RESUMO DE ESTATÍSTICA

Conceitos Gerais: Medidas de Tendência Central (Medidas de Posição)

Amostrasubconjunto de elementos extraídos de uma população. Média Aritmética:
Amostragemuso de dados amostrais para se fazerem inferências ∑𝑥
Amostra  𝑋̅ =
sobre populações. 𝑛
∑𝑥
Censoconjunto de dados obtidos de TODOS os membros de uma População  𝜇 =
𝑁
população. ∑(𝑓×𝑥)
Dados  observações coletadas. Fatos brutos que conseguimos no Distribuição de Freq (s/ perda informação)  𝑋̅ =
𝑛
∑(𝑐×𝑓)
campo. Distribuição de Freq (c/ perda informação)  𝑋̅ =
𝑛
Dados Qualitativoscategóricos ou atributos. Diferentes c é o centro e f é a freqüência de cada classe
categorias que se distinguem por característica não numérica.
Dados Quantitativosnúmeros que representam contagens ou Características:
medidas. - Ponto de equilíbrio (centro de gravidade de qualquer distribuição).
Estatísticamedida numérica que descreve alguma característica - Afetada pela presença de outliers.
de uma amostra. - Afetada por todos os valores do conjunto.
Estatística Descritivautiliza nº para descrever fatos - It can be time consuming
Níveis de Mensuração ou Escalas de Mensuração: - 𝜇 (𝑥 ± 𝑘) = 𝜇 (𝑥) ± 𝑘
Nominalconsistem de nomes, rótulos ou categorias sem - 𝜇 (𝑥 ×÷ 𝑘) = 𝜇 (𝑥) ×÷ 𝑘
ordenação. - 𝑆𝑒 𝑥 𝑒 𝑦 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠 𝜇 (𝑥 ± 𝑦) = 𝜇 (𝑥) ± 𝜇 (𝑦)
Ordinaldados que podem ser arranjados de alguma ordem, - 𝑆𝑒 𝑥 𝑒 𝑦 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠 𝜇 (𝑥 ×÷ 𝑦) = 𝜇 (𝑥) ×÷ 𝜇 (𝑦)
mas diferenças de valores ou não podem ser determinadas ou
não são significativas. Média Ponderada:
Intervalarigual ordinal, porém as diferenças são significativas ∑(𝑤𝑖 𝑥𝑖 )
̅̅̅
𝑋𝑝 =
e não possuem um zero natural (ausência de quantidade) ∑ 𝑤𝑖
Razão igual intervalar porém com zero inicial. Onde:
Parâmetromedida numérica que descreve alguma característica wi – peso de cada elemento;
de uma população. xi – valor de cada elemento.
População  conjunto completo de todos os elementos a serem
estudados. Média Geométrica:
Quantitativo Contínuoinfinitos valores de uma escala ou ̅̅̅̅ = 𝑛√𝑥1 × 𝑥2 × 𝑥3 … . . 𝑥𝑛
𝑋𝑔
intervalo.
Quantitativo Discretoquantidade enumerável e finita.(0,1,2,3...n). Média Harmônica:
Amostra de resposta involuntáriaos respondentes decidem, 𝑛
eles mesmos, se serão ou não incluídos. ̅̅̅̅ =
𝑋ℎ
1
Estudo observacionalretrospectivo, transversal ou prospectivo. ∑
𝑥
Observamos e medimos características específicas sem modificá-
las. Mediana:
Experimentoaplica-se tratamentos e passamos a observar seus 𝑣𝑎𝑙𝑜𝑟 𝑛⁄ +𝑣𝑎𝑙𝑜𝑟 𝑛⁄ +1
n = par  𝑀𝐷 = 2 2
efeitos sobre os sujeitos. Controle de efeitos de variáveis, replicação 2
e aleatorização. n = ímpar  𝑀𝐷 = 𝑣𝑎𝑙𝑜𝑟 (𝑛+1)⁄
2
𝑛
Amostra Aleatóriamembros são selecionados da população. Distribuição de Freq.  𝑀𝐷 = 𝐿𝑖 + ( ⁄𝑓2𝑚𝑑
)−𝐹𝑎
× ℎ𝑚𝑑
Cada membro tem chance igual de ser selecionado. Li – limite inferior da classe que contem a mediana
Amostra Aleatória Simples tamanho n é selecionado de uma Fa – soma das freq das classes anteriores a que contem a mediana
população de tal forma que toda amostra possível de mesmo fmd – freq da classe que contem a mediana
hmd – amplitude da classe que contem a mediana
tamanho tem a mesma chance de ser escolhida.
- colocar os dados em ordem crescente.
Amostra Probabilísticaseleção de membros de uma população
- valor do meio, divide 50% dos valores.
e cada membro tem uma chance conhecida.
- não é influenciada por valores extremos.
Erro Amostraldiferença entre resultado amostral e o verdadeiro
- tem mais variação que a média.
resultado da população.
Erro Não-Amostralerros de análise ou registro.
Moda:
Distribuição de Freqüêncialista de dados (individuais ou
- é o valor ou classe de maior frequencia.
intervalos) com suas respectivas contagens.
- pode não existir ou pode não ser única.
Distribuição de Freqüência Relativarelaciona cada freqüência
- Não é influenciada por valores extremos
de classe com o total.
Distribuição de Freq.  𝑀𝑂 = 𝐿𝑖 + 𝑑1𝑑+𝑑1 2 × ℎ
𝑓𝑟𝑒𝑞𝑢𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑐𝑙𝑎𝑠𝑠𝑒
𝑓𝑟𝑒𝑞𝑢𝑒𝑛𝑐𝑖𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 = Li – limite inferior da classe modal
∑ 𝑓𝑟𝑒𝑞𝑢𝑒𝑛𝑐𝑖𝑎𝑠 d1 – diferença entre a freq da classe modal e da classe imediatamente anterior
Distribuição de Freqüência Acumuladasoma das freqüências d2 – diferença entre a freq da classe modal e da classe imediatamente posterior
h – amplitude das classes
daquela classe com todas as freqüências anteriores.
Histogramagráfico de barra. Horizontal representa as classes e Ponto Médio:
vertical as freqüências. Utiliza-se os pontos médios de classe ou 𝑣𝑎𝑙𝑜𝑝𝑟 𝑚á𝑥𝑖𝑚𝑜 + 𝑣𝑎𝑙𝑜𝑟 𝑚í𝑛𝑖𝑚𝑜
𝑃𝑀 =
limites de classe. 2
Polígono de Freqüência segmento de reta ligados a pontos
localizados nos pontos médios de cada classe.
Ogiva gráfico de linha das freqüências acumuladas.
Dot Diagramcada valor é plotado como ponto. Os pontos com
valores iguais são empilhados.
Steam and Leaf Diagram (Ramo e Folha) representa dados
separando o ramo (dígito mais a esquerda) e a folha (digito mais a
direita).
Ramo (dezenas) Folhas (unidades)
2 0,1,2,3
20, 21, 22 e 23.

Diagrama de Caixa Box Plot

Q1 Q2 Mediana Q3 Máximo
Mínimo
Assimetria: Medida de Posição Relativa:

- nº de desvios padrões algum valor situa-se acima ou abaixo da

média.
𝑋−𝑋̅
M MD MO Amostra  𝑍 =
𝑆
Assimétrica à esquerda 𝑋−𝜇
População  𝑍 =
Negativamente assimétrica 𝜎

K<0 (skewness – coeficiente de assimetria)

Quartis e Percentis:
- 3 quartis dividem os dados em 4 partes iguais.
- Q1 = 25% inferiores.
- Q2 = mediana 50% inferiores.
MO MD M - Q3 = 75% inferiores.
- 99 percentis dividem os dados em 100 partes.
Assimétrica à direita 𝐾
Positivamente desviada Posição do valor 𝐿 = ×𝑛
100
K>0 K= percentil em uso
𝑛º 𝑣𝑎𝑙𝑜𝑟𝑒𝑠<𝑋
Percentil X 𝑋 = × 100
𝑛º 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑣𝑎𝑙𝑜𝑟𝑒𝑠

simétrica MO = M = MD

Achatamento:
Probabilidade:

B=1 Probability plot  método gráfico para determinar o tipo de

platicúrtica B=3 B = 4,5 distribuição de um conjunto de dados. (normal e weibull tem no
Mesocúrtica leptocúrtica foundations)
Normal Evento conjunto de resultados ou conseqüências de um
experimento.
Evento Simplesresultado ou evento que não pode ser
Medidas de Dispersão: decomposto.
Espaço Amostraltodos eventos possíveis de um experimento.
Amplitude/Range: 𝑛º 𝑜𝑐𝑜𝑟𝑟ê𝑛𝑐𝑖𝑎𝑠 𝑑𝑒 𝐴 𝑛º 𝑚𝑎𝑛𝑒𝑖𝑟𝑎𝑠 𝑞𝑢𝑒 𝐴 𝑜𝑐𝑜𝑟𝑟𝑒
𝐴 = 𝑣𝑎𝑙𝑜𝑟 𝑚á𝑥𝑖𝑚𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑚í𝑛𝑖𝑚𝑜 𝑃(𝐴) = 𝑜𝑢
𝑛º 𝑟𝑒𝑝𝑒𝑡𝑖çã𝑜 𝑑𝑜 𝑝𝑟𝑜𝑐𝑒𝑑𝑖𝑚𝑒𝑛𝑡𝑜 𝑛º 𝑒𝑣𝑒𝑛𝑡𝑜𝑠 𝑠𝑖𝑚𝑝𝑙𝑒𝑠
Desvio Padrão: 𝑃(𝐴̅) = 1 − 𝑃(𝐴)
∑(𝑋−𝑋̅)2
Amostra  𝑆 = √
𝑛−1 Regra da Adição:
∑(𝑋−𝜇)2
População  𝜎 = √ A
𝑁
- medida da variação em torno da média. B
- S>0.
- Cresce com outliers. A+B, A ou B, AUB, ou um ou outro.
- mesma unidade dados originais. P (A ou B) = P (A U B) = P (A) + P (B) – P (A e B)
Se A e B são disjuntos ou mutuamente exclusivos (não podem
Teorema de Tchebysheff ocorrer simultaneamente ou não se superpõe)
A proporção de um conjunto de dados situar-se a k desvios padrão P (A e B) = 0
da média é no mínimo: Covariancia = 0
1
1− 2 Regra da Multiplicação:
𝑘
Ou para qq distribuição: A
1
𝑃(|𝜇 − 𝑘𝜎| ≤ 𝑥 ≤ |𝜇 + 𝑘𝜎|) = 1 − 2 B
𝑘

Variância: A e B, A Ω B, ambos.
∑(𝑋−𝑋̅)2 P (A e B)evento A ocorrer na primeira prova e evento B ocorrer na
Amostra  𝑆 2 =
𝑛−1 segunda.
∑(𝑋−𝜇)2
População  𝜎 2 = A e B independentes P (A e B) = P (A) x P (B)
𝑁
- 𝜎 2 (𝑘) = 0 A e B dependentes P (A e B) = P (A) x P (B/A)
- a variância das amostras tendem para variância da população. P (B/A) = B ocorrer depois que A já ocorreu.
- estimador não viesado Considerar eventos dependentes como independentes se n < 0,05
- S>0. N
- 𝜎 2 (𝑥 ± 𝑘) = 𝜎 2 (𝑥)
- 𝜎 2 (𝑘 × 𝑥) = 𝜎 2 (𝑥) × 𝑘 2
- 𝑆𝑒 𝑥 𝑒 𝑦 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠 𝜎 2 (𝑥 ± 𝑦) = 𝜎 2 (𝑥) + 𝜎 2 (𝑦)

Coeficiente de Variação:
- desvio padrão relativo à media.
𝑆
Amostra  𝐶𝑉 = ̅ × 100
𝑋
𝜎
População  𝐶𝑉 = × 100
𝜇
̅
Permutação: Hipergeométrica:
- n elementos disponíveis sendo arranjados de n formas diferentes. - usar quando n>5%N
- ordem dos elementos importante. - dois ou mais resultados.
𝑃 = 𝑛! - observações dependentes (prob de sucesso varia)
- quando n itens e alguns são iguais aos outros. - população finita e pequena.
- selecionado todos os n itens sem reposição. - extração sem reposição.
𝑛! - resolve como combinação
𝑃= ( 𝑁−𝑟 𝑟
𝑛1 ! × 𝑛2 ! … … . 𝑛𝑘 ! 𝑛−𝑥 ) × ( 𝑥 )
𝑃(𝑥\𝑁, 𝑟, 𝑛) =
- quando todos os n itens são diferentes selecionamos r dos n itens ( 𝑁 𝑛 )
(sem reposição) ABC ≠ CBA N – tamanho população
𝑛! N – tamanho amostra
𝑛𝑃𝑟 = r – numero não conforme na população
(𝑛 − 𝑟)! x – numero não conforme na amostra
𝑁−𝑛
𝜇 = 𝐸 = 𝑛𝑝 𝜎 2 = 𝑛𝑝(1 − 𝑝)
Combinação: 𝑁−1
- n diferentes itens disponíveis. - pode aproximar pela binomial:
- selecionar r dos n itens. 𝑛
𝑠𝑒 ≤ 0,1
- não leva em conta ordem. AB = BA 𝑁
𝑛 𝑛!
𝑛𝐶𝑟 = ( ) = Geométrica:
𝑥 (𝑛 − 𝑟)! × 𝑟!
- repetir a prova de Bernoulli até obter o primeiro sucesso.
- provas independentes e mesma probabilidade de sucesso p e
Distribuições de Probabilidade: numero tentativas x.
𝑃(𝑥 = 𝑘) = 𝑝 × 𝑞𝑘−1 𝑘 = 1,2,3 …
Expected Value for Mean: 1 𝑞
𝜇= 𝜎2 = 2
∫ 𝑥 𝑓(𝑥)𝑑𝑥 𝑓𝑜𝑟 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑜𝑠 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛 𝑝 𝑝

∑ 𝑝𝑥 𝑓𝑜𝑟 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛 Binomial Negativa ou de Pascal:

- mesma condição da geométrica porém se procura o r-esimo
sucesso.
Discretas K= numero de provas até que ocorra r sucessos.
𝑃(𝑥 = 𝑘) = 𝑝 × ( 𝑘−1 𝑟
𝑟−1 ) × 𝑝 × 𝑞
𝑘−𝑟

Binomial: 𝑟 2
𝑟𝑞
𝜇= 𝜎 = 2
- usar quando n<5%N 𝑝 𝑝
- resultados pertencem a duas categorias (aceitável/defeituoso, bom
/ruim e outros) Contínuas:
- o experimento tem número fixo de tentativas.
- tentativas independentes (com reposição).
Uniforme:
- a probabilidade de sucesso permanece constante em todas as
- valores se distribuem uniformemente sobre a faixa de valores
tentativas.
possíveis.
- contagem de sucessos e falhas.
P(x)=base x altura
P(S)=p
P(F)=q=1-p 1
𝑛!
𝑃(𝑥) = (𝑛−𝑥)! × 𝑝 𝑥 × 𝑞𝑛−𝑥 𝑜𝑢 𝑛𝐶𝑥 × 𝑝 𝑥 × 𝑞𝑛−𝑥 𝑏−𝑎
𝑥!
𝜇 = 𝑛𝑝 𝜎 = √𝑛𝑝𝑞
- no caso de amostras sem reposição considera eventos a c d b
independentes se n<0,05N
𝑑−𝑐
𝑃(𝑐 ≤ 𝑥 ≤ 𝑑) =
Poisson: 𝑏−𝑎
- relacionada com exponencial (inverso 1/x)
- contagem de defeitos num intervalo. 𝑎+𝑏 (𝑏 − 𝑎)2
𝜇= 𝜎2 =
- variável x é o numero de ocorrências de um evento ao longo de 2 12
um intervalo .
- contagem de sucessos apenas. Normal Padrão:
- ocorrências aleatórias e independentes. - forma de sino.
- uniformemente distribuída sobre o intervalo em uso. - simétrica.
- infinitas tentativas. - área total igual a 1.
λ =taxa media por unidade e t =nº de unidades.
𝜆𝑡 × 𝑒 −𝜆𝑡 𝜇 𝑥 × 𝑒 𝜇
𝑃(𝑥) = =
𝑥! 𝑥! 50% 50%
𝜇 = 𝜆𝑡 𝜎 = √𝜇
Poisson como aproximação da Binomial: µ=0
n≥100 ou 20
np<10 σ=1
Usar Poisson com µ=np 1 𝑥−𝜇 2
( )
𝑒 −2 𝜎
𝑦= − ∞ ≤ 𝑥 ≤ +∞
Multinomial: 𝜎√2𝜋
- mais de dois resultados mutuamente excludentes. - para utilizar a normal:
- provas são independentes (com reposição). 𝑋−𝜇
- probabilidade constante de ocorrência. 𝑍=
𝜎
𝑛! 𝑛 𝑛 𝑛 Normal como aproximação da binomial:
𝑃(𝑥) = × 𝑃1 1 × 𝑃2 2 × 𝑃𝑘 𝑘
𝑛1 ! × 𝑛2 ! … 𝑛𝑘 ! 𝑛𝑝 ≥ 5 𝑒 𝑛𝑞 ≥ 5
𝜇 = 𝜆𝑡 𝜎 = √𝜇 𝜇 = 𝑛𝑝 𝜎 2 = 𝑛𝑝𝑞
- usar correção de continuidade x-0,5 a x+0,5
Distribuição amostraldistribuição de todos os valores da Gama:
estatística quando todas as amostras possíveis de tamanho n são - representar fenômenos limitados de um dos lados (0≤x≤∞).
extraídas da mesma população. - intervalo de tempo entre calibrações de instrumentos, entre
Proporção amostraltendem a atingir o alvo da proporção compras de um item estocado.
populacional. Pode-se aproximar da normal.
Média amostraldistribuição de probabilidade das médias t de Student:
amostrais com todas as amostras tendo o mesmo tamanho n tiradas 𝑧
𝑓(𝑥) = − ∞ ≤ 𝑥 ≤ +∞
de uma mesma população. Os valores da média amostral x̅ 2
depende dos valores individuais incluídos na amostra e em geral √𝜒
𝑣
variam de uma amostra para outra (variabilidade amostral). - variável contínua com amostra pequena e desvio padrão
Amostras pequenas em relação a população não tem diferença desconhecido.
entre com ou sem reposição. - assemelha-se a distribuição normal.
- varia conforme tamanho da amostra.
Teorema do Limite Central: - n>30 utiliza valores de z.
n>30  médias amostrais aproxima da normal com média µ e - média t=0 e desvio padrão varia com tamanho da amostra e é
σ
desvio padrão superior a 1.
√n
n≤30  população original tem distribuição normal com média µ e 𝑋̅ − 𝜇
σ 𝑡=
desvio padrão 𝑆
√n
n≤30  população original não tem distribuição método não se √𝑛
n>30 distribuição normal use S se σ não for conhecido.
aplica n<30 σ desconhecido usa-se t.
σ
σx̅ = μx̅ = μ
√n Weibull:
𝑋−𝜇
z= (valor individual de pop normalmente distribuída) 𝛽
𝜎 𝐹(𝑥) = 𝛼𝛽(𝑥 − 𝛾)𝛽−1 𝑒 −𝛼(𝑥−𝛾)
𝑋̅−𝜇
z= 𝜎 (média da amostra ou grupo) - para β=1 exponencial
√𝑛 - paraα=1, β=3,5 e γ=0 normal
Correção para População Finita: - cumulative weibull function
- amostras sem reposição. 𝑥 𝛽
)
- n> 0,05N 𝐹(𝑥) = 1 − 𝑒 −(𝜃
Teta = scale parameter
σ N−n Beta = shape parameter
σx̅ = √
√n N − 1
F de Snedecor:
Bivariate Normal Distribution: 𝑋
- descreve a distribuição de duas variáveis contínuas que podem 𝜐1
𝑓(𝑥) = 𝑥>0
não ser independentes uma da outra. 𝑌
𝜐2

- X e Y são chi-square random variable

Exponencial: - análise de variância de populações distintas.
- probabilidade ao longo do tempo. - F=1 variâncias idênticas.
- não tem memória. - >>>F maior diferença entre as populações.
1 𝑥 - Média = 1.
𝑓(𝑥) = 𝑒 −𝜃 𝑥≥0 - não é simétrica.
𝜃
𝑃(𝑡 > 𝑡) = 𝑒 −𝜆𝑡 - não negativa.
1 𝑆12 𝑚𝑎𝑖𝑜𝑟
μ=σ= 𝐹= 2=
𝜆 𝑆2 𝑚𝑒𝑛𝑜𝑟

Qui-quadrado:
- não é simétrica.
- aumento no gl assimetria reduz e aproxima da normal.
- não negativa.
t (𝑛 − 1)𝑆 2
𝜒2 =
𝜎2

Estimativas e Tamanhos Amostrais:

Lognormal:
2
1 ln 𝑥−𝜇
− 2( 𝜎 ) - associado ao nível de confiança, grau de confiança ou coeficiente
𝑒
𝑓(𝑥) = 𝑥>0 de confiança.
𝑥 𝜎 √2𝜋 - taxa de sucesso do procedimento usado para construção do
procedimento.
𝜇 = 𝑓𝑜𝑢𝑑𝑎𝑡𝑖𝑜𝑛 6 − 67 𝜎 2 = 𝑓𝑜𝑢𝑑𝑎𝑡𝑖𝑜𝑛 6 − 67
- expresso (1-α)  nível de confiança.
- α  nível de significância, significance level, level of
- distribuição de variáveis aleatórias cujos logaritmos seguem uma
significance, degree of risk
normal.
- estimativa de processo de quebra, distribuiçãode rendimentos,
- não pode ser usado para tirar conclusões sobre igualdade de
patrimônios e depósitos bancários, vida de transistores.
populações.
x1, x2, x3...xndistribuição lognormal
- 𝑍𝑐𝑟í𝑡𝑖𝑐𝑜 = 𝑍𝛼
ln x1, ln x2...ln xn distibuição normal. 2
Nível de confiança
Beta:
- representar fenômenos limitados dos dois lados (a≤x≤b), tais como α/2 α/2
a distribuição da proporção entre a menor e o maior valor da
amostra.
- rede pert, tempo a ser gasto em tarefas.
Proporção Populacional Teste de Hipótese:
- amostra aleatória simples. - teste de significância.
- condições binomiais satisfeitas. - Hipótese nula H0  é uma afirmativa de que um valor de um
- np≥5 e nq≥5 parâmetro é igual a um valor especificado. Rejeita ou deixa de
𝑥 𝑥 𝑠𝑢𝑐𝑒𝑠𝑠𝑜𝑠
𝑝̂ = = rejeitar H0.
𝑛 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 𝑛 - α  nível de significância, significance level, level of
- Estimativa Pontual: 𝑝̂ é a melhor estimativa de p. significance, degree of risk
- Intervalo de Confiança:
- Teste bilateral H1 ≠
𝑝̂ − 𝐸 < 𝑝 < 𝑝̂ + 𝐸 𝑜𝑢 𝑝̂ ± 𝐸 𝑜𝑢 (𝑝̂ − 𝐸, 𝑝̂ + 𝐸)
𝑝̂ 𝑞̂
𝐸 = 𝑍𝛼 . √
2 𝑛 α/2 α/2
(𝑍𝛼 )2 . 𝑝̂ 𝑞̂
𝑛= 2 2 𝑝𝑎𝑟𝑎 𝑝̂ 𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜
𝐸
(𝑍𝛼 )2 . 0,25 - Teste unilateral a esquerda H1 <
𝑛= 2 2 𝑝𝑎𝑟𝑎 𝑝̂ 𝑑𝑒𝑠𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜 𝑝̂ 𝑞̂ = 0,5
𝐸
- para amostras pequenas sem reposição (n>0,05N) usar fator de
correção: α
𝑝̂𝑞̂ 𝑁−𝑛
𝐸 = 𝑍𝛼 . √ √𝑁−1 .
2 𝑛

- Teste unilateral a direita H1 >

Média Populacional:

- n>30 ou normalmente distribuída ou desvio padrão conhecido.

- desvio padrão conhecido. Se desconhecido pode usar S ou α
Amplitude/4
- Estimativa Pontual: 𝑋̅.
- Intervalo de Confiança: - Rejeita H0 se a estatística de teste ficar dentro da região crítica.
𝑋̅ − 𝐸 < 𝑝 < 𝑋̅ + 𝐸 𝑜𝑢 𝑋̅ ± 𝐸 𝑜𝑢 (𝑋̅ − 𝐸, 𝑋̅ + 𝐸)
𝜎
𝐸 = 𝑍𝛼 . Tipos de Erro:
2 √𝑛
H0 Verdadeira H0 Falsa
𝑍 𝛼 .𝜎 2 Erro Tipo I –
𝑛=( 2 ) Decisão Correta 1- β
Decisão

𝐸 Rejeitar H0 Rejeitar H0 quando

(poder do teste)
verdadeira. (α)
- para amostras pequenas sem reposição (n>0,05N) usar fator de
Erro Tipo II – Deixa de
correção: Deixar de Decisão Correta 1-
rejeitar H0 quando ela
𝜎 𝑁−𝑛 Rejeitar H0 α
𝐸 = 𝑍𝛼 . √𝑁−1. é falsa (β)
√𝑛
2
- Para α fixo, aumento de n causa decréscimo de β.
- Para n fixo, diminui α aumenta β.
- n<=30 e desvio padrão desconhecido usa-se t de student
- Para diminuir α e β aumenta-se n.
- Estimativa Pontual: 𝑋̅.
- Intervalo de Confiança: Poder de Um Teste:
𝑋̅ − 𝐸 < 𝑝 < 𝑋̅ + 𝐸 𝑜𝑢 𝑋̅ ± 𝐸 𝑜𝑢 (𝑋̅ − 𝐸, 𝑋̅ + 𝐸) - é a probabilidade 1-β de se rejeitar uma hipótese nula falsa.
𝑆
𝐸 = 𝑡𝛼 .
2 √𝑛
𝑡 𝛼 .𝑆 2 Teste de Hipótese sobre Proporção
𝑛=( 2
) - amostra aleatória simples.
𝐸 - condições para binomial satisfeitas.
- para amostras pequenas sem reposição (n>0,05N) usar fator de - np≥5 e nq≥5.
𝑥
correção: 𝑝̂ = = 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙
𝑆 𝑁−𝑛
𝑛
𝐸 = 𝑡𝛼 . √𝑁−1. 𝑝 = 𝑝𝑟𝑜𝑝𝑜𝑟ç𝑎õ 𝑝𝑜𝑝𝑢𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙
2 √𝑛
- Estatística de teste
𝑝̂ − 𝑝
Variância Populacional: 𝑍𝑐𝑎𝑙𝑐 =
- amostra aleatória simples. 𝑝𝑞
√
- valores normalmente distribuídos mesmo com n > 30. 𝑛
- utiliza-se Qui-quadrado.
- graus de liberdade (n -1)
- Estimativa Pontual: 𝑆 2 Teste de Hipótese sobre Média:
- Intervalo de Confiança: - população normalmente distribuída.
(𝑛 − 1)𝑆 2 (𝑛 − 1)𝑆 2 - n>30 para desvio padrão conhecido (teorema limite central).
2 < 𝜎2 < - Estatística de teste (H0: 1=0) ou (H0: 1>=0) ou (H0: 1<=0)
𝜒𝐷 𝜒𝐸2
2 2 𝑋̅ − 𝜇0
𝜒𝐷 = 𝜒𝛼⁄ ;𝑛−1 𝑍𝑐𝑎𝑙𝑐 = 𝜎
2
2
𝜒𝐸2 = 𝜒1−𝛼⁄ √𝑛
2;𝑛−1
𝑋̅ − 𝜇𝑋̅
𝑍𝑐𝑎𝑙𝑐 = (𝑝𝑎𝑟𝑎 𝜎 𝑑𝑒𝑠𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜 𝑢𝑠𝑎𝑟 𝑆)
- tamanho amostral usa-se tabela pag 293. 𝑆
- para n>100 √𝑛
2
1 - n≤30 para desvio padrão desconhecido.
𝜒 = [±𝑍𝛼 + √2𝐾 − 1] 𝑘 = 𝑔𝑟𝑎𝑢𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑑𝑎𝑑𝑒
2 2 𝑋̅ − 𝜇0
𝑡𝑐𝑎𝑙𝑐 = 𝑔𝑙 = 𝑛 − 1
𝑆
√ 𝑛
Teste de Hipótese Variância: Teste de Hipótese sobre Amostras Emparelhadas (Paired
- comparar uma variância a um padrão ou variância hipotética. Comparison:
- amostra aleatória simples. - Aplicações Before and After
- distribuição normal. - os membros de uma amostra podem ser usados para determinar
- Estatística de teste (H0: ²1=²0) ou (H0: ²1>=²0) ou (H0: os membros da outra amostra.
²1<=²0) - n>30.
(𝑛−1)𝑆 2 ddiferença individual entre 2 valores em um único par.
𝜒2 = 𝑔𝑙 = 𝑛 − 1 µdvalor médio das diferenças d para a população de todos os
𝜎02
pares.
Upper critical value: 𝜒𝛼2⁄ 𝑑̅ valor médio das diferenças d para os dados amostrais
2;𝑛−1
2 emparelhados.
Lower critical value 𝜒1−𝛼⁄ 2;𝑛−1 nnúmero de pares de dados.
- Estatística de teste (H0: µd=0) ou (H0: µd<0) ou (H0: µd>0)
Depende do tipo de teste se duas caldas ou uma.
𝑑
𝑑̅ = ∑ 𝑖 média das diferenças entre antes e depois
- para gl>100: 𝑛
1 2
𝜒 2 = (𝑍𝑐𝑟𝑖𝑡𝑖𝑐𝑜 + √2𝐾 − 1) 𝑘 → 𝑔𝑙 = 𝑛 − 1 (∑ 𝑑𝑖 )2
2 2
√∑ 𝑑𝑖 − 𝑛
𝑆𝑑 =
- comparar frequencias observadas e esperadas (atributos). 𝑛−1
- Estatística de teste (H0: p1=p2= p3= pn)
𝑑̅
2 𝑡𝑐𝑎𝑙𝑐 = 𝜇𝑑 = 0 𝑔𝑙 = 𝑛 − 1
𝑆𝑑
2
(𝑂𝑖𝑗 − 𝐸𝑖𝑗 )
𝜒 =∑ ∑ √𝑛
𝐸𝑖𝑗
- Intervalo de Confiança
Exercícios no Primer XI-25 𝑑̅ − 𝐸 < 𝜇𝑑 < 𝑑̅ + 𝐸
𝑆𝑑
𝐸 = 𝑡𝛼/2
Teste de Hipótese sobre Duas Proporções: √𝑛
- pelo menos 5 sucessos e 5 fracassos. Exemplo
- amostras aleatórias simples independentes. Subject 1 2 3
𝑝1 = 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑝𝑜𝑝𝑢𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙 Before 254 266 247
𝑥1 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑢𝑐𝑒𝑠𝑠𝑜𝑠 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 After 220 250 240
𝑛1 = 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 di 34 16 7
𝑥1
𝑝̂1 = = 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 n=3, somatório de di=34+16+7
𝑛1
𝑥1 + 𝑥2
𝑝̅ = = 𝑝𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑙 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑑𝑎
𝑛1 + 𝑛2 Comparação de Variâncias:
- Estatística de teste (H0: p1=p2) ou (H0: p1>=p2) ou (H0: p1<=p2) - determina se duas populações são diferentes ou se a variabilidade
(𝑝̂1 − 𝑝̂2 ) − (𝑝1 − 𝑝2 ) de uma é maior ou menor que outra
𝑍𝑐𝑎𝑙𝑐 = (𝑝1 − 𝑝2 ) = 0
𝑝̅𝑞̅ 𝑝̅𝑞̅ - populações independentes.
√ +
𝑛1 𝑛2 - ambas normalmente distribuídas.
- Intervalo de Confiança - Estatística de teste (H0: σ²1= σ²2) ou (H0: σ²1>= σ²2) ou (H0: σ²1<=
(𝑝̂1 − 𝑝̂2 ) − 𝐸 < 𝑝1 − 𝑝2 < (𝑝̂1 − 𝑝̂2 ) + 𝐸 σ²2)
𝑆12
𝑝̂1 𝑞̂1 𝑝̂2 𝑞̂2 𝐹𝑐𝑎𝑙𝑐 = 2 𝑆1 é 𝑎 𝑚𝑎𝑖𝑜𝑟
𝐸 = 𝑍𝛼/2 √ + 𝑆2
𝑛1 𝑛2
𝑔𝑙 𝑛𝑢𝑚𝑒𝑟𝑎𝑑𝑜𝑟 = 𝑛1 − 1 𝑔𝑙 𝑑𝑒𝑛𝑜𝑚𝑖𝑛𝑎𝑑𝑜𝑟 = 𝑛2 − 1
- se F aproxima de 1 as populações tem variâncias iguais.
Teste de Hipótese sobre Duas Médias: Upper critical value: 𝑓𝛼⁄ ;𝑛1 −1𝑛2−1
- amostras aleatórias simples independentes. 2
1) σ1 e σ2 (são conhecidos) Lower critical value: 𝑓1−𝛼⁄
2;𝑛1 −1𝑛2 −1

- Estatística de teste H0: 1=2) ou (H0: 1>=2) ou (H0: 1<=2) Depende do tipo de teste se duas caldas ou uma.
(𝑋̅1 − 𝑋̅2 )
𝑍𝑐𝑎𝑙𝑐 =
Correlação:
𝜎2 𝜎2 Coeficiente de Correlação Linear (r):
√ 1 + 2
𝑛1 𝑛2 - medida numérica da força de relação entre duas variáveis que
- Intervalo de Confiança representam dados quantitativos.
(𝑋̅1 − 𝑋̅2 ) − 𝐸 < 𝜇1 − 𝜇2 < (𝑋̅1 − 𝑋̅2 ) + 𝐸 - chamado de coeficiente de correlação do produto de momento de
Pearson.
𝜎12 𝜎22 - utiliza dados amostrais.
𝐸 = 𝑡𝛼/2 √ +
𝑛1 𝑛2 - amostra deve ser aleatória.
2) σ1 e σ2 (desconhecidos) - exame visual do diagrama de dispersão.
- outliers devem ser removidos se forem erros.
- Estatística de teste (H0: µ1=µ2) - distribuição normal bivariada.
(𝑋̅1 − 𝑋̅2 ) − (𝜇1 − 𝜇2 ) 𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌)
𝑡𝑐𝑎𝑙𝑐 = 𝑟=
(𝑛 − 1)𝑆1 + (𝑛2 − 1)𝑆2 1 1 √𝑛(∑ 𝑋 2 ) − (∑ 𝑋)2 . √𝑛(∑ 𝑌 2 ) − (∑ 𝑌)2
√ 1 ( + )
𝑛1 + 𝑛2 − 2 𝑛1 𝑛2
- se r > valor tabelado Triola A6 há correlação linear significativa
𝑔𝑙 = 𝑛1 + 𝑛2 − 2 - -1≤r≤1
- r = 0 não há correlação.
- Intervalo de Confiança - r = -1 ou r = 1 há correlação.
(𝑋̅1 − 𝑋̅2 ) − 𝐸 < 𝜇1 − 𝜇2 < (𝑋̅1 − 𝑋̅2 ) + 𝐸 - valor de r não muda se todos os valores de qualquer das variáveis
forem convertidos.
𝑆𝑝2 𝑆𝑝2 - r permanece igual se trocar X por Y na fórmula.
𝐸 = 𝑡𝛼/2 √ +
𝑛1 𝑛2 - r mede a relação linear.
Coeficiente de Determinação (r²): Erro Padrão da Estimativa:
𝑣𝑎𝑟𝑖𝑎çã𝑜 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 - é uma medida de como os pontos amostrais se afastam de sua
𝑟2 = reta de regressão.
𝑣𝑎𝑟𝑖𝑎çã𝑜 𝑡𝑜𝑡𝑎𝑙
- basta elevar r ao quadrado. ∑(𝑦 − 𝑦̂)2 ∑ 𝑦 2 − 𝑏0 ∑ 𝑦 − 𝑏1 ∑ 𝑥𝑦
- proporção da variação de Y que é explicada pela relação linear. 𝑆𝑒 = √ = √
𝑛−2 𝑛−2
Erros: Dado X0 fixo:
- correlação não implica em causalidade. 𝑦̂ − 𝐸 < 𝑦 < 𝑦̂ + 𝐸
- médias suprimem variação e podem aumentar r. 1 𝑛(𝑥0 − 𝑥̅ )2
- propriedade de linearidade. Pode existir relação mesmo quando 𝐸 = 𝑡𝛼/2 𝑆𝑒 √1 + +
não há correlação linear. 𝑛 𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2

Teste de Hipótese:
H0: ρ = 0 (não há correlação)
Regressão Múltipla:
- expressa relação linear entre variável dependente y e duas ou
H1: ρ ≠ 0 (há correlação)
mais previsoras.
Método 1:
𝑟 𝑦̂ = 𝑏0 + 𝑏1 𝑥1 + 𝑏2 𝑥2 … + 𝑏𝑘 𝑥𝑘 + 𝜀
𝑡𝑐𝑎𝑙𝑐 = 𝑔𝑙 = 𝑛 − 2 𝑅 2 𝐴𝑗𝑢𝑠𝑡𝑎𝑑𝑜
2
√ −𝑟
1 - coeficiente de determinação múltipla.
𝑛−2 (𝑛 − 1)
2
- se |t| > valor crítico rejeitar H0 𝑅𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 =1− (1 − 𝑅 2 )
Método 2: [𝑛 − (𝑘 + 1)]
- calcule r.
- r crítico na tabela A6 Regressão Múltipla (Higher –Order Terms):
- teste unilateral esquerdo afirmativa de correlação negativa. - Inclui termos quadráticos, cúbicos, e interações
- teste unilateral direito afirmativa de correlação positiva.
Séries Temporais:
Intervalo de Confiança: - conjunto de observações ordenadas no tempo.
r transforma (transformação de Fisher) Globalmente constante valores flutuam aleatoriamente em torno
1 1+𝑟 1 de um valor fixo sem apresentar tendência.
𝑤𝑒 = ln ( ) − 𝑍𝛼/2 ( )
2 1−𝑟 √𝑛 − 3 tendência linearcomposta por dois fatores o nível e a tendência.
1 1+𝑟 1 Trend Analysisa tendência dos dados é dado pela curva de
𝑤𝑑 = ln ( ) + 𝑍𝛼/2 ( )
2 1−𝑟 √𝑛 − 3 regressão.
𝑒 2𝑤𝑒 − 1 𝑒 2𝑤𝑑 − 1 Moving Averagesuavizar variações na variável estudada.
< 𝜌 < 2𝑤 Sazonaisefeito aditivo a amplitude é independente do nível local.
𝑒 2𝑤𝑒 + 1 𝑒 𝑑 +1
Efeito multiplicativo a amplitude varia proporcionalmente ao
nível da série.
Regressão Simples:
x variável independente.
Teste de Aderência ou Goodness of Fit:
𝑦̂variável dependente ou de resposta.
- usado pata testar a hipótese de que uma distribuição de freqüência
𝑦̂ = 𝑏0 + 𝑏1 𝑥 (equação de regressão)
observada se ajusta a ( ou concorda com) alguma distribuição
𝑏0 intercepto
alegada.
𝑏1 inclinação
- dados emparelhados de amostra aleatória de dados quantitativos.
- reta de regressão, melhor ajuste ou mínimos quadrados.
(𝑂𝑖 − 𝐸𝑖 )2
𝜒0 2 = ∑
População Amostra 𝐸𝑖
Intercepto β0 b0
Inclinação β1 b1 O = observed frequency
Equação y=β0+ β1x 𝑦̂=b0+ b1x E = expected frequency (de acordo com a distribuição suposta)

𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌) Exercícios Binomial e Poisson 6-109 Foundations ou XI-39 Primer
𝑠𝑙𝑜𝑝𝑒 𝑏1 = 2
𝑛(∑ 𝑋 2 ) − (∑ 𝑋)
(∑ 𝑌)(∑ 𝑋 2 ) − (∑ 𝑋)(∑ 𝑋𝑌) Tabelas de Contingência:
𝑖𝑛𝑡𝑒𝑐𝑒𝑝𝑡 𝑏0 = 𝑦̅ − 𝑏1 𝑥̅ = 2 Teste de Independência:
𝑛(∑ 𝑋 2 ) − (∑ 𝑋)
- testa a H0 de que não há associação entre a variável linha e a
Previsões:
variável coluna.
- se não há correlação linear, o melhor valor previsto de y é 𝑦̅
- se há correlação utiliza-se a equação de regressão 2
- r deve ser significativo e passar pelo teste de hipótese. 2
(𝑂𝑖𝑗 − 𝐸𝑖𝑗 )
- mudança marginal b1 quantidade que y varia quando x varia 1 𝜒0 = ∑ ∑
𝐸𝑖𝑗
unidade.
O = observed frequency
Outliers e Pontos Influentes:
E = expected frequency (de acordo com a distribuição suposta)
- desenhoar diagrama de dispersão com e sem os outliers. Se a reta
mudar o ponto é influente.
Exercícios 6-117 Foundations ou XI 46 Primer
Resíduos:
- é a diferença entre o valor amostral y observado e o valor 𝑦̂ , Coeficiente de Contingência
previsto pelo uso da reta de regressão.
- uma reta satisfaz a propriedade dos mínimos quadrados se a 𝜒 2
soma dos quadrados dos resíduos é a menor possível. 𝐶=√ 2
𝜒 +𝑁
- gráfico dos resíduos não revela padrão, a equação de regressão é
uma boa representação da associação entre duas variáveis.
Variação e Intervalos de Precisão: 𝐾−1
𝑀á𝑥 𝐶 = √
Desvio total = y - 𝑦̅ 𝐾
Desvio explicado = 𝑦̂ - 𝑦̅ K=mínimo entre as colunas e linhas
Desvio não explicado = y - 𝑦̂ (resíduo)
Variação total = ∑(𝑦-𝑦̅)²
Variação não explicada = ∑(y-𝑦̂)²
Variação explicada = ∑(𝑦̂-𝑦̅)²
𝑣𝑎𝑟𝑖𝑎çã𝑜 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎
𝑟2 =
𝑣𝑎𝑟𝑖𝑎çã𝑜 𝑡𝑜𝑡𝑎𝑙
Correlação de Atributos Xbar
2 𝑈𝐶𝐿 = 𝑥̿ + 𝐴2 𝑅̅
𝜒
𝜙=√
𝑁(𝐾 − 1) ∑ 𝑥̅
𝑋̿ =
K=colunas=linhas 𝑛
Ficam entre 0 e 1
Teste de Homogeneidade:
- testa a H0 de que populações diferentes. Tem a mesma proporção 𝐿𝐶𝐿 = 𝑥̿ − 𝐴2 𝑅̅
de alguma característica.

SPC 𝑈𝐶𝐿 = 𝐷4 𝑅̅
- Processo sob controle ou estabilizado pode-se prever dentro ∑𝑅
de limites como será a variação no futuro. 𝑅̅ =
- Variações ou causas aleatórias ou comunsrandom, chance or
𝑛
undiscoverables. Influência pequena e numero de causas grandes.
𝐿𝐶𝐿 = 𝐷4 𝑅̅
- Variações especiais assignable or special causes. Podem ser
encontradas e removidas.
Average and Standad Deviation Chart (Xbar-S)
Processo Fora de Controle:
- n >10
- primeiro avaliar o range
- muito sensível a mudanças no processo
- 1 ponto fora dos 3 - utilizada para produtos caros
- 2 em 3 pontos consecutivos fora dos 2 - apresenta sinais falsos
- 4 em 5 pontos consecutivos fora dos 1 - mais sensível que X bar-R
- 7 ou 8 pontos consecutivos em um lado da linha de centro
- modelo não aleatório dos dados Xbar
𝑈𝐶𝐿 = 𝑥̿ + 𝐴3 𝑆̅
- 6 pontos com tendência de subida ou queda
∑ 𝑥̅
𝑋̿ =
𝑛

𝐿𝐶𝐿 = 𝑥̿ − 𝐴3 𝑆̅

1
 S
2
𝑈𝐶𝐿 = 𝐵4 𝑆̅
3
∑𝑆
𝑆̅ =
𝑛
Individuals and Moving Range (X-R)
- aplicado aprocessos em estágio inicial 𝐿𝐶𝐿 = 𝐵3 𝑆̅
- n varia de 2 a 9 (4 ou 5)
- fácil de construir e interpretar
- somente 1 observação por lote
- menos sensível

X P chart (Binomial)
3 - proporção de itens não conforme
𝑈𝐶𝐿 = 𝑥̅ + 𝑅̅
𝑑2 - n pode variar
- mais utilizado
∑𝑥
𝑋̅ = 𝑝̅ (1 − 𝑝̅ )
𝑁 𝑆𝑝 = √
𝑛
3 P
𝐿𝐶𝐿 = 𝑥̅ − 𝑅̅
𝑑2 𝑈𝐶𝐿 = 𝑝̅ + 3 𝑆𝑝
R
∑𝑝
𝑈𝐶𝐿 = 𝐷4 𝑅̅ 𝑝̅ =
𝑛
∑𝑅
𝑅̅ =
𝑁 𝐿𝐶𝐿 = 𝑝̅ + 3 𝑆𝑝

𝐿𝐶𝐿 = 𝐷4 𝑅̅

Average and Range Chart (Xbar-R)

- muito utilizado
- muito sensível a mudanças no processo
- fácil construção e interpretação
- n varia de 2 a 9 (3 e 6)
NP chart (Binomial) Capabilidade de Proceso
- contagem de itens não conforme
- n não varia
Estimativa de (Calculo de Cp e Cpk)
- pode-se intercambiar com p chart quando subgrupo constante

̅
𝑅 ̅𝑆̅ ̅̅
𝑀𝑅̅̅
Np 𝑆𝑝 = 𝑆𝑝 = 𝑆𝑝 =
𝑑2 𝑐4 𝑑2
𝑈𝐶𝐿 = 𝑛𝑝̅ + 3 √𝑛𝑝̅ (1 − 𝑝̅ ) 
Estimativa de (Calculo de Pp e Ppk)

𝑁𝑝̅ ∑(𝑥𝑖 −𝑥̿ )2
𝜎̂ = 
𝑛−1

𝐿𝐶𝐿 = 𝑛𝑝̅ − 3 √𝑛𝑝̅ (1 − 𝑝̅ ) Processo Centrado

Pp = Ppk
Cp = Cpk
Ponto central pode não ser o ponto médio
Deve-se satisfazer a distribuição binomial Process Capability

𝑈𝑆𝐿 − 𝐿𝑆𝐿 𝑙𝑎𝑟𝑔𝑢𝑟𝑎 𝑒𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑎çã𝑜

𝐶𝑝 = =
c chart (poisson) 6𝑆𝑝 𝑙𝑖𝑚𝑖𝑡𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒
- número de não conformidades por unidade inspecionada
- unidade de inspeção é um número fixo
Cp>1,33  capable
c Cp<1  incapable
𝑈𝐶𝐿 = 𝑐̅ + 3 √𝑐̅ Cp entre 1 e 1,33 capable but tight control

∑𝑐 Cp >1  processo varia menos que especificação

𝑐̅ = Cp<1  processo varia mais que especificação
𝑛
Cp=1  processo não centrado vai ocorrer não conformidades

𝐿𝐶𝐿 = 𝑐̅ − 3 √𝑐̅
𝑈𝑆𝐿 − 𝑋̿ 𝑋̿ − 𝐿𝑆𝐿
𝐶𝑝𝑘 = 𝑚𝑖𝑛 ⟨ | ⟩
u chart (poisson) 3𝑆𝑝 3𝑆𝑝
- número de não conformidades por unidade inspecionada
- unidade de inspeção NÃO é um número fixo

u
1 6𝑆𝑝
̅
𝑢 𝐶𝑅 = =
𝑈𝐶𝐿 = 𝑢̅ + 3 √ 𝐶𝑝 𝑈𝑆𝐿 − 𝐿𝑆𝐿
𝑛

∑𝑐 CR<0,75  capable
𝑢̅ = CR>1  incapable
𝑛 CR entre 0,75 e 1 capable but tight control

𝑢̅
𝐿𝐶𝐿 = 𝑢̅ − 3 √
𝑛

Contagem, apenas dos números de defeitos

 DOE / ANOVA between
row
Experimento Tradicionalmuda um fator de cada vez. Muitos
Treatment SSc c-1 MSc=SSc/c-1 F=MSc/MSe
experimentos, combinação ótima pode não ser revelada, interação between
entre fatores pode não ser determinada, efeitos e tendências são column
sem explicação. Perda de tempo e dinheiro estudando variável Error SSe=SST- (r-1) (c-1) MSe=
errada obtendo muito ou pouco informação. within SSc - SSr SSe/(r-1)(c-1)
Total SST N-1
Anovamétodo para testar a igualdade de três ou mais médias
populacionais através da análise das variâncias amostrais. Two Way + Interaction (com replicação)
Interação Descreve a medida de como a resposta a um nível de
Factors or Inputs variável controlada ou não cuja influência um fator afeta a resposta frente a um nível de outro fator.
sobre a resposta é estudada. Pode ser quantitativa ou qualitativa. Replicação repetição de um dado tratamento.
Level valore s ou atributos de um fator. Sum of
Source of Mean Square
Squares df F
Tratamentos combinação de níveis de todos os fatores Variation (MS)
(SS)
Treatment SSr r-1 MSr=SSr/r-1 F=MSr/MSe
Outputs Responses between
row
Variância é a mesma para todos os fatores, tratamentos ou níveis Treatment SSc c-1 MSc=SSc/c-1 F=MSc/MSe
between
(Bartlett Test até 9x)
column
Inetraction SSi (r-1) (c-1) MSi= F=MSi/MSe
Medições individuais entre os tratamentos são distribuídos SSi/(r-1) (c-1)
normalmente. Error SSe=SST- rc(n-1) MSe=
within SSc – SSr- SSe/ rc(n-1)
Erro é efetio normal, independente e aleatório. Variância do erro SSi
é normalmente distribuída com média = 0 e variância conhecida. Total SST N-1

Evop Bloqueamento  utiliza fatorial 2 níveis sem interação. É a

- Conservative strategy subdivisão do experimento em grupos de unidades homogêneas.
- Incremental changes Full Factorial Experiment
- More than 2 variables
- Mudança de variáveis na dureção esperada de melhorias 2𝑘→𝑓𝑎𝑡𝑜𝑟𝑒𝑠
2 níveis
Latin Square Design No caso de fatorial com fatores diferentes utilizar Nível x Nível
- nº colunas, linhas e tratamentos devem ser iguais Fractional Factorial Experiment
- sensitividade reduz se houver interação
- fractional factorial experiment 2𝑘−1 𝑜𝑢 2𝑘−𝑝
- permitir para 2 origens de não homogeneidade as condições de Alguns efeitos podem estar confundidos com os outros.
afetar resultado do teste

Greco-Latin Square Design

- eliminate more than 2 sources of variability
- one extra blocking than Latin Square Design

Hyper Greco-Latin Square Design

- study treatments with more than
3 blocking variables

Plackett-Burman Design
- screening experiment
- economical
- 2 level design with 4, 8, 16, 32, 64 or 128 runs
- each interaction effect is confounded with exactly one main effect

Tagushi Design
- redução de variação  perda para sociedade
- Utiliza desenvolvimento de estratégia apropriado
- identify parameter that will improve performance
- identify less expensive alternative design for that

Tagushi Função Perda (loss function)

𝐿 = 𝑘(𝑦 − 𝑚)2
y = valor obtido
m= target

One Way
Sum of
Source of Mean Square
Squares df F
Variation (MS)
(SS)
Treatment SSt a-1 MSt=SSt/a-1 F=MSt/MSe
between
Error SSe=SST-SSt a(n-1) MSe=SSe/a(n-1)
within
Total SST (na-1)
Cálculos específicos XII-52 Primer
a= fator e n repetições dentro do fator

Two Way
Sum of
Source of Mean Square
Squares df F
Variation (MS)
(SS)
Treatment SSr r-1 MSr=SSr/r-1 F=MSr/MSe