ae ™ ee =a ee NN tire ti i ESTATISTICA APLICADA E PROBABILIDADE PARA ENGENHEIROS Roles ew octten) George C. RungerEstatistica Aplicada e Probabilidade para Engenheiros Quarta Edigdo Douglas C. Montgomery Arizona Suate University George C. Runger Arizuna State University Traducio ¢ Revisio Técnica Prof* Verdnica Calado, D. Se. Professora Adjunta — Departamento de Engenharia Quimica Escola de Quiiniea/UFRI UNIFEMM - BIBLIOTECA Lssesi ” aj Sot LTCCAPITULO 1 O Papel da Estatistica em Engenharia 1 Sumario CAPITULO 4 Varidveis Aleatérias Continuas e Distribuigoes de Probabilidades 67 Q Métado de Engenharia e o Peasamento Estatistico 1 Coletando Dados em Engenharia 3 1.2.1 Prineipios Bisicos. 3 1-22 Esuda Retrospectivo 3 1.2.3 Bxudo de Observagso 3 12.4 Exporimentes Paangjados 3 135 Observando Procession ao Longa do Tempo 5 1-3. Modelos Mecanicisase Empiricos 7 1-4 Probabilidacle e Modelos de Probabilidade 9 CAPITULO 2 Probabilidade 10 21 Espacos Amostrais e Evento 10 2H Experimentes Aleatries 10 21.2 Espagas Amostais 11 213 Eventos 13 214 Teenicas de Contayem 15 2-2 Interprotacdes de Probabilidade 19 Tnirodugio 19 Asiomas da Pronabilidade Regras de Adiga 23 Probabilidade Concicional 25 Regras da Multiplicagdo e da Probabilidade Total 28; 231 Reprada Multiplicagae 28 252 RegradaProbubilidade Total 29 Indepeadéncia 31 ‘Teorena de Bayes 34 Variveis Aleatiriay 35 CAPITULO 3 Varidveis Aleatérias Discretas ¢ Distribuicdes de Probabilidades 42 Varidiveis Aleatérias Discretas 42 Distcibuigbes de Probabilidades e Fungdes de Protabilidade 43 Fungées de Distribuiczo Cumulativa 45 Média Varidncia de uma Varivel Aleatéria Discreta 46 Distibuigio Uniforme Disereta 49 Distribuicdo Binomial 50 Distribuigdes Geométrica e Binomial Negativa 54 37.1 DistribuigaoGeométrica 54 37.2 Distrinuigdo Binomial Negativa $5 +8 Distribuiggo Hipergeometrica 37 -9_Distribuigzo de Poisson 00 41 Variéveis Aleat6rias Contimas 67 Distribuigdes de Probabilidades e Fu de Probabilidade 68 ss Densidades 43. Fungiesde Distribuigdio Cumulativa 69 44 Me wi ncia de uma Varivel Aleatdria Continuz 71 45. Distribuisdo Continua Uniforme 72 4-6 Distripuigde Normal 73 4-7 — Aprosimagio da Normal para as Distribuigdes Binomial e de Poisson_79 48 Distribuisao oe 49° Distrnuigses de rl 410 au CAPITULO 5. Distribuigées de Probabilidades Conjuntas 93 Duas ou Mais Varidveis Aleatorias Diseretas 93 Distsibuigdes de Probabilidades Conjumtas 93 Distribuigdes de Probubilidades Marginais 04 Distritwiges de Profubilidades Condisionais. 94 Independéncis: 95 YVariiveis Alesérias Diseretis Maliplas 96 Distrbuigces de Frofubilidales Multivoniais 97 5-2. Dvasou Mais Vanveis Aleatérias Continuas 100 5-21 Distnbuigies de Probabilidades Conjuntas (00 5-22. isitwighes de Propablidades Marginais 101 524 Independéacia 103 5-25 _ Variiveis Alest6rins Cont 5-3 Covatiincine Comelagtio 107 5-4 Distripuigdio Normal Bivariads 110 5-5 Fungdes Lineares de Varidveis Aleatsries 112 5.6 Vérias Fungbes de Variiveis Aleatrias 115 CAPITULO 6 Amostragem Aleatéria ¢ Descrigéio de Dados 119 Resumos Numéricos 119 Diagramas de Ramo ¢ Folas Distribuigdes de FregtiGacias ¢ His Diagramas de Caixa 129 Graficos Sequenciais Temporais Graficos de Probabilidade 134 122 vgcamas 126 131xiv Sunsvio CAPITULO? Distribuigoes Amostrais ¢ “Teste para Amosts Grandes 189 Estimacao Pontual de 9-3. Testes para a Media de urna Distribuigio Normal, . Nariincia Descoahecica 190 Pardmetros 140 O31 Testes de Hipsteses para a Mein 190 ———— 93.2 VelorP param Tete! 191 Tnrodugio 140 9.3.) Exo Tipo Ife Escohha do Tamanho da Amostea 192 Disteimigdes Amostaise Teorema do Limite 9-4 Testes para Varidreia e para o Desvio-padrio de uma Central 141 Distribuigio Nomal 194 7-3 Conceitos Gersis de Bstimaedo Pomtual 144 9.41 Testes de Hinéteses para a Varidncia 104 { TEainades MitaHieicnoe TH 912 En Tipe lle Escola do Tamanto ds Amosira 95 Yarn de um Estinador Portwal 45 9-5. Testes para a Proporeao de uma Pepulugio 196 | Envo-padrio: Reportndo una Estimativa 9.5.1 Testes pact una Proporse, Amuntea Grande 197 Poniual 145 95.2 Emo Tipe He Excothado Tamanho da Amestra 198. Erru Quausiico Médio de om Estimador 146 9-6 Tubela com um Resumo dos Procedimentos de Ted Metodos de Estimagio Pontusl 47 Infestncia para uma Unica Amestra 108 | TH) Métode dos Moments 147 9-7 Testando « Adequagto de um Ajusie 199 7-42 Méisdo da Mésima Verossimiluanga, 148 9.8 Testes para a Tuhela de Contingéneia 202 | 7-43. Estimardo Bayeseana de Pacimetros. 151 CAPITULO 10. Inferéncia Estatistica para Duas CAPITULO 8 Intervalos Estatisticos para uma Amostras 208 Unica Amostra 157 SS Introdugao 208 Inrodugto 137 10-2 Inferéncia na Diferenga de Médias de Duas Inieryalo de Confianga para a Média de uma Distibuigdes Normais, Varidneias Conhecidas 209 | Distribuigio Normal, Variaicia Conhecida 138 Testes de Hipsteses para « Diferenes de MSdias, Sell Desenvolsimentedo Intervalo de Confanga e Suas Viriinciss Conhecidas 200 Proprieludes Bisioas 158 {Biro Tipo [le Escelha do Tamanho da Escola do Tamaabo da Amostea 159 Amostra 210) Tamites Unilterais de Conftanga’ 160: Intervalo de Confianga para a Diferengs de Médies, Método Geral para Dedusir um Imervalo de Variancias Connecidas 211 Confianga 160 10-3 cia na Diferenga de Médias de Duas 82.5. Inlervalo de Confinnga pura yi, Amostrs Grande 160 Disirtbaigdes Normais, Varigncias Descunheeidas 213 8-3. Infervalo de Confianga para a Media de uma J0-31 Testes de Hipstewes pura 2 Ditorenga de Médias, } Distribuieaio Normal, Vartaneia Desconhecida, 162 Varincias Deseontecidas 213 Sh Disirbuigior 163 10.82 Eno Tipo Te Fscolha do Tamanio dat 32 Intervalo de Conanga # para w 163 Amostra 216 8-4 Iniervalo de Confianga para a Varidneia e pars 0 10.33 Intervala de Confisnes para a Diverenga de Medics. Desvio-padrito de uma Populogio Normal 166 is 217 8-5. Intervale de Conflanga para a Proporgiio de uma Populagio, Amostra Grande 168 8-6 Roteiro para a Construgio de Confianga 170 Varidneias Deseonnes 10-4 ‘Teste rimparelnado 220 10-5 Inferéucia para as Varancias de Duas Distribuicdes Nonzis 224 Uel1 Distabuigae F224 “Testes de Hipoteses para s Razao de Duas mtervalos de £7 Imtervalos de Tolerdncia # de Previsio 170. Nasiincias 2 827.1 Iniervalo de Previsdo para ums Observagio 10-83 Ero Tipo Tle Escolha do Tamarno da Futura 170 Amostra 226 7.2. Intervale de Tolesineia para una Disribuigdo 10-84 Intervalo de Confianga para 2 Razio de D Normal. 171 Varigneias 226 10-6 Inferéxcia pars as Proporgoes de Dus Populagbes J0-6.1 Testes pana:a Diferenga nas Proporgdes de unst Phpulagio, Amostras Grandes. 227 Eno Tipe Ile Escolha doTamanho da Amoste1 228, (046.3. Intervalo de Cunflanca para a Diferenea de 517 Proporgiies de Populagies. 229 bela com um Resumo e Roteiros dos Pracedimentos CAPITULO 9 Testes de Hipdteses para uma Unica Amostra 177 10.6 9-1 Testes de Hips S11 Hipéteses Esttitivas 177 10-7 3 9.1.2 Teacsde fipstewes Fsttitieas 78 de Inferéncia para Duas Amosteas 230 91.3 Hinéteses Unilaterase Bilsterais. 181 Se hee “CRTUION Bepeeto Liter Singles Confiangs 183 Correlactio 235 94,6 Procecimento Ger pare Tees de Fipsieses: 133 —_—$—$——— es 9-2. Testes pura a Média de uma Distibuigto Nos T1-L Modelos Empiricns 235 Varianeia Conhecide 185 Regressio Linear Simples 237 i 982.1 Testesde Hipéteses pari a Média 185 11-3. Propriedades dos Estimadores ue Minimios 9.2.2 Kio Tipo lle Fscotha do Tamanho db Amostra, 187 Quadridos 243‘Testes de Hipétercs na Regressiio Linear Simples 243 1-4.) Use dos Tostes ¢ 1142 Abordagem de Anise de Variincia prs Testar Signiticancia da Regressdo 244 Intervilos de Confianca 246 T-S.L- Intervelos de Confianga para a tnelinaga0 ea Intersegdo 246 115.2 Inervalo de Contianga pars a Resposta Media 237 Previsao de Novas Observacles 248 Calculo da Adequagio do Modelo de Regiessi0 249 14-1 T1-7.1Anilise Residual 249 Me 11-72. Cosficiente de Determinagio (R?) 251 a 18 Correlucio 2 119 Transformaghes 256 L9.L Regressio Logistiea 258 CAP{TULO 12 Regressdio Linear Miiltipla 265 WS 121 Modslo de Regressio Linear Maltipla. 265 IDL Kaos 12-12 Eslimuede de Minimos Quadrados dos Parimotrs 267 12-13 Abordigen Matrcial pra Regresio Linear Miltipla 269 16 12-14 Propriedades dos Estimaderes de Mininmos u4-7 ‘Quadiados. 271 122 Testes de Hipsteses para a Regressio Linear Mulgpla 278 WS ‘Teste nara a Sige cia da Repressio 278) Regressia ¢ Subconjunios.de Coeficientes. 279 Tetervalos de Confianga para a Regressio Linear Maltipla 283 12-34 Inlervalos de Confienga para os Covtieientes Incividuis ce Regresss0 283 12.32. Intervslosde Contianea para a Resposta Média 289) 12-4 Proviso de Novas Observagies. 284 5 12.5 wo da Adequacio do Modelo. 286 13 125.1 Aniline Residual 286 12.52 Otservayies Influentes 287 126 Aspects de Moselazen por Regressio Muliphn 290 “Modelos Polnomiais de Reuressio. 290 . i Regressores Categoricns ¢ Varidiveis. is Ineaivas 291 12.63. Selesia de Viriveie « Constragao de Modelos 202 . 2644 Mullicolineardede 297 155 CAPITULO 13. Planejamente ¢ Andilise de Ise Experimentos com um Unico Fator: A Anilise de Variancia 306 131 Planejando Experimemos de Engenharia 306 3-2. Experimento Completamente Aleatorizado com ain Unico Fawr 307 1-4 182.1 Exomplor Resitincia 8 Teast 307 16-2 14.22 Anilise de Viriinein 308 16-3 15-23 Comparagses Méltiplas em Seguida 1 ANOVA 312 16-4 13.24 Andlise Residual e Verficaezo du Modelo 313 13-25. Daterminindo oTamanho de Amostia 314 133. Modelo com Efeitos Aleaiorios 319 Al Falores Fos contra Aleatirios 319) 32. ANOVA e Componcntes de Vurgncis 319 Planejamento com Blccos Completos Mleatorizadlos 321 ISL1 Pransjamento © Andive Estatstica 321 1342 Comparagies Maliplas 324 [54.3 Andlise Residual c Verificagio de Modelo CAPITULO 14 Planejamente de Experimentos com Varios Fatores 330 Introdugao. 330 -Experimeentos Faterials 332 Experintentos Fateriais com Dols Fatores 334 [6.1 Anilise Estatisticado Medelo de feito Fieos 385 14:42. Verifeacdo di Adeataciio do Modelo 338 | 143.3. Uma Observacio por Célula, Experimentes Fatoriais em Geral 340 Planejamentos Fatorisis 2 342 143.1 Planejamemto 2° 343, 1452. Planejamento 2 parak = 3 Pores 346 3.3 Replica Unieao Planejamento 2 350 1454 Adigio de Pontos Contras em Plangjamenio 2 352 Blecagem 2 Superposicio no Planejamento 2! 356 Replicagio Fraciondria do Planejamento 2 359 ‘Uma Meia-fragio do Planejamento 2. 360) 1427.2 Fragies Menores: O Fatorial Frociondrio 2" 363 Métodos e Ptanejumentos de Superticie de Resposta 370 CAPITULO 15 Estatistica Nao-paramétrica 381 Intiodugo 381 Teste dos Sinais. 382 15.2.1 Descrigio do Teste 382 2 Teste dos Sinas para Amostras Emparsthadas 383 3 Frio Tipo Il para a Testedos Sinais 384 A Comparacio como Teste 385 Teste de Wilcoxon do Posto Sinalizado 386 153.1 Desctigio do Teste 386 15-32. Aproximagio pars Amostras Grandes 387 153.3. Observagdes Emparchhadas 387 1834 Comparigio eam Teste 7 388 ‘Teste de Wilcoxon da Sonya dos Postos 388 1541 Descrigio do Teste 388 154.2 Aproximagio pars Amostras Grandes. 389 154.3 Comparagdo como Teste 1 389 Metodios Nao-paraméricos ma Anilise de Veriancia 1551 Testede Kruskal-Wallis. 390 153.2 Trarsformugio de Posto 391 Testes de Seqiléneias 392 CAPITULO 16 Controle Estatistico da Qualidade 395 Melhoriae Estatisica da Qualidade 395 Controle Esatistico da Qualidade 396 Controle Esiatistico de Processo 396 Introdugao 20s Grificos de Controle 396 164.1 Principios Bisices 396 I6-t2 Projeto de um Gritico de Comtrole 399) ios. Subgrupos Recionsis 400 6-44 Anilise de Padroos nos Grétices de Controle. 400 Griticos de Controle para Fe R ous 402xvi Sumirio 16-6 Grificos de Controle para Medidas Individuals 407 16-7 Capacidade de Processo 410 WG-8 Graficos de Controle para Acritutes 413 Toe Graco P(Griive de Conzok pra ProporsBei) 413 1682 Grate U! (Gries de Controle pare Defsos por Unidade) 414 16-9 Desempenhe dos Griticos de Conirole 416 16-10. Grificos Ponderndos no Tempo 418 {6-011 Cratioo de Covtroe para Soma Curulatva 418 1610-2. Gritico de Controle para a Média Mével Ponderada Exponenciaimente 42 16-11 Ouiras Ferramentas para Solugo de Problemas de CEP 425 16-12, tmplementando CEP. 426 APENDICES 435 ——_— APENDICE A. Tabelas e Grificos Estatisticos 437 Tabelal —_ Resuimo de Disiribuigdes de Probabitidades Comuns 438 ‘bela IT Probabililades Cumulativas Binomisis 4 Jabela LLL Distribuigao Cumulativa da Normal Padrio 42 TabelaTV Pontos Percentuais x).. da Distribuigio Qui-guadrudo 444 Tatels VV Pontos Percentuais ¢,, da Divtibuigios 445 Tabela VI Pontos Percentuais /.,,, da Distibuigio F_-H6 Gréfico VIL Carvas Caracteristicas Operacionais 451 Tabela VII Valores Criticas para 0 Teste dos Sinais 460 Tubels IX Valores Criticos para 0 Teste de Wileoxon do Posto Sinalizado 460 ‘Valores Critious para o Teste de Wilcoxon da Soma dos Posios 461 Fatores para a Constnugio de Grificosde Controle para Varkiveis 46 Tabelu XI Fatores para Intervalos de Tol Tabele XI incia 463, APENDICE B. Respostas para os Exercicios Selecionados 465 APENDICE C. Bibliografia 478 GLOSSARIO 480 INDICE 491 |O Papel da Estatistica em Engenharia RESUMO DO CAPITULO $4 © METODO DF ENGENHARIA E 0 PENSAMENTO, ESTATISTICO $2 COLETANDO DADOS EM ENGENHARIA incipios Basico ude Retrospective 1:23 Estulo de Observagie 12.4. Experimentos Plarcjados 1.2.8. Ohservande Pricewses au Lange do Tempo 1-3. MODELOS MECANICISTAS E EMPIRICOS 1-4 PROBABILIDADE F MODELOS Dk PROBABILIDADE OSIETIVOS DE APRENDIZAGEM Depo de um culdudoso estudo deste capfiulo, yore deve ser capa de: clicar a diferenca entre esiudos enumerativos e analiticos Dascutir 05 1 ete sificar o papel que a esttistica poste desempentar no processo de tesolucio de problemas de engenharia, Descutir como a variablidade afetu os dados coletades e usados para tomar decisSes de engenharia adds diferentes que engenheiros usam para coletas dados car as vantagens que os experimentos planejadbs lem em comparagao a outros metodos de colets de dados de engenharia plicer us diferengas entre modelos mecanicistas e modelos empiricos Drscuitir como probabilidade © modelos de probabilidade sso usados em engenharia e em eigacie. 1-1 O METODO DE ENGENHARIA E O PENSAMENTO ESTATISTICO smengenheira é alguém que resolve problemas de interesse da ade, pela aplicacao eficiente de prineipios cieniificos. O3 -ir0s 0 realizam seja pelo refinamento de um produce ou cexistente, seja pela eluborayio do projeto de um nove sroduto 04 processo que atenda as necessidades dos consumi- Sores. O métede deengenharia ou cientifico & a ubordagem para cmular ¢ resolver esses problemas. As etapas no método de aria sio dadas a seguir: 1. Desemoner see aman ts 2, Idenitcar, pelo menostent EBB ee seta esse problems ou que possamdesempe SE pabel ef wi shi 3 ara o probes, sada conheeimen th eentico ou de engenharia do fenmono sondo ostudu do. Eslabelocer qualquer Himitagio ou suposigio do me: dele. 4. Cont iorupriados © eoletar dados para 1 conchusBes feitas 3 5 Jeon base nes dadlos abservados. 6 Je modo a ajudar o desenvolvimento «da solu do problema 7. Conduzir um experimento apropriado para confirmar que 4 solugdo proposta para o problema ¢ efetiva e eficiente. 8. Tirar conclusbes ou fazerrecomendagdes baseadas na so- lugdo do problema. As etapas no método de engenharia sie mostradas na Fig. 1-1 Note que © metodo de engenharia caracteriza uma forte relacao reciproca entre o problema,os tatores que podem influenciar sua solugao, um modelo do fendmeno e a experiencia para verificar ‘a adeyuacdo do rrodelo ¢ da solugdo proposta pera o problema, ‘As elapas 2-4 na Fig, 1-1 si0 envolvidas emt um quadredo, indi- cando que virios ciclos ou iteragSes dessas etapas podem ser equeridos pura obter a solugzo final, Consequentemente, enge~ nnbciras (Gin de saizcr como planejar,eficientemente, os esperi- menos, coletar dados, analisé-Ios c interpreticlos & entender como os dados observados estéo relacionados com modelo gue cles propuseram para 6 problema sob estudo, ‘Ocampo de estatistica lids com a coleta, apresent lise ¢ uso dos dados para tomar dacisées, resolver problemas & plangjarprodurose processus, Devide a muitos axpectos da pr tica de engeahariaenvolveremo trabalho com dados. obviamente algum conkecimento de estatistica ¢ importante para qualquer cengenheiro, Especificamente, tSenicas estatisticas podem ser um ‘ajuda pederosa no planejamento de novos produtos e sistemas melhorando os projewosexistentes e platejando, desenvolvendo methorundo os processos de producto. Esaslos extatisticos so usados para nos ajudar a ent “Todos nis encontramos vasiabilie je em nosso di-aedis co pensamento estatistico pode nos dar ‘uma maneira itil para incorporar essa Vaiabilidade em nossos processos de tomads de decisio. Por exemplo, considere o de sempenho de consumo de gasolina de sev carro, Voce semFigur 1.1 0 metodo do exgerhana, consegue omesmo desempenho de consumo emeada tanquede A Fix. 1-2 apresenia u combustivel? Naturslmente nio — na verdade, algumes vezes 0 desempenho varia consideravelmente. Essa variabilidale obser- vada no consumo de gasolina depende de muitos fatores, tis como o po deestrada mais usuda recentemente (cidade ou auto- dos: a Localizaglo. ov 0 meio, ¢ a dispersao ou variabilidade. estrada), as mudances ra condigao do veiculo ao longo do tem Quarido 0 némero de observagoes & poqueno, geralmente 6difi- ‘po (que poderiam incluir fatores. como desgaste do preu.com- cil dentificar quulguer padrao especifico na variabilidade, emt pressio do motor ou desgasteda valvula},a marca efou numero bora odiugrama de pontes seja una mancira conveniente de ver Fafico nls permailird ver factTmente duas caracter’sticas dos da Ge octanagem da gasolina used, ou mesino, posielmente. as quslguercaracterfsica ineomum 10s Uados candigoes climates expevimentadas ssc Fao A neces de um pensament estatfsicoaparece een [AEwatistica nos omere umecsrutars peradererevercwa ra cgenlciny projetando o conceor. A parte de tests.em pret Jia de = ssa que esse valor pode riabilldacle ¢ para aprender sobre gusts fontes potencisis de varia- po, ele sabe que umta estimativa razaivel da forge m bilidade sio mais importantes ou quis tém 0 maior impactono —mogio seria 13.0 Ibf. Entretanto, ele p desempenho de consumo de gusolina. ser muito baixo para a aplicagio pretendida; assim, ele decide Encontramos também variabilidade em problemas de enge-considerar um projeto aliernativo com uma espessura maior de nharia, Por exemplo, suponha que um engenheiro esteju proje~ purede, 1/8 polegada. Oito protstipos desse projeto sio constr tando um conector de niilon para ser wale em uma aplicagio idos eas movidss odservaclasdaforga de remogia Sio: 12.9: [3.75 automotiva Oengenhein estahelove como especifieagi do pro- 12.8: 13.9: 14.2: 13.2: 13Se 13,1, A média é 13.4, Resultados {eto uma espessura de parede de 3/32 polegaala, mas esta, cle al- para ambas zs amostras Sio plotados como diagramas de pontos ‘zum medio. inseguro acerca do eleito dessa decisio na forgade na Fig. 1-3. Ess? grifico fomece a impresséo de que o aumenta remocio do conevlor. Se a forga de remogio for muito baixa, oda espessura da parede levou a um aumento da forca de remo: conector pode fathar se ele for instalado no motor. Oito unida- go. No entanto, ha algumas quest6es dbvias a persuntar. Por des do pros6tino sia produzidas e suas forges de remogo sto exempla, camo sabemos que ums outrs amostra de protstipos resultando nos seguintes dados (em libras-pé): 12,6; nao dard resultados diferentes? A amosira de oito prototipos & 13.6; 13.5; 12.6: 13,1, Comoanteeipamos, nem adequada para fornecer resultados confidveis? Se usarmos 0s 1 iéma mesma fora de remocio, Peo fato de resultados obtidos dos testes até agora para concluir ue aumen- tando a espessura da parede aumenta a resistencia, quais 01 deramos a forga de remogao como sendo uma {205 que esto associados com essa decisao? Por exemplo, serd Ima manera conveniente de persar sobre urna variavel alsa possivel que o aumento aparente da forca de remogao observ fgamos X,que representa uma medida, usar 0 modelo do nos protétipos mais espesses seja apenas devido i variabili- - dade aparente no sistemaae que o aumento da espessura da parie FEwhs CD (e seu custo) realmente nao afete a forga de remogiio? em que pw ¢ uma constante e & ¢ uma penurbagio aleatria A_—-Freqdentemente, leis fisicas (Iais como a lei de Obi € a Hei cconstunte permanece a mest em eal medic, porém peyue- de is ideal) sao uplicaday pare ajudar no projeto de produvos-e has mucangas no ambiente, no equipamento de teste, diferengas processos, Estamos famiiarizadoy com esse raciocinio a partir nas proprias pogas individuais, et. polem mudar o valor dee. de leiggerais Se nao houvene perturbayies, e seria sempre igual a zero ¢ X seria igual & constante 42. No entant, iss0 ounca acontece no rnnundo real, de modo que us medidas reais de X exiber variabi lidade. Freqiientemente necessitumon deserever, quantificar & Finalmente reuuzie a variailidade. dos aos consumidre tri, nar cars especificos, Perm, também ¢ impor ral como os oit0 coneetores) au COMO Os eohectores que sero vendi- ). O raciosinio é referide come Esse raciocinio, pobgeda le 3 1s 18 1 3 = } eke Fora ce remocae Fomondirene ‘Figura 1-2 Diagrania de poates dos dados de forga de romogia, qander Fgura 1-3 Diagrama de pontosla Tonga de remoeo para dias epessut a espessura dat parede for 3132 polegada ras de parefies Popalagio | Teg reo = etre podto wa 14 Infortneia etatbtica um tip de meiocinio, GID Vs Fe 14 socamonts, maids for ot Gre ui sours pessons«gencaizae part Um POPs eon modiges do alguns objtos pars madi deo tz ghjtos pods reular em aro (shaman GBBB Sree ses anova for sstecionad adequce Hee icon posote ser quunticalos eum tamanh seo- iis de amooue pode ser deterinado, 1-2 COLETANDO DADOS EM ENGENHARIA L Na seedo prévia, ilustramos alguns métodos simples para suma- rizardados, No ambiente de engenharia, os dados si0 quae ser pre una amostra que foi selecionada a partir de alguma popu Gio. Trés métados basicos de coletar éadys so: 1. Principios Basicos + Um estado retrospeetivo usando dados histéricos + Umestude de observaciio + Umexperimento planejado Um provedimento efetivo de coletar dalos pode simplificar gran- demente a anilise e conduair a um melhor entendimento da po- pulegiio ou processo que est senda estudado, Agora. consider mos alguns exemplos desses métodos de coleta de dados. 12.2 TD Montgomery, Peck e Vining (2001) deserevem una columns de desiaeao acetona-cvol Duilico, part a qual aconcentrayo de jcotona no destlado on vorente de sats do produto é uma va sve importante. Falres que afetam o destlado sto a tempers tura do reervedira temperatura do condensado ea taxa der {luxo. D pessoal Ua produgao cbtéi e anguiva os sepuintes re ists + A concentraedio de acztona em uma amostra de teste do produto de saida, a cada hora +O relatGrip da temperatura do refervedor. que ¢ um griti- co dessa temperatura ao fonzo do tempo +O relatorio de controle da temperatuns do condensador + A taxa nominal do refluxo,a cada hora A taxa de reflux deve ser mantida constante para esse processo. Conse soul du producto raramente a altera. Dbptivo do estudo pode ser descoprir as ‘goes entre as duas femperaturas e a taxa de retluxo sobre acon ‘eontragzio de ucetona na corrente de saida do produto, Ent to, esse tipo de estudo apresenta alguns problemas: 1. Podemos no see capaves de ver uma relagdio entre a taxa de reflaxe ¢ a concenteagio Ue acetona, por causa da taxa de reMluxo nao variar muito ao longo do periode histérico. (Os dos arquivados das duas temperaturas (que so re sisiradas quase continuamente) nao corresponcem pertei~ Tamente a medidas de concentragio de acetona (que so feitas de hora em hora). Pode nao ser Gbvio como cons- truir uma correspondéneia uproximada. 3. A produgio mantém as dues temperaturas to préximas quant possivel do objetive desejado ou dos set points, Una ver que as temperraturas mudam muito pouco, pode ser dificil determinar ceutreal impacto ng concentracio de acziona, 4. Dentro das estreitas faixas em que elas variam, a tempera tura tends a aumentar com a temperatura do refervedor. Lingo.os efeitos dessas das varidveis de processo sobre a voncentragiio de acetona podem ser diffceis de separar ‘Como voce pou ver, umestud retrospective pode envolver uma porgio de dades, porémesses dados podem conter informagio relutivamenic de poucs ulilidade sobre u problema. Além disso. Nat coluna de destila- ‘cio, por exemplo, as eonsentracoes especificascle Alcoa! butilico f de acetona na corrente de alimentago So um fator muito im- portante, poréim cles ndo sie arquivados porque asconcentracies io muito dificeis de serem obtidas rotineiramente. Como um resultado desses tipos de situaybes, aanilise estatistica de dados historicos identifica algnmas vezes fendmenos intcressantes, poném explicadiies slidas e configveis dos mesmos sto freqiien- semente dificeis «le se obter. Pelo fato desses estudas serem ‘geralmeate conduzidos por um periodo n ‘pumas vezes, varidveis que nio so rotineiramente medidas po- jvamonte euro, al- em ser incluidas. Na coluna de dest jovia uma forma de registrar as duas temperituras © a taxa de tofluxo quando as medidas de concentragio de acetone fossem feitas, Poderia até ser possivel medi as concentragdes da cor- rete de alimentagao, de made que « impacto desse fator pudes- se ser estudadn, Geralmente, um estudo de observagao tende a revolver os problemas | ¢ 2, meacionados auteriommente, @ se ‘vir um longo camiaho em dliregio cbtengao de dads acura dos e confiivels. Noentanto. estudes de observaeo podem 10 ajudar a resolver os problemas 3.¢ 4 (0, oongenheiro plane- exemple$ Capitutot experimento planejado; ou seja, uma mudanga detiterada fot teita na espessira da parede do coneetor, como dbjetivo de descobrir de remogio niaior podetia ser ou nav obiiva. Expe- Himentos plinejados com principios basicos, tais Como aleatorizagiio, so novessisios para estabelever ay relagdes de causa e efeito Muito do trabalio que conhecemos nas jae de fisico-quimica é desenvalvido por meio de testes ou ex perimentos, Freyiientemente, eazeaheiros ttaballam em areas de problemas em que nenhuma teoria cientifica ou de engeaharia é direta ou completamente uplicavel: assim, experitventos « obser- vagio dos dados resuiltantes constituem a Vinca mancina de te solver problema. Mesmo quando hi uma boa teoriacieniica fem que possanios conffar pura explicar os fendmenos de eiuy do engenha- interesse, quase sempre & necessirin conduzir testes ou experi- Imentos para confimar que a teoria, na verdade, faneion na si niagdio ou ambiente no qual esté sendo aplicada. O pensamer 1o estatistico © os méiodos estatfsticos desempentiam um papel no planejamento, xa conducio ¢ na andlse de dados provenien- res de experimentos de engenharia. Experimentos planejados desempenhan um papel muito importante no projeto e no desea volvimento de engenkaria ena melhriados processos de fabti- cagio. Por exemplo. considere a problema envolvendo aescotha da cespessura du pareue para o conector de néilon, Essaé uma ilustra- ga0 simples de um experimento planejado. O engenreiro esco- Theu duas espessuras de parede para conector e tez uma serie de testes de mado a obter as medidas da forga de remocan em cada espessura de parede. Nesse simples experimento compa- ative, o engeaheiro esti interessado em determinar se existe qualquer diterencaentre os projewos 4/32¢ 1/8 de polegada. Uma abordagem que poderia ser usada na andlise dos dios a partic desse experimento é comparara forga media de remogao para o projeto com 3/32 polegada com a forga media de remogZo para © projeto com 1/8 de polegada usando testes estatisticas de potests, que sie discutidos om dotalhes nos Capitulos 9 ¢ 10. Geralmente, uma hipstese & uma afirm: aspecto do sistema no qual estamos interessados. Por exemplo, ‘6 engenheiro pode querer saber se a forea média de remogio de unt projeto de 3/32 palegada excede a carga maxima tipica en- aplicazio. digamos 12.75 [BE Assim, estarfamos interessados em testar a hipstese de que a resistencia média ex cede 1.75 Ihf. Isso & chamado de um problema de teste de hipéteses para uma nica amostra. 0 Capitulo 9 apresenta técnicas pam esse tipo de problema, Alternativamente. o enge~ ‘nheizo pode estar interessado em testar a hipétese de gue aumen- acerca de al gum ‘contrada nessa ‘Tabela 1-1 0 Experimento Planejado (Planejamento Fatoria para a Coluna de Destlayao z : ine ee ere " a " undo a espessurada parede de 3/32 para 1/8 de polegada resulta fem um aumento da forga media de remogdo. Esse € umexemplo de problema de teste de hipsteses para duas amostras, Pro- blemas de teste de hipéteses para duus amostras sero diseuti dos no Capitulo 10, Experimentos planojados sio urra abordagem muita podero- su para estudar sistemas complexes, tal como uma eoluna de destilagio. Esse processo tom trés fatores: as duns temperaturas 1 taxade refluxo, Queremos investigar 0 efeito desses trés fa ‘tofes na concentraciin de saidada acetona., Umbem planejamento de experimenios para esse problems tem de assesurar que poxle mos separar os efeitos te todas os tr latores sobre a concentra cio de acetona. Os valores especificados dos trés fatores usados ‘no experimenio sio chanados de niveis des fatores. Tipicamen- te, usamos um nimero pequeno de niveis para cada fator, lais ‘como dois ou trés. Para o problema da coluna de destilagio, su- ponha que usemos um nivel “alto” 2 um nivel “baixo” (denota- dos por +1 ¢ —|, respectivamente) para cada um dos farores essa forma, usuriamos dois niveis para cada um dos trés fato- res. Uma estratégia muito razodvel de planejar um experimento usa cada combinagio possivel dos niveis des fatores para for iar um experimento basico com ito cenirias ciferentes para 0 processo. Esse tipo de experimento échamado deum experimen {fo fatorial, A Tabela |-I apresenta esse planejamento de expe: rimentes. A Fig. 1-5 ilustra que esse planejamento forma um cubo em termos desses niveis alos e baisos. Com cada ceniiio das con digoes do processo, deixamos a coluna atingir oequilibrin, Gra mos una amestra da Corrente do produto ¢ determinamos acon ‘eentragio de acciona. Podemos entao extrairinferneias espect fica acerca do efeito desses fatores: Tal abordagem nos permite cstudar proativamente uma populagio ou um processo. ‘ime vantagem importante de experimentos fatoriais que eles permitem detectar uma interagio entze os Fatores. Considere somente as duas temperaturas coms fatores no experimento de: destilagio, Suponhs que 4 eoncentracto de resposia seja pobre ‘quandoa temperatura do refervedor forbaiva. independententen- teda temperature do condensade. Ou seja. a temperatura do con: densada nio tem efeito quando a temperatura do refervedor € deriva, Eneretanto, quando a temperatura do refervedor for alfa, uma alia temperatura do condensado gerard urna boa respesta, ‘enquanto uma haixa temperatura do condensade gerari uma res: posta pobre. Istog. a temperatura docondensadoalteraa resposta ‘quando a temperatura do nefervedor € alta. 0 efeito de tempers: tura de condensado depende do cendrio da temperatura do refervedor, 0 que indicaria que esses dois fatores interagiriam resse caso, Seas quatro comb:nasoes de temperaturas afta ehuixa do refervedor e do condensado nao fossem testadas, tal intera- Go no seria detectada. Podemos facilments estender a estratégia farorial para mais latores, Suponha que o engenheiro quire considerar um quarto Temparim 9 tener Figura 1-50 plangjament fatonial par a coluna de destlagso,\ Texa de io ig Tempertien ob oredr Fipura 1-6 Um experimen fatoral com quatro fatores para aeoluna de desig, fator, por exemplo, tipo de coluna de desilagdo. Exister dois, tipos.o padrio e um novo projeto. A Fig, 1-Gilustra como todos 6 quatto fatores, temperatura do refervedor, temperatura do condensado, taxa de refluxo e tipo de coluna. poderiam ser in~ yestigados em um plancjamento fatorial. Desde que todos os quatro fatores tenham ainda dois nives, o planejamento de ex perimentos pode ser representado zeometricamente como um cubo (na verdade, um hipercabo). Observe que, como em qual- quer planejamento fatoral, todas as combinagdes possiveis dos ual fatores so testaos. O experimento requer 16 testes. Goralmente, se hi & fatores e cada um tem dos niveis, um planejamento fatorial de experimentas ira requerer 2 experimen tos. Por exemplo, com = 4,0 planejamento 2 na Fig. 1-6 rd requerer 16 testes. Claramente, 2 media que © nme de fato- res aumenta, omuimero requerido Ue testes Ho experiment fatorial sumenta rapidamente; por exemple, eto fatores, cada um com dois niveis, ira requerer 256 experimentes. Isso rapidamente toma invidvel, do ponto de vista de lempo & outros recursos Feliamente, quando existom quatro, cinco ou mals fatores, no & falmente necessario esta todas as combinagSes possiveis dos riveis dos fatores, Um experimento fatorial fracionsiria uma ‘ariagio do arranjo basico fori em que somente um subcon- junto das combinagdes dos fatores & realmente testado. A Fig. 1-7 mostra uen planejamento fatorial fracionério para a versio de {quatro fatores darexperimento de destilacao. Ascombinagdes de teste circuladas sio as dnicas que necessitam scr experimentos. Esse planejamento de experimentos requer somente8 expetinien. tos em vez des 16 origina; consequentemente, seria charmado ce uma meia-fragao, Esse ¢ um excelente planejamento de ex ‘erimentos para estar todos os quatro Fatores. Ele fosnecerd toa informacio sobre os eferos individuais dos quatro fatores ¢ alguma informacdio acerca de como esses fazores interagem. Experimentos fatorias ¢ fatoriais fracionérios sito usados extensivamente por engenheiros e cientistas em pesquisa e de semolvimento industiais, nos quais novas tecnologias, novos Prato sotina Tos drat jguva 1-7 Um experimente fatrialfracionario para eoluna de destia- 0 Paper aa sta proslutas @ novns procesios sin planejados ¢ desenvolvidos ¢ produtos » processos existentes sio melhorados. Uma vez que ano do trabalho de engenaria envolve testes ¢ experiments iio, &essencial que todos os engenfeiros emtendam os principies bisicox de planejat experimentos eficientes e efetives. Discuti- remtos esses prineipiosno Capitulo 13.0 Capitulo 14se concentra nos falorias ¢fatoraisfracionérios oue introdzimos agai 1-2.5 Observando Processos ao Longo do Tempo rogiientemente, dos sdo coletados ao longodo tempo. Nese asd, ¢ geralmente maito sil plotar os dadox versie tempo em um grifieo de série temporal. Feadmenos que possam afetaro sistema ou process se tornam fregiientemente mais visiveis em um grafico orientado no tempoe oconceita de estabilidadle pode ser mais bem julgado, A Fig, 1.8.6 um diagrama de pontos das leituras da cones traci de acetona, tomadas de hora em hora da coluna de desti- lacio descrita na Segio 1-2.2. A grande variogo mostrada no diagrama de pontos indica muita variabilidade na conceatragan, ‘co ngo ajuda a explicara sarfo para a variagio. 0 ien de série temporal é mostrado na Fig. 1-9. Uma mudanga nanivel médio do processo € visivel no grafico e uma estimati- va do tempo da mudanga pode ser obtida. |W. Fwards Deming, um estatistico industrial muito influen- te, reforgou que ¢ importante conhecer a natureza da variabili- dade em processos ¢ sistemas ao longo do tempo. Ele conduziu lum experimento em que tentou solter bolas de gude to proxi- -mas quanto possivel de um alvo em uma mesa. Fic usou um fu ‘nil montado em um supone snelado e soltou as hols airaés dk Tunil, Veja & Pig. |-10. 0 funt! foi alinhado, o methor possivel, ‘com oceatro do alvo, Ele usqu endo dus estratégias diferentes pvt opetar » processor (1) Fle nunce moveu 0 funil. Ele apenas Solow uma bola ups outra ere also; (2) cle soltou a primeira bola ¢ registrou sua localizagio relativa ao alo, Ele entio moveu o funil d= uma igual e oposta distancia, na tentativa de compensar o erro. Fle continuow a fa ‘er exe lipo de ajuste depois de soltar cada bola Depois que ambas as estratégins foram completaclas, ele no- le da distincia para o slvo no caso da estra gia 2 foi aproximadamente 2 veres maior do que para a estra- Oajaste do funil aumentou osdesvios em relagio a0 also, A oxplicacto & que: oert0 (o desvio da posicio da bola de gude com relagio 40 alvo) para uma bola de gude nao fornece informa~ ‘cio a respeito do erro que ocorrer para a préxima bola. Logo, ‘osajustes do funil nio diminuiram os erros futures, Em vez dis- so, eles tendem a mover o funil para mais longe do alvo. Esse experimento interessante sinaliza que ajustes em um processo, baseados em pemturbagoes alzatérias, podem na ver dade aunentar a variagio do processo. Isso € chamado de can trole excessive (overcontro!) ou interferencia, Ajustes deve set aplicados somente para compensar uma mudanga nao-alea- {ria no processo — entao eles podem ajudar. Uma simulagio tron a distancia em relagio a0 tou que a vaviabilid Cancentacio de acstona Figura 1-8 © diagssma de pomos lust variagiy, mas nde identifica 9 problemai \\ ‘\ A ge 1-9 Ut dingsama de série temporal de corcentragio forsece ‘nats informagies do que o diagrama de pontos Aro Bolas 2 gute Figura 1-10 © experimento de Deming de fil computacional pode ser ussda para demonstrat as igdes do eX petimento do funl, A Fig. 1-11 mostra um grafico como tempo para 100 medidas (denotadas como ») de um processo em que somente perturbacdes aleatrias esto presentes. O valor alve para 6 processo igual a 10-unidades. A fguta mostra os dados com fe semajustes que so aplicados & média do proceso, na fentati- ‘ade produrir dados mais proximos do alvo. Cuda ajuste igual € conirario a0 desvio dt medigd0 anterior x partir 6o abjetiv. Por exemplo, quandoa medida 1 (umaunidade aclma do alv0), samedi ¢ reduidu de uma unidade antes da prOnim medida ser geralt. O controle excessivo suena us desvios do alvo. A Fig, 1-12 mostra osdatlos sem oajuste da Fig I-1 1-eveeto aque as meus depois da observacie de némero 50 so aumen tava de dis unidades para simular o efite de uma madanga na Poo a at Niimeve de oboorvagio ania do proceso. Quando hi uma mudanga verdadsira na média {de um peocesso, umajuste pode ser itil A Fig. 1-12 mostra tam- bbém os dads obtidos quando umajuste (ura diminvigfo de duns Unidades) é aplicado & média depois da mudanga ser detectada {na observagiio de nimero 57). Observe que o ajuste diminuiu (05 desviow em relagio so alve. A.questio de quando aplicarajustes (e 60m gue intensidade) omega com um entendimento dos lipos de variagan que afetam {role é uma maneira valinse de cexaminar a variabilidade em dados orientades no tempo: A Fig 1-1 apresents um grifiea de controle para os dadas de eoncen- treo da Hig. 1-4, A linha central do grafico de controle € ape- nas # média das medidas de concentracio para as 20 primeiras amostees (7 = 91.5 g/L) quando processo estéestivel. O limi te superior de controle ¢ o limite inferior de controle repre- sentam umn pur d> limites derivados estatisticamente que reile tem a varighilidale inerene ou natural no process. Fsseslimi- {es estan localizados a tr8s destios pairdo dos valores de con- centracio acima e abaixo da linha central Se 0 processo estiver dperando como deveria, sem quaisquer fontes externas de vari- abilidade presentes no sisiema, 2s medidles de concentragio de- veriam flurvaraleatoriamente ao redor ds linha central e quase todos 0s pontos deveriam cair entre os limites de controle. [No gtatico de conteole da Fig. 1-13, a estrutura visual dete feréncia, provide pea linka centrale pelos limites de controle, indica gue algun trenstorno ou distirbio atingiu 0 prozesso.cm torno da amostra 20. porque todas as observagoes seguintes es {Go abaixo da linha central e duas delas realmente caem abutxe do limite inferior de controle, Esse é um sinal muito fortede que tuma agio corretiva é necessiria nesse processo. Se puermos encontrar e eliminar a causa basica desse Eistirbiv. poxtemos rmelhorar, consideravelmente, o desempenhe do process. ‘Alem disso, W. Edivards Deming afirmou que 0s dados de lum processo so usados para diferentes tipos de conclusdes ‘Algumas vezes, coletaos dads de um processo para avaliar a pproducio atual, Por exemple, podemos amostrare medir a resis tividade de trés pushes de semicondutores, selocionadas de um Iote © usadas para avaliag ese lote. Isso & ehamado de estado cenumerativa. No entaato, em muitos cass. usamos dados pro venientes de ums prodagZo corte para avaliar uma prodio futura, Aplicamos conelusies 4 uma populago conceitualfitu- jum processo, Um grifice de ea | Socom auste Figura 1-11 Ajustes aplicados a perurhagéiesaleatsrias controlam em demasia o processo ¢ aumentam os desvios em rego a9 al(iieanea ra te {media do processo) (Wi cotestasa 3h at Bape da Eatin om ages = smause Com juste Nemere ck observasio Figura 1-12 Anadanga da média do processo é detectads na obsersagao de niimero $7 cum ajust (ums diminuicio de dus unidades) eoduz os Gesvios em relaeze ao alvo, rn, Deming chamou isso de um estudo analitico, Cleramente. isso requer uma suposigo de um processo estavel e Deming eniati- zouque grficos de controle foram necessirios para jusificar essa suposicao. Veja Pig. 1-14 como uma ilustr Graficos de controle sio uma aplicagio importante de ara monitorar.controlare melhorar um processo. Q ramo fur uso de grficos de controle € chamrado de de proceso ou CEP, Discutiremos CEP & ificos de controle ne Capitulo 16, Concetragt da Numero dhobeeragio hom) figura (18 Un ico (ears) de eon eum processe quien, rus dadys Ge concemteagao Tenge Figura 1-14 Estudo enumeraive verses esto analitico. 1-3 MODELOS MECANICISTAS E EMPIRICOS ‘Modelos desempenham um importante papel na andlise de pra- ticamente todes os problemas de engenfaria, Muito dh educ {0 formal de engenheiros eavolve 0 sprendiizado de modelos relevantes para técnicas © campos especificos Ue aplicagao Uos ‘mesos na formulagao ¢ solugao de problemas. Como um sim- ples exemplo, suponta queestejamos medindo acorrenie em um fio fino de cobre. Noxso modelo para esse fenbmeno pode ser a Ieide Ohm Corrente = voltagem/resisiéncia T= ER 2) Chamamos esse tipo de modelo de um modelo mecani porque cle € construido a partir de nosso conheeimento do canismo fisico basico, que relaciona essas variaveis. No entan to, se fizermos esse processo de medigao mais de uma vee, tale ‘vec ea tempos diferentes, ou mesmo em dias diferentes, 9 cor rente observada poderd diferir levemente por causa de pequenas smudaniyas oa variagbes em fatexes que niostcjam completemen- te controlados, tais como mudangas na temperatura ambiente, flutvagdes no desempenho do medidor, peuenus impurezas presentes em diferentes localizagies da fie e impulsos a voll ‘gem. Logo, um modelo mais realista da corrente observada po- deser [= BR+e as) sendo 6 um temo adicionado ao modelo para considerar o fato de que os valores observauos da corrente no seauem perfeita mente o moxlelo mecanicista, Podemos persare como senda um teimo que inclui os efeitos de todas as fontes nao modeladas de vvariabilidade que afetam esse sistema. Algumas veres, os engerheinos trabathart com prcblemas para (os quais nao hi modelo mecanicista simples ou bem entendido, que explique 0 fendmeno. Por exemplo, suponha que estejamos inieressados no peso molecular médio (€,) de um polimeso. Agora, sabemos que M, esti telacionauo & viscosidace (V) do material e tamiém depende da quantidade de eatalisador (C) &8 Capietor dla temperatura (7) no restorde polimerizagio quando o material 6 fabricado. A relagio entre M, ¢ essas varisvels & Me=fV.E.D (ey em que a forma da fungi /é desconhecida, Talvez, um modelo de trabalho pudesse ser désenvolvido a partir de uma expansio em série de Taylor, considerando apenas 0 termpo de primeira ordem, prodazindo assim unt modelo di forma M.-P. + BV + BC+ BT serio B°s os pardimctros deseonliecidos. Agora, assim como na 3) Ieide Ohm, no, de modo que devemos considera outras fontes de variabili- dade que possam afetar » peso molecular. Desse medo. adicio- amos un outro term ap modelo, resultando ex M, = By + BV + BC+ B+ Esse €0 modelo que usaremos para rekacionaro peso molecular as outras trés varigvels, Bisse tipo de medelo é chamado de um ‘modelo empirico;ou seja, ele usa nossa engenharis ¢ 0 canhe~ cimento cientifico do fendmeno, porém ndo ¢ diretamente de senvolvido a partir de nosso conhecimento tedrica ou de primei- 108 prineipios do mecanisms basico. Com o objetivo de ilustrar essas igias com um exemplo ex pecifico, considere os dados na Tabela |-2. Essa tabela contém dados das ts varidveis, que foram coletados em um estudo de observagio em uma indistria de semicondutores. Nesse planta, 9 semicondutor firal é um flo coladoa uma estruture. As varis- veis repoctadas sao a resisténcia 4 tragto (ums medida da forga requetida para romper a cola), 0 comprimento do fio © a altura se modelo nio desereverd exatamente o fendme: 9) 1 yi so 2 8 Ho 3 u 120 4 0 580 s 8 295 6 4 200 7 2 375 8 2 82 9 9 too 0 8 300 a 4 412 2 n B 12 2 is 4 4 69.00 20 1030 1 34.93 10 46.59 1s 44.88 1s S412 16 56.53, 7 223 6 2115 5 Figura 1 Tip clade, Grifco timaensional dos dah da resist ¥ tayo do We. Gostarfamos de encontrar um modelo relacionando 3 cia 4 ragio ao comprimento do tio et altura do moide. Infelizmente, nao ht mecanismo fisico que possamos tacitmren- te aplicar aqui. Por conseguinte, nao parece provavel que aabor- dagem de modelo mecanicisia passa ser usada com sucesso. "A Fig. -15 apresenta um srfico tridimensional de todas as 25 observagdes da resisténcia 2 cavo, comprimento do fio € altura do mole, Bxaminando esse grifico, vemos que a resis- tencia a wagio auments quando 9 comprimentodo fine x allure do mole aummentam. Além disso, parses razosvel pensar gue um tndclo tal come Resisténcia 2 tragio = B, + B(comprimento do fio) + B.(altura do molde) + © seria apropriada como um modelo empitico para essa relacio, Em geral, esse tipo de medclo empirico ¢ chamado de modelo de regressdiv. Nos Capitulos 10 ¢ 11, mostraremos como cons- ‘miresses modelos 2 testar se eles so adequados como fungdes de aproximagio, Usaremos um método para estimer os parame- ‘os nos modelos de regressao, chamado de minimos quadra- dos. que se originou do trabalho de Karl Gauss, Essenciatmer le, esse mélodo escolhe os parimetios n0 movelo empiric» (B's) ‘para minimizar a soma dos quadrados das distncias entre cada ponto dado eo plano representado pela equ “aparente entdo que 2 aplicagao dessa técnica wos dadlos da'Tabe= 1a 12 resultaem a Resisténcia & tragdo — 2.26 + 2.74 (comprimeato do fio) + 0.0125 (altura do molde) a7) ‘em que 0 “chapéu" ou ciscuaffexo sobre a resistencia a trago indica gue essa € uma quantidade estimada ou prevista. Redlasitt tago Comprimentodoto = 20.08 as Figura 1-16 Gratieo de valores previstes de resstaneia a tragio, a partir do melo empstio,A Fig. 1-16 Gum 2 ago versuyo comprimento do fo ea zltura do mode, obtido 2 partirda Equagio 1-7, Observe que os valores previstos repou- sem no plano acima do espago comprimento do fic-altura do molde. A panir dos grilicos dos dadios nu Fig. 1-15, Jp parece nuzodvel. O modelo empiries na Fquagio 1-7 poderia ser usado pura prever vulores da resist combinagies ce comprimento de fio e altum do mole que se am deinteresse. Fscencinlmente, omodeio empirice poderia ser ssado por um engenheiro exstamente da mesma maneira que vm sodela macenicista Fico dos valores previsios da resistence i migio para virias 1-4 PROBABILIDADE E MODELOS DE PROBABILIDADE Na Selo 1-1, foi mencionado que decisies fregtientemente ne cessilam estar baseadas nas medidas de somente um subconjun: de objetos selecionados em ums amostra. Esse process de pensar a partir de uma amostra de objetos de modo a concluir pars uma populagao de odjetos foi referido como uma inferen- cia estatfstic, Umu amostra de urés pastilhas selecionadas pro. venientes de um grande lote de producao de pastihas na fabri cagio de semicondutores fol um exemplo menciorado, Para to- ‘nar boas decistes, uma andlise de qusio bem uma amostra re- presenta uma populagdo ¢ claramente necesséria. Se @ lote con: sm pastilhas defeituosas, quite hem a amostra detectars isso? Como podemox quuntificar » eritério “dotectar bem”? Busiew mente, como podemos quuntificar os riseos de devises basew as nas amostras?” Além disso, como as amostras deveriam se selecionadas para fornacer boas devises aguelas com riscox slo €.08 Fscos en volvidos em dectsoes tomadhas todo da, Mais detalhes sip ties para descrever o papel de modelos de srobabilidade. Suponta que um lote de producao conteahe 25, tilhes, Se todas elas forem defeitvosas ou todas beas.claramen- 2, qualquer amestra gerard todas as pastllas defeituosas au (0- das boas, respectivamente, No entanto, suponha que somente uma astlha no lore seja defeituosa, Entio, uma amostra pode ou nao setectar (incluir). pasitha. Um modelo de probabilidade, junta- mente com um método para selevionara amostra, pode ser ussido para quantificar os riscos de que pastilha defeiuosa sejaoundo Jetectada, Baseado nessa andfise, otamanho da amostra deve ser aumentado (ou diminuido). 0 nseo ayui pode ser inlerpretado como segue, Suponta yue uma série de lotes sejaamostrado, cada um com exatamente uma pastilha defeituosa. Os detalhes do :nétodo usidlo para selecionar a amostra serdo aulialos até que a aleatoriedade seja discutida no prdxime capitulo. Contudo, cons- OF ypal ae estatsticx em engennaris 9 dere que © mesmo tamaaho de amos (tal como tes pastilhas) Sela elecionavo da mesina maneira a partir de cada lote. A pro- porgao dhs lores em que pastlha defeituosa ¢ inclusda a ans: tra, ou mais espevificamemte, o Limite dessa proporgio quando 0 rimero de lores nas sies tende a infinito, ¢ iaterpretado como a probabilidade de que a pastlhe defeinosa soja detecinds Um modelo de probebilidade & usado pura caleular exsa pro- porefo sob suposigGes razodveis para a mansira pela gual aamos: ira é selecionada, Isso é favorivel porque ni queremys temar mostrar a partir de ums sé infinita de lotes. Problemas desse tipo serio trabaliados aos Capitulos 2 e 3. Mais importante, baseando-se ns amostra, essa probabilidade fornece informacio, uantitativa valiosa em relagao a qualquer decisio acerca da aualidade do tote. Lembre-se da Seoio I-1.que apopulacdo deve sez conceitusl. como.em um estado estatistico que aplica infereneia estatistica a futura producdo baseando-se nos dados du producio corente Quando populagdes sao estendidas dessa mancira, o papel dit inferéncia estatisticae os modelos associados de probabilidades se tomam ainda mais importantes. No exemplo prévio, cada pastilha na amostra fol cassificada somente como defeituosa ou nao, Em vez disso, uma medida continua deve ser obtida de cada pastitha, Na Segao 1.2.5, me- didas de concentragao foram tomadas em intervalos periédicos deur processo de produgéo. A Fig. I-8 mostra que a variaili- dade esti presente nas medidas, devendo entap haver uma preo- cupago com relazao & possibilidade de mudanga do alvo esta beiecidopara aconcentragio, Similar’ pastilha defeituosa, deve- se quere quaniificar nossa habilidade de detectar uma mudanga no processo baseando-se em dailos das amostras. Limites de controle foram mencionados ra Segio 1-2.5 como res ‘Sisio pan ajustarem ou ndoum processo. A probubilidade de que tuma determineda modanga no processo seja deteetada pode ser caleuiada com um modelo de probabilidade para medidas de concentnigio. Modelos para medidas continuas sio desenvalvi- dos haseados mas suposigies phausfeis para ns dads © ume re= suitado, conhecido como teoremado limite central. ¢ adistribui- iv normal associads & um modelo de probabilidade particular- ‘mente valioso para inferéncia estatistica, Naturalmente, mia ve- rificaydo de suposictes € importante. Esses tipos de modelos de probsbilidaule serio discutidosno Cepitulo4. O objetivo ainda & ‘quantificar os siscos inerentes na inferéncia feita a partir de da- dos das amostras. ‘Aa lengo dos Capitulos 6 a 15, decisdes serio bascadas em ‘nferéncia estatistica dos daos das amostras. Modelos continuo deprobabilidade, especificamentea cistribuigao normal, sdo usa- «dos extensivamente para quantificar 0s riscos nessas decisOes & avaliar manciras de coletar os dados ¢ de quao grande uma amos tra deve ve ris de de TERMOS E CONCEITOS IMPORTANTES: Aleatorizagao Estudo de observagao Amostra Estudo enumerativo Causa e efeto Estudo retrospectivo Controle estatisticn de proceso Controle excessive Estudo anal Experimento fatorial Infereneia estatistica Modelo empirico Interagz0 Modelo mecanicista Interferenela Pensamento estatistico Método de engenharia Populacio Método de resolugao de Série temporal problemas Teste de hipsteses Modelo de probabilidede __VariabilidadeRESUMO DO CAPITULO 2-1 ESPACOS AMOSIRAIS E EVENTOS DLL Experimentor Aleatiries 2412 Espacos Amostrais 2413 Eventos 2-14 Técnicas de Conagem 22 INTERPRETACOES DE PROBABILIDADE 221 Inodicas 22.2 Axiomas da Probabiidade 23, REGRAS DE ADICAO OBJETIVOS DE APRENDIZAGEM Probabilidade PROBABILIDADE CONDICIONAL REGRAS DA MULTIPLICACAQE DA PROBABILIDADE TOIAL $.1. Resa da Multiplicagio 25.2 Regm da Probsbilidade Total 2.6 INDEPENDENCIA TEOREMA Dz BAYES AVEIS ALEATORIAS Depois de um cuicadoso estado deste capitulo, voc’ deve ser capa Ue: 1. Entender © deserever espages amostrsis & eventos para experimentos aleat6ri forma de rvore discret. Jom graficos. tabelas, listas ou diagrams em . Tnterpretay probabilidades ¢ usar probubilidades de resultados para calcular probabiidades de eventos em espagos amestrais, 3. Usar permutagdo combinagSes para comtar o ntimero de resultados tanto em um evento como no espace amostral 4. Caleular as probabilidades de eventos conjontis tais como unides ¢ intersegdes das probabilidades de eventos individuals : Interpretar ¢ caletilar probabilicades condicionais le eventos 6. Detsrminar a independéncia de eventos e usar a independéacia para caleular probubilidades 7. Usar otecrema de Bayes pana caleular probabilidades condicionais 8. Entender varidveis aleatérias 2-1 ESPACOS AMOSTRAIS E EVENTOS 2-1.1 Experimentos Aleatorios Sepelltors vores ema Bie dh Sih ER Seat tn ce ined Retin or pagan oe Se conclave poles did irccenia po ol re ak divert valivdl qessnotnn comemens Beret a nln igbmnnnlomeauie ab See es wchettle aneymncllghe yoqueses manuel Seo quien do Byacfemtel options fren ero deve tine deConestepecin.Uhqoponieniy ea em acrmymioequremaacrs S60 SQM or stzuns casos. as varias Ota No Cnstenc fo importsqeio uit 1008) erate laanisoqlengicng omnlsidbcanmiapio eal Foie cermrepresetce toa Pegi poe sersulclentonen, Eigeasde de ol sorte que ws arnt importantes de, r00 scissors nr Ove! Nees exsanran ion Secu vestc er pra moss cana row ledo x- Siemeasi ao borates Nosso objetive é compreender quantificar e modelar 0 tipo de variagbes que encontramoscom freqiiéncis. Ovando incorpo oem nessa penszmento €andlises, podemos fa et julgamentos baseadas em nossos resultados que seam vali daclos pela variagto. Modelos e anilises que incluem variagio ado so diferentes dios modelos usados emoutras dreas de engenharia eciéncias. A Figura 2-1 apresenta os componentes importantes. Um modslo (cu abstracio) metemstico do sistema fisico édesenvolvido. Ble no necessita ser uma ahstragio perfeita, Por exemplo, as leis de Newton nao so deserigdes perfeltas de nosso universo fisio. ‘AlGm disso, eles sio modelos eis que podem ser estudados © ‘alisados para quantilicar o desempenho de uma larga faina de ‘gra 2: Ieterego contin eateeo modelo eo stoma fennach —>| 122-2 Variveis com id fete atansformnagd deena sae, produtosde engenharia. Dada uma abstracdo matemnética que seja validada com medidas de nosso sistema, podemos usar o move: Jo para entender, descrever e quantificar aproximadamente @s- pectos importantes do sistema fisico e prever a respostado sisie~ ma i alimentagio de dados (inputs) través de todo este texto, discutiremos modelos que permit ro variagdes ras safdas (ovgputs) de um sistema, muito embora as varidveis que conirolamas nao estejam variando peoposita ‘mente durante nosso estudo_A Figura 2-2 apresenta: © modelo ficamente Por causa du alimentacao incontrolada, ‘Os mesos ceTirios para @ alimentucao controlaca nao resultam Saidas idSnticas cada vez que o sistema é meuido, ‘um experimento aleatério. Para o exemplo da madigio de eorrente em um fio de cobre, nosso modelo para o sistema deve, simplesmente, sera lei de (Ohm. Per caus das slimentagSes nio-conirolivels, so espera «las variagdes nas medidas das comentes. lei de Ohm pode ser tuma aproximagao adequada. Entretanto, se as variacies forem, srandes. relativas a0 uso intencionado do equipamento sob ¢s- tudo, podemos necessitar estender nosso modelo para incluir a variacio, Veja Figura 2-3, Como um oatro exemplo, no projeta de nm sistema de comu- nicagao, tais como uma rede de computadores ou ume rede de telefonia, a capacidade de informacio disponivel para servigns individuais usando a rede é uma consideragio importante de pro- |jeto, Para atelefonia, Linas extemas suficientes necessitam ser ‘compradas de uma companhia telefonica, de modo a encontrar “osrequerimentos de um nexécio. Supordo que cada Tin Figur 2-3 Um exam dotlhado do sist detiics desvins da modelo rropaniioaae 11 Litt agar 2-4 Varngie cana intemapybes nosis vem ser compradas? Se poucas linbas fore compradas, cham das podem Ser atrasadas ou perdidas, A compra de excessivas linhas aumenta 0 custo, Cada vez mais, o desenvolvimento de projeto © de produto € requetido para enconuas as necessidades dos consumidares a sim custo competitive, No projeto do sistema de telefonia, um modele € accessirio pparao ntmery cle chamadas e para a duragiiodelas. Nao ésufiet tente saber que, em média, chamadas ocorrem a cada cinco mi- nutes e que elas duram cinco minutos, Se chamadas chezassem precisamente cada intervalo de cinco minurose dusssem exa- tamente cinco minutos. eatdo uma linha telefGaica seria sutick ente, No entanto, a mais leve Variacio no mimera de chamadas ‘ou na duraco resultaria ens algumas chamalas sendo blogue das por outras. Veje Figura 2-4. Um sistema projetado sem con- siderar variagdio seri pesarosamente inzdequado para uso priti- co. Nosso modelo para 0 ntimeio e4 duracao das chamadas ne- cessita incluir a variagao como um componente integral. Uma nélise de modelos incluindo.a variagao é impomtante para o pro- jeto do sistema de telefonia. 2-L.2 Espacos Amostrais Para madelare snalisar um experimento aleatério, temos de en. tender 9 conjunto de resultados possiveis de um experimento. Nesta introdugio & probabilidade. fazemos vso dos conceltos bisions de conjuntos e operngdes com conjuntos. Considen-se ques leitor esteja fumiliarizado com esses tapicos, ‘chamiado de espaco amostral do experimento, ‘O espago amostral € denotedo por 5. Umeespago amostral € usualmente definido baseado nos objeti- Pega Plistica Meldada ‘Considere um experimento em que vue seleciona uma peca plastics rnoldads cl come um conector.c racd> sua espessa, Os valores D0 ‘Seis da espessura dependem da resolugo de instrumeato de mediea0 {também dos mites superior ¢ inferior da espessura, Eatretano, pou Ser convenient definir © espago amosiral como simplesmente linha real positiva R seo} porque um valor negative para a espessursnio pale ocorrer2 ce Se € sabido que oder os coneetores tery erie 10 ¢ 11 milferstros de espossuea. 0 expaso amosteal podria ser S> pilo. + A intersegiio de dois eventos éa evento que consiste em todess os resultados que esto conticlos nos dois evertos, simultancamente. Denofamos a intersegan por £) "1 +O complemento de um evento em um espago amosttal & © conjunta dos resultados no espago amostral que ade es {a0 n0 evento, Denotamoso complemente doevento F por EA notagao E* é também usada em outra literatura para denotar 0 coniplemento. EXEMPLO 2-6 Considere 0 espago amosiral § = (38, as. n} no Exemplo 2-2. Su Pmt que o subcunjunto de esaltados para cs quai, no sini, urna Pega € conform scju denotalo somo E.. Eat, FB fxn as} © evento em que amibas as pests S20 do conformes, dena com ,.contém sontenie odinica resultado, £, ~ {nn}, Outees exemples de eventos slo F, = Z.0 conjunte nulo,e E, = S. espago amostra, Se Fe anne. na}, RUB=S E\QB,= fonns} f= (nh EXEMPLO 2. Medias dacspessarade um conscturplistico davers ser modeladas corn ‘espaga amoral § = R-oconjunto de nimeros nals postivos. Sei B~(iNss21) ek 1sy «in Ente, EUB {x10 15) Pigura 28 Diagramas de Venn ‘Tambem. Bf = Gla < Wo 12 se EMR ~foll2 Sx < 15) EXEMPLO 2.8 Plistico de Polizarbonaro Amosiras do pléstico ée policarbonato Sie anatisadas com relaedo 3 resin a arranhbes achogue. Os resuliados de $0 amostrasestio resumidos a seguir resisténcia a choque alia bina resisténciaa amanhies alta 40 4 baixa 1 5 Seja do evento em que wma amostms tem alia resiatdncia a cheque & Sela Bg evento can gue a amortea tem ala rositncia arabes, De remmire o nimew de amostras em AN B.A’ eA UB. ‘Oeverto 4 7 B consisteem 4amosts paraas guais asresistéacies a aranhdese a choguestoaltas, Ocventa A consiste mis Sammostas em que atesisiencia achague ¢kaixs. QeventoA U Rconsistenas dS amostesem (que a esiténciaa chogue. a resistencia a arabes amas sio ata Diagranias sfo freqiigntemente usados para retratar relagdes entre conjuntos, send esses diagramas tumibém usados para des rover relagScs entre eventos. Podemos sar o para tepresentar um espaco arnosirale eventos em unt es- mostrl. Pur exemplo, na Figura 2-S(a), ¢ espaco amos- tral do experinento sleatOno & representado conno pontos noe Ldngulo S. Os eventos Ae B so os subeonjuntos dos pontos mas indicadas. As Figuras. 2-8(b) a 2-8(4) ilustram eventos cconjunts adicionais. A Figura 2-9 iusira dois eventex com ne- nnbum resultado em comum Dois eventos, denotados por Ee E> tal que slo chamados de mutuamente excludentes.Prmbshildade 1S OO 2 Even matuamesteexcletes Resultados adicionais envolvendo eventos so resumidas a seguir. A definigdo do complemento de um evento implica que yk A lei cistributiva para operagdes com conjuntos impli UUBINC-ANCUBIO ANRUC=AUONBUC que A lei de DeMorgan implica que (AUBS=A'NB e Damesma forma, an (aney ~a'uR mbre-se de que BOA © AUB 2-14 Técnicas de Contagem Fm muitos dos exemplos no Capitulo 2, € fécil determina niimero de resultados em cada evento, Em exemplos mais: com plicados. a determinagiio de resultados que compreendem « es ago amostral (ou um event) se torna dificil. Em ver disso, a coniagem dos nimeros de resultados no espace amostral e os ‘tins eventos fo usados para analisar os experimentos aleat6- rios. Esses métexlon sip referidos como téenicas de contagem. Algumas regras simples podem ser wsadas para simplificar os caloules, No Exemplo 2-4, um fabricante de automéveis fornece vei cules equipados com opcianais selecionados. Cada pedido de compra de um vefculo pode ser Com ou sem transmissdo automsition Com ou sem ar condicionade Com uma de trés eseolhas de sistema estéron Com uma de quatro cores exteriores O diagrama em forma de arvore da Figura 2 {go amostral de todos 05 tipos possiveis Ue v do espscoamosiral e igual ao numero de ramos no tltimo nivel da arvore, sendo emao igual a2 x 2X 3X 4=48. Isso leva a0 seguinte resultado wil Regu da Multiplicardo (pera téenicus de consagem) | Se uma operacdo puder ser descrita como uma seqiisncia de Retapas ¢ se 9 namero de maneiras de completar a etapa 1 form, € se onimerode maneicasde complotar a ctapa ? for, para cada mancira de completar a etapa le se omimero de maneiras de completar a etapa 3 forn, para ‘cada maneira de completar a etapa 2 e assim por diane, ‘o mimero total de maneiras de completar a operagaio ser XXX EXEMPLO 2-9 [No piojeto de uma protogio para uma caixs de marelus, poems asa ‘quatro tipos diferentes dle amarradoces 2 rs diferentes sompriaestos € localizagdes de parafuses, Da regra de maltinlicaca rojeios diferentes sio possiveis Permutagdes Um outro caleulo til €0 numero de seqiiéncias ordenadas dos ‘elementos de um conjunto. Considere um conjunto de elemen- les. tal como 5 = {a, b, ©). Ume permutagao das elementos & uma segiieacia ordenads dos elementos. Por exemplo, abe, act bac. cba, cub & cha sie tolas permutagoes dos elementos de 5. (0 nximerode permutayBes dem cleraeniosdiferentesé nl, endo x2x1 © @1) Esse resultado ¢ decorrente da fegra da rultiplicagéo, Una pei rmutagdo pode ser constrafda colocando-se o elemento ne primeira posigao da segiidacia den elementos, selecionundo entio 0 cle ‘mento para a segunda posigiio dos — 1 elementos restantes, colocanda o elemenio na tercsira posigia dos n— 2 elementos restantese assim por diznte. Permutagées como ests si zeferi- dos algumas vezes como permutagiies lineares Em algumas situagdes, estamos interessados no miimero de sarranjos de somente alguns dos elementos de um eonjunto. O seguinte resultado é decorente também a regra da multiph cago. Penmitacses de Subconjuntos (© nlimero de permutagbes de subconjuntos de rclementos se lecionsdos de um conjunto de n elementos diferentes & Pl=nXn—WX(M- DK... X= r+ Y= EXEMPLO 2-10 Placa de Circuito Impresso Uma placa de ctenito impress tom ito localizagies diferentes em ou uum componente pode ser colocado, Se quato somponentes diferentes {orem colocattos na placa. quantos projetos diferentes sia possiveis? ‘Cada projeto consiste em selesionar ume localizagio das nite loca Jizagoes para. primeiro componente, uma localizagan das sete reste fe para o seyurtdo componente, uma ioeallzagin des eis Fess para b terceiro componente e uma localiravio das cinco sestantes pare ‘quarto componente, Porant, 1680 propos diferentes So possiveks. Algumas vezes esiamos interessados em contar o mimero de seqiléacias ordenadias para objetos que O seguinte resultatoé um edicuto dil e 1osdo todos diferentes, egeral Permutagdes de Objetos Similares nimero de permutagées de n +n, objetas dos quai, sio de um tipo, n, sio de um segundo tipo, ...€16 Capitulo? 1,30 de r-ésimmo tipo é at gl mgt ngh ond EXEMPLO 2-11 Programacao de wma Oficina de Usinagem Considere uma operacio de usinagem em que deis eifcios, com dime tro idéntios,e dois encaixes de mesmo tamario necessiamser eis em tums pega metic, Sep una operaglo de perferagio ee uma operagio de eneaixe. Na deteminagae dé una programagio park wna oficiaa de ‘sinagem, devems esta nteressudos no raimero de posses squares Uferentes das quatro operaghes O ndinesy de seqdéncias possiveis para as duas operaodes de perfuragoe paras duas operagdes de encaine si: 4! 6 Ax sei segiéncias so Fauilmente resumes! ypee, pepe, peepeppe pep. een, EXEMPLO 2-12 lige de Bervas ‘Unie pega € marcada pela impressao de quairo lias espessas, 62S B= hnhas médias ¢ duas inhas fs, Se cada oidenayio das nove lins 1 presenta eins mares diferente, yuantan warcas diferentes podam ser ‘eracas pele uso dese esquerna? Da Fauacio 2-3.0 nimero de marcas possiveisé ~ 1260 ‘Combinac: ‘Um outro problema de contagem de interesse é 0 niimero de subconjuntes de r elementos cue pode ser stlecionado a partir ‘de um conjunto de n elementos. Aqui, a ordem nio ¢ importan- te, Esses problemas so chamados de combinagées. Cada sud- Cconjuntode r elementos pode sr indicado pel listagem dos ele~ ‘mentcs no conjunio e marcar cads elemento comumn "se for ‘para inclui-lo no subconjunto. Coaseqiientemente, cada permu- taco de r *'s en ~ r-vazios indica um subconjunto diferente e ‘o imero desses subconjuntos € obtido da Lquagio 2-3, Por exemplo, se ocanjuatoe $ = {4.,¢, d},0 subeonlunto 4{a.€} pode ser indieado como abe d (Combinagies (© miimero de combinagdes, subconjuntos de tamanho r, que pode ser selecionadla de um conjunto de n elementos. é deno- tado como ("}ou Ce Oe 4) ENEMPLO. 3 ‘Um componente pode ser colovado em cite locslizagies diferentes em tuna placa de circuitn impresse. Se cinco compenestes iénticos orem {golocados na placa, utes projesos diferentes serao possiveis? Cads projeio & um subconjunto das vito localioagées que dover conter es componentes. Da Equacio 2.9 mimero de pjetas poss: © exemplo seguinte usa a regra da multiplicagio em combin glo com a Equagao 2-4 para responder a uma quesiao mais di Gil. porém comum, B MPLO 4 Amostragem som Repasig {Um silo de 50 tens fabricads contém 18s itens deletunsas €47 tens ro-defeituosos. Uma amostra de seis tens € selecionada das 50 itens. Os itensselecionados nos repostos, Ou sej, ela item poe somente serselecionigouma uniea vez amosta Cum Subcom junto.G0s 30 tens (Quantas amostias dfercotes enistem, de tamaaho seis, que contém oa ramente dois tons defeiteosos? ‘Um suhconjunro contends evatamente dois tens defeitiosas pode sor formade escoltendo prineire os dois teas defvituoses dos ues ens defeituesos. Usando a Equaco 2-4 essa etapa pode ser completa de @)-¥i (2 3 maneinis diferentes resanies dos 47 tens = 178,365 manetias diferentes Por comeguints, di rears da moltipfieacau, qmuimero de subeonjuntos de tamanho seis que contém exstamente dais tens defeituesos & 3% 1TRA65 ~ 535.005 ‘Como um célealo adicional, « aiimers tora de subsonjuntos dite remtes de tamaaho seis ¢ (2) sot } 15,890,700 6) etal ‘Quando prbabilidade &ciscatida neste capitulo, x probabllidade de um evento é deerminada como 2 ruzapentre onimer de resultados n0 ‘evento € 0 niimere de resultados no espago amostral (Fara resultados ualmente provavels). Corsequettemente, a probabllidle de ama ‘nostra. comer exataniente dnis teas defetuesos ws 75.x90.700, Note que esse exemplo ilusira uma distriuigso comum estudads no Capitulo 3 disribuicio bipergeamétrica) 4 EXERCICIOS PARA A SECAO 2-1 omega uma descrigdo razoivel do espgn amosial para cada um dos ‘experimentns slesios nos Exeroios 2-1 9 2-18, Poder haver mais, ‘de ma interpretagio aeeitavel de cada experimento. Dessreva qualquer spenigio qe voe? faga, 2-1, Cada uma ds to8s peas wsinadas & classifeada como cima ou ‘aalxo da expeciticagio padide para & pega 2-2, Cada um dos quatro bits rancmitidoséelassifieado conte eomenro 2.5. Na inspocio final de Suprimentos eleteoaices de potencta, 18s th pos de nao conmformidades peer ocorter funcional, menor ou cosinece. Supsimenten de potdneds que sejam dfeituosos sd chasificadon aturamente de acordo cunt o tipo de nig-confiormidade. 2.4. Na falvicagin de tts eassetes digas, win teste clemsnicog wade sara resistrr o rime dle his defeieuosos er um caretel de 350 ns 25, Natabse sites digits. eada uma dx 2 tilt ‘Heads come contendo ou do contenda um ow mais bts defetuases, ade ft classi 6. Un ampesimeina. qe mosis rs digtos, sada para medircor: rente em miliampéres, ‘Una escala que mostra dus cases decimais & asada para medi, 7 foueladss, alimentagbes de materias em umta planta quimica, 28. As dias questbes sepuintes aparece em questionirios na inspe: €e empreaedos. Cada resposta éescolhidaa parts deurra ewala de Sheds pontos: | (nunca),2, 3 be 5 (sempre). 4 coeparaigio esisposta sure avalarjusiamente moras iis” “Quio Freqientes mers colaboradores sio importantes no desempe no global do trbalno?” 2.8. A consentnagan de ordain em pare por hilt, 2.10, Otempoats que tims ieansagio de servign caja solids de ure Somputedloe,enmn a prscicin de milssegundo, 2-11, A lviurs de pH de un anosra do dgus com x preci de et sade unit unidade 2-12, Os-vaviow ets una placa de idee forin so clasificados come ‘equenes. médiosau grandes, Omimero de varios em cada categoria é rmeddo nor inspecdo Gptice de una amostra 2:13. Otempo deus agi quimieaé rgistrado em milisegundo, 2-14 Un patito le compra de um antmsvel pos especies urna ‘ransmissio antomeiticn ou puro, comousem arcondicionadoe qual ‘queruma das quatzo cores vermelh. azul, prea cu branca, Desereva 0 onjanto de pedidos possive's para esse experimente, 5. Uma pega amostraa, moldada por injegtio, podera ter sido pro: Guzida em uma das duas prensase em qualquer uma das oito cavidades on cud prensa 2-16. Um edit ie compra de um siseria compuracional pode espe- ‘Stlcar memorin de 4.8 ov 12GI e espace em unila de discoate 200, $00 ou 400 GB. Desczeva 0 conjunio de pedidos possivels, 17. Chamadis Sio repetidemente fetas em ama lint wlevonica oc ‘pada até que uma concxdo ssjaaleangas, 'S. Fim um sparelho magnetico ce armazeragemcr8s tertathvassaa ‘tas para Kr dds antes que seja usado um grocedimento de recupe- sage de ext gas reposiciona caboca magnéties. © procediment de -ecoperaci cleernys tents is reposigdes antes que uma mensagem de “abortar” seja mandada para operadee. Seja 9 sigess de wens operasio da leita fa falha de ume operacdo de Kiara FF lenotar a falna de um procedimento de recuperayio de eo So sucesso de um procedimento de recuperagao de ero Aluma mensagem de abort, emia pars 0 operador. ‘Utizando o diagrams em forma desirvore, descrevo expaco amostral esse experimente ‘eventos sii mosttades a0 dingrama ée Vena na figura se -Reprotuza figura e sombreie regio que correspondea cada um dos Prabiigate 17 wal OAnB wjanmuc BUCY — ean By UC 2.20. Teés evento sia mostrads no diagsimn de Venn na gue se guint! Repreuva a figura esembreie a regio que comesponde cada um dos taal WAN BULAN fan auc (xRUO) fevanay uc 2.21, Uma balanga digital é sada para fornecer pesos em grams {a} Oual €o esngo amosteal para esse experimento? Seja Ao evento em queum peso excede [1 gramas seit Bo evento em {que um peso é menor que ou igual a 15 wramas e seje Co evento em {dus um peso é maior que ew igual a8 gramas emenorqus 12 gramas Descreva os seguines eventos, AUB wang wa’ [lA UBUC (AUC ipanBne Bn MAUENS 2.22. Emuumia gperacdo de moldagem por injeso, o vomprimento ea Targura, denctads por Xe ¥, respectivamente, de eaca pega mulls so avalisdos, Seja Ao evento em que 4X < X= 52 cemtimetros B ocvent om que 9 < ¥< Il centimewos ‘C yevento em que um enmprimen eritco encontea os requesimie tos impostor palo somsuenidor ‘Construa um diagrama de Venn que inclua esses evenios. Sombreie as rca que representam o sezviate wa (yA B (WA's WAUB (e) Seesses eventos forem mutuamente excludentes, quo bers-sucedi- daseria esa peraga de produzao? O processo produziria pegs vom 2X = Si) contimewose ¥ = 10 cenifneeres? 2-25, Quitrs bits si transmstices em um canal digital de comoniea- 985. Cad Dir ¢ Uistore dou recebido sem distorgso. Sejs A.o evento fim que o esi bil €distoresdo. /— Asse {a) Dexereva 0 expago amestrl para esse experiment {b)Séo os eventos 4, mutvamente excludentes? Descrevaos resultados em cada um dox seguinies eventos: A, wa’ (ANNA NAL Ma, NAY NAN 2-24. Em foossintese dependente de lur, a qualidade da luz se refere ‘05 camprimentos de onda le luz que sao importantes. O comprimento ‘dena de uma amostrs de raciagoes forossintticamenteatiwas (REA) medidoem nandmet, A faina do vermetho £ 675-700 ane a faixaIS Capitato2 da weal 6450-S00 nm, Saja Ao events em que RFA scone ta fais do ‘vermelhoe Ro evento emque RFA acorre ma fies doazl Desereva 0 ‘espayo amostra ¢indigue cada um dos segainies eventos: (aia iB ANB AUB Em replicagdo eontotada, céluas so eeplicadss em un perfolo de dois dias, DNA recem-sinttizad nip pode serreplicedo novemen teal6 gue a mitose estgja completa. Dois mecanismos de controle fo am ideniiicades — um postive e um regativo, Suponha que uma te plicayao seja observaula em ues celulas, Seja 4 0 evento em que asus as eélulas 59 identtiendas come pesitvus e B o evento em qus todas a odlulas s20 negatives. Dasereva espag umostral graffeamunte © nostre exda um dos sesuintes eventos wa (bie wane WAUB 2.26, Discos de plistico de policarbonato, proverientes de um forte ‘ced, so analisads com relagao a resistencia a aranhdes ea chogue, Os resultados de 100 discos estao resuniides a seguir; alta buss esisténcia aaranhies alta m 9 baa 16 OS ‘Sgja A @ evento’em que um diseo tem alt ressténcia a shoyue © 0 evento esa que vim disco tem alta ressténcia a arranhdes. Determine 0 rimero de discos em A B.A" CA UB. 2.27. Amosirasde ume pega dealuminio fundido sie lassificadas com base no acabamentoer micropolezadas! dasuperticice no acabamento de boda. Qs resultacos de 100 pegas sin resumidos a seguir acabamento de borda excelente bom exeelene 8) 2 bom, wo 8 aacabamento de superticie (2) Seja 41 evento om qs emma mostra tern excelente scabumtento na supediciee soja B oevento em que usia amostns tom execlone famento de bona, Determine o nimern de amastrss em A” 7B. 8 eAUB, (b) Suponha que cada uma das dus amostras deva ser clasificnda com base no acabamento dasupertvie, se excelente u born, ¢1n0 acaba- ‘mento de borda se excelente ou bom. Use o diggramaem torma de sore para representa os resullalos possiveis uesse experiment 2-28, Amostrasde emissoes de tres Forneoedoressio classificadss com relagiy asatitarer as expeciticughes de qualidade do ar Os resultados de 100 umosiras so resuenides # sepuie conforme Fomeceder mguk uma amostra atenda as especiticasbes. Determine ampstnasem A 1) BB eA OB: 2-29. O tempo de enchimsnto de um reator & medida em minutos (& fagdes de minutos). Seja oespage amosizal formado por exnceos reals «positives, Defina on eventon dl « 2 como segue A=tir<7s} Be bls > 525) Descreva cada um os seguinies eventos: a). bya! ANB AUB 0, Uma amosea de dois itens & selecionoda sem reposicdo a pair de umabatlais, Descreva oespayo amostralordenado} para cadaunia das sesuimes batelacas: (a) A batelada contém os tens (4B. el} (A atetada comtem os items (a,b €. ds ef {) A batelada contésm 4 ites deeitucsos © 20 fens bons. 1d) A batelada contém 1 item defeituose © 20 tens bons, = Uma anosira de duas placas de circuita impresso ¢ selecienada do a parti de ume batelada. Descreva espago amostral som reposie lordenado) para cade ums das sepintes Bata (a A bateladacontém 90 placas que séo ndodefeimosas, 8 placascom equenos deteitos e 2 placas com grandes defetos (b) A batelada contém 90 placas que sip rao-defeituosas, 8 placas.com equenns éefeitos & | placa com grandes defeites 2-32, Conagens daspaiginas web, fomeciasseparadamente pelosdois servidores de computadoresem uma hora sclecionaca do dia, sio regis- iru. Seje A'0 evento gue 90 mimo 10 paginas sao forneeulas pelo sctvidor 1= Bo evento cm que no misino 20 pixinas siv formecides pelo servigor 2 (a) Descreve, eraticamente, 0 espace amostrl pars os mimeros de pieinss para os dois servidores. Mostre cada un dos seguintes eventos no grifiey do espago amostal a (oe wang aus 2-31. 0 tempo de enchimento de um restor é medio em minutos (& fragoesde minutes) Sejao espaco amostrl paras tempo de enchimies- 1 de uma batelac Formade per nimeros reas € pesitivas, Considere cs tompos de enchimento de duss bateladis, Seja 4 o erenie-em que tempo de enchiments dle amb betes € menor gue 72.5 minuzor © seja B o evento em que 9 tempo de enchimento de ambas bateladas & Desereva, graficamente. 0 espago amestral para o tempo de enchi- mento das duss bateladss e mostre cada um dos seguinies eventos cx um grarica bicimensional (wa (Aan ws aus 2-6. 0 controle remote de abertura de um portio de getagem tem umn cédigo dererminado pelo movimento pant sims ou para Baixo de 12 ‘ntemutares. Quuntes resuliados esto no espago aunostal de euliges possiveis? 2-35, Um pedidlo de comp de um computador pes iia! pode “especifcarqualquer um doscinco lamanhos de memoria, qualgue® un Los igs tipos de video, qualquer um das quatro tamanos de discosfg- do e pede incluir ou nao unt extensor de meméria, Quantos sisters aiferenies podem ser encomencados? 2-36. Em umm operagio de fabricagio, um item € produzide per Usinagem, polimento ¢ pintara. Se ha ts ferramentas de usinagem, inentas de polimento e ués ferramentis de pinura, quantas yiidatde polinisatoiede- rien oonnlindo em winger pois pinturs) sio possiveis para izom? ntode deuas rosidoais Nowos projetos part om tinge de (ata tm propos t8s formas passives. guano tamanbos iferentes, és Incaliacies diferentes para vllvulas de alimentazo de material equ two localizagbes diferentes para as valvulas de rtiradade material. Quan lus projetos diferentes do produto sio possivel 2-38, {Um processo de fabricago cnnsisteem Moperaghes«qve padera cr compleiades em qualquer orem. Guantas seadeacics diterentes de produi0 Sto possiveis? 2-38, (Um processo de fabricagio consiste em 10 opzragies. Entetan- 1p, cinco operagdes de usinagemdeverser compketadas antes que gual ‘quer uma eas cinco cperapdes restantes de montagem possa comecatDeriro de ead conjenta de cinco, operayes podem ser eompletadas em qualquer orden. Quantas seqincias diferentes de prod 2.40. Emuma operacio de chapa metilicn, ts entalhes © quaten do Dramentos so nequerides. Se as apenas poster ser estas em al gue" onder, quartas maneiras diferentes sio possiveis parn completar rica? 2-41. Um Tote de 140 pastihas (chips) smmvordutoras € inspeciona- do. eseolhendo-se uma amostra de cinea pastlhas, Supomha que U0 das pasilhas mio neem aos roquerimentes dos consurridores, (Quantas amosras diferentes sav possivers? ) Quantas annostas de Cinco vontem eAatamente una pasiths bo conforme? ©) Qusntas amostras de cine Gontém ao rafnimo una pastilhs no forme? 2.42, Na cisposigdo de uma placa de cireuito ieprasso pars nen prod etrinico, hi 12 localizages diferentes que pxdom seomocar past 12) Se cinco tipas diferentes de pasilhss devem ser colecackas na placa, qantas disposigdes diferentes io possivsis! p) Seas eineo pastas colucagas aa placa sin do mes Gpa, quanto Lisposgbes diferentes S30 passives? 2-43, No labecatorio de analises de anosiras de um processo qumico, Sospamstras do processo sio nals darianients.Além dso, ea ‘snot controle ¢anaisida dss veres porcia para Verfiear nealibr doe instruments de tata 2) Quantas seqigncias dite amostras de processo ee conti Jr sio possiveis por dia? Suponiia que as einen anotras de proces- so sejam consideraday idénticas-¢ que as duas arnostras de controle sejam consideradas idemiicas? {) Quant sequgneias diferentes de amosras de processo e de conira= Ie io possivels se consilerarmns que as cincu amonteay de proce ? Pedidos de compras do-um comautader so sarmarizades pelos maior que ou itens opeioraissoticitidos coma segue proporgio de pedidos de compras rnennum item opeional 03 sum item opefonal ais de urn item epcionl (a) Qualé aprobabilidade doum pedide decomprasolicitar a0 minime vim em opeional? (b) Qual ¢ probabilidade de um pedido de compra nao solicitar mais de um tem opeional’? 2.53, Uma pega moldade por injegio éigualmente provavel de ser ob- tida. partir de qualgjer uma des oto cavidades de um mode,