You are on page 1of 10

UNIVERSIDADEANHANGUERA

TECNOLOGIAEMGESTODAQUALIDADE
2SEMESTRE
ATPS
Estatstica
Professor: Carlos Barbosa
2 Bimestre

Ednei Eduardo
RA: 6824497077
Kleber de Moura
RA: 7092581882

SANTO ANDR
2014

SUMRIO

1.

INTRODUO................................................................................................... 3

2.

TEORIA DA DISTRIBIO NORMAL....................................................................3

3.

CONCEITO DE PROBABILIDADE........................................................................6

4.

PROBABILIDADES NA ESTATISTICA...................................................................6

5.

PROBABILIDADES NA QUALIDADE....................................................................8

6.

ASSOCIAO DOS RESULTADOS.....................................................................10

1. INTRODUO
O presente trabalho tem o objetivo de apresentar conhecimento adquiridos dentro da
disciplinadeEstatstica,deformaaplicada.Sendoassim,foiestetrabalhoajudaaretrataros
conhecimentosqueforamadquiridosdentrodamatriaemquesto.
Pormeiodosdadoscoletadospossvelaplicaralgunsmtodosaprendidosnasaulas,
desta forma este trabalho se torna fundamental para o aprendizado e melhor fixao do
contedoestudado.
2

2. TEORIADADISTRIBIONORMAL
A distribuio normal uma das mais importantes distribuies da estatstica,
conhecida tambm como Distribuio de Gauss ou Gaussiana. Foi primeiramente introduzida
pelo matemtico Abraham de Moivre.
Alm de descrever uma srie de fenmenos fsicos e financeiros, possui grande uso na
estatstica inferencial. inteiramente descrita por seus parmetros de mdia e desvio padro,
ou seja, conhecendo-se estes valores consegue-se determinar qualquer probabilidade em uma
distribuio Normal.
Um interessante uso da Distribuio Normal que ela serve de aproximao para o
clculo de outras distribuies quando o nmero de observaes fica grande. Essa importante
propriedade provm do Teorema do Limite Central que diz que "toda soma de variveis
aleatrias independentes de mdia finita e varincia limitada aproximadamente Normal,
desde que o nmero de termos da soma seja suficientemente grande". A distribuio normal
foi introduzida pela primeira vez por Abraham de Moivre em um artigo no ano 1733, que foi
reproduzido na segunda edio de seu The Doctrine of Chances (1738) no contexto da
aproximao de distribuies binomiais para grandes valores de n. Seu resultado foi estendido
por Laplace, em seu livro Analytical Theory of Probabilities (1812), e agora chamado o
teorema de Moivre-Laplace.
Laplace usou a distribuio normal na anlise de erros de experimentos. O importante
mtodo dos quadrados mnimos foi introduzido por Legendre, em 1805. Gauss, que alegou ter
usado o mtodo desde 1794, demonstrou-o rigorosamente em 1809 supondo uma distribuio
normal para os erros.

CASO A

A empresa petrolfera Petrofuels faz parte, desde 2005, de um projeto de reciclagem


do lixo orgnico para a gerao de adubo natural utilizado por pequenos produtores da cidade
de Belo Horizonte, em Minas Gerais, no plantio de frutas, verduras e vegetais. Todo processo
de empacotamento do lixo orgnico gerado pela preparao da alimentao dos funcionrios
de uma plataforma da Petrofuels da foi ajustado de maneira que uma mdia de =13 kg de
lixo colocada em cada saco. Precisamente, nem todos os sacos tm 13kg. O desvio padro

do peso lquido s = 0,1 kg . sabido que a distribuio dos pesos segue uma distribuio
normal.
Um saco de lixo selecionado de forma aleatria. Aps um estudo, levantou as
seguintes informaes:
I A probabilidade de este saco conter entre 13 kg e 13,2 kg de lixo orgnico
so 47,72%.
II A probabilidade de que o peso deste saco exceda 13,25kg 0,62%.

CASO B

O tempo necessrio para o concerto da transmisso de certo tipo de mquina utilizada


na separao do leo diesel dos demais subprodutos do petrleo normalmente distribudo
com mdia = 45 minutos e desvio padro s = 8 minutos. O mecnico da Petrofuels planeja
comear o conserto da mquina 10 minutos aps a solicitao do setor de produo de leo
diesel ter acionado os seus servios. Sendo um mecnico experiente, este comunicou o setor
de produo que a mquina estar pronta para o uso em um tempo total de uma hora. A
probabilidade de que o mecnico esteja enganado so 26,76%.

3. CONCEITODEPROBABILIDADE
Para entender o que distribuio normal, necessrio, primeiramente, definir evento
aleatrio. Trata-se de evento cuja ocorrncia individual no obedece a regras ou padres que
permitam fazer previses acertadas, como, por exemplo, qual face de um dado lanado cair
para cima.
A estatstica mostra que, apesar de a ocorrncia individual destes eventos aleatrios ser
imprevisvel objetivamente, possvel tirar algumas concluses a partir de um conjunto
suficientemente grande deles.
Muitos dos conjuntos de eventos aleatrios apresentam padres que no so
identificveis em cada evento isoladamente, como a tendncia de os eventos se concentrarem
prximos a uma posio que representa uma mdia matemtica deles. Assim, a quantidade de
eventos diminui constante e gradativamente medida que nos afastamos da mdia.
Um levantamento das estaturas de homens adultos, em uma amostragem significativa,
tende a posicionar a maioria das medidas na chamada estatura mediana, entre 1,70 e 1,80m. J
as estaturas entre 1,40 e 1,50m e entre 2,00 e 2,10m tendem a apresentar poucas ocorrncias.
Distribuio normal
Eventos aleatrios que seguem este padro enquadram-se na chamada "distribuio
normal", representada pela curva tambm conhecida como Curva de Gauss ou Curva do Sino
(Bell Curve).

4. PROBABILIDADESNAESTATISTICA
AHistriaregistracensos,parafinsdealistamentomilitaredecoletadeimpostos,
realizadoshmaisde4000anos,comoocasodocensodoimperadorYaonaChina,em2
200AC.Emtodoessetempo,porestatsticaentendiasemeramenteotrabalhodeexibioe
sntesedosdadosreferentescolhidospelocenso.Maisimportantedoqueobservarqueestava
restrita aos censos notar que era uma mera Estatstica Descritiva, a qual no envolvia
nenhumtrabalhoprobabilstico,poistodososobjetosdouniversoenvolvido(apopulao)
eramobservadosoumedidos.
A primeira pessoa a atinar em medir/observar apenas uma pequena amostra do
universoenvolvidoe,apartirdeanliseprobabilista,estenderosresultadosdaamostraparao
tododouniversooupopulaofoiAdolpheQutelet,c.1850.
Apartirdele,rapidamentesurgiuaideiadedarumembasamentomaisrigorosoparao
mtodocientfico,apartirdeumafundamentaoprobabilistaparaasetapasdacoletaeada
anliseindutivadedadoscientficos.Essaconcepo,hojeessencialnotrabalhocientfico,s
atingiuumnvelprticonoinciodosc.XXedesenvolveuseemtrsgrandesfrentes:
Ainfernciaestatstica
Estudatcnicasquepermitemquantificarprobabilisticamenteasincertezasenvolvidas
aoinduzirmosparaumuniversodeobservaesfeitasnumaamostradomesmo.Porexemplo:
Umacompanhiadeaviaodesejasaberotempomdioqueseuspassageirosgastam
aodesembarcaremnoaeroportoXYZ.Numaamostrade320passageiros,otempomdiofoi
de23min.Com95%dechancesdecerteza,oquepoderacompanhiadizersobreoerro
cometidoaoafirmarqueotempomdiodedesembarquedeseuspassageirosseu23min,no
aeroportoXYZ?
OspaisdaInfernciaEstatsticasoJ.NeymaneKarlPearson,osquaisacriaramem
vrios artigos escritos c. 1930. Embora os estudos de Neyman e Pearson estivessem
associadosquestesdehereditariedade,osmtodoseatasexpressesquecriaram,tais
como"hiptesenula"e"nveldesignificncia",fazemhojepartedarotinadiriadetodo
estatsticoecientista.
Odelineamentodosexperimentoscientficos
6

Tratadasprecauesqueocientistadevetomar,antesdeiniciarsuasobservaesou
medidas,demodoquesepossadarumaboaprobabilidadedequeosobjetivospretendidos
sejamatingidos.
OpaidessastcnicasR.A.Fisher.Esse,aotrabalharnaseleogenticadeplantas
agrcolas, desenvolveu imensa quantidade de resultados bsicos sobre delineamento de
experimentos e os divulgou, com grande sucesso, em dois livros histricos: Statistical
MethodsforResearchWorkers,1925,eTheDesignofExperiments,publicadoem1935.
Acorrelaoentrevariveis
oque,emEstatstica,correspondenoperfeitamente,desdejalertamosideia
decausao.Suponhamosqueumcientistafaasimultaneamente,amedidadeduasoumais
variveis:umapoderiaseraalturaeaoutraopesodepessoasdeumapopulao.Seocorrer
queelastendamacresceroudecrescersimultaneamente,dizemosqueelassopositivamente
correlacionadas; se, por outro lado, a tendncia uma delas crescer e a outra decrescer,
dizemosqueelassonegativamentecorrelacionadas.Noinstantequeoestatsticooucientista
possaafirmarqueduasoumaisvariveissocorrelacionadas,elepodeusarumasriede
tcnicas(chamadasanlisederegresso)paraacharfrmulasexpressandoosvaloresdeuma
dessasvariveisemtermosdaoutra,oudasoutras.Tudodentrodeumamargemdeerroque
elepoderestimarprobabilisticamente.
OpaidaideiadecorrelaofoioinglsFrancisGaltonoqual,nofinaldosculo
passadoausounumasriedeestudosdehereditariedademotivadospelaTeoriadaEvoluo
deDarwinecomobjetivosdecididamenteeugnicos.
AbasematemticadotrabalhodeGaltoneraprecria.CoubeaKarlPearsondaruma
fundamentao mais matemtica para a correlao e introduzir tcnicas hoje bsicas:
coeficientedecorrelao,medidadaqualidadedaregressoviaadistribuioprobabilista
chiquadrado,etc.

5. PROBABILIDADESNAQUALIDADE
AprimeirapessoaaestudarmatematicamenteocontroledaqualidadefoiW.Gosset
(maisconhecidoporseupseudnimo,Student)quando,noinciodosc.XX,trabalhava
7

numafbricadecerveja.Sucederamsealgumasaplicaesdembitofechado,restritaao
setormilitar(Frana:M.Dumas)esatividadesinternasdaWesternElectricCompany.
Contudo,semtornode1930quesurgemosprimeirostratadosdecunhoprticoe
destinadoaengenheiros:oTheEconomicControloftheQualityofManufacturedProducts
(deW.A.Shewart,daBellTelephoneCo.,USA,1929)eoTheApplicationofStatistical
MethodsinIndustrialStandartizationandQualityControl(deEgon.S.Pearson,Inglaterra,
1935).Poressamesmapoca,surgemasprimeirascomissestratandodauniformizaodas
normas do controle estatstico da qualidade: o Joint Committe for the Development of
Statistical Applications in Engineering and Manufacturing, americano, e a Section of
IndustrialandAgricultureResearches,naRoyalStatisticalSocietyofLondon.
CASO A

OsetordelogsticadaPetrofuelstomaumaamostraaleatriade10carregamentos
deleodieselfeitosrecentementeporcaminhestanqueseanotaadistncia
(quilmetros)percorridaporeleseaquantidadedediasquecadaumnecessitou
paraaentregadocombustvelaosseusdestinos.Aseguintetabelafoigerada:

Tabela 1 Amostra de observaes de distncias rodovirias e tempo de entregapara 10 carregamentos


aleatoriamenteselecionados.

Ocoeficientedecorrelaoparaosdadosamostraisapresentadosnatabela1 dadopor
r=0,31.

Xi

X=( XI/N)

yi

Xi. Yi

yi

825

63,000

3,500

220,500

3.969,000

12,250

215

-547,000

1,000

-547,000

299.209,000

1,000

1070

308,000

4,000

1.232,000

94.864,000

16,000

550

-212,000

2,000

-424,000

44.944,000

4,000

480

-282,000

1,000

-282,000

79.524,000

1,000

920

158,000

3,000

474,000

24.964,000

9,000

1350

588,000

4,500

2.646,000 345.744,000

325

-437,000

1,500

-655,500

190.969,000

2,250

670

-92,000

3,000

-276,000

8.464,000

9,000

1215
7.620,0
0

453,000

5,000

0,00

28,50

2.265,000 205.209,000
4.653,00 1.297.860,0
0

20,250

25,000
99,75
8

CASO B

Aequaoderegressodemnimosquadradosparaosdadosapresentadosna
tabela1dadapor:Yx=0,11+0,0036X

CASO C

O diagrama de disperso e a linha de regresso estimada com base nos dados


amostraisdatabela1sodadospor:

Diagrama de disperso
6
5
4
dias

3
2
1
0
0

200

400

600

800

1000

1200

1400

1600

km

6. ASSOCIAODOSRESULTADOS
Etapa 3
Caso A - 1, 3
Caso B - 0
Etapa 4
CASO A 0
CASO B - 5
CASO C - 1

10