Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Q1 Q2 Mediana Q3 Máximo
Mínimo
Assimetria: Medida de Posição Relativa:
simétrica MO = M = MD
Achatamento:
Probabilidade:
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
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 amostraldistribuição 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 amostraltendem a atingir o alvo da proporção compras de um item estocado.
populacional. Pode-se aproximar da normal.
Média amostraldistribuição 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
Qui-quadrado:
- não é simétrica.
- aumento no gl assimetria reduz e aproxima da normal.
- não negativa.
t (𝑛 − 1)𝑆 2
𝜒2 =
𝜎2
- 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 linearcomposta por dois fatores o nível e a tendência.
1 1+𝑟 1 Trend Analysisa 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 Averagesuavizar variações na variável estudada.
< 𝜌 < 2𝑤 Sazonaisefeito 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:
𝑦̂variável 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 comunsrandom, 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
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
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
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