You are on page 1of 184

GESTÃO DA QUALIDADE

Bruno F Oliveira, Eng. Metalurgista, Dr.
2014/01

CAPÍTULO 2:
ARRUMANDO A
CASA.

POR QUE?
• Com a globalização da economia, todas as
empresas, em qualquer lugar do mundo,
devem ter desempenho de empresa boa de
primeiro mundo.
• Sua empresa, seu emprego, seu sustento, só
sobreviverá à guerra comercial global se ela
estiver ENTRE AS MELHORES DO MUNDO.

etc. “Elevado” número de quebra de equipamentos. GERENCIAR É RESOLVER PROBLEMAS. . “alto número” erros de faturamento. excesso de estoques.COMO? • PASSO I: “Arrumando a casa”: – Escolha uma área onde a empresa não vai bem. “alto” índice de refugos na linha A. Inicie suas ações por este pior local. devolução de mercadorias. • Problemas Localizados: Exemplo. queda nas vendas. – Definição de Problema: Resultado indesejado. • Problemas Interfuncionais: Reclamações de clientes. etc.

• Tenha um método para atingir a meta. • Só faça coisas que ajudem a atingir a meta. . defina um item de controle.Como Resolver “problemas” • Os problemas interfuncionais devem ser desdobrados em problemas localizados. Faça um gráfico de controle mostrando a situação atual e a meta. • Para cada problema localizado. Por exemplo “índice de refugo”.

CONTROLE DE PROCESSOS .

• Só a alta gerência pode atuar sobre elas. • Indicam mudanças no padrão operacional do processo. . – Causa Especial .Variabilidade • Em qualquer processo está presente a Variabilidade: – Causa Comum: • Inerentes ao processo. • Exigem tratamento imediato.

.

.

.Gráficos de Controle • São ferramentas de controle dinâmico do processo que permitem uma visualização do momento em que um processo sai de controle ou seja quando uma causa especial de variabilidade começa a atuar.

.

• Para variáveis discretas: – Gráficos de Controle por Atributo.Tipos de Gráficos de Controle • Conforme o que se esteja medindo. existe um modelo estatístico específico para tratamento dos dados. • Para variáveis Contínuas: – Gráficos de controle por Variável .

Defeitos Total. – Gráfico tipo “c” : No.Gráficos de controle por atributo. Defeitos por Unidade. • Tipos: Estuda – Gráfico tipo “p”: Fração de defeitos da amostra – Gráfico tipo “u”: No. .

Gráfico de controle por Atributo .

– Estuda as variações.Gráfico de Controle por Variável • Gráfico da Média: – Estuda produção.. et. • Gráfico da Amplitude. diâmetro. . tempo.

Gráficos de Controle por Variável .

Divergência na Literatura: • Segundo .

• Quando não se conhece μ nem σ: • ?? = ? = ? ? ?? ? . • ??? = ? + ?2 × ?. • ??? = ? − ?2 × ?.Gráfico de controle por Variável para Média: • Em populações Normais das quais se conhece a média populacional e o desvio padrão populacional  LM= μa ±3?. .

??? = ?3 ?. ?? = ?.Gráfico de Controle por Variável para Amplitude • • • • Amplitude: x max – x min . ??? = ?4 ? .

Segundo
pgs 308 -312:

Gráfico de controle por Variável para
Média:
• Em populações Normais das quais se conhece a
média populacional e o desvio padrão
populacional
 LM= μa ±3?;

• Quando não se conhece μ nem σ:
• ?? = ? =

?
? ??

?

;

• ??? = ? + ?1 × ?;
• ??? = ? − ?1 × ?;

Gráfico de Controle por Variável para
Amplitude



Amplitude: x max – x min ;
?? = ?;
??? = ?3 ?;
??? = ?4 ?

Exemplo: .

Solução: .

0.0.120.0.096. • R:0.0035.120. Para cada amostra registram-se as médias e as amplitudes: • ?:0.0060.0040.040.0.117.0.0040.0045.0.098.0.0060.0.0050 . • 0.0.0.0.0.107.0075.0050.0075.119.Exemplo de construção de gráfico de controle por variável • A espessura do alumínio usado na fabricação de latas precisa ser controlado.0075.035.110.0.137.0080.119.0.100.0.0035.0.143. 0.197.0.111.130.0. 0.0060.0.131.0.107.0.0.117.0030.0055.0.0.0035.0.0.0.0.0.0045.0.0.0.119.0.0.0.119. Vinte amostras de tamanho n=5 foram selecionadas.

Segundo: .

CARTA “X”

.

.

CARTA AM .

.

.

.

.

.

.

.

.

O MÉTODO PDCA .

Análise do Problema (Fatos e Dados): Análise de Pareto. .

Construindo um Pareto: • Um fabricante de latas de Alumínio apresenta queixas com relação ao número elevado de refugos. • Foi apresentado o seguinte levantamento das causas de defeitos em um dia de produção: Latas (und. • Por onde começar a reduzir o excessivo no de refugos? .) Espessura da parede grossa ou fina 10 Arranhadas 30 Trincadas 06 Mal acabadas 15 Mal pintadas 45 Outras causas 4 % Σ% • Construir o gráfico de Pareto do problema.

Diagnose de Causas de Defeitos • Diagramas de Ishikawa: .

Plano de ação Como montar? .

.

Introdução ao Controle Estatístico de Processos: • Estatística: – Definição: • Ciência ou Ferramenta que lida com a obtenção e análise de dados em presença da variabilidade.1. – Estatística descritiva. • Áreas da Estatística: – Planejamento e otimização de experimento. – Estatística Inferencial. .

Escolher uma amostra de 100 itens. • Primeiro requisito: Representatividade. – Exemplo: Pesquisa de votação. – Exemplo: Fábrica de canetas que produz 1000 canetas por dia.Amostragem • Processo de coleta da amostra. De quantas formas podemos fazer esta amostragem? • Segundo requisito: Aleatoriedade. • Porque? • Escolha criteriosa dos elementos que serão submetidos ao estudo. . 300.000 ano.

• Igual tamanho.Tipos de Amostragem: – Amostragem Aleatória Simples. . – Amostragem Estratificada • Proporcional. • Sistemática. – Quanto a frequência da coleta: • Por conglomerado.

Projeto de Experimentos • A própria amostragem interfere na aleatoriedade: – Exemplo: Influência do tempo de cozimento numa cerâmica. .

Concluir. – Exemplo de experimento mal projetados: • Numa fábrica de canetas a taxa de defeitos sobe subitamente de 1 para 10%. • Como selecionar um disco de freio. Testar. . • • • • Que fatores realmente afetam o processo.Projeto de Experimentos: Modo de usar. Formular hipóteses.

ESTATÍSTICA DESCRITIVA Distribuição de Frequência e a Apresentação de dados .2.

– Compreensão. – Simplificação. – Visualização. . agrupar de forma permitir: – Manuseio. – Detecção de erros e inconsistências eventualmente ocorridos na coleta de dados.Introdução • Após obter os dados.

AGRUPAMENTO DE DADOS .

• Ação: Executar 28 ensaios de tração.255.260.267. 259. 269.264.268.268. • E se fossem 300.266.265.271.265. • Resultados em kgf/mm2 para limite de resistência: 270.258. 258. 270. • Pouca utilidade.260. 263.000 medições? .268. 257.266.255.263.262. 270.263.259.265.Agrupamento de dados • Exemplo: Determinar a resistência de uma chapa de alumínio de um determinado fornecedor. • Dados brutos: • 28 medições.

• Regra de Sturges para a quantidade de classes: k = 1+ log2 N ou k= 1 + ???? .Distribuição de Frequências. • A quantidade de classes NÃO pode ser <5 ou >25. . • A distribuição deve abranger todas as medições. • O extremo superior da classe n é o extremo inferior da classe n+1. • Cada medição só pode estar em uma classe. ???2 • Tamanho de classe é amplitude / k.

Relativa ACM 1. 2. Absoluta ACM |freq.DISTRIBUIÇÃO DE FREQUÊNCIAS E REPRESENTAÇÕES PICTOGRAFICAS • Passo I: Dispor em ordem crescente: • Amplitude: Maior – Menor. 5. 3. Relativa simples |Freq. ≤ 257 257 |.263 263 |.266 266 |.260 260 |.269 >269 ||| |||||| |||| |||||| ||||| |||| 3 6 4 6 5 4 ____ 28 255 255 257 258 258 259 259 260 260 262 263 263 263 264 265 265 265 266 266 267 268 268 268 269 270 270 270 271 . 4. 6. • TAMANHO DE CLASSE: Amplitude /k . • Distribuição de Frequência frequência ABS simples | Freq.

Gráficos • Histograma ou polígono de frequências: – Gráfico de classes x frequência Absoluta. Limite de Ruptura das Chapas de Al 7 6 6 6 5 5 4 4 4 3 3 2 1 0 <257 257 a 260 260 a 263 263 a 266 266 a 269 > 269 .

FREQUÊNCIAS E OGIVA DO LIMITE DE RESISTÊNCIA DAS CHAPAS DE Al 120% 100% 80% 60% 40% 20% 0% fi Fi .Ogiva – Gráfico de classe x frequência Absoluta Acumulada.

324. 313. 314. 330. 2. 324. 320. Desenvolva um diagrama de Ishikawa (espinha de peixe) que possa ajudar a identificar a causa da queda de qualidade. 317. 326. 318. 308. 314. 316.1 Construa o quadro de distribuição de frequência e o histograma. Suponha que você é o encarregado do setor. a média e o percentil de ordem 80. 328. 327. 311.2 Determine a mediana. 319. 316.Exercícios de Verificação 1. 321. 322. 319. 320. 313. 310. 312. 325. 329. 50 eletrodos foram selecionados. 323. 320. seus pontos de fusão em oC foram medidos e os resultados foram os seguintes: 320. 318. Um grande supermercado recebe reclamações sobre a qualidade de produtos de sua padaria. 328. 317. 317. 329. 310. 324. 325. 324. 327. 308. 335. 2. 314. 305. 329. Um fabricante de eletrodos para soldagem esta preocupado pelas reclamações sobre a falta de uniformidade nos pontos de fusão de suas ligas. 320. 331. 322. 318. 322. . 323. 2.

.MEDIDAS ESTATÍSTICAS.

Se o no.Medidas de Posição Central – Média Aritmética Simples: – Média Aritmética Ponderada: – Média Harmônica. Se o número de dados é impar a mediana é um único número. – Média Geométrica. . De dados é par a mediana é média aritmética dos valores centrais. – Mediana: • Num conjunto de dados dispostos em ordem crescente a mediano é valor que divide a amostragem ao meio .

• Devemos preferir a mediana quando o conjunto de dados leva a um histograma assimétrico. 460. Média = 651.Comparação entre média e mediana. • Existem valores discrepantes nas pontas.7. 300. 2300} – Mediana = 350. • B: {200.7. 450. 250. 250. 510} – Mediana = 375. Média 361. Qual valor representa o salário? • A: {200. 460. . 450. • Exemplos: – Seja o salário hora pago na empresa A e B. 250.

10. um percentil de ordem “x” é um valor observado tal que “x” por cento das observações são iguais a ele ou abaixo dele. • Quartis: Percentis de ordem 25. • O percentil de ordem 50 é a mediana porque 50% dos valores estão abaixo dele. • Decis: São os percentis de ordem...Percentis • Dado um número de observações em ordem crescente. . 20. 50. 75.

8.9. 54. 63. 61.3.0.7. 63.5.7.6. 60.2.9.8.2.4.6.8.2. 61. 64.8.4. • Determinar o primeiro quartil e o percentil de ordem 80.4.9.1. 59.Exemplo: • Sejam os dados a seguir.2.9.1.5. 60. 55. 60.9.0. 77.2. 57. 56. 55.8. 65. 62. 56.8.6. 54. 64.4. 60. 59.8. 67.7. 66. 60. 64.1. 55.61.9.6. 63.0. 68.0.0.8. 57. 55. 61. 59.0.5. 56. 69. 62. 60. 59. 56. 64.4. 68.4.7. 62. 67. já ordenados do menor para o maior de 50 observações do nível de ruído de tráfego em decibéis em um determinado cruzamento: • 52.7.4. 58. 67. 66. 62. .6.1. 56.

1.Média de Dados Agrupados • É mais fácil determinar a média e a mediana antes de agrupar mas não é raro só conhecermos o quadro de distribuição.822 1.834 ●---. 1.810 ●---.1. 5.1.870 ni 7 14 18 7 4 .822 ●---. – Exemplo: Calcular a média dos diâmetros que se apresentam distribuídos nas 5 classes abaixo: Classe 1.846 ●---. 3.858 1. 4. • Á média é uma aplicação direta do conceito de média aritmética ponderada. 2.834 1.858 ●---.1.846 1.1.

1.858 1.Mediana de dados agrupados • É uma aplicação do conceito de interpolação linear. 3.810 ●---.822 1.1.846 ●---.846 1.1. 2.1.858 ●---.1.834 1. 1. 4.834 ●---. 5. – Exemplo: Calcular a mediana dos dados do exemplo anterior.870 7 14 18 7 4 . Classe ni 1.822 ●---.

2.1.870 7 14 18 7 4 .846 ●---. 5.834 ●---.Percentis de dados agrupados • Processo análogo ao cálculo da mediana.822 1.834 1.822 ●---.1.858 ●---. 3.1.858 1.1. • Exemplo: Calcular o terceiro quartil dos dados: 1.1. Classe ni 1. 4.846 1.810 ●---.

Média aparada • Obtém –se eliminando-se m valores menores e m valores maiores. • Exemplo calcular a média aparada m=2 para os dados de ruído. .

• No caso de dados agrupados é o ponto médio da classe de maior frequência. classe moda. • A mediana e a moda não são fornecidos por calculadoras. Para grande massa de dados torna-se um processo laborioso. .Moda • É o valor que apresenta maior incidência.

. etc.Resumindo • A média aritmética é a medida sintetizadora mais adequada desde que não haja resultados muito discrepantes. análise de folhas de pagamentos. • A mediana deve ser usada em distribuições fortemente assimétricas com distribuição de rendas em países sub desenvolvidos.

qual foi a velocidade média do roteiro.Verificação 1. desvio padrão e coeficiente de variação. Um candidato tirou respectivamente. 5. em uma certa cultura. pelo mesmo caminho a velocidade média de 60km/h. ciências peso 3 e Português peso 2. matemática tem peso 5. Qual é a proporção entre homens e mulheres nesta empresa. v3 em km/h. Qual foi a percentagem média de acréscimo por dia. A média dos salários dos homens é R$520 e a média dos salários das mulheres é 420. e v1=500 km/h. Faça um gráfico de pontos destas medidas. 2. Um homem viaja de A para B a velocidade média de 30 km/h e volta de B para A. 6. v2 = 400 km/h e v3 = 250 km /h. calcule a média da amostra. d1. Qual é a sua média? Salário médio de uma empresa é R$500. Descreva seu método de medida e seus procedimento e discuta os aspectos que podem ter causado a variabilidade no procedimento. 3. v2. d2 e d3 em km em velocidades v1. Num concurso. 5 em ciências e 10 em português. Pegue 10 ovos em sua geladeira e meça seus comprimentos. . Um aeroplano percorre distâncias. A contagem de bactérias. variança. Determinara a velocidade média da viagem completa. 3 em matemática. aumentou de 1000 para 4000 em 03 dias. e d3 = 500 km. se d1 = 2500 km. d2 = 1200 km. 4.

AULA 3: DISTRIBUIÇÃO DE FREQUÊNCIAS COM EXCEL. .

• Para análise de dados devese instalar o suplemento Ferramentas de Análise.Instalação das Ferramentas de Análise. Excel 2003: – Menu Principal: • Ferramentas > Suplementos. . • Uma vez instaladas é possível usá-las acessando o comando: – Ferramentas > Análise de dados.

– Opções do Excel. – Opção Suplementos. • Instalar através do disco de Instalação do Office. • Excel 2007: – Botão de Acesso Office. .Instalação das Ferramentas de Análise.

Instalação das Ferramentas de Análise. . • Excel 2010: – Arquivo > Opções > Suplementos > Ferramentas de análise.

Excel 2010: .

Acesso à Ferramenta de Análise .

• Para finalizar. • Menu principal > fórmulas > inserir função > estatística > frequência. como toda função matricial. . Ctrl + shift + enter. • No Excel a primeira classe é a ≤ um valor • A última classe é ≥ um valor.Distribuição de frequências no Excel.

.GRÁFICOS NO EXCEL.

• Pareto: São gráficos que organizam os dados conforme a maior frequência. – No intervalo de blocos colocar a matriz de frequências. • Para usar o Excel : – DADOS -> Ferramentas de Análise de dados -> Histograma. – No intervalo de dados colocar a matriz de dados brutos.DEFINIÇÕES • Histograma é uma representação gráfica de uma distribuição. – Marcar as opções de Pareto e % cumulativa. .

MEDIDAS ESTATÍSTICAS 3.3. .2 MEDIDAS DE DISPERSÃO OU VARIABILIDADE.

. – Determinação da variança de dados agrupados.Medidas de dispersão ou variabilidade. • Desvio relativo. • Variança e Desvio Padrão. • Coeficiente de variação. • Amplitude.

AULA 4 ANÁLISE DE REGRESSÃO .

..INTRODUÇÃO • HOGG. • Regression Analysis ..The objective of many scientific investigations is to understand and explain relationships among variables.” • Determinist relationship. Engineering Statistics: – “. & LEDOLTER.. ROBERT.

– Ex. 3a serie: • Um navio deve percorrer uma distância d em km. O gasto horário com a tripulação é constate e igual a a (a>0). G. – Ex. O gasto horário com o combustível e proporcional ao quadrado da velocidade v do navio.Grau. IEZZI. et all. ou seja igual a bv2 onde b é uma constante positiva.: Laws physics and chemistry. . • The relationship are known exactly. Matemática.Deterministic Relationship. Há despesas com combustível e com a tripulação. So the response and explanatory variables are functionally related. Projetar um modelo Matemático para a velocidade média tal que a despesa total seja mínima. 2o.

• “Y” is a random variable that varies around a mean value which depends on the values of the explanatory variable.Regression Analysis • Is concerned with developing approximating models. Repeated trials with the identical values of explanatory variables will no longer lead to the same response every time. • Why? • Because: In most cases. . the relationships are not known or much more complicated to be described by a small set of explanatory variables.

Regressão Logarítmica.Regressão Simples • • • • Regressão Linear. Regressão Exponencial. Regressão Exponencial Natural. .

Regressão Múltipla • Correlaciona uma variável dependente a várias varáveis independentes: – Linear múltipla. – Logarítmica – Exponencial natural: – Exponencial .

– O modelo: ?? = ?0 + ?1 ∙ ?? + ?? (Eq. – ?? é o erro da estimativa. 1). • Onde: – ?0 e ?1 são constantes. – ?? é variável dependente. . – ?? é a variável independente ou explanatory.Regressão Linear Simples • Jose Francisco Soares: Introdução à Estatística.

Estimativa de Parâmetros • Como prever o erro? .

?−? 2 (eq3). • Ou pela estatística desenvolvida por Karl – Pearson: • ??? = ? ( ? ?? 2 − ?? ? ? − ?? ?? 2 )× ? ?? ?? 2 − ?? 2 . • Descreve a força com que se mantem unidos os conjuntos de variáveis causa e efeito ou a qualidade do ajuste.Coeficiente de correlação para correlação linear simples. • -1≤ r xy ≤1. • ??? = ?????çã? ???????? ?????çã? ????? = ???? −? 2 .

.. • Zero => Y não tem nada a ver com x. Seu gráfico está virado. (na natureza não) » rxy ≤ 0 : C Inverteu causa com efeito. r xy →1 ótimo.. Perfeito. • Covariança: – Mostra a relação entre os dados: • Um => Y é função de x.Correlação x Covariança • Correlação: – Mostra a qualidade do ajuste: • • r xy →0 péssimo. • -1 => X é que função de Y.

– Qual o acréscimo médio em produtividade por tonelada de Nitrogênio aplicada.Exemplo 1 • A próxima tabela mostra a correlação entre toneladas de Nitrogênio aplicada/hectare e a produtividade na colheita em toneladas /hc. – Quantas t de N/hc tenho de aplicar para obter uma produtividade de 10 t/hc. ?? .

– Qual é a relação entre tempo de navegação e custos totais? – Podemos usar este modelo para programar custos em X (h) 75 função 80 93 do 65 tempo 87 71de viagem? 98 68 84 77 Y(m R$) 82 78 86 72 91 80 95 72 89 74 .Exemplo 2 • A tabela a seguir mostra a relação entre duração em horas de uma navegação e seu custo em milhares de R$ de um transatlântico.

PROBABILIDADE .

Conceitos Preliminares • Experimento aleatório. – Discreto – Contínuo • Evento. • Modelos Determinísticos x Probabilístico • Probabilidades . • Espaço amostral.

Mutuamente Exclusivos ou Excludentes. União.Tipos de Eventos • • • • • Interseção. Regras Básicas. Evento complementar. . Negação.

Probabilidade condicional . Combinações.Análise Combinatória • • • • • Princípio fundamental da contagem. Arranjos e Permutações. Permutações com repetições.

1 tesoureiro e um secretário? . Uma pessoa compra 03 bilhetes.i. Se temos 60 lugares e aceitamos 62 reservas.e. Se os candidatos são escolhidos por acaso. qual a probabilidade de ocorrer problema de overboking? Dos códigos formados com 3 consoantes do conjunto {b. quantas comissões posso formar com 1 presidente.f. 3. Quantas comissões são possíveis? Partindo-se de 10 alunos.d. 5 apresentam defeitos.c. 7.g} e duas vogais do conjunto {a. 3. 2.Exemplos 1.o. Qual a probabilidade de acertar pelo menos um prêmio? Uma empresa recebe 50 candidatos para 6 vagas. qual é a probabilidade de você ser um deles? Em uma caixa de 100 peças. 2. 6. De quantas maneiras podemos alinhar as 10 bolas? Numa rifa vende-se n bilhetes com 5 prêmios. São 10 bolas sendo 3 azuis. 4. Numa amostragem de duas peças. Quantas começam por vogal? Quantas começam e acabam com vogal? Quantas tem as 03 consoantes juntas? Deseja-se formar comissão com 03 membros partindo-se de 10 alunos. qual é a probabilidade de não se detectar nenhum defeito? 15% das reservas aéreas não se concretizam.u}: 1. 8. 5. 4 amarelas e 3 brancas.

Probabilidade Condicional – Diagrama de Arvore. • Destes. • Qual é probabilidade de que uma pessoa diagnosticada com diabetes tenha realmente a doença? . 98% tem diagnóstico correto. 95% tem diagnóstico correto. – 92% Não tem diabetes. • 5% tem diagnóstico incorreto (falso negativo). • Destes 2% tem diagnóstico incorreto (falso positivo). • Destes. • Exemplo 1: – grupo 8% tem diabetes.

03. produzindo respectivamente 0. 0.02. C. A taxa de defeitos é 0. B. 0. Se se retira uma peça com defeito.25 da produção total.01.EXEMPLO 2 • Uma linha de produção tem 03 máquinas A.35. 0. qual a probabilidade de que tenha vindo da máquina B? .40. 0.

20 NORMAL 0.22 1.02 0.80 TOTAL 0.53 0.10 0.20 0.00 a) Qual a probabilidade de que uma pessoa escolhida ao acaso tenha pressão elevada? b) Se uma pessoa tem excesso de peso.25 0. qual a probabilidade de que tenha também pressão alta? .15 0.45 0.Exemplo 3 • Uma pesquisa para correlacionar peso e problemas vasculares obteve o seguinte resultado: PESO PRESSÃO EXCESSO NORMAL DEFICIENTE TOTAL ELEVADA 0.08 0.

EXERCÍCIOS PROPOSTOS .

4. Se 3 bolas são retiradas ao acaso. 6. 5. 3. O último algarismo tem de ser zero e não são permitidas repetições. qual a probabilidade de se retirar: 1. 8. 2. Um homem e uma mulher? Um marido e sua mulher? Qualquer matemático ou físico pode ser incluído? Um determinado físico deve ser incluído? Dois determinados matemáticos não podem ser incluídos? Uma urna contém 8 bolas vermelhas 3 bolas brancas e 9 bolas azuis. 2. Quantos arranjos são possíveis? Quantos números de 4 algarismos podem ser formados com os 10 algarismos se: 1. 2. 5. Se forem permitidos repetições. 3. Todas as três vermelhas? Todas as três brancas? Duas vermelhas e uma branca? Pelo menos uma branca? Ser retirada uma de cada cor? As bolas serem extraídas na ordem VBA? . De quantas maneiras posso dispor em fila 05 pedaços de mármore de cores diferentes? De quantas maneiras diferentes 10 pessoas poderão se sentar em um banco com 04 lugares? Deseja-se colocar 5 homens e 4 mulheres em fila de modo que as mulheres ocupem as posições pares. 7. 3. Seis casais marido e mulhe estão em uma sala. Escolhendo duas pessoas ao acaso. 6. qual a probabilidade: 1. 2. 2. De quantas maneiras uma comissão com 05 pessoas pode ser retirada a partir de um grupo de 9 pessoas? Entre 05 matemáticos e 07 físicos deve-se formar comissões constituídas de dois matemáticos e 3 físicos. Se não forem permitidas repetições. 4.VERIFICAÇÃO E AVALIAÇÃO 1. Quantas comissões podem ser feitas se: 1. 3.

VARIÁVEIS ALEATÓRIAS .

Variáveis aleatórias • Em muitos experimentos os resultados não são numéricos. . • Exemplo: Lançamento de duas moedas: – Espaço amostral :{ kk. – Transformar este resultado em numérico tomando como critério o número de caras. kc. ck. cc} . • Antes de analisá-los é conveniente transformar resultados não numéricos em numéricos.

– Obter a Distribuição de probabilidade ou função de probabilidade. . de interesse.A. Aleatórias Probabilidade • Conclusão: Método para estudar processos onde está presente a incerteza: – Obter a V.Função de probabilidade • Associação entre os valores da variável aleatória e suas respectivas probabilidades: V.

Exemplo 2 • Suponha um teste binário. (+ ou -) para um circuito de 04 caminhos. A probabilidade de ser negativo é 1/4. • Qual a probabilidade de testar todos os 04 caminhos? • Qual a função de probabilidade para n caminhos? . O teste para quando o resultado for +. A probabilidade de ser positivo é 3/4.

f(xi): • É a relação entre os distintos valores xi e as probabilidades associadas f(xi). • Uma fundição entrega 30 peças donde 05 apresentam defeitos.FUNÇÃO DE DISTRIBUIÇÃO DISCRETA DE PROBABILIDADE . Se o controle de qualidade é feito por amostragem de duas peças aleatórias. qual a probabilidade de se descobrir: – – – – P(x=0)? P(x=1)? P(x=2)? P(x)? .

REPRESENTAÇÃO GRÁFICA DA FDP • Representação gráfica da FDP para pontos alcançados na jogada de dois dados. X 2 3 4 5 6 F(x) • Representação Gráfica. • Calcular: – P(x≤5) – P(x>8) – P(6≤x ≤8) 7 8 9 10 11 12 .

F(x) • A fdp é a probabilidade de um V. – Ex.Função de Distribuição de Probabilidades Acumulada.A.A x • P(x) • F(x) .A x • P(x) • F(x) – Ex. tomar o valor x. • V. 2: Número de caminhos até achar o primeiro +: • V. 1: Número de caras na jogada de duas moedas.

F(x) – Ex.Função de Distribuição de Probabilidades Acumulada.A x • P(x) • F(x) • Então. 3: Número de pontos alcançados na jogada de dois dados: • V. . a F(x) representa a soma de probabilidades de maneira que a probabilidade de ocorrer certo evento seja menor ou igual a x.

Representação Gráfica de F(x) .

• É o ponto de equilíbrio de uma fdp. 1: Qual a melhor aposta para a soma do lançamento de dois dados? – Ex. 2: Um jogador ganha n reais para quantos forem o número de pontos da face superior de um dado e paga c reais para jogar. – Ex. • É a média das probabilidades. Quanto deve apostar? . • É a melhor aposta.Esperança Matemática – “E(x)” • É o produto do número de tentativas x a probabilidade de ocorrer.

Este indivíduo deseja fazer um seguro desta dívida. .Aplicações de E(x): Seguro de dívidas. Qual deveria ser o valor mínimo do seguro. a tabua de mortalidade por 1000 habitantes indicava os seguintes dados: • Aos 37 anos um indivíduo contrai um empréstimo de R$15.00 para pagar em 3 anos.000. • Nos anos 80. no Brasil.

.10 0.1 • Qual o número de acidentes esperado para um mês de obra? • Se cada acidente acarreta um prejuízo de R$20mil. para um determinado tipo de obra: Xi 0 1 2 3 4 5 F(x) i 0. Acidentes! • Uma construtora mantém um registro do número de acidentes mensais e das probabilidades que ocorram.10 0.2 0.Aplicações de E(x).3 0.2 0. qual valor deve ser aprovisionado por mês de obra para esta contingência.

E (x +a) = E(x) + a. 3.E(x) .Propriedades de E(x) 1. E(a+bx) = a + b. 4. 2. E(a)=a E(b xi) = b E(xi).

“σ2 “.  Desvio padrão: ? 2 – Tem a vantagem de exprimir a dispersão nas mesmas unidades de x. . Esta medida é a variança. há de existir uma medida de dispersão. • Definição:  σ2 = var (x) = E (x – μ)2 = E(x2).μ2 .Variança de E(x) • Se E(x) é uma medida de posição central.

Var(x) > 0. Var(x). Var (a + bx) = b2 .Propriedades da var(x): 1. 2. Var(x+a)= var(x). 4. Var(x). Var(bx) = b2 . . 3.

VERIFICAÇÃO E AVALIAÇÃO .

VERIFICAÇÃO E AVALIAÇÃO .

DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADES .

DISTRIBUIÇÃO DE PASCAL. DISTRIBUIÇÃO GEOMÉTRICA. .DISTRIBUIÇÃO BINOMIAL. DISTRIBUIÇÃO DE POISSON. DISTRIBUIÇÃO MULTINOMIAL.

em N tentativas (i. então a probabilidade do evento ocorrer exatamente X vezes.TAMANHO DE ESTOQUES: • Ensaio de Bernoulli: • Experimentos aleatórios. • Eventos independentes. • Se p (sucesso) é a probabilidade de um evento acontecer em uma tentativa única e q = 1. (insucesso) é a de que o evento não ocorra. • Eventos exclusivos. X sucessos e N-X insucessos) é: ? ? ?−? ? ? ? .p.e.

Qual a probabilidade de obtermos esta sequência em particular: {x1 = 1. .p.q • Quantas sequências pode-se obter.A. VA = + = 1. ou falha V. Logo q = ¼.q. x5=0}? R: p.p. x2 =1. – Qual a probabilidade que funcione? P(x=1) = p. x3=0. • Suponhamos p = ¾. a partir de uma amostra de N elementos de modo a ter X sucessos? • Logo a fdp é.Um ensaio de Bernoullli (fim do XVII): – Uma válvula funciona... = -= 0. • Em um lote de válvulas temos de tirar uma amostra de N= 5 peças. x4=1.

Qual a probabilidade de que tenhamos no mínimo 16 funcionando ao fim de 10 anos? . Qual a probabilidade de se obter até 5 sucessos numa amostra de 14 peças se a proporção de sucessos é 15%? 2.Exemplos de Aplicação 1. A probabilidade de que certo tipo de transformador falhe nos 10 primeiros anos é 0.05. No exemplo anterior. Compra-se 20. qual a probabilidade de termos entre 3 e 5 sucessos? 3.

• Exemplo: – Em 100 lances de uma moeda honesta. • • • • Qual a média do número de caras? Qual o número esperado de caras? Qual o desvio padrão? Qual o número esperado de caras? .Propriedades da Distribuição Binomial • Média μ = Np.q. • Desvio padrão σ = ???.p. • Variância σ2 = N.

b) 0. c) pelo menos um.4. 5. se graduarem. e) 4 vezes. f) cinco vezes? A probabilidade de um estudante se graduar em um IF honesto é 0. c) duas vezes. b) um. determinar a probabilidade de que entre 4 parafusos escolhidos ao acaso. 2.10 determinar. Determinar a probabilidade de. c) 2 coroas e 1 cara. 4. c) no máximo dois defeituosos. tenhamos a) Um. b) uma vez. b) 2 caras e uma coroa. . para um total de 400 parafusos a média e desvio padrão de parafusos defeituosos. entre 5 estudantes. Determinar a probabilidade de que ao se lançar três vezes uma moeda honesta. Se a probabilidade de correr um parafuso delituoso é de 0. d) 3 coroas? Determinar a probabilidade de que no lançamento de um dado honesto apareça 3 a) nenhuma vez. a) Nenhum. 3. Se 20% dos parafusos produzidos por uma máquina são defeituosos.Verificação e Avaliação 1. aparecerem: a) 3 caras. d) 3 vezes.

Distribuição de Poisson • Processo de Poisson: – Quando N é um número grande e a probabilidade p associada a X é um muito pequena.? −? ??? ? ? = ?! ? ?→ ∞ ? →0 .  ? ? (?−?) ?? .

. • Variância = σ2 = λ.Propriedades da Distribuição de Poisson • Média μ= λ.

Qual a probabilidade de que se tenha no mínimo 16 funcionando ao final de 10 anos.05. Qual a probabilidade de que isto ocorra? 3. Quantos transformadores devo comprar se que uma garantia operacional mínima de 98% . Precisamos que 260 estejam funcionando após 10 anos. A probabilidade que certo tipo de transformador falhe em 10 anos é 0.Exemplos de Aplicação da Distribuição de Poisson: 1. Compra-se 20.96. Pelo tempo de fabricação tenho de manter este equipamento em estoque. Um sistema precisa de 260 transformadores para funcionar. 2. Na compra de 300 transformadores a chance de cada um funcionar 10 anos é 0.

falhas em um vida muito longa. acidentes. – Número de defeitos superficiais numa peça bem acabada. • Na prática ? ≥ 50 . Ou seja quando a população é grande e a probabilidade de falha é pequena. ocorrências. – Número de mudanças.Processos de Poisson • São aqueles que são muito bem descritos pela distribuição de Poisson. – Exemplos: Número previstos de paradas de uma máquina (confiabilidade). ?? < 5. .

• Há poucas chances de se envolver em acidentes.Acidentes de Trânsito • O número X de mortes no trânsito nos USA segue a distribuição de Poisson com média λ = 7. – Porque: • Há muitos motoristas. .

– No exemplo de acidentes de carro. – Um acidente não costuma depender do outro.Características do Processo de Poisson • A probabilidade de ocorrer uma mudança em um curto intervalo h de tempo é proporcional a h e igual a λ. • A probabilidade de mais de uma mudança em um intervalo h de tempo é muito pequena ou aproximadamente zero. – A probabilidade de que ocorra mais de um acidente neste intervalo é muito pequena. .h sendo λ uma constante de proporcionalidade. o no. De acidentes que veremos em um dia é proporcional ao que vemos em um mês dividido por 30. • As mudanças em cada intervalo são independentes.

Exemplo de aplicação ao controle de acidentes: • Se a média de ocorrência de acidentes é λ= 7 calcule a ocorrência de termos mais que 9 acidentes. .

d) mais do que 2. b) Nenhum. c) Exatamente um. • Dá para calcular pela distribuição binomial? Por que? . determinar a probabilidade de que entre 2000 indivíduos tratados a) exatamente 3.Verificação e Avaliação para Distribuição de Poisson • Se a probabilidade de que um indivíduo sofrer uma reação alérgica a um medicamento é uma em mil. sofram reação alérgica.

. sendo p a probabilidade de sucesso e que a probabilidade de falha. qual a distribuição de probabilidades para que seu teste vá até cinco válvulas.Distribuição Geométrica • É a distribuição da probabilidade do evento de interesse ocorrer após x tentativas. 2. – Exemplo: • Testa-se um conjunto de válvulas até que a primeira não acenda. 3... ? (?−1) – Onde x = 1. • A fdp geométrica é ? ? = ?. Se a probabilidade de não acender é ¼ ..

• Se necessárias N provas para o k esimo sucesso.Distribuição de Pascal • É a distribuição de probabilidade de serem precisos n provas para o k ésimo sucesso quando a probabilidade de sucesso é p e insucesso é q. Logo vão restar K -1 sucessos e N-(K-1) falhas para serem distribuídas por N-1 falhas. o resultado da N ésima prova deve ser sucesso. .

?−1 Exemplo: ?−1 ] .? ?−1 Simplificando: ? − 1 (?) [ ? − ? ] ? ? = ? . – Qual a probabilidade de serem necessárias 10 extrações para que se obtenha 3 lâmpadas queimadas quando o evento lâmpada queimada tem p= ¼ e lâmpada boa = q = ¾? .? .FDP de Pascal • • • • ? − 1 (?−1) [ ?−1 − ? ? = ? . ?.

Solução • Na 10ª extração há de aparecer uma lâmpada queimada. surgiram 2 queimadas e 7 não queimadas. 4 2 . Nas 9 extrações anteriores.0005. 9 2 7 1 3 1 • ⋅ 4 ∙ 4 ⋅ =0.

qual a probabilidade de sair a sequência 2V. • EXEMPLO: • Uma caixa contem 4 bolas Verdes. Tira-se uma bola ao acaso. . cada prova pode ter k resultados possíveis cada um com sua probabilidade invariante. 1B. 3bolas Brancas e 3 Amarelas. 2A. anota-se o resultado e devolve-se a bola a caixa.DISTRIBUIÇÃO POLINOMIAL • É a distribuição de probabilidade de um experimento em que ao invés de apenas 2 resultados. Em cinco extrações.

AA) é • (4/10)2 . uma vez o resultado Branco e 2 5! Vezes o resultado Amarelo ou seja: .4)2.B.(3/10)2 x {todas as sequencias possíveis} • Todas as sequências possíveis é Permutação com repetição de 5 elementos repetindo-se duas vezes o resultado Verde.1296 .(0. (3/10)1.SOLUÇÃO : • A probabilidade de sair (VV.B.3)2 = 0.AA) é: • 5! x 2!1!2! (0. 2!1!2! • Logo a probabilidade do resultado (VV.3)1.(0.

FDP Polinomial • Generalizando a solução do problema anterior: • Onde: ?! ?1 × ?1 ?1 !?2 !…….  xi é o número de vezes em que ocorre o resultado ai.  pi é a probabilidade de ocorrer o resultado ai..?? ! ∙ ?2 ?2 ?? … .  N é o número de vezes em que se realiza a prova. . ?? .

sabendo –se que existem 26 defeituosas num lote de 52? . – Resumindo a distribuição binomial aplica-se a provas com reposição.DISTRIBUIÇÃO HIPERGEOMÉTRICA • A distribuição binomial aplica-se ao experimento de Bernoulli. – Os eventos são independentes . – A probabilidade de sucesso se mantém constante. • Considere agora o seguinte experimento: • Qual A probabilidade de se extrair 3 peças defeituosas em 5 tentativas.

Possibilidades de extrair defeito = 3 X 26 • No. a probabilidade de se encontrar peças defeituosas modifica-se a cada extração. em 5= 26 • No. Logo: • Evento: Extrair 3 p c/ def.Solução Como a peça defeituosa não volta ao lote. Possibilidades de se extrair p boas= 2 / 52 • Espaço Amostral do Experimento = 5 .

– k é o número da subpopulação onde se encontra o evento. – x é o que satisfaz o evento.Fdp da Distribuição Hipergeométrica • ? ? = • Onde: ? ?−? × ? ?−? ? ? . – N é a população total. . • Nota: Qdo n é pqno em relação a N recai-se num caso de distribuição binomial. – n é o tamanho do subgrupo.

O lote será totalmente rejeitado se se encontrar uma única peça defeituosa entre as cinco. Uma amostra de cinco peças é retirada. • Por contrato. Qual a probabilidade de encontrar uma peça defeituosa na amostra se existem apenas 3 peças defeituosas no lote e rejeitar erradamente todo o lote. .Exemplo. são admissíveis 3 peças defeituosas num lote de 50 peças.

DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE .

VARIÁVEL PADRONIZADA. DISTRIBUIÇÃO DE WEIBULL. .PROPRIEDADES DA FDPC. DISTRIBUIÇÃO CHI QUADRADO. DISTRIBUIÇÃO DE STUDENT. DISTRIBUIÇÃO NORMAL.

: Grão de areia numa praia. – Exs. – Exs. • DISTRIBUIÇÃO CONTÍNUA: – O espaço amostral é infinito. Estrelas no ceu.INTRODUÇÃO • DISTRIBUIÇÃO DISCRETA: – O espaço amostral mesmo que muito grande é contável e finito.:O no. . de Intervalos de tempo entre dois segundos.

f(x)≥ 0. 3. 4.PROPRIEDADES 1. P(x=b)=0 = ? ? ? ? ?? = 0  P(a<x<b) = P(a ≤ x<b)=P(a<x ≤b)=P(a ≤x ≤b) . P(a ≤ x ≤ b)= ? ? ? ? ?? – Area sob a curva entre os pontos a e b. ΣP(X)=1 2. Não existe probabilidade negativa.

8 ×? [− ? 1.8)? 0. 0 < ? < ∞.8 81.8 ] 8 .Distribuição Weibull: ? ? = [?? ?−1 ? ? ] × exp[− ?? ? ] • Suponha que a vida x (em anos) de um gerador eólico tenha uma distribuição descrita por: ? ? = (1. Que fração dos geradores falhará antes do primeiro ano de vida? .

– É mais fácil parametrizar a fdpc em função de Z porque μz=0 e σz=1. . – Significa o desvio relativo de cada elemento da amostra.VARIÁVEL PADRONIZADA • ?= ?−?? ?? .

DISTRIBUIÇÃO NORMAL • Definição: – É uma distribuição contínua de probabilidades onde: 1 1 ?−? 2 ? ? = × exp − . . Área total sob a curva é 1. 2 ? ? 2? – Características: – – – – – Curva simétrica em relação a ?.? . A probabilidade da variável aleatória estar entre a e b corresponde a área sob a curva. Possui pontos de inflexão em ?+ ? e ?. Curva assintótica em relação ao eixo dos x.

– Usando Excel. qual a probabilidade de que ele dure mais que 170 horas? – Usando a parametrização z e tabelas. .Exemplo 1 • Se o tempo de vida média de um transformador é 150 horas com desvio padrão de 10 horas.

.

qual a probabilidade de dure mais que 185 h? – Usando um programa de solução de integrais.Exemplo II • Para o mesmo transformador. .

qual P(120 ≤x ≤155)? .Exemplo III • Para os mesmos transformadores.

9% de certeza? .12). Um gerador funciona 80 horas com desvio padrão de 12 horas. • Sendo N-> (80. calcular o valor de x.EXEMPLO IV • Problema inverso: Dada a probabilidade. • Por exemplo. Quantas horas devo deixa-lo funcionando se quero que ele apague com 92.

EXEMPLO V • Estime o número máximo de horas que o gerador anterior possa resistir com 2. .1% de certeza.

. Binomial de média np e desvio padrão = Raiz(npq).96 para t = 10 anos qual a probabilidade de ter no mínimo 280 funcionando após 10 anos.A NORMAL COMO APROXIMAÇÃO DA BINOMIAL • Quando n grande (≥30) e p nem tende a zero nem a um. • Aproximar a Dist. • Exemplo: – Na compra de 300 transformadores p = 0.

Verificação e Avaliação DISTRIBUIÇÃO NORMAL: Responder as questões de 49 até 57. .

.Distribuição Binomial Resolver os exercícios de 37 até 47.

Aproximação da Binomial pela Normal Resolver exercícios de 63 até 66. .

DISTRIBUIÇÃO DE POISSON Resolver exercícios de 67 até 71. .

DISTRIBUIÇÃO MULTINOMIAL Resolver exercícios de 72 até 74. .

TESTES DE HIPÓTESES .

2.03 (H0) e. que ainda poderia “infortuitamente” ocorrer mais de uma não conformidade o que levaria a rejeitar inovações úteis ( Erro Tipo II. Quem está certo? O que significa “facilmente” e “fortuitamente” no discurso destes profissionais? Como testar as hipóteses formuladas. Se nestes trabalhos se observassem até no máximo uma reclamação. . • O atual gerente de produção levanta a hipótese de que p se mantenha em 0.03) apresentaram falhas. desperdício de tempo. 3. com Probilidade α ).. o que levaria a inúteis implantações de novas rotinas. Ficou decido que se fariam 100 trabalhos (n=100)com o novo procedimento. ainda assim. se pode obter “facilmente” até no máximo um defeito. etc. com probabilidade β ). • A trainee responde que da mesma forma.01. podemos baixar o índice de não conformidade.Estudo de Caso 1 • Um fabricante de sistemas de automação observa que 3% dos projetos produzidos (p=0. 1. (x=0 ou x=1) os novos procedimentos seriam implantados em definitivo. Uma engenheira trainee sugere importantes modificações no sistema de trabalho da empresa para que este índice diminuisse (H1). digamos até p=0.( Erro Tipo I.

(i. Este parâmetro dará origem a duas hipóteses: – 1ª Hipótese H0: p = 0. • O TESTE DE HIPÓTESES é o procedimento através do qual eu aceito ou rejeito H0.03 é o parâmetro da distribuição. . • No exemplo p=0.03. e: Alternativa do pesquisador). (i.e: hipótese nula) .Teste de Hipóteses Sumário • Uma afirmação sobre um parâmetro de distribuição é chamado: Hipótese Estatística.03. – 2ª Hipótese H1: p<0.

2. n = 300 aceitar H1 se X ≤ 5. n=100 aceitar H1 se X=0 ou X=1 i. .e.e. 3.No Exemplo : • Feitos 3 testes de Hipóteses: 1. X≤1. X≤1. n= 300 aceitar H1 se X=0 ou X=1 i.

• sendo α =0.0838. β = 0.2642 no primeiro teste.1165 no terceiro teste. • Sendo β = 0. • O segundo teste é bom para o Tipo I mas ruim para o tipo II.Podem ocorrer dois erros: • Erro tipo I: Rejeitar H0 sendo H0 verdadeiro que tem uma probabilidade “α” .0012 no segundo teste e α =0. • Erro tipo II: Aceitar H0 sendo H0 falso que tem uma probabilidade β de ocorrer. . • O terceiro teste é o mais equilibrado. α =0.2165 no segundo teste e β = 0.1946 no primeiro teste. – Conclusão: • O primeiro teste é ruim para ambos.

.CURVAS OPERATÓRIAS CARACTERÍSTICAS • As informações sobre os erros tipo I e II são sumarizadas na curva operatória caraterística do teste que nada mais é do que o plot das probabilidades de aceitar H0 para vários parâmetros p.

ESTIMAÇÃO DE PARÂMETROS .

ESTIMAÇÃO:
• INTRODUÇÃO:
– Objetivo do Capítulo:
Previsão de μ e σ, conhecidos apenas ? e s;

– Parâmetros: São números fixo q traduzem o
cptmto de uma função estatística
Amostrais: ?, ?;
Populacionais: μ e σ;
Como estimar parâmetros populacionais a partir
de parâmetros amostrais.

Estimação da Média
• Partindo-se de
parâmetros populacionais
? ? ? pode-se fazer uma
estimação de parâmetros
populacionais μ e σ dento
de um intervalo de
confiança 1 − ?, onde α
é usualmente 0,01 ou
0,05 ou 0,10 ou seja estou
estimando uma média
com uma certeza de 0,99
ou 0,95 ou 0,90.

ESTIMAÇÃO DA MÉDIA
– Resultados Práticos que não serão demonstrados:

1. ? → ?,

?
?

;

2. Mesmo variáveis não normais, a média das médias
é normal;
3. Então o que se deseja é:
?−?
? −? ? ≤ ? ≤ ? ? = 1 − ?
2
2
?
Onde 1 − ? é chamado “intervalo de confiança;

196 psi. Sabe-se que o desvio padrão de cada média individual é 0.Expressão para avaliação de μ • ? =?∓? ? 2 × ? ? com confiança 1-α.5 psi. Estimar a média μ com 90% de Certeza . • O limite de ruptura de uma amostra de 32 vigas de aço deu ? = 42.

• Sugere-se uma modificação no processo que aumentará a produção mas não alterará o desvio padrão. é uma suposição estatisticamente confiável de que a produção diária siga uma distribuição normal. • É preciso avaliar a nova média de produção. meio ambiente. • Qual o tamanho da amostra para podermos afirmar com 95% de certeza que temos uma média populacional ? que difere da média populacional μ (verdadeira porém ainda desconhecida ) em no máximo 1t . [x-> N(70. etc.3) ].. matéria prima. com a produção de um dia para outro variando para mais ou para menos independentemente e que o desvio padrão é σ= 3t. A produção diária varia no entanto de dia para dia em função das condições da fábrica. Contudo. pelos procedimentos operacionais consolidados ao longo de anos.Estudo de Caso II – Valor 2 pontos • O processo atual para fabricação de tintas produz em média 70 t de tintas por dia .

 ?=?∓ ? ?( .  Neste caso. ? 2 − 1) × ? ? . a razão ?−? ? ? segue uma distribuição dita “t” ou distribuição de Student.Estimação de Médias com σ estimado • Caso 1:  n≥ 30. s = σ • Caso 2:  n≤ 30.

6 minutos.3 minutos e desvio padrão s=0. Foram tomadas 16 medições com média 4. . Estime a média com 95% de confiança.Exemplo • A média de tempo requerido para execução de determinada tarefa deve ser convenientemente avaliado para determinação do número de contratações.