Identifique a técnica de amostragem e discuta as fontes de parcialidade em potencial (se houver). Explique.
Para assegurar a qualidade, cada 20^{\mathrm{a}} peça de motor é selecionada de uma linha de montagem e testada para durabilidade.

Passo 1

O que o enunciado pede:
  • Identificar a técnica de amostragem usada.
  • Discutir as possíveis fontes de parcialidade (bias) dessa escolha.
Informações fornecidas pelo enunciado:
  • “Cada 20^{\mathrm{a}} peça de motor é selecionada de uma linha de montagem e testada para durabilidade.”
    Ou seja, há um procedimento de seleção sistemática com intervalo k=20.

Passo 2

O que é a técnica — definição e como se aplica aqui (explicação passo a passo):
  • Amostragem sistemática: é um procedimento em que, a partir de uma lista ou de uma ordem física dos elementos, escolhe-se um elemento inicial e depois se toma todos os elementos a cada k posições.
  • No caso dado: o intervalo é k=20. Se a posição inicial for r (com r inteiro entre 1 e 20), então são selecionadas as peças nas posições r, r+20, r+40,\dots ao longo da linha.
  • Observação importante (princípio operacional): para que a amostragem sistemática seja tratada como uma amostragem probabilística correta, o início r deve ser escolhido aleatoriamente e uniformemente entre 1 e 20. Se o início não for aleatório, a técnica deixa de garantir probabilidades conhecidas de seleção.

Passo 3

Propriedades probabilísticas e cálculo simples (para entender o efeito):
  • Intervalo de seleção: k=20.
  • Fração de amostragem aproximada: f=\dfrac{1}{k}=\dfrac{1}{20}=0,05 (ou 5\% das peças, aproximadamente).
  • Probabilidade de seleção de uma peça (quando o início é aleatório): \pi_i=\dfrac{1}{k}=\dfrac{1}{20} para todo elemento i do lote. Isso significa que, com início aleatório, cada peça tem a mesma probabilidade de ser escolhida — característica desejável de amostragem probabilística.

Passo 4

Vantagens práticas da amostragem sistemática (por que se usa):
  • Simplicidade de implementação na linha de montagem (é fácil contar e recolher a cada 20ª peça).
  • Boa cobertura temporal/espacial: espalha as amostras ao longo da produção, capturando variações ao longo do tempo melhor do que pegar, por exemplo, 5 peças consecutivas.
  • Economia de tempo e custo em comparação com sorteios totalmente aleatórios.

Passo 5

Principais fontes de parcialidade (bias) e por que elas ocorrem — explicação didática com exemplos
  1. Periodicidade/alinhamento entre k e padrões de defeitos (o maior risco)
    • Se houver um padrão periódico de defeitos ou variações na qualidade com período que coincide (ou é divisor) de k, a amostragem sistemática pode super- ou sub-representar defeitos.
    • Exemplo numérico simples: suponha que todas as peças nas posições múltiplas de 20 (ou seja, posições 20,40,60,\dots) estejam defeituosas (por uma vibração da máquina que ocorre a cada 20 peças).
      • Se o início escolhido for r=20, a amostra pegará só peças defeituosas → estimativa de defeito = 1 (100%), superestimando muito.
      • Se o início for r=1, a amostra pode não pegar nenhuma peça defeituosa → estimativa de defeito = 0, subestimando.
    • Conclusão: sem cuidado com o início, a sistemática pode produzir estimativas extremamente viesadas quando existe periodicidade na produção.
  2. Início não aleatório
    • Se o operador sempre começar a contar a partir do primeiro produto do turno (sempre r=1) ou a partir de um padrão fixo, não há garantia de probabilidade igual para todas as peças; isso cria bias dependendo da relação entre começo e padrões de defeito.
  3. Estrutura heterogênea da produção (turnos, máquinas, lotes)
    • Se a linha muda de comportamento por turno, por máquina ou por lote, e o processo de amostragem não leva isso em conta (por exemplo, realiza amostragem apenas no turno da manhã), pode haver viés por não-penalizar/representar adequadamente outras condições. Mesmo com k=20, se a amostragem ocorrer sempre em horários semelhantes, alguns estados da produção podem ficar subamostrados.
  4. Peças que não entram no quadro de amostragem (problemas de frame)
    • Se algumas peças são inspecionadas/retiradas antes do ponto de contagem ou seguem outro fluxo, elas ficam fora da população efetivamente amostrada (não cobertura), causando parcialidade.
  5. Teste destrutivo
    • Se o ensaio de durabilidade destrói a peça, isso pode alterar o fluxo de produção ou provocar substituições que interfiram em amostragens futuras (efeito na população real). Além disso, a necessidade de remover peças destruídas pode levar a práticas de substituição não padronizadas, introduzindo viés operacional.
  6. Erro humano de contagem/registro
    • Contagem incorreta (pular, repetir contagem) ou registros errados podem introduzir vieses sistemáticos.
  7. Tendência temporal (trend) na qualidade
    • Se a qualidade muda sistematicamente ao longo do tempo (por ex., a máquina degrada ao longo do turno), a sistemática com intervalo fixo garante dispersão, mas dependendo de quando e como a amostragem é iniciada pode super/ sub representar fases específicas. Em alguns casos pode ser bom (captura a variação), em outros pode falhar se o padrão não for bem coberto.

Passo 6

Como detectar e mitigar essas fontes de parcialidade (práticas recomendadas)
  • Escolher o início aleatoriamente: sortear r uniformemente em \{1,\dots,20\} a cada período relevante (p.ex., cada caixa, cada hora ou cada dia). Isso assegura que cada peça tenha \pi_i=1/20.
  • Verificar periodicidade: analisar dados históricos para ver se há ciclos com período próximo a 20 (ou divisores de 20). Se houver periodicidade, evitar k coincidente com esses períodos ou usar outro método.
  • Rotacionar ou variar o início: não usar sempre o mesmo r; alternar ou sortear novo r regularmente reduz risco de alinhamento com ciclos.
  • Estratificar quando adequado: se existem turnos/máquinas/lotes com comportamentos distintos, fazer amostragem separada dentro de cada estrato (ex.: estratificar por turno e aplicar sistemática ou aleatória dentro de cada estrato).
  • Complementar com amostragem aleatória: de tempos em tempos, tirar amostras simples aleatórias (SRS) para checar se as estimativas sistemáticas estão coerentes.
  • Reduzir k ou aumentar o tamanho amostral quando houver suspeita de variações finas: diminuir k (amostrar mais frequentemente) diminui chance de perder padrões de defeito raros.
  • Tratar testes destrutivos com cuidado: planejar substituição/controle para que a remoção da peça amostrada não altere a população de forma enviesada.
  • Controle operacional: treinar pessoal, padronizar contagem e registro, auditar o processo de amostragem.

Passo 7

Resumo interpretativo final (por que isso importa na prova/prática)
  • A regra “cada 20^{\mathrm{a}} peça” caracteriza claramente amostragem sistemática com k=20.
  • A técnica é prática e eficiente, mas oferece risco de viés principalmente se existir periodicidade na produção que se alinhe com k ou se o início não for aleatório.
  • Com medidas simples (início sorteado, checagem de periodicidade, estratificação e amostras aleatórias complementares) é possível manter a eficiência prática e reduzir fortemente as fontes principais de parcialidade.

Resposta

Técnica: amostragem sistemática com intervalo k=20.
Fontes potenciais de parcialidade:
  • Alinhamento com periodicidade de defeitos (se houver um ciclo de defeitos com período divisor de 20, a amostra pode super- ou sub-representar defeitos).
  • Início não aleatório (usar sempre a mesma posição inicial cria viés).
  • Heterogeneidade não coberta (diferenças por turno, máquina ou lote que não sejam estratificadas).
  • Problemas de frame (peças que escapam ou são removidas antes da contagem).
  • Teste destrutivo que altera a população ou a prática de substituição.
  • Erro humano na contagem/registro.
Recomendações rápidas para mitigar: sortear o início em \{1,\dots,20\}, checar/evitar periodicidades coincidentes com k, estratificar por turno/máquina quando necessário, e complementar com amostragem aleatória ocasional.

Exercícios relacionados