Baixe o app para aproveitar ainda mais
Prévia do material em texto
Lista 7 de Exerc´ıcios de Controle Estat´ıstico de Qualidade Isadora Cassador Coˆnsoli Silva 1 1 Lista 7 Gra´ficos de controle por varia´veis Nu´mero 1: Um processo e´ controlado com um gra´fico de controle para a frac¸a˜o na˜o-conforme com limites treˆs-sigma, n = 100, LSC = 0,161, linha central = 0,080 e LIC = 0. a. Ache o gra´fico de controle equivalente para o nu´mero de na˜o conformes. Note que da forma como o problema esta´ descrito, podemos perceber que ele se trata de um gra´fico p (Gra´fico de controle do nu´mero de defeituosos) e um gra´fico equivalente que poder´ıamos utilizar e´ o gra´fico np (Gra´fico de controle da frac¸a˜o de delituosos). Mostraremos enta˜o os limites de controle para cada um dos casos: n = 100 LSCp = 0, 161 LMp = 0, 080 = p LICp = 0 np = 100 (0, 080) = 8 LSCnp = np+ 3 √ np (1− p) = 8 + 3√8 (0, 92) ∼= 16, 14 LMnp = np = 8 LICnp = np− 3 √ np (1− p) = 8− 3√8 (0, 92) ∼= −1, 380⇒ 0 b. Use a aproximac¸a˜o de Poisson para a binomial para encontrar a proba- bilidade de um erro tipo I. Como p=0,0080 ¡ 0,1 e n=100 e´ grande, podemos aproximar a Poisson pela Normal; P (erroT ipo1) = α P (erroT ipo1) = P (D < LIC|p) + P (D > LSC|p) P (erroT ipo1) = P (D < LIC|p) + [1− P (D ≤ LSC|p)] = P (D < 0|p = 8) + [1− P (D ≤ 16|p = 8)] P (erroT ipo1) = 0 + [1− POI (16, 8)] = 0 + (1− 0, 996) = 0, 004 Informac¸a˜o importante sobre o ca´lculo acima: a sigla POI significa a acu- mulada da distribuic¸a˜o Poisson. c. Use a aproximac¸a˜o correta para encontrar a probabilidade de um erro tipo II, se a frac¸a˜o na˜o-conforme do processo muda para 0,2. 2 Se agora p, = 0, 20 e np, = 100 (0, 20) = 20 > 15, enta˜o podemos usar uma aproximac¸a˜o da normal para a normal. P (erroT ipo2) = β P (erroT ipo2) = P (pˆ < LSC|p,)− P (pˆ ≤ LIC|p,) P (erroT ipo2) = φ ( LSC−p,√ p(1−p) n ) − φ ( LIC−p,√ p(1−p) n ) = φ ( 0,161−0,20√ 0,08(1−0,08) 100 ) − φ ( 0−0,20√ 0,08(1−0,08) 100 ) P (erroT ipo2) = φ (−1, 44)− φ (−7, 37) = 0, 07494− 0 = 0, 07494 d. Qual e´ a probabilidade de detectar a mudanc¸a do item (c), no ma´ximo ate´ a quarta amostra apo´s a mudanc¸a? P (DetectarAte´aQuartaAmostra) = 1 − P (NaoDetectarAte4amostra) = 1− 0, 074944 = 0, 99997 2. Um gra´fico de controle para a frac¸a˜o na˜o-conforme, com linha central 0,10, LSC = 0,19 e LIC = 0,01 e´ usado para controlar um processo. a. Se sa˜o usados limites treˆs-sigma, ache o tamanho da amostra para o gra´fico de controle. p = 0, 10 = LM LSC = 0, 19 LIC = 0, 01 n =? LSC = p+ 3 √ p(1−p) n ⇒ 0, 19 = 0, 10 + 3 √ 0,10(0,90) n ⇒ n = 100 b. Use a aproximac¸a˜o de Poisson para a binomial para achar a probabilidade de erro tipo I. λ = np = 100 (0, 10) = 10 P (erroT ipo1) = α P (erroT ipo1) = P (pˆ < LIC|p) + P (pˆ > LSC|p) P (erroT ipo1) = P (D < n× LIC|λ) + [1− P (D ≤ n× LSC|λ)] = P (D < 100 (0, 01) |λ = 10) + [1− P (D ≤ 100 (0, 19) |λ = 10)] P (erroT ipo1) = POI (1; 10) + [1− POI (19; 10)] = 0, 0005 + (1− 0, 9965) = 0, 004 Informac¸a˜o importante sobre o ca´lculo acima: a sigla POI significa a acu- mulada da distribuic¸a˜o Poisson. c. Use a aproximac¸a˜o de Poisson para a binomial para achar a probabilidade de um erro tipo II, se a frac¸a˜o de defeituosos do processo e´, na verdade, p = 0,20. 3 p, = 0, 20 λ = np, = 100 (0, 20) = 20 P (erroT ipo2) = β P (erroT ipo2) = P (D < n× LSC|λ)− P (D ≤ n× LIC|λ) P (erroT ipo2) = P (D < 100× 0, 19|λ = 20)− P (D ≤ 100× 0, 01|λ = 20) P (erroT ipo2) = POI (19; 20)− POI (1; 20) = 0, 4703− 0 = 0, 4703 d. Ache o comprimento me´dio da sequeˆncia para detectar uma mudanc¸a para uma frac¸a˜o na˜o-conforme de 0,15. e. Ache o comprimento me´dio da sequeˆncia se a frac¸a˜o na˜o-conforme muda para 0,20. 3. Um grupo de manutenc¸a˜o melhora a efica´cia de seu trabalho de reparo, monitorando o nu´mero de requisic¸o˜es de manutenc¸a˜o que exigem uma segunda chamada para reparo completo. a. Ache os limites de controle tentativos para esse processo. Podemos ver pelos dados que o tamanho amostral e´ varia´vel (total de req- uisic¸o˜es)e ale´m disso se trata de uma varia´vel aleato´ria discreta,por isso devemos utilizar o gra´fico de u (Gra´fico de Controle do nu´mero me´dio de na˜o conformi- dade na amostra). u¯ = m∑ i=1 Ci m∑ i=1 ni = 833750 = 0, 02213 LSCui = u¯+ 3 √ u¯ ni LMui = u¯ LICui = u¯− 3 √ u¯ ni Dessa forma, os limites de controle tentativos para este processo sera˜o: 4 Figure 1: b. Elabore um gra´fico de controle para controlar a produc¸a˜o futura. Figure 2: Se a investigac¸a˜o foi feita e nenhuma causa especial foi detectada durante o processo de coleta da amostra, enta˜o o gra´fico apresentado acima e´ o recomen- dado para controlar a produc¸a˜o futura; c. Analise os dados, usando um tamanho me´dio de amostra. O tamanho me´dio da amostra sera´ dado pela seguinte expressa˜o: n¯ = m∑ i=1 ni m = 200+250+...+250 20 = 187, 5 Com um tamanho de amostra fixo (n¯), podemos utilizar o gra´fico de C de na˜o conformidades na amostra. Veja a figura abaixo: 5 Figure 3: Pela figura acima, parece que o processo esta´ sob controle, pois todos os pontos ficaram dentro dos limites. No entanto, ha´ ind´ıcios de ter havido alguma causa especial durante o processo, pois as amostras 5 a 14 ficaram abaixo da linha central. Uma investigac¸a˜o neste per´ıodo deveria ser feito. d. Construa um gra´fico de controle padronizado para os dados. A padronizac¸a˜o e´ feita da seguinte forma: Zi = ui − u¯√ u¯ ni 6 Figure 4: Veja abaixo o gra´fico de u padronizado: 7 Figure 5: Assim como no gra´fico da questa˜o c), o processo parece estar sob controle. Tambe´m observamos que ha´ ind´ıcios de ter havido alguma causa especial durante o processo, pois as amostras de 5 a 14 ficaram todas abaixo da linha central. e. Prepare um gra´fico de controle que tenha um conjunto de limites para cada tamanho de amostra poss´ıvel (n = 100, 150, 200 e 250) e mostre como ele poderia ser usado como alternativa ao me´todo de limites de controle largura varia´vel [itens (a) e (b)]. Qua˜o fa´cil seria o uso desse me´todo na pra´tica? Para o gra´fico de p com tamanho de amostras varia´vel, temos: p¯ = ∑ Di∑ ni = 833750 = 0, 0221 eos limites sa˜o dados por: p¯± 3 √ p¯(1−p¯) ni 8 Figure 6: Figure 7: Como esperado, todas as amostras ficaram dentro dos limites de controle, pois elas ja´ haviam ficado entre os limites na situac¸a˜o de largura fixa. A aplicac¸a˜o do gra´fico de u de largura varia´vel, em termos pra´ticos, seria fa´cil, uma vez que esse me´todo ja´ esta´ implementado em diversos softwares. 4. Uma fa´brica de papel usa um gra´fico de controle para monitorar imper- feic¸o˜es nos rolos de papel acabado. O resultado da produc¸a˜o e´ inspecionado durante 20 dias. a. Use esses dados para estabelecer um gra´fico de controle para na˜o con- formidades por rolo de papel. O processo parece estar em controle estat´ıstico? Qual linha central e quais limites de controle voceˆ recomendaria para controlar 9 a produc¸a˜o corrente? Os dados apresentam tamanho de amostras diferentes, dessa forma, devemos utilizar o gra´fico de u (Gra´fico de controle do nu´mero de na˜o conformidade na amostra). Figure 8: 10 Figure 9: b. Estabelec¸a um gra´fico de u, com base no tamanho me´dio da amostra, para controlar esse processo. O tamanho amostral me´dio e´ dado por: n¯ = m∑ i=1 ni m = 18+18+...+21 20 = 20, 55 No gra´fico constru´ıdo, vemos que todos os pontos ficaram bem pro´ximos da linha central e temos que os limite superior esta´ bem afastado da linha central. Apesar de todos os pontos estarem dentro dos limites,percebemos que parece haver uma sazonalidade nos dados. Figure 10: Pelo gra´fico de controle, podemos ver que todos os pontos observados ficaram entre os limites de controle, mas parece haver uma sazonalidade no nu´mero de imperfeic¸o˜es nos rolos de papel acabados. 11 c. Estabelec¸a um gra´fico de u padronizado para esse processo. Figure 11: Figure 12: O comportamento do gra´fico de controle para os dados padronizados foi o mesmo do gra´fico de u baseado no tamanho me´dio da amostra. Todos os pontos observados ficaram entre os limites de controle e parece haver uma sazonalidade no nu´mero de imperfeic¸o˜es nos rolos de papel acabados; 5. Kittlitz (1999) apresenta dados de homic´ıdios em Waco, Texas, para os anos 1980-1989 (dados extra´ıdos de Waco Tribune-Herald). Houve 29 homic´ıdios 12 em 1989. O conjunto de dados encontra-se dispon´ıvel na planilha: BD cep listas.xls/guia : homicidios, contendo os dados dos homic´ıdios de 1989 e o nu´mero de dias entre eles. Salienta-se que ocorreram dois homic´ıdios em 16 de junho, separados por um intervalo de 12 horas. a. Plote os dados dos dias entre homic´ıdios em um gra´fico de probabilidade normal. A hipo´tese de uma distribuic¸a˜o normal parece razoa´vel para esses dados? Figure 13: Na Figura acima apresentamos o gra´fico de probabilidades. Podemos ver suposic¸a˜o de normalidade na˜o parece adequada, os pontos na˜o esta˜o alinhados com a reta. b. Transforme os dados, usando a raiz 0,277 para eles. Plotes os dados transformados em um gra´fico de probabilidade normal. O gra´fico indica que a transformac¸a˜o foi bem-sucedida em tornar os dados mais parecidos com os dados de uma distribuic¸a˜o normal? 13 Figure 14: Como podemos ver pela Figura acima, a transformac¸a˜o dos dados pela raiz 0,277 deixou os dados um pouco mais pro´ximos de dados normais. c. Transforme os dados usando a raiz quarta (0,25) para os dados. Plotes os dados transformados em um gra´fico de probabilidade normal. O gra´fico indica que a transformac¸a˜o foi bem-sucedida em tornar os dados mais parecidos com os dados de uma distribuic¸a˜o normal? Esse gra´fico e´ muito diferente daquele obtido em (b)? Figure 15: Podemos perceber que esta segunda transformac¸a˜o (0,25) foi bem mais suce- dida, pois os dados se ajustaram bem a` reta. Ale´m disso, note que na˜o rejeita- 14 mos H0 (em que H0: os dados seguem uma distribuic¸a˜o normal). No entanto, a transformac¸a˜o pela raiz 0,25 na˜o pareceu ter um efeito melhor que a trans- formac¸a˜o pela raiz 0,277, vemos que os dois gra´ficos de probabilidades parecem ser o mesmo. d. Construa um gra´fico de controle para unidades individuais usando os dados transformados de (b). Figure 16: O processo parece estar sob controle, pois todos os pontos esta˜o dentro dos limites e esta˜o distribu´ıdos de forma aleato´ria. e. Construa um gra´fico de controle para unidades individuais usando os dados transformados de (c). Qua˜o semelhante e´ esse gra´fico em relac¸a˜o ao constru´ıdo em (d)? 15 Figure 17: Assim como aconteceu para os dados transformados pela raiz 0,2777, os dados transformados pela raiz 0,25 parecem estar sob controle, podemos ver pela Figura acima que todos os pontos esta˜o dentro dos limites e esta˜o distribu´ıdos de forma aleato´ria. f. O processo e´ “esta´vel”? Deˆ uma interpretac¸a˜o pra´tica do gra´fico de controle. Sim, o processo parece estar sob controle, pois vimos que todos os pontos ficaram dentro dos limites de controle e estavam distribu´ıdos de forma aleato´ria no gra´fico. Em termos pra´ticos, o nu´mero de homic´ıdios em Waco, Texas, se manteve “constante” em torno de uma me´dia. Na houve um aumento ou uma diminuic¸a˜o significativa no nu´mero de homic´ıdios durante o per´ıodo de coleta dos dados. g. Que dificuldades pra´ticas podem ser encontradas no monitoramento de dados de tempo entre eventos? Dentre as dificuldades do monitoramento que podem acontecer podemos citar a omissa˜o de informac¸o˜es, na˜o registro de casos, dificuldade de acesso, ”maquiagem” nos dados, questo˜es pol´ıticas e culturais. 16
Compartilhar