Sobre a amostragem simples, responda:
a) Uma medida importante do desempenho de um plano de amostragem de aceitação é a curva característica de operação (CCO). O que a CCO mostra e de que forma é obtida a CCO ideal?
b) O que é o poder discriminatório da CCO? O número de aceitação e o tamanho da amostra estão relacionados com o poder discriminatório da CCO? Justifique.

Passo 1

O enunciado pede duas coisas claras:
a) Explicar o que a curva característica de operação (CCO) mostra e explicar de que forma se obteria a CCO ideal.
b) Explicar o que é o poder discriminatório da CCO e dizer se o número de aceitação e o tamanho da amostra estão relacionados com esse poder, com justificativa.
Informações/dados que vamos usar (tudo que é relevante para responder):
  • Estamos em amostragem simples (uma só amostra).
  • Denotarei por n o tamanho da amostra, por c o número de aceitação (aceita-se o lote se forem encontrados \le c defeituosos na amostra) e por p a proporção de itens defeituosos no lote (hipótese variável que percorre [0,1]).
  • A CCO é a função que, para cada p, dá a probabilidade de aceitar o lote, que vou chamar de P_a(p).
  • Vou usar o modelo binomial (correto quando o lote é grande ou quando assumimos independência entre itens amostrados) para escrever P_a(p). Se o lote for pequeno usaríamos hipergeométrica — farei uma observação sobre isso.
Não estou resolvendo nada ainda; só organizei o que é pedido e as variáveis que usarei.

Passo 2

O que a CCO mostra — explicação didática e fórmula básica.
  • Intuição simples: a CCO mostra “quão provável é que um lote com proporção de defeitos p seja aceito pelo plano de amostragem”. Ou seja, ela responde: se o lote tiver exatamente p defeituosos, qual é a probabilidade de a amostra nos levar a aceitar o lote?
  • Matematicamente, para amostragem simples com modelo binomial, a probabilidade de aceitar um lote com defeito p é a soma das probabilidades de observar 0,1,\dots,c defeituosos na amostra de tamanho n. Em fórmula:
P_a(p)=\sum_{k=0}^{c}\binom{n}{k}p^{k}(1-p)^{\,n-k}.
Expliquei cada símbolo: n = tamanho da amostra; c = número máximo de defeituosos permitido (número de aceitação); p = proporção real de defeituosos no lote; \binom{n}{k} = combinação que conta de quantas maneiras podemos ter exatamente k defeituosos na amostra.
  • Como se obtém a curva: você calcula P_a(p) para muitos valores de p entre 0 e 1 (na prática entre 0 e algo como 0,2 se defeitos são raros) e plota P_a(p) no eixo vertical contra p no eixo horizontal. Esse gráfico — de p para P_a(p) — é a CCO.

Passo 3

O que é a CCO ideal e como se “obtém” essa idealização.
  • CCO ideal (intuitivo): a CCO perfeita/discriminadora seria uma função degrau que vale 1 (aceita sempre) para todos os p menores que um limiar aceitável p_0 e vale 0 (rejeita sempre) para p>p_0. Em desenho é um degrau vertical em p=p_0. Isso quer dizer que ela separa perfeitamente lotes bons de lotes ruins sem erro.
  • Como se obtém isso na prática (explicação passo a passo):
    1. Se você fizer inspeção com 100% de verificação (inspecionar todo o lote), a decisão fica determinística: se a proporção real no lote for \le p_0 você aceita, caso contrário rejeita. Isso gera uma CCO em degrau (na prática o limiar p_0 depende da regra de aceitação). Então inspeção completa produz a CCO ideal.
    2. Alternativamente, tomando n\to\infty numa amostragem probabilística, a variabilidade da proporção amostral tende a zero (por causa da lei dos grandes números). Assim a probabilidade de aceitar passa de uma transição suave para uma transição quase vertical em torno do limiar definido por c/n. Em termos técnicos: o estimador \hat p= proporção observada tem variância \mathrm{Var}(\hat p)=p(1-p)/n; quando n cresce, a variância diminui e a distribuição de \hat p se concentra em torno de p, fazendo a curva ficar mais íngreme. No limite n\to\infty obtemos o degrau ideal.
  • Observação prática: não existe amostragem finita que seja perfeitamente ideal; a CCO ideal é uma referência teórica (limite quando inspeciona-se tudo ou n muito grande).

Passo 4

Como calcular na prática e um pequeno exemplo numérico (para fixar).
  • Fórmula usada (já dada):
P_a(p)=\sum_{k=0}^{c}\binom{n}{k}p^{k}(1-p)^{\,n-k}.
  • Exemplo rápido (bem didático): suponha n=10 e c=1. Para p=0{,}05 (5% defeituosos) a probabilidade de aceitar é
P_a(0{,}05)=\binom{10}{0}(0{,}05)^{0}(0{,}95)^{10}+\binom{10}{1}(0{,}05)^{1}(0{,}95)^{9}.
Eu poderia calcular numericamente (mas você pode fazer na prova somando os termos); o importante é entender que para cada p soma-se até c.
  • Se o lote for pequeno e a amostra for uma retirada sem reposição, usa-se distribuição hipergeométrica em vez de binomial — a ideia (aceitar com \le c defeituosos) permanece, só a fórmula muda.

Passo 5

O que é o poder discriminatório da CCO — explicação conceitual e formal leve.
  • Conceito intuitivo e amigável: o poder discriminatório é a capacidade da CCO de separar lotes “bons” de lotes “ruins”. Ou seja, é uma medida de quão abrupta/íngreme é a transição de P_a(p) de valores próximos a 1 para valores próximos a 0 quando p aumenta. Uma curva muito inclinada (quase degrau) tem alto poder discriminatório; uma curva suave (declínio gradual) tem baixo poder discriminatório.
  • Uma forma de quantificar é olhar para a inclinação da CCO na região de transição (a derivada |P_a'(p)|) ou medir a largura da faixa de p na qual P_a(p) cai, por exemplo, de 0{,}95 para 0{,}05. Quanto menor essa largura, maior o poder discriminatório.

Passo 6

Relação entre n, c e o poder discriminatório — justificativa técnica e intuitiva.
  • Efeito do tamanho da amostra n: aumentar n aumenta o poder discriminatório. Justificativa matemática simples: a proporção amostral \hat p tem variância
\mathrm{Var}(\hat p)=\frac{p(1-p)}{n}.
Isso significa que o desvio padrão de \hat p é proporcional a 1/\sqrt{n}. Quanto menor a variabilidade da estatística que usamos para decidir, mais “nítida” será a decisão entre aceitar e rejeitar, logo a CCO fica mais íngreme. Uma aproximação útil (para n grande) usa a aproximação normal da soma binomial e dá
P_a(p)\approx \Phi\!\left(\frac{c+0{,}5 - np}{\sqrt{np(1-p)}}\right),
onde \Phi é a função de distribuição normal padrão. Note que o termo no numerador cresce proporcionalmente a n (pois np aparece) e o denominador cresce como \sqrt{n}, portanto a razão cresce como \sqrt{n} — isto explica por que a transição fica mais rápida quando n aumenta. Conclusão: aumentar n torna a CCO mais íngreme → maior poder discriminatório.
  • Efeito do número de aceitação c: alterar c desloca e altera a forma da CCO. Intuitivamente:
    • Aumentar c torna o plano mais permissivo: para um mesmo p a probabilidade de aceitar aumenta, e a curva desloca-se para a direita (ou sobe em cada p). Isso reduz a probabilidade de rejeitar lotes razoavelmente ruins, então, dependendo do ajuste, pode diminuir a discriminação entre próximo de p_0.
    • Diminuir c torna o plano mais rigoroso: curva desloca-se para a esquerda (aceita menos) e pode aumentar a capacidade de separar bons de maus lotes na região de interesse.
    • Em termos de inclinação: c não altera diretamente a dependência de variância com n, mas muda o ponto onde a transição ocorre ( c/n é um parâmetro de referência). Assim, c e n trabalham juntos para fixar o limiar e a nitidez da curva.
  • Resumo prático: para aumentar o poder discriminatório você, tipicamente, aumenta n (amostra maior) e escolhe c adequado (normalmente menor se quiser ser mais rigoroso). A combinação n,c é usada para garantir riscos desejados (produtor/consumidor) em pontos AQL e LTPD: escolhe-se n e c de tal forma que
P_a(\text{AQL})\approx 1-\alpha\quad\text{e}\quad P_a(\text{LTPD})\approx \beta,
onde \alpha é o risco do produtor e \beta é o risco do consumidor. Esses dois pontos fixam a forma da CCO na região que interessa e determinam indiretamente o poder discriminatório prático do plano.

Passo 7

Observações finais, dicas para prova (tom amigável e prático).
  • Na prova: se pedirem a expressão da CCO, escreva a soma binomial \;P_a(p)=\sum_{k=0}^{c}\binom{n}{k}p^{k}(1-p)^{n-k}. Explique cada termo. Se for pedido o “ideal”, diga que é o degrau (obtem-se com inspeção total ou n\to\infty).
  • Se pedirem justificativa sobre n e c: explique que n afeta a variância da estatística e, portanto, a nitidez da curva; c muda o limiar de aceitação e, em conjunto com n, define quão abrupta e onde é a transição. Use a aproximação normal para convencer o avaliador se quiser mais rigor.
  • Fica a dica motivadora: pensando nesses dois parâmetros como “onde” ( c/n) e “quão certo” ( n) você torna a explicação natural e fácil de lembrar.

Resposta

(a) A CCO mostra, para cada proporção de defeitos p, a probabilidade de aceitar o lote: \displaystyle P_a(p)=\sum_{k=0}^{c}\binom{n}{k}p^{k}(1-p)^{n-k}. A CCO ideal é um degrau que aceita todos os lotes com p abaixo de um limiar e rejeita todos acima; esse degrau é obtido em inspeção completa (100% de verificação) ou como limite quando n\to\infty na amostragem probabilística.
(b) O poder discriminatório é a capacidade da CCO de separar lotes bons de ruins — é medido pela inclinação/abrupticidade da curva na região de transição. Sim: o tamanho da amostra n e o número de aceitação c influenciam o poder discriminatório. Aumentar n diminui a variância da proporção amostral ( \mathrm{Var}(\hat p)=p(1-p)/n) e torna a transição mais íngreme (maior poder discriminatório); alterar c desloca a posição da transição (e, em conjunto com n, afeta a nitidez e os riscos do plano).

Exercícios relacionados