Capítulo 4 As distribuições de probabilidade mais importantes em controle estatístico de qualidade (CEQ): atributos Sumário 4.1 Introdução 4.2 Distribuição binomial 4.3 Exemplo da distribuição binomial em aceitação por amostragem 4.4 Desvio padrão aproximado da distribuição binomial 4.5 Distribuição Poisson 4.6 Questões para discussão e exercícios 4.7 Referências 1 4.1 Introdução • Embora as variáveis mensuráveis sejam extremamente importantes na área de CEQ, existe outro tipo de variável também importante e tem que ser considerada com atenção especial porque com elas as equações de variabilidade são diferentes. • Variáveis discretas assumem valores inteiros. Se aplicar erradamente fórmulas da distribuição normal às variáveis discretas, qualquer análise subsequente estará sob suspeita. • Se responder que tem 25 e meio elementos numa amostra, então tem algo errado, pois meia peça observada não existe. 2 4.2 Distribuição binomial (população infinita) Para calcular a probabilidade de ocorrer certo número de defeituosas (sucessos?) numa amostra (população infinita) temos que ter o tamanho da amostra (n), a probabilidade (p) de uma peça ser defeituosa (talvez do histórico da empresa ou de uma garantia), e o resultado (d) de número de defeituosas que apareceram na amostra. n! n d P (d ) p d 1 p d!(n d)! n! significa uma operação fatorial, por exemplo, 3! = 3*2*1 = 6. Numa amostra de 100 = n peças, qual é a probabilidade de ter 4 = d peças não conformes na amostra se historicamente a taxa de rejeição da fábrica é apenas 1%. Este tipo de questão é a base de inspeção (aceitação) por amostragem e hoje em dia aparece em contratos legais entre clientes e fornecedores. Vamos clarificar isso com um exemplo. 3 4.3 Exemplo da distribuição binomial em aceitação por amostragem • • • • • Uma unidade fabril de pregadores de roupa produziu um lote de tamanho 40.000. O tamanho do lote é muito grande e pode ser considerado infinito, prérequisito para utilizar a distribuição binomial. Aleatoriamente são escolhidos 100 pregadores para formar uma amostra representativa da população. A taxa de pregador defeituoso da fábrica é historicamente 0,8% (um pouco abaixo de 1%, 8/1000 = p). No entanto, 8 = d dos pregadores da amostra de tamanho 100 não funcionam e então são considerados defeituosos. P(8) 100! 0,0088 (1 0,008)100 8 8!(100 8)! P(8) = 186.087.894.300*(0,008)8 (0,992)100-8 = = 0,0000015 = 15/10.000.000 = 1,5 PPM rejeição do lote 4 P(d) Figura 4.1 – As probabilidades P(d) para valores de d do exemplo dos pregadores (n=100; p=0,008) 0,5 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 0 1 2 3 4 5 6 7 8 d Em contratos entre fornecedores e compradores o seguinte plano de amostragem, PL(40.000; 100; 2; 3), quando o lote tem tamanho 40.000, e o tamanho da amostra fica em 100. Se até 2 pregadores defeituosos são encontrados na amostra ainda o lote é aceito, mas com 3 ou mais defeituosos é rejeitado. As normas para amostragem do ABNT, NBR 5426 5 4.4 Desvio padrão aproximado da distribuição binomial desvio padrão np1 p np1 p 100* 0,008(0,992) 0,9 . Zi d np 8 0,8 desvio padrão 0,9 Desvio padrão como percentagem d/n = 8,0 desvios padrão p1 p n 6 4.5 Distribuição Poisson (e d ) * (d d ) P( d ) d! dd dd 2,718d d! 2,718d * d! desvio padrão d (e 0,8 ) * (0,88 ) P(8) 0,0000019 1,9 PPM 8! 7 4.6 Questões para discussão e exercícios 1. Uma unidade fabril de compressores para equipamento médico produziu um lote de tamanho 1000. Aleatoriamente são escolhidos 25 compressores para formar uma amostra e testar se a taxa defeituosa do lote é no máximo 4% em conformidade com o contrato acordado. Dois dos compressores da amostra não são aceitáveis. Este fato é suficiente para rejeitar o lote como defeituoso demais? O fato é que dois compressores defeituosos na amostra ainda dando uma percentagem de defeituosas igual a 8% não são evidencia suficientemente contundente para rejeitar o lote. Pôr que? Resposta: A função de probabilidade binomial para calcular as probabilidades associadas a esta questão dá um resultado de 19%. P(2) = [25!/2!*23!]*0,042*0,9623 = 0,19 Isso significa que em aproximadamente 20% das amostras de tamanho 25 haverá dois compressores ruins respeitando a percentagem histórica de defeituosas em 4%. Nessas circunstâncias que parecem nada fora do comum, amostras com dois defeituosas são esperadas, e jogar fora um lote de 1000 com fracas evidências como isso aumenta o risco de rejeitar um lote bom e assim ser errado. O fato é que o Estatístico condena lotes quando as probabilidades são bem menos, ate mesmo 1% ou menos. Se fosse utilizada a distribuição Poisson a resposta é praticamente igual, 18%. 8 4.7 Referências NBR 5426 - Planos de amostragem e procedimentos na inspeção por atributos. Associação Brasileira de Normas Técnicas - ABNT 9