Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
FACULDADE DE ENGENHARIA
CURSO DE PS-GRADUAO LATO SENSU ESPECIALIZAO
Engenharia de Processos e de Sistemas de Produo
Curso de Especializao em
Engenharia de Processos e de Sistemas de Produo
Abril de 2014
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 2
Sumrio
1. Conceitos Bsicos 03
1.1 Tipos de Variveis
1.2 Estatstica Descritiva e Inferencial
2. Estatstica Descritiva 06
2.1 Tabelas de freqncia
2.2 Tabelas de freqncia
2.3 Separatrizes
2.4 Medidas de Variabilidade
2.5 Anlise Grfica
3. Um pouco de Probabilidade 19
3.1 Principais Conceitos
3.2 Variveis Aleatrias Discretas Distribuio Binomial
3.3 Variveis Aleatrias Contnuas Distribuio Normal
Calendrio de aulas
Aula 1 25/04
Conceitos Bsicos, Estatstica Descritiva
Aula 2 26/04
Probabilidade, Amostragem e distribuies amostrais
Aula 3 10/05
Intervalos de Confiana, Clculo do n
Questes:
J vimos que a Estatstica trabalha com conjunto de dados formado por elementos.
Ns no trabalharemos diretamente com os elementos que formam o conjunto de
dados, mas sim com suas caractersticas. Variveis so caractersticas dos
elementos que formam o conjunto de dados.
Descritiva
Estatstica
Inferencial
Probabilidade Amostragem
Y
X y1 y2 yc
x1 f11 f21 ... f1c f1
x2 f12 f22 ... f2c f 2
M M O M M
xl fl1 fl2 ... flc f l
f 1 f 2 ... f c f
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 8
So valores que trazem informao sobre a regio em torno da qual os dados esto
posicionados. As medidas de tendncia central mais utilizadas so: Mdia, Mediana
e Moda.
Populao Amostra
N n
x
i =1
i x
i =1
i
= X =
N n
Populao Amostra
k k
xi f i
i =1
x
i =1
i fi
= X =
N n
A mediana o valor que divide o conjunto de dados ordenado em duas partes com
igual nmero de observaes. Para calcular a mediana iremos utilizar uma nova
notao. Seja x[1] , x[ 2 ] , K , x[ n ] um conjunto de dados ordenado (ordem no-
decrescente), onde o valor entre colchetes representa a posio no conjunto
ordenado.
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 9
n mpar n par
= MDIA(??:??)
=MED(??:??)
=MODO(??:??)
n
Xh = n
X G = n x1 x 2 K x n
1
i =1 xi
Xh XG X
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 10
Mdia
Mediana
Mdia sem Matemtica
Mdia Harmnica
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 11
2.3 Separatrizes
Min |------------------------|------------------------| Mx
Md
Min |------------------------|------------------------| Mx
Min |------------------------|------------------------| Mx
Mn P10 P20 P30 P40 P50 P60 P70 P80 P90 Mxi
=PERCENTIL(??:??)
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 12
Questes
R = mx{xi } mn{xi }
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 13
2 , s 2)
2.4.2 Varincia (
Populao Amostra
N n
(x (x X)
2
)
2
i i
i =1 i =1
2 = s2 =
N n 1
Populao Amostra
k k
(x (x X ) fi
2
) fi
2
i i
i =1 i =1
2 = s2 =
N n 1
2.4.3 Desvio-padro (
, s)
Populao Amostra
2
= s = s2
Populao Amostra
s
CV = 100% CV = 100%
X
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 14
=MAXIMO(??:??) MINIMO(??:??)
=VAR(??:??)
=DESVPAD(??:??)
=DESVPAD(??:??)/MEDIA(??:??)
O tipo de grfico adequado para cada varivel depende do tipo de varivel. Segue
uma relao de exemplos de variveis e tipos de grficos adequados.
GRFICO DE SETORES
Gol
12%
Vasp Varig
13% 39%
TAM
36%
GRFICO DE BARRAS
Gerdau 8,7%
RBS 6,3%
Azalia 4,1%
Tramontina 3,8%
Marcopolo 3,3%
GM 3,3%
Coca-Cola 3,3%
Sup.Nacional 2,1%
Renner 1,8%
Grendene 1,8%
GRFICO DE BARRAS
timo 45%
Bom 15%
Regular 8%
Ruim 5%
Pssimo 2%
GRFICO DE COLUNAS
40%
35%
30%
Relativa (%)
Freqncia
25%
20%
15%
10%
5%
0%
18 19 20 21 22 23 24 25 26 27 28 29 30
Idade (anos completos)
HISTOGRAMA
10
4
Freqncia
0
150,0 160,0 170,0 180,0 190,0 200,0
Altura (cm)
16.000.000
80,0%
14.000.000
12.000.000
60,0%
10.000.000
8.000.000
40,0%
6.000.000
4.000.000 20,0%
2.000.000
0 0,0%
VIX
VIR
GIG
NAT
MCZ
SLZ
CFI
CUI
GOI
GRU
CGH
SDU
REC
CUR
FOR
FLN
MAN
BEL
SSA
POA
Outros
Fonte: Infraero, Jul2013 (exceto GRU e VIR, cujos dados so de 2012). Total de 66 aeroportos.
1) Condies meteorolgicas
2) Produo de arroz anual numa cidade
3) Resultado de uma cirurgia
4) Lanamento de uma moeda
5) Resultados de loterias
S1 =
S2 =
S3 =
S4 =
S5 =
S6 =
S = {1,2,3,4,5,6}
possvel realizar operaes com eventos que nada so do que operaes com
conjuntos j estudadas no Ensino Fundamental.
3) Complementar: Ac ou A no ocorre A
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 21
Conceito Axiomtico
Axioma 1: 0 P(A) 1
Axioma 2: P(S) = 1
Conceito clssico
n( A)
P( A) =
n( S )
Conceito freqentista
n( A)
fr(A) = , onde n(A) o n de vezes em que ocorre o resultado A em n realizaes
n
do experimento.
3) Probabilidade como limite. A medida que n aumenta, a fr(A) converge para a real
probabilidade P(A).
n( A)
P( A) = lim n
n
Graficamente:
P(A|B) = P(B|A) =
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 23
Suponha que um aluno da turma ser sorteado. Aps saber o resultado o professor faz
algumas perguntas utilizando probabilidade condicional.
Resultado
Mquina Conforme No conforme Total
A 60 25 85
B 40 65 105
Total 100 90 190
3.1.3 Independncia
O exerccio acima pode ser resolvido pela Distribuio Binomial. Sempre que um
experimento que assume apenas dois possveis resultados em cada repetio for
repetido n vezes e que a probabilidade de sucesso constante em cada repetio
podemos modelar o nmero de sucessos pela distribuio Binomial.
n!
P ( X = x) = p x (1 p ) n x
x!(n x )!
1) Se lanarmos uma moeda honesta 100 vezes, qual o nmero esperado de caras?
3) Em uma frota que 1000 carros, qual o nmero esperado de carros roubados no
perodo de 1 ano?
E( X ) = n p
Suponha que lotes com uma quantidade muito grande de peas so produzidos e que a
proporo de peas defeituosas nesses lotes estimada em 2%. Numa amostra
aleatria de 30 itens para inspeo:
a) Qual modelo descreve X=nmero de peas defeituosas na amostra?
b) Esboce o modelo terico (tabela e grfico).
c) Faa uma simulao com um lote de N=5000 no Excel e construa a distribuio
emprica de X.
3.3.1 Conceitos
Importante
Uma v.a.c. X tem distribuio normal com parmetros e se sua funo densidade
de probabilidade dada por:
( x )2
1
f (x ) = e 2 2
, x ,
2
onde e so parmetros,
- < < + ; > 0
Notao
X N(,)
f(x)
f(x)
Seja X uma varivel aleatria normalmente distribuda com quaisquer parmetros mdia
e desvio-padro . Se realizarmos a seguinte transformao obteremos uma nova
varivel Z com mdia 0 e desvio-padro 1:
X
X N(,) Z= Z (0,1)
Qualquer varivel com distribuio Normal pode ser padronizada para a
Normal. A distribuio Normal padronizada (Z) tabelada.
1) Calcule:
________________________________________
________________________________________
________________________________________
________________________________________
n
f =
N
Etapas:
1) Enumerar a populao de 1 at N.
2) Sortear n nmeros no intervalo de 1 at N. (pode ser COM ou SEM reposio)
3) Compor a amostra com os elementos selecionados.
A B C D E
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 31
Exemplo:
E( X ) =
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 32
Exemplo:
Var( X )=
Importante:
O desvio-padro de um estimador tambm chamado de Erro-padro.
3a) Eficincia: um estimador 1 mais eficiente que 2 se Var(1 ) < Var( 2 ) para
um mesmo tamanho amostral n.
n
l( ) = f ( x1 , ) f ( x2 , )K f ( xn , ) = f ( xi , )
i =1
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 33
P( A B ) = P( A ) P( B )
P( A B C ) = P( A ) P( B ) P( C )
n n
P( I Ai ) = P( Ai )
i =1 i =1
Considere uma urna com S bolas Pretas e 10-S bolas Brancas e quatro bolas COM
reposio sero extradas da caixa. Estimar por MxVer o valor de S sabendo que,
numa extrao aleatria ocorreu uma bola Preta e trs Brancas.
Como n=10 bolas, logo sabemos que o valor de S ir variar entre 0 e 10 e, por ser
extrao COM reposio, podemos modelar este fenmeno pela distribuio
Binomial com parmetros n=4 e p=S/10.
1 4 1 3
S 10 S S 10 S S (10 S ) 3 S (10 S ) 3
l( S ) = P ( X = 1) = C 41 = 4 = 4 =
10 10 10 10 10 1000 2500
0,40
0,3456
0,35
0,2916
0,30 0,25
0,25
0,20 0,1536
0,15
0,10 0,0756
0,05 0,0256
0 0,0036 0
-
0 1 2 3 4 5 6 7 8 9 10
S
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 34
Uma promoo distribui picols gratuitos dentre aqueles que encontrarem o vale-
brinde no palito. Suponha que voc deseje estimar a taxa de premiao, ou seja,
qual a proporo p de picols vendidos que tm prmio. Suponha que, na terceira
tentativa voc encontre um prmio.
Perceba que, embora tenhamos outro problema que envolva variveis discretas,
neste caso no podemos enumerar todas possibilidades para p visto que no
sabemos o total de picols produzidos. De qualquer forma, obviamente, 0<p<1.
0,16
L(p)
0,14
0,12
0,10
0,08
0,06
0,04
0,02
-
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Encontar o estimador MxVer para sabendo que X ~ Poisson (). Neste caso
muito mais simples maximizar o logaritmo natural da funo de verossimilhana.
2o) Mtodo dos Momentos: Este mtodo foi proposto pelo ingls Pearson em
1894 e consiste em igualar os momentos amostrais aos momentos da distribuio
populacional.
Na distribuio Normal:
E(X) = e Var(X) = 2
(x X)
2
i
entretanto, que 2 = i =1 um estimador viciado para 2.
n
Exemplo Poisson
Sabendo que X ~ Poisson (), encontrar pelo mtodo dos momentos um estimador
para .
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 35
A B C D E F
10 20 30 40 50 60
Parmetros; = 35 =17,078
(X )
20 20
X
i =1
i
2 i =1
i X
X= =
X
20 20
Graficamente:
10 20 30 40 50 60
Quando N finito:
X , a medida que nN, tem distribuio Normal com Mdia= e Desvio-padro
N n
=
n N 1
Considere uma populao infinitamente grande com mdia = 0,5 . Vamos avaliar
as distribuies amostrais da mdia amostral X com n = 30 e 300.
2,0 3,5
3,0
1,5 2,5
2,0
1,0
1,5
0,5 1,0
0,5
- -
0 0,2 0,4 0,6 0,8 1 0 0,2 0,4 0,6 0,8 1
Mdias amostrais Mdias amostrais
n = 30 n = 300
Percebemos claramente que com o aumento do tamanho amostral a distribuio de
X fica cada vez mais concentrada em torno do parmetro . Isso quer dizer que,
quanto maior amostra, maior a possibilidade de acertarmos o valor do parmetro.
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 37
x i
estimador imediato de p a proporo amostral p = i =1 . Se assumirmos populao
n
infinita (equivalente a amostragem com reposio) a distribuio amostral de
n p ser descrita pela Binomial com parmetros (n ; p). No caso de populaes
finitas a distribuio de p ser Hipergeomtrica.
A B C D E F
0 1 0 1 1 0
20
X
i =1
i
p =
20
Para n > 30 a distribuio de p pode ser aproximada pela Normal, com mdia igual
p (1 p )
ao parmetro p e desvio-padro dado por .
n
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 38
Consiste em cercar o valor da estimativa pontual por uma regio cuja probabilidade
de conter o verdadeiro parmetro seja conhecida.
t = valor da distribuio t de Student com n-1 graus de liberdade e rea
n 1;
2
2
direita.
z = valor da distribuio normal padro com rea direita
2
2
X
P a < < b = 1
n
de confiana = X z
I.C. para com 1-
2 n
s
de confiana = X t
I.C. para com 1-
n 1,
2 n
s N n
de confiana = X t
I.C. para com 1-
n 1,
2 n N 1
Construa um IC 95% para o verdadeiro dimetro mdio dos aros nesta linha de
produo.
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 40
) p ( 1 p )
I.C. para p com 1- de confiana = p z
2
n
N n
O fator de correo acrescentado em caso de populaes infinitas.
N 1
) p (1 p ) N n
I.C. para p com 1- de confiana = p z
2
n N 1
Uma empresa vendeu 1500 unidades de uma mquina com garantia de 2 anos.
Uma amostra de 150 clientes (leia-se 150 mquinas) revelou que 15 tinham
utilizado os servios de garantia. Construa um Intervalo de confiana 95% para a
verdadeira proporo de clientes que utilizou servios de garantia.
Especializao em Engenharia de Processos e de Sistemas de Produo ESTATSTICA - Pg. 41
Dimensionar uma amostra verificar qual o n necessrio para atingir uma preciso
pr-definida, fixando-se um nvel de confiana e fazendo algumas suposies. Na
realidade, dimensionar a amostra controlar a margem de erro do estudo.
2
t s z 2 p (1 p )
n 1;
n= 2 n= 2
erro erro 2
N n
n finito =
N +n
Exerccios:
1) No exerccio do dimetro dos aros, qual deveria ser o n para reduzir a margem
de erro para 0,15cm, mantendo a confiana em 95%.
Exerccios