentido se o processo tiver um índice de capacidade (Cp) de pelo menos 1,67. Em termos simples, as principais características do produto são medidas e se enquadram nas especificações na grande maioria dos casos. Alguns outros tipos de planos de amostragem: Se um plano for “por variáveis”, ele permite uma avaliação mais precisa. Por exemplo, o comprimento do produto é medido e as descobertas exatas são levadas em consideração quando uma decisão é tomada. Uma “retificação” é aplicável se os defeitos encontrados puderem ser corrigidos imediatamente. Leva em consideração o fato de que o lote é de qualidade superior após a inspeção e, em caso de falha na inspeção, todo o lote deve ser inspecionado. Vamos ver agora como calcular o tamanho da amostra. Precisaremos definir: n: é o tamanho necessário da amostra; N: é toda a população-alvo em questão, ou seja, o tamanho do lote; p: é a proporção média de registros que se espera que atendam aos vários critérios e (1-p) é a proporção média de registros que se espera que não atendam aos critérios; A: é a margem de erro considerada aceitável (calculada como uma proporção). Por exemplo, para 5% de erro em qualquer direção, A = 0,05; c: valor de uma constante. Para ter 95% de certeza do resultado, a constante c = 1,96 Processing math: 33% Para ter 90% de certeza do resultado, a constante c = 1,645 Para ter 80% de certeza do resultado, a constante c = 1,28 A fórmula para o cálculo de n é: N=C2NP(1-P)A2N+C2P(1-P) Atenção! Para visualização completa da equação utilize a rolagem horizontal Veja o exemplo: N = 400 p = 70% A = 0,05 c = 1,96 (95% de certeza do resultado) Utilizando a fórmula, temos: N=1,962×400×0,7(1-0,7)0,052×400+1,962×0,7×(1- 0,7)=102,77=103 Atenção! Para visualização completa da equação utilize a rolagem horizontal Veja que há uma sensibilidade quando alteramos o valor de “c”: Amostra c = 95% 1,96 102,7666 c = 90% 1,645 78,33823 Processing math: 33% c = 80% 1,28 51,40276 Elaborada por Mauro Rezende Filho Atenção! Para visualização completa da tabela utilize a rolagem horizontal Agora vamos testar uma amostra de grãos de soja. Três valores são necessários para definir um plano de amostra múltipla. Temos, então, como dados: Número de grãos coletados = 100 Proporção média de registros = 90% Margem de erro = 10% Constante c para 90% = 1,645Número máximo de positivos = 19 N=1,6452×100×0,9(1-0,9)0,12×100+1,6452×0,9×(1- 0,9)=19,58=20 Atenção! Para visualização completa da equação utilize a rolagem horizontal Vamos supor que o cliente aceite um AQL = 2. Ou seja, o cliente está exigindo agora uma não conformidade máxima de 98% (100 – 2/100). Temos, então: N=1,6452×100×0,98(1-0,98)0,12×100+1,6452×0,98×(1- 0,98)=85,89=86 Atenção! Para visualização completa da equação utilize a rolagem horizontal Estamos, então, muito próximos da amostragem 100%. QUALIDADE MÉDIA DE SAÍDA (AOQ) Processing math: 33% Um procedimento comum, quando a amostragem e o teste não são destrutivos, é inspecionar 100% dos lotes rejeitados e substituir todos os defeituosos por boas unidades. Nesse caso, todos lotes rejeitados são tornados perfeitos e os únicos defeitos que restam são aqueles em lotes que foram aceitos. Se todos os lotes vierem com um nível de defeito de exatamente p, e a curva OC para o escolhido (n, c) indica uma probabilidade Pa, de aceitação a longo prazo, o AOQ pode facilmente ser mostrado como: AOQ=PA PN-NN Atenção! Para visualização completa da equação utilize a rolagem horizontal Onde Pa - probabilidade acumulada, usualmente calculada nas distribuições discretas, como a Binomial. Vamos pegar o primeiro exemplo e calcular o AOQ: N = 400 p = 0,3 n = 103 c = 0 PA=103!0!103-0!0,30(1-0,3)103-0=0,0305 AOQ=0,0305×0,3×(400-103)400=0,0078=0,78% Atenção! Para visualização completa da equação utilize a rolagem horizontal Podemos, então, plotar a curva para controle: Processing math: 33% Imagem: Shutterstock.com Curva AOQ Elaborada por Mauro Rezende Filho LASP Um plano de amostragem de aceitação de lote (LASP) é um esquema de amostragem e um conjunto de regras para a tomada de decisões. A decisão, baseada na contagem do número de defeituosos em uma amostra, pode aceitar o lote, rejeitar o lote, ou ainda, para esquemas de amostragem múltiplo ou sequencial, tomar outra amostra e, em seguida, repetir o processo de decisão. Os LASPs se enquadram nas seguintes categorias: PLANOS DE AMOSTRAGEM INDIVIDUAIS Uma amostra de itens é selecionada aleatoriamente de um lote e a disposição do lote é determinada a partir da informação resultante. Esses planos são geralmente denotados como (n, c) planos para uma amostra tamanho n, em que o lote é rejeitado se houver mais de c defeituosos. Esses são os mais comuns (e mais fáceis) de planejar o uso, embora não seja o mais eficiente em termos de número médio de amostras necessárias. PLANOS DE AMOSTRAGEM DUPLA Após a primeira amostra ser testada, existem três possibilidades: Aceitar o lote. Rejeitar o lote.Processing math: 33% Sem decisão. Se o resultado for (3) e uma segunda amostra for retirada, o procedimento é combinar os resultados de ambas as amostras e tomar uma decisão final com base nessas informações. PLANOS DE AMOSTRAGEM MÚLTIPLAS Essa é uma extensão dos planos de amostragem dupla, em que mais de duas amostras são necessárias para se chegar a uma conclusão. A vantagem de amostragens múltiplas é que os tamanhos de amostra são menores. PLANOS DE AMOSTRAGEM SEQUENCIAL Esse é o máximo de extensão de amostragem múltipla, em que os itens são selecionados de um lote de cada vez e após a inspeção de cada item uma decisão é tomada para aceitar ou rejeitar o lote ou selecionar outra unidade. MÃO NA MASSA 1. UMA INDÚSTRIA MONTA LOTES DE 1.000 UNIDADES DE DETERMINADO PRODUTO. PARA A SUA ACEITAÇÃO, RETIRA ALEATORIAMENTE 10 UNIDADES E REJEITA O LOTE SE O NÚMERO DE NÃO CONFORMIDADE FOR SUPERIOR A 1 UNIDADE. HISTORICAMENTE, NÃO SÃO ACEITOS 1% DAS AMOSTRAS. A PROBABILIDADE DE O LOTE SER ACEITO É APROXIMADAMENTE IGUAL A: A) 99%. B) 99,9%. C) 99,7%. D) 99,5%. E) 99,3%. 2. O NÚMERO ESPERADO DE UNIDADES INSPECIONADAS É DESIGNADO POR AVERAGE TOTAL INSPECTION (ATI) E É UMA MEDIDA DE DESEMPENHO DO PLANO DE AMOSTRAGEM SIMPLES COM RETIFICAÇÃO DA INSPEÇÃO, E IGUAL A ATI = NPA + N[1 − PA]. UM CLIENTE COMPRA LOTES DE 500 UNIDADES DEProcessing math: 33% DETERMINADO PRODUTO, QUE HISTORICAMENTE TEM UMA NÃO CONFORMIDADE DE 1%. PARA ACEITAR O LOTE, ELE RETIRA 10 UNIDADES E REJEITA SE MAIS DE UMA UNIDADE FOR NÃO CONFORME. O ATI DESSE LOTE SERÁ APROXIMADAMENTE IGUAL A: A) 9,95. B) 2,45. C) 10,45. D) 12,45. E) 12,95. 3. SEJAM PAI E PAII AS PROBABILIDADES DE ACEITAÇÃO DO LOTE NA PRIMEIRA E NA SEGUNDA FASES DE UM PLANO DE AMOSTRAGEM SIMPLES. PARA UM PLANO DE AMOSTRAGEM DUPLA CARACTERIZADO POR N1 = 50, C1 = 1, N2 = 100 E C2 = 3, SABE-SE QUE EM MÉDIA 5% DAS UNIDADES SÃO NÃO CONFORMES. PARA ESSE PLANO, A PROBABILIDADE DE ACEITAÇÃO DO LOTE SERÁ DE APROXIMADAMENTE: A) 53,72%. B) 27,94%. C) 25,78%. D) 45,62%. E) 48,36%. 4. QUALIDADE DE SAÍDA MÉDIA (QSM) MEDE A QUALIDADE NO LOTE RESULTANTE DA APLICAÇÃO DA INSPEÇÃO DE RETIFICAÇÃO, SENDO DEFINIDA POR: QMS=PAN-NNP ATENÇÃO! PARA VISUALIZAÇÃO COMPLETA DA EQUAÇÃO UTILIZE A ROLAGEM HORIZONTAL SUPONHA QUE, PARA UM LOTE DE 100 UNIDADES, NÃO MAIS DE 2 UNIDADES SEJAM NÃO CONFORMES, QUE OS LOTES QUE ENTRAM SEJAM DE QUALIDADE 90%, QUE O INTERVALO DE CONFIANÇA SEJA DE 90% E QUE AProcessing math: 33% MARGEM DE ERRO DESEJADA SEJA DE 5%. QUAL SERÁ O VALOR APROXIMADO DE QMS? A) 0,59%. B) 3,12%. C) 8,12%. D) 4,78%. E) 0,41%. 5. INSPEÇÃO TOTAL MÉDIA (ITM) MEDE O NÚMERO MÉDIO DE ITENS INSPECIONADOS, DEVIDO AO USO DE UM PROGRAMA DE INSPEÇÃO POR RETIFICAÇÃO. É DADO PELA SEGUINTE FÓRMULA: ITM = N + (1- PA)( N - N) ATENÇÃO! PARA VISUALIZAÇÃO COMPLETA DA EQUAÇÃO UTILIZE A ROLAGEM HORIZONTAL SUPONHA QUE, PARA UM LOTE DE 100 UNIDADES, NÃO MAIS DE 2 UNIDADES SEJAM NÃO CONFORMES, QUE OS LOTES QUE ENTRAM SEJAM DE QUALIDADE 90%, QUE O INTERVALO DE CONFIANÇA SEJA DE 90% E QUE A MARGEM DE ERRO DESEJADA SEJA DE 5%, COM QMS APROXIMADO DE 0,49%. O VALOR APROXIMADO DO ITM É: A) 92 B) 100 C) 8,12% D) 4,78% E) 0,24% 6. EM UM LOTE DE 200 ITENS, 10 SÃO DEFEITUOSOS. A PROBABILIDADE DE UMA AMOSTRA DE 20 UNIDADES CONTER 2 ITENS DEFEITUOSOS É: A) 0,15. B) 0,10. Processing math: 33% C) 0,12. D) 0,13. E) 0,22. GABARITO 1. Uma indústria monta lotes de 1.000 unidades de determinado produto. Para a sua aceitação, retira aleatoriamente 10 unidades e rejeita o lote se o número de não conformidade for superior a 1 unidade. Historicamente, não são aceitos 1% das amostras. A probabilidade de o lote ser aceito é aproximadamente igual a: A alternativa "D " está correta. Solução: Temos as seguintes informações: N = 1000 n = 10 c = 1 p = 1% Utilizamos a distribuição binomial, pois temos uma amostragem por atributos: PA = P(X=1) = P(X=0) + P(X=1) P(X=0)=100P0(1-P)10-0=1000,010(1-0,01)10-0=0,904 P(X=1)=101P1(1-P)10-1=1010,011(1-0,01)10-1=0,091 P(X=1) = 0,904 + 0,091 = 0,995= 99,5% Atenção! Para visualização completa da equação utilize a rolagem horizontal 2. O número esperado de unidades inspecionadas é designado por Average Total Inspection (ATI) e é uma medida de desempenho do plano de amostragem simples com retificação da inspeção, e igual a ATI = nPa + N[1 − Pa]. Um cliente compra lotes de 500 unidades de determinado produto, que historicamente tem uma não conformidade de 1%. Para aceitar o lote, ele retira 10 unidades e rejeita se mais de uma unidade for não conforme. O ATI desse lote será aproximadamente igual a: A alternativa "D " está correta. Solução:Processing math: 33% Temos as seguintes informações: N = 500 n = 10 c = 1 p = 1% Utilizamos a distribuição binomial, pois temos uma amostragem por atributos: PA = P(X=1) = P(X=0) + P(X=1) P(X=0)=100P0(1-P)10-0=1000,010(1-0,01)10-0=0,904 P(X=1)=101P1(1-P)10-1=1010,011(1-0,01)10-1=0,091 P(X=1) = 0,904 + 0,091 = 0,995= 99,5% ATI = 10x0,995+ 500x(1 – 0,995) = 12,45 Atenção! Para visualização completa da equação utilize a rolagem horizontal 3. Sejam PaI e PaII as probabilidades de aceitação do lote na primeira e na segunda fases de um plano de amostragem simples. Para um plano de amostragem dupla caracterizado por n1 = 50, c1 = 1, n2 = 100 e c2= 3, sabe-se que em média 5% das unidades são não conformes. Para esse plano, a probabilidade de aceitação do lote será de aproximadamente: A alternativa "A " está correta. Solução: Temos as seguintes informações: n1 = 50 n2 = 100 c1 = 1 c2 = 3 p = 5% Utilizamos a distribuição binomial, pois temos uma amostragem por atributos: P=PaI+PaII Processing math: 33% Atenção! Para visualização completa da equação utilize a rolagem horizontal Para PaI temos: P(X=0)=500P0(1-P)50-0=5000,050(1-0,05)50-0=0,0769 P(X=1)=501P1(1-P)50-1=5010,051(1-0,05)50-1=0,2025 PaI= 0,0769 + 0,2025 = 0,2794 Atenção! Para visualização completa da equação utilize a rolagem horizontal Para PaII temos: P(X=0)=1000P0(1-P)100-0=10000,050(1-0,05)100-0=0,0059 P(X=1)=1001P1(1-P)100-1=10010,051(1-0,05)100-1=0,0312 P(X=2)=1002P0(1-P)100-2=10020,052(1-0,05)100-3=0,0812 P(X=3)=1003P1(1-P)100-3=10030,053(1-0,05)100-3=0,1396 PaII = 0,0059 + 0,0312 + ,00812 + 0,1396 = 0,2578 Então, P=PaI+PaII=0,2794+0,2578=0,5372=53,72% Atenção! Para visualização completa da equação utilize a rolagem horizontal 4. Qualidade de Saída Média (QSM) mede a qualidade no lote resultante da aplicação da inspeção de retificação, sendo definida por: QMS=PaN-nNp Atenção! Para visualização completa da equação utilize a rolagem horizontal Suponha que, para um lote de 100 unidades, não mais de 2 unidades sejam não conformes, que os lotes que entram sejam de qualidade 90%, que o intervalo de confiança seja de 90% e que a margem de erro desejada seja de 5%. Qual será o valor aproximado de QMS? A alternativa "E " está correta. UMA APLICAÇÃO DE QSM Processing math: 33% 5. Inspeção Total Média (ITM) mede o número médio de itens inspecionados, devido ao uso de um programa de inspeção por retificação. É dado pela seguinte fórmula: ITM = n + (1- Pa)( N - n) Atenção! Para visualização completa da equação utilize a rolagem horizontal Suponha que, para um lote de 100 unidades, não mais de 2 unidades sejam não conformes, que os lotes que entram sejam de qualidade 90%, que o intervalo de confiança seja de 90% e que a margem de erro desejada seja de 5%, com QMS aproximado de 0,49%. O valor aproximado do ITM é: A alternativa "A " está correta. Solução: Com os dados calculados, temos: ITM = n + (1- Pa)( N - n) = 30 + (1 – 0,1183) (100 – 30) = 90,53 = 92 Atenção! Para visualização completa da equação utilize a rolagem horizontal Observe que é menor que o tamanho do lote. 6. Em um lote de 200 itens, 10 são defeituosos. A probabilidade de uma amostra de 20 unidades conter 2 itens defeituosos é: A alternativa "B " está correta. Solução: Usando a distribuição hipergeométrica para achar a probabilidade, temos: Pn=2=102200-1020-220020=0,10 de defeitos Atenção! Para visualização completa da equação utilize a rolagem horizontal GABARITO TEORIA NA PRÁTICA Uma indústria monta lotes de 10.000 unidades de determinado produto. Para a sua aceitação, retira aleatoriamente 150 unidades e rejeita o lote se o número de não conformidade for superior a 5 unidades. Amostras não conformes acima de 3% significam a rejeição do lote. A probabilidade de o lote ser aceito é aproximadamente igual a: Processing math: 33% RESOLUÇÃO UMA APLICAÇÃO DE TAMANHO DO LOTE VERIFICANDO O APRENDIZADO 1. NA ESCOLHA DO TAMANHO DA AMOSTRA, DEVEMOS TER EM MENTE A MAGNITUDE DA MUDANÇA QUE QUEREMOS DETECTAR, PORTANTO: I. AMOSTRAS PEQUENAS PERMITIRÃO DETECTAR GRANDES MUDANÇAS NO PROCESSO. II. QUANDO O CUSTO DE AMOSTRAGEM 100% É MUITO BAIXO, DEVEMOS DEFINIR O TAMANHO DA AMOSTRA A SER TESTADA DE UM LOTE. III. SE O TAMANHO DA SUA AMOSTRA É MUITO GRANDE, UMA BOA ESTRATÉGIA SERÁ DIMINUIR LIGEIRAMENTE O SEU NÍVEL DE CONFIANÇA OU AUMENTAR A MARGEM DE ERRO ACEITÁVEL. ESTÁ CORRETO O QUE SE AFIRMA EM A) I, apenas. B) II, apenas. C) III, apenas. D) I e III, apenas. E) II e III, apenas.Processing math: 33% 2. UM PLANO DE AMOSTRAGEM DE ACEITAÇÃO COMPARADO COM A INSPEÇÃO 100% OFERECE AS SEGUINTES VANTAGENS: I. USUALMENTE É MENOS DISPENDIOSA, POIS HÁ MENOS INSPEÇÃO. II. HÁ RISCOS DE ACEITAÇÃO DE LOTES “RUINS” E REJEIÇÃO DE LOTES “BONS”. III. MENOS PESSOAS SÃO ENVOLVIDAS NAS ATIVIDADES DE INSPEÇÃO. IV. APLICA-SE A TESTES DESTRUTIVOS. É(SÃO) ERRADA(S) A(S) AFIRMATIVA(S): A) I, apenas. B) II, apenas. C) III, apenas. D) II e III, apenas. E) I e III, apenas. GABARITO 1. Na escolha do tamanho da amostra, devemos ter em mente a magnitude da mudança que queremos detectar, portanto: I. Amostras pequenas permitirão detectar grandes mudanças no processo. II. Quando o custo de amostragem 100% é muito baixo, devemos definir o tamanho da amostra a ser testada de um lote. III. Se o tamanho da sua amostra é muito grande, uma boa estratégia será diminuir ligeiramente o seu nível de confiança ou aumentar a margem de erro aceitável. Está correto o que se afirma em A alternativa "C " está correta. A alternativa I está errada, pois somente com amostras grandes poderemos notar a variabilidade do processo com certeza estatística; a alternativa II está errada, pois faremos isso se o custo de amostragem 100% for alto; a a alternativa III está correta, pois se diminuirmos um pouco o nível de confiança e/ou aumentarmos a margem de erro, o tamanho da amostra diminuirá. Processing math: 33% 2. Um plano de amostragem de aceitação comparado com a inspeção 100% oferece as seguintes vantagens: I. Usualmente é menos dispendiosa, pois há menos inspeção. II. Há riscos de aceitação de lotes “ruins” e rejeição de lotes “bons”. III. Menos pessoas são envolvidas nas atividades de inspeção. IV. Aplica-se a testes destrutivos. É(São) errada(s) a(s) afirmativa(s): A alternativa "B " está correta. A alternativa II está errada, pois o que afirma é uma desvantagem. MÓDULO 3 Aplicar planos de amostragem RECONHECER, APLICAR E ANALISAR PLANOS DE AMOSTRAGEMProcessing math: 33% INTRODUÇÃO AOS PLANOS AMOSTRAIS A amostragem de aceitação está relacionada à inspeção e ao controle da fabricação em relação aos produtos, um dos aspectos mais antigos da garantia da qualidade. Nas décadas de 1930 e 1940, a amostragem de aceitação era um dos principais componentes do campo da qualidade e era usado principalmente para inspeção de recebimento. Posteriormente, tornou-se comum trabalhar com fornecedores para melhorar o desempenho de seus processos por meio do uso de controle estatístico do processo e de experimentos projetados, e não depender tanto da amostragem de aceitação como uma ferramenta de garantia de qualidade primária. EXEMPLO Imagine a seguinte situação: você é o responsável pelo desenvolvimento de novos fornecedores e materiais. Acabou de fechar uma parceria com um novo fornecedor que vai produzir um componente importante. Ambos estimam que a porcentagem de não conformes não será superior a 5% e que cada lote terá 100 unidades. Estará hoje recebendo o primeiro lote e deverá ter uma estratégia de aceitação. Você pensou nas seguintes alternativas: conferir 100% do lote e solicitar reposição dos não conformes; conferir 5% do lote e tomar uma decisão se esse número está adequado; separar uma amostra e rejeitar o lote se estiver acima dos 5%; separar uma amostra e se esse tiver inconformidades acima dos 5%, separar outra amostra, e se este novo lote tiver inconformidades acima dos 5% rejeitar o lote;Processing math: 33% não fazer nada e aceitar o lote. Como você pôde verificar, existem várias opções do que chamamos de Plano de Amostragem. Vamos estudar a partir de agora os mais utilizados; entretanto, na literatura, você encontrará uma grande variedade de abordagens para a aceitação de um lote de produtos. PLANOS DE AMOSTRAGEM A maneira como o lote é formado pode influenciar a eficácia do plano de amostragem de aceitação. Há uma série de considerações importantes na formação de lotes para inspeção. Algumas dessas são: 1. Os lotes devem ser homogêneos. As unidades do lote devem ser produzidas pelas
Compartilhar