Baixe o app para aproveitar ainda mais
Prévia do material em texto
Aluno: Juliano Nunes da Silva EXERCÍCIOS DO MINITAB CONSTRUÇÃO DE GRÁFICOS I.1) Construir um gráfico de dispersão (stat/regression/regression) aos dados da tabela, onde Y = densidade de um produto, em g/cm3 e X = adição de molibdênio, em mícron. Y 4,32 4,38 4,67 4,72 4,99 5,05 5,32 5,48 5,66 X 136 207 276 333 381 409 476 588 802 I.3) Construir um gráfico setorial, "pizza" (graph/pie chart/chart values from a table) e de colunas (graph/bar chart/values from a table/simple) para representar os dados da tabela (quantidade de vendas de um produto, em milhões de unidades, em 2010, por filial de uma empresa). Diadema Moema Saúde Limeira Itapira Santos Outras 394 536 122 222 78 498 17 I.4) Usar um gráfico de linhas (graph/time series plot) para mostrar, simultaneamente, a variação anual do consumo de aditivo, catalisador e apassivador de uma indústria química (dados em mil reais). A seguir, projetar o consumo total para 2011 (stat/time series/trend analysis). Ano 2003 2004 2005 2006 2007 2008 2009 2010 Aditivo 56 62 60 67 73 70 79 81 Catalisador 123 114 108 118 108 100 93 82 Apassivador 94 99 109 100 123 136 148 160 · Projeção de Consumo do Aditivo · · Método Tipo de modelo Modelo de Tendência Linear Dados Aditivo Tamanho 8 NFaltantes 0 · Equação de Tendência Ajustada Yt = 52,64 + 3,524 × t · Medições de Precisão EPAM 2,65941 DAM 1,79167 DPM 5,05952 · Previsões Período Previsão 2011 84,3571 · Projeção de Consumo do Catalisador · · Método Tipo de modelo Modelo de Tendência Linear Dados Catalisador Tamanho 8 NFaltantes 0 · Equação de Tendência Ajustada Yt = 128,57 - 5,071 × t · Medições de Precisão EPAM 3,8958 DAM 4,0893 DPM 25,6607 · Previsões Período Previsão 2011 82,9286 · Projeção de Consumo do Apassivador · · Método Tipo de modelo Modelo de Tendência Linear Dados Apassivador Tamanho 8 NFaltantes 0 · Equação de Tendência Ajustada Yt = 77,68 + 9,65 × t · Medições de Precisão EPAM 4,4126 DAM 4,8125 DPM 45,2336 · Previsões Período Previsão 2011 164,571 I.5) Os dados a seguir representam 596 devoluções de um produto, numa produção de 84.234 unidades vendidas. Pede-se: a) Construir um gráfico de Pareto (stat/quality tools/pareto chart), sabendo-se que os motivos de devolução foram: Tipo errado: 375 unidades; Embalagem amassada: 61; Cor errada: 109; Entrega fora do prazo: 39: Quantidade fora do especificado: 12. Para se reduzir o total devolvido em 80%, que problemas deveriam ser atacados prioritariamente? Resposta: Analisando o gráfico de Pareto de Defeitos no produto, para reduzir em um total de 80% nos problemas devemos atacar primeiramente os produtos que são enviados Errados que representa 62,9% e os produtos enviados com a Cor Errada, que representa 18,3% dos problemas, totalizando 81,2%. b) Idem, um Pareto de custo total, sabendo que os custos unitários associados a esses problemas sejam de $ 2,33 / 5,48 / 66,00 / 19,52 / 34,78, respectivamente. Resposta: Já nesse gráfico de Pareto, definido pelo custo unitário dos problemas, é necessário atacar primeiramente os produtos que são enviados na cor errada que representa 51,1% e nos produtos fora de especificação que represente 27,10%. I.6) Simular um diagrama espinha de peixe (stat/quality tools/cause and effect chart) para um problema real de sua empresa (exemplo: alto refugo); tentar usar os 6M’s: mão de obra, método, meio de medição, meio ambiente, máquina e material). I.8) Com os dados empilhados, construir e interpretar o boxplot para os dados, que representam os salários semanais pagos numa empresa de serviços, em reais (graph/boxplot/simple). Construir também o histograma (graph/histogram), o gráfico em pontos (graph/dotplot) e o gráfico de probabilidade nornal (graph/probability plot). 857,57 261,13 2101,48 664,06 4804,01 589,88 939,44 296,59 1062,52 519,86 1810,62 695,40 1172,67 2498,62 2335,82 1354,69 1711,44 2325,28 904,95 486,38 572,19 1684,60 1864,48 9,68 123,86 3276,62 48,11 2359,91 287,44 4001,76 1337,51 1863,06 1958,56 249,21 355,08 1530,05 2896,91 2287,84 521,30 479,88 3487,79 285,89 1605,64 41,53 148,07 1891,84 1240,62 3179,20 176,62 996,75 539,77 2309,13 3658,08 1867,24 563,60 383,48 33,72 21,67 1374,65 1246,91 895,02 2905,90 322,78 54,18 1613,15 1232,44 43,73 1554,11 1178,51 894,58 1281,71 31,99 873,84 1173,69 1616,58 1712,45 1312,07 851,95 584,40 25,65 543,76 156,70 2557,05 731,88 27,37 583,43 928,32 1040,00 3846,51 1125,36 I.9) o quadro mostra a evolução do consumo de energia elétrica de regiões brasileiras, em bilhões de kWh, de certo ano. Mostrar os dados num gráfico de áreas (graph/área graph). OUTROS SUDESTE SUL NORDESTE MÊS 127 345 88 178 fev 129 389 61 170 mar 156 351 43 167 abr 133 401 97 190 mai 146 397 83 185 jun 138 387 77 208 jul MINITAB – PARÂMETROS DESCRITIVOS E INDUTIVOS II.1) Um lote piloto de 21 peças foi ensaiada à fadiga e mediu-se o número de ciclos até a ruptura, em mil ciclos, obtendo os dados. Pede-se calcular os principais parâmetros descritivos, de posição e de dispersão, interpretando-os (stat/basic statistics/display descriptive statistics). 4200 3769 4318 3994 4872 5023 3785 2861 4279 4632 5024 5156 4447 4286 3375 3866 4792 4916 5222 4713 5004 II Variável Contagem Total Média TrMean DesvPad Variância CoefVar Mínimo Q1 Mediana Q3 Dados 21 4406 4445 629 395264 14,27 2861 3930 4447 4960 Variável Máximo Amplitude Moda N de Moda Dados 5222 2361 * 0 II.2) Gerar 300 números aleatórios, de acordo com uma distribuição normal de média 17. Construir o histograma e o box plot (graph/histogram/with fit e graph/boxplot/simple). II.3) Os dados a seguir referem-se à medição de amostras de dados de custo de um serviço, em mil reais, cujo valor esperado é de 66 ± 4,5 mil reais. Pede-se: 68,2 68,6 62,5 67,9 68,4 63,8 63,6 68,8 69,8 58,4 65,5 63,2 57,9 66,4 66,6 64,0 68,3 68,3 66,8 64,3 69,0 69,2 60,9 69,3 63,3 75,0 61,5 61,7 66,0 68,2 63,2 68,5 66,6 72,3 67,2 76,6 66,0 67,6 65,3 68,2 62,1 65,2 59,5 64,7 62,1 67,8 60,4 72,9 63,5 61,9 63,2 61,1 71,4 67,7 59,1 64,1 70,9 61,4 67,8 60,1 63,2 70,0 65,6 66,1 70,9 63,6 71,6 69,8 68,4 66,9 59,0 66,3 67,3 61,2 68,3 75,2 67,2 62,1 64,6 64,5 71,6 69,3 65,8 56,9 59,5 59,6 70,5 61,7 63,3 63,0 69,2 66,3 69,6 57,1 62,8 67,0 58,7 79,1 74,9 62,3 61,8 78,1 67,2 71,7 70,3 61,6 66,3 63,6 65,4 67,0 70,9 65,8 63,6 78,0 62,1 70,5 75,3 66,0 59,6 58,7 a) Construir um histograma (graph/histogram/with fit) e efetuar o teste de normalidade (stat/basic statistics/normality test); b) Obter parâmetros descritivos amostrais (stat/basic statistics/display descriptive statistics); Estatísticas Descritiva Variável Contagem Total Média TrMean DesvPad Variância CoefVar Mínimo Q1 Custo do Serviço 120 66,061 65,901 4,653 21,655 7,04 56,900 62,575 Variável Mediana Q3 Máximo Amplitude Moda N de Moda Custo do Serviço 66,050 68,750 79,100 22,200 62,1; 63,2; 63,6 4 c) Fazer o sumário gráfico (stat/basic statistics/graphical summary); nele, interpretar os intervalos de confiança para alguns parâmetros populacionais (média, mediana e desvio padrão), com alfa de 10%; existem pontos “fora da curva” ou “outlayers” no box plot? II.4) Os dados a seguir referem-se à medição de amostras de espessuras de chapas de alumínio, em mm, cuja especificação é de 2,52 ± 0,12 mm. Pede-se: 2,52 2,55 2,57 2,48 2,33 2,56 2,46 2,53 2,32 2,57 2,40 2,47 2,53 2,56 2,41 2,67 2,55 2,42 2,52 2,54 2,51 2,68 2,54 2,44 2,45 2,64 2,44 2,65 2,50 2,38 2,53 2,33 2,39 2,39 2,622,48 2,56 2,49 2,61 2,50 2,60 2,52 2,56 2,42 2,55 2,52 2,43 2,49 2,42 2,63 2,89 2,65 2,23 2,26 2,43 2,57 2,35 2,27 2,50 2,35 2,42 2,46 2,51 2,33 2,48 2,54 2,50 2,47 2,52 2,58 2,46 2,56 2,70 2,49 2,61 2,61 2,49 2,31 2,43 2,50 2,34 2,37 2,38 2,55 2,46 2,50 2,61 2,59 2,52 2,25 2,44 2,31 2,44 2,60 2,60 2,56 2,35 2,39 2,76 2,61 a) Construir um histograma (graph/histogram/with fit) com esses dados e efetuar o teste de normalidade (stat/basic statistics/normality test); b) Obter os principais parâmetros descritivos amostrais (stat/basic statistics/display descriptive statistics); Variável Contagem Total Média TrMean DesvPad Variância CoefVar Mínimo Esp. da Chapa de Alumínio (mm) 100 2,4933 2,4923 0,1133 0,0128 4,54 2,2300 Variável Q1 Mediana Q3 Máximo Amplitude Moda N de Moda Esp. da Chapa de Alumínio (mm) 2,4200 2,5000 2,5600 2,8900 0,6600 2,5; 2,52; 2,56 6 c) Fazer o sumário gráfico (stat/basic statistics/graphical summary); nele, interpretar os intervalos de confiança para alguns parâmetros populacionais (média, mediana e desvio padrão), com alfa de 5%; existem pontos “fora da curva” ou “outlayers” no box plot? II.5) A tabela seguinte foi obtida na execução de uma tarefa (dados em segundos), segundo 4 métodos de trabalho distintos (amostra). Sendo a especificação de 257 a 264 segundos, pede-se: Amostra M 1 M 2 M 3 M 4 Amostra M 1 M 2 M 3 M 4 1 258,5 263,9 262,3 259,7 51 261,0 265,8 262,9 263,2 2 257,8 261,0 261,3 261,7 52 261,0 266,4 262,6 266,4 3 262,9 259,7 264,8 263,9 53 260,7 264,2 259,4 263,9 4 263,6 260,4 260,4 256,2 54 261,7 261,7 258,1 260,4 5 261,0 263,6 262,6 260,7 55 260,7 262,3 258,1 266,4 6 263,2 261,3 263,2 259,7 56 260,7 262,0 260,4 257,2 7 263,6 264,5 263,9 256,2 57 262,3 262,6 257,2 261,3 8 266,1 269,0 263,2 259,7 58 260,1 261,3 258,8 261,3 9 261,7 264,8 264,5 260,4 59 259,4 259,1 257,2 259,7 10 261,7 263,9 262,3 261,0 60 257,8 258,8 258,8 261,0 11 261,0 266,7 258,1 259,7 61 255,9 262,3 262,0 262,9 12 261,7 268,0 261,3 265,8 62 259,4 262,6 263,9 263,9 13 260,1 270,2 261,0 262,6 63 260,4 263,2 264,8 258,8 14 259,7 269,6 266,7 266,4 64 258,5 262,0 263,2 256,6 15 261,0 269,3 261,3 258,8 65 260,4 264,5 263,6 262,6 16 262,0 260,4 263,2 262,9 66 258,5 263,9 260,1 260,7 17 262,0 259,4 264,2 262,3 67 261,7 264,2 263,6 260,4 18 259,7 261,0 261,7 264,8 68 257,2 263,9 260,7 260,7 19 260,4 260,4 261,3 261,0 69 258,8 260,1 259,7 266,1 20 263,6 258,8 264,8 263,2 70 266,4 261,0 259,7 264,8 21 264,8 259,4 261,7 254,6 71 264,5 262,3 262,0 262,0 22 264,8 258,8 259,7 258,5 72 263,6 260,1 257,8 264,2 23 262,3 261,7 262,0 258,8 73 261,0 260,1 258,5 262,9 24 263,9 260,7 261,3 261,7 74 262,9 260,7 259,1 260,7 25 264,8 263,6 262,6 263,9 75 266,4 259,7 259,7 260,4 26 264,2 263,9 262,6 262,0 76 263,2 262,3 260,7 263,6 27 258,5 262,0 259,4 263,2 77 263,2 263,9 261,7 263,2 28 262,6 259,4 260,1 262,6 78 264,5 262,0 259,4 264,5 29 262,9 259,1 258,8 259,7 79 262,3 261,3 256,9 261,7 30 265,8 255,9 262,6 266,1 80 263,6 258,8 259,1 259,7 31 262,3 260,4 262,0 263,6 81 263,6 258,5 261,3 255,6 32 260,4 256,9 259,7 264,2 82 261,7 261,0 259,7 258,5 33 262,0 260,4 260,4 258,8 83 262,6 260,1 260,1 258,8 34 262,9 261,7 260,1 264,5 84 261,7 259,7 260,1 261,0 35 263,6 262,0 262,3 266,7 85 262,6 260,7 260,7 261,3 36 263,2 262,0 265,5 255,3 86 262,9 262,6 263,6 265,5 37 260,4 262,3 263,2 259,4 87 260,1 263,2 261,0 261,7 38 264,5 262,0 256,6 261,0 88 262,0 262,3 257,5 260,4 39 263,6 264,2 268,0 261,0 89 262,0 262,9 259,4 262,9 40 263,6 262,9 267,4 262,6 90 263,6 262,9 264,8 263,9 41 261,7 263,9 263,2 259,7 91 261,3 262,9 264,8 269,6 42 261,7 265,5 255,3 266,7 92 262,0 263,2 262,6 272,8 43 262,9 269,9 263,2 266,4 93 262,9 262,0 264,5 264,8 44 261,7 268,3 262,3 260,1 94 262,9 264,2 261,0 264,5 45 262,3 264,8 263,6 262,3 95 261,3 261,3 262,3 264,5 46 261,0 261,7 263,6 266,4 96 262,0 265,8 262,3 262,0 47 260,7 261,7 269,6 261,0 97 262,3 262,9 262,9 259,1 48 263,6 264,2 263,9 259,4 98 263,9 264,8 262,6 260,4 49 261,7 263,2 266,4 259,4 99 262,3 263,9 265,2 260,4 50 261,3 263,2 263,9 260,4 100 266,4 269,3 263,2 265,8 a) Através de stat/basic/statistics/graphical summary, obter o histograma para cada método, verificando se o processo é capaz e se segue uma Normal; obter, também, os principais parâmetros estatísticos descritivos e indutivos (95% de confiança); b) Calcular que % de valores ultrapassa as tolerâncias (calc/probability distributions/normal); c) Idem, mas juntando os 400 dados; o processo é capaz? d) Analisar, com 95% de confiança, para os dados da parte c, se é possível concluir que: µ ≠ 261s ; Me ≠ 262s; ≠ 4s; e) Posteriormente, comparar pela ANOVA, com = 5%, se as variâncias dos tempos são iguais para os 4 métodos (stat/anova/test for equal variances), assim como se os tempos médios desses 4 métodos são iguais (stat/anova/one way). · Método Hipótese nula Todas as variâncias são iguais Hipótese alternativa No mínimo uma variância é diferente Nível de significância α = 0,05 · Intervalos de 95% de Confiança Bonferroni para os Desvios Padrão Amostra N DesvPad IC M 1 100 2,02130 (1,67574; 2,50056) M 2 100 2,81012 (2,28916; 3,53800) M 3 100 2,59070 (2,16177; 3,18428) M 4 100 3,06143 (2,48913; 3,86176) Nível de confiança individual = 98,75% · Testes Método Estatística de teste Valor-p Comparações múltiplas — 0,007 Levene 4,34 0,005 · ANOVA com um fator: M 1; M 2; M 3; M 4 · Método Hipótese nula Todas as médias são iguais Hipótese alternativa Nem todas as médias são iguais Nível de significância α = 0,05 Não assumiu-se igualdade de variâncias para a análise. · Informações dos Fatores Fator Níveis Valores Fator 4 M 1; M 2; M 3; M 4 · Teste de Welch Fonte Num GL Den GL Valor F Valor-P Fator 3 217,246 1,83 0,142 · Sumário do Modelo R2 R2(aj) PRESQ R2(pred) 1,49% 0,74% 2835,00 0,00% · Médias Fator N Média DesvPad IC de 95% M 1 100 261,989 2,021 (261,588; 262,390) M 2 100 262,589 2,810 (262,031; 263,147) M 3 100 261,724 2,591 (261,210; 262,238) M 4 100 261,914 3,061 (261,307; 262,521) II.6) Em operações financeiras pode-se ter ganhos e perdas. A tabela representa o saldo operacional de 80 dessas operações, estando os dados em mil dólares. Pede-se: 1,07 -1,37 -2,63 -1,85 -0,16 1,00 2,32 -1,44 1,09 0,78 1,00 -0,53 -1,82 -0,96 0,35 2,31 0,83 -0,90 0,49 1,02 -1,89 1,63 2,46 0,18 -1,12 -3,73 1,03 0,46 -0,54 -0,79 -0,61 1,68 1,45 0,22 -3,15 -0,24 -2,09 -0,23 2,08 -0,67 -0,48 1,70 -0,15 -3,71 0,31 0,17 -2,59 -0,12 1,46 -2,29 0,03 -1,83 4,09 -0,07 2,94 -0,65 1,25 0,38 -3,09 0,74 3,98 -2,84 -2,52 -0,71 -0,37 -1,47 -0,04 -0,43 -1,94 -1,03 0,05 -0,88 -0,26 -1,85 -0,32 0,16 0,15 -0,04 2,56 -2,69 a) Construir um histograma (graph/histogram/with fit) com esses dados e efetuar o teste de normalidade (stat/basic statistics/normality test); b) Obter os principais parâmetros descritivos amostrais (stat/basic statistics/display descriptive statistics); Variável Contagem Total Média TrMean DesvPad Variância CoefVar Mínimo Operações Financeiras (Dolares) 80 -0,196 -0,216 1,657 2,745 -845,88 -3,730 Variável Q1 MedianaQ3 Máximo Amplitude Moda N de Moda Operações Financeiras (Dolares) -1,308 -0,155 0,958 4,090 7,820 -1,85; -0,04; 1 2 c) Fazer o sumário gráfico (stat/basic statistics/graphical summary); nele, interpretar os intervalos de confiança para alguns parâmetros populacionais (média, mediana e desvio padrão), com alfa de 10%; existem pontos “fora da curva” ou “outlayers” no boxplot? TESTES DE HIPÓTESES E ANOVA III.1) Uma empresa observou, ao longo de um grande espaço de tempo, que a média e o desvio padrão da sua produção diária são de 3,2 e 0,4 toneladas, respectivamente. Novos dados foram obtidos, nos últimos 30 dias, obtendo-se os dados a seguir. Pede-se, com 95% de confiabilidade: a) Obter o intervalo de confiança da produção média populacional (stat/basic statistics/1 sample z); 3,4 3,9 3,4 3,5 3,7 3,4 3,5 3,6 3,8 3,8 3,8 3,7 3,3 3,4 3,3 3,2 3,6 3,5 3,7 4,0 3,6 3,3 3,8 3,6 3,6 3,5 3,7 3,6 3,5 3,7 Estatísticas Descritivas - Teste Z - Produção Diária N Média DesvPad EP Média IC de 95% para μ 30 3,5800 0,1937 0,0730 (3,4369; 3,7231) μ: média de Produção Diária Desvio padrão conhecido = 0,4 III.2) O consumo (km rodados por litro de gasolina automotiva), num longo período de utilização, atingiu um nível médio de 8,0 km/litro, com desvio padrão de 0,7 km/litro. Decidiu-se experimentar um novo tipo de gasolina, para saber se o consumo diminuiria. Ao longo de certo tempo, foi medido o consumo com a nova gasolina, coletando 20 dados (medidos em condições assemelhadas de processamento), obtendo-se a tabela. Efetuar testes de hipótese para provar se a nova gasolina roda mais km/litro, em média (stat/basic statistics/1 sample t), assim como para verificar se a variabilidade do consumo também é menor (stat/basic statistics/1 variance), ao nível de 5%. 8,5 9,0 7,6 7,9 8,4 8,8 9,7 8,0 7,6 8,3 8,2 9,1 8,6 7,8 7,9 8,2 7,9 8,0 7,6 7,8 · Teste T - Uma Amostra: Km/litro N Média DesvPad EP Média IC de 95% para μ 20 8,245 0,565 0,126 (7,980; 8,510) μ: média de Km/litro · Teste Hipótese nula H₀: μ = 8 Hipótese alternativa H₁: μ ≠ 8 Valor-T Valor-p 1,94 0,068 · Teste de Variância - Uma Amostra: Km/litro · Método σ: desvio Padrão de Km/litro O método Bonett é válido para todas as distribuições contínuas. O método qui-quadrado é válido somente para a distribuição normal. · Estatísticas Descritivas N DesvPad Variância 95% CI para σ usando Bonett 95% CI para σ usando qui-quadrado 20 0,565 0,319 (0,385; 0,921) (0,430; 0,826) · Teste Hipótese nula H₀: σ = 0,8 Hipótese alternativa H₁: σ ≠ 0,8 Método Estatística de teste GL Valor-p Bonett — — 0,152 Qui-Quadrado 9,48 19 0,071 III.3) Agora, testou-se uma gasolina importada. Coletada outra amostra de 20 medições (medidos também em condições assemelhadas), obteve-se os dados a seguir, em km/litro. Verificar se as duas últimas gasolinas têm condições assemelhadas de uso, quanto às variâncias (stat/basic statistics/2 variances) e às médias (stat/basic statistics/2 sample t), em km/litro, com um nível de 5% . 8,4 8,3 7,7 7,9 7,4 7,9 8,5 8,7 8,9 9,5 7,9 8,0 8,1 8,6 8,8 7,8 8,4 7,4 8,1 7,6 · Teste para 2 Variâncias - Gasolina 1 - km/Litro e Gasolina 2 - km/Litro · Método σ₁: desvio Padrão de Gasolina 1 - km/Litro σ₁: desvio Padrão de Gasolina 2 - km/Litro Razão: σ₁/σ₂ Os métodos de Bonett e Levene são válidos para toda distribuição contínua. · Estatísticas Descritivas Variável N DesvPad Variância IC de 95% para σ Gasolina 1 - km/Litro 20 0,565 0,319 (0,385; 0,921) Gasolina 2 - km/Litro 20 0,538 0,290 (0,392; 0,820) · Razão de desvios padrão Razão Estimada 95% IC da Razão usando Bonett 95% IC da Razão usando Levene 1,04959 (0,543; 1,834) (0,574; 1,763) · Teste Hipótese nula H₀: σ₁ / σ₂ = 1 Hipótese alternativa H₁: σ₁ / σ₂ ≠ 1 Nível de significância α = 0,05 Método Estatística de teste GL1 GL2 Valor-p Bonett 0,03 1 0,855 Levene 0,01 1 38 0,929 · Teste para 2 Variâncias - Fornecedor A; Fornecedor B · Método σ₁: desvio Padrão de Fornecedor A σ₁: desvio Padrão de Fornecedor B Razão: σ₁/σ₂ Os métodos de Bonett e Levene são válidos para toda distribuição contínua. · Estatísticas Descritivas Variável N DesvPad Variância IC de 95% para σ Fornecedor A 40 3,633 13,199 (2,949; 4,707) Fornecedor B 30 4,796 23,004 (3,665; 6,716) · Razão de desvios padrão Razão Estimada 95% IC da Razão usando Bonett 95% IC da Razão usando Levene 0,757475 (0,516; 1,124) (0,558; 1,208) · Teste Hipótese nula H₀: σ₁ / σ₂ = 1 Hipótese alternativa H₁: σ₁ / σ₂ ≠ 1 Nível de significância α = 0,05 Método Estatística de teste GL1 GL2 Valor-p Bonett * 0,145 Levene 1,11 1 68 0,297 III.5) Uma empresa quer comparar a qualidade de 2 fornecedores (A e B) de um mesmo parafuso. Para tal, pegou amostras de peças por eles produzidas e obteve os dados de medição de uma determinada característica crítica (quanto maior, melhor). Pede-se, com alfa = 5%, testar as hipóteses: Fornecedor A 68,2 68,6 62,5 67,9 68,4 63,8 63,6 68,8 59,0 66,3 69,8 58,4 65,5 63,2 57,9 66,4 66,6 64,0 64,6 64,5 68,3 68,3 66,8 64,3 69,0 69,2 60,9 69,3 70,5 61,7 63,3 75,0 61,5 61,7 66,0 68,2 63,2 68,5 62,8 67,0 Fornecedor B 58,7 79,1 74,9 62,3 61,8 78,1 67,2 71,7 67,2 71,7 70,3 61,6 66,3 63,6 65,4 67,0 70,9 65,8 70,9 65,8 62,7 71,0 66,7 67,7 67,8 66,3 69,3 62,2 69,3 62,2 a) Que a variância populacional de A é menor que a de B (stat/basic statistics/2 variances); · Teste para 2 Variâncias - Fornecedor A e Fornecedor B · Método σ₁: desvio Padrão de Fornecedor A σ₁: desvio Padrão de Fornecedor B Razão: σ₁/σ₂ Os métodos de Bonett e Levene são válidos para toda distribuição contínua. · Estatísticas Descritivas Variável N DesvPad Variância IC de 95% para σ Fornecedor A 40 3,633 13,199 (2,949; 4,707) Fornecedor B 30 4,796 23,004 (3,665; 6,716) · Razão de desvios padrão Razão Estimada 95% IC da Razão usando Bonett 95% IC da Razão usando Levene 0,757475 (0,516; 1,124) (0,558; 1,208) · Teste Hipótese nula H₀: σ₁ / σ₂ = 1 Hipótese alternativa H₁: σ₁ / σ₂ ≠ 1 Nível de significância α = 0,05 Método Estatística de teste GL1 GL2 Valor-p Bonett * 0,145 Levene 1,11 1 68 0,297 b) Que as médias populacionais de A e B são iguais, contra a alternativa de serem diferentes (stat/basic statistics/2 sample t); qual o intervalo e confiança da diferença dessas médias?; · Teste T 2 Amostras - Fornecedor A e Fornecedor B · Método μ₁: média de Fornecedor A µ₂: média de Fornecedor B Diferença: μ₁ - µ₂ Não assumiu-se igualdade de variâncias para esta análise. · Estatísticas Descritivas Amostra N Média DesvPad EP Média Fornecedor A 40 65,59 3,63 0,57 Fornecedor B 30 67,52 4,80 0,88 · Estimativa da diferença Diferença IC de 95% para a Diferença -1,93 (-4,03; 0,17) · Teste Hipótese nula H₀: μ₁ - µ₂ = 0 Hipótese alternativa H₁: μ₁ - µ₂ ≠ 0 Valor-T GL Valor-p -1,84 52 0,071 III.7) Um analista resolveu comparar uma matéria prima, comprada de 6 fornecedores diferentes, de uma vez só, para checar se haveria diferença entre seus consumos médios, em kg por litro do produto que fabrica. Com os dados amostrais coletados, ao nível de 10%, testar pela ANOVA que as médias populacionais são iguais (stat/anova/one way); conferir, antes, a igualdade das variâncias populacionais (stat/anova/test por equal variances). Forn 1 Forn 2 Forn 3 Forn 4 Forn 5 Forn 6 8,2 8,0 8,2 8,6 8,8 9,0 8,3 7,3 8,1 7,7 8,6 9,2 8,1 7,4 8,3 8,0 8,0 8,8 7,5 7,6 7,7 7,8 7,9 8,7 7,9 7,9 7,5 8,0 8,8 9,1 7,8 8,1 8,0 8,1 9,0 8,6 · ANOVA com um fator: Fornecedor 1, 2, 3, 4, 5 e 6 · Método Hipótese nula Todas as médias são iguais Hipótese alternativa Nem todasas médias são iguais Nível de significância α = 0,1 Não assumiu-se igualdade de variâncias para a análise. · Informações dos Fatores Fator Níveis Valores Fator 6 Fornecedor 1; Fornecedor 2; Fornecedor 3; Fornecedor 4; Fornecedor 5; Fornecedor 6 · Teste de Welch Fonte Num GL Den GL Valor F Valor-P Fator 5 13,9266 12,82 0,000 · Sumário do Modelo R2 R2(aj) PRESQ R2(pred) 63,71% 57,67% 4,7184 47,75% Médias Fator N Média DesvPad IC de 90% Fornecedor 1 6 7,967 0,294 (7,724; 8,209) Fornecedor 2 6 7,717 0,331 (7,444; 7,989) Fornecedor 3 6 7,967 0,308 (7,714; 8,220) Fornecedor 4 6 8,033 0,314 (7,775; 8,292) Fornecedor 5 6 8,517 0,458 (8,140; 8,893) Fornecedor 6 6 8,9000 0,2366 (8,7053; 9,0947) · Teste de igualdade de variâncias: Fornecedor 1, 2, 3, 4, 5 e 6 · Método Hipótese nula Todas as variâncias são iguais Hipótese alternativa No mínimo uma variância é diferente Nível de significância α = 0,1 · Intervalos de 90% de Confiança Bonferroni para os Desvios Padrão Amostra N DesvPad IC Fornecedor 1 6 0,294392 (0,112536; 1,28139) Fornecedor 2 6 0,331160 (0,174106; 1,04805) Fornecedor 3 6 0,307679 (0,097859; 1,60960) Fornecedor 4 6 0,314113 (0,088057; 1,86437) Fornecedor 5 6 0,457894 (0,123320; 2,82890) Fornecedor 6 6 0,236643 (0,125266; 0,74384) Nível de confiança individual = 98,3333% · Testes Método Estatística de teste Valor-p Comparações múltiplas — 0,879 Levene 0,50 0,771 III.8) Várias amostras de uma mesma liga metálica foram submetidas a 5 tratamentos de recozimento diferentes (A, B, C, D, E), nas resistências indicadas (MPa). Verificar, usando a ANOVA, ao nível de 7%, se existe diferença significativa entre os tratamentos aplicados (stat/anova/one way); antes, testar a igualdade das variâncias populacionais (stat/anova/test por equal variances). . A 3,9 4,1 3,7 4,3 4,2 B 3,7 3,9 3,9 3,9 3,7 C 4,2 3,9 3,6 3,9 4,0 D 4,1 3,8 3,9 3,8 3,9 E 4,0 3,8 3,9 3,6 3,9 · ANOVA com um fator nas Amostra A, B, C, D e E · Método Hipótese nula Todas as médias são iguais Hipótese alternativa Nem todas as médias são iguais Nível de significância α = 0,07 Não assumiu-se igualdade de variâncias para a análise. · Informações dos Fatores Fator Níveis Valores Fator 5 Amostra A; Amostra B; Amostra C; Amostra D; Amostra E · Teste de Welch Fonte Num GL Den GL Valor F Valor-P Fator 4 9,81397 0,89 0,505 · Sumário do Modelo R2 R2(aj) PRESQ R2(pred) 19,44% 3,33% 0,96875 0,00% · Médias Fator N Média DesvPad IC de 93% Amostra A 5 4,040 0,241 (3,775; 4,305) Amostra B 5 3,8200 0,1095 (3,6997; 3,9403) Amostra C 5 3,9200 0,2168 (3,6819; 4,1581) Amostra D 5 3,9000 0,1225 (3,7655; 4,0345) Amostra E 5 3,8400 0,1517 (3,6734; 4,0066) III.9) Uma empresa está estudando a compra de carros entre 3 possíveis fornecedores (A, B, C), para renovar sua frota. Ela comprou 5 carros de cada um dos mesmos e, após 20.000 km rodados, mediu os custos de manutenção por km rodado (em reais); os resultados estão na tabela. Analisar os resultados pela ANOVA (stat/anova/one way), indicando suas recomendações para a Diretoria. Lembre-se de, testar a igualdade das variâncias populacionais (stat/anova/test por equal variances). Usar = 5%. . A B C 11,82 13,05 12,53 11,43 10,13 11,30 10,00 10,45 9,81 12,40 9,94 12,08 11,17 10,00 10,45 · ANOVA com um Fator nos Fornecedores A, B e C · Método Hipótese nula Todas as médias são iguais Hipótese alternativa Nem todas as médias são iguais Nível de significância α = 0,05 Não assumiu-se igualdade de variâncias para a análise. · Informações dos Fatores Fator Níveis Valores Fator 3 Fornecedor A; Fornecedor B; Fornecedor C · Teste de Welch Fonte Num GL Den GL Valor F Valor-P Fator 2 7,79346 0,39 0,690 · Sumário do Modelo R2 R2(aj) PRESQ R2(pred) 7,22% 0,00% 23,7537 0,00% · Médias Fator N Média DesvPad IC de 95% Fornecedor A 5 11,364 0,892 (10,256; 12,472) Fornecedor B 5 10,714 1,321 (9,074; 12,354) Fornecedor C 5 11,234 1,123 (9,840; 12,628) · Teste de igualdade de variâncias nos Fornecedores A, B e C · Método Hipótese nula Todas as variâncias são iguais Hipótese alternativa No mínimo uma variância é diferente Nível de significância α = 0,05 · Intervalos de 95% de Confiança Bonferroni para os Desvios Padrão Amostra N DesvPad IC Fornecedor A 5 0,89215 (0,254056; 6,0109) Fornecedor B 5 1,32066 (0,273868; 12,2188) Fornecedor C 5 1,12273 (0,456711; 5,2955) · Nível de confiança individual = 98,3333% · Testes Método Estatística de teste Valor-p Comparações múltiplas — 0,798 Levene 0,12 0,890 CORRELAÇÃO E REGRESSÃO IV.1) Num teste de repetitividade, queremos determinar ser há correlação entre uma primeira medição (Xi) e a medição subsequente (Yi). Em termos práticos, isso significaria que um alto valor observado na primeira medição levaria a um alto valor na próxima medição. Efetuar o teste de correlação populacional para os dados amostrais indicados, ao nível de 10% (stat/basic statistics/correlation); convém, antes, observar os dados graficamente (graph/scatterplot). Xi 9,0 7,6 7,9 8,4 8,8 9,7 8,0 7,6 8,3 8,2 9,1 8,6 7,8 7,8 Yi 8,5 9,0 7,5 7,9 8,4 8,8 9,7 8,0 7,6 8,3 8,2 9,1 8,6 7,8 · Correlação: Xi; Yi Método Tipo de correlação Pearson Linhas usadas 14 ρ: correlação de Pearson pareada Correlações Xi Yi 0,133 Correlações de Pearson pareadas Amostra 1 Amostra 2 Correlação IC de 90% para ρ Valor-p Yi Xi 0,133 (-0,347; 0,558) 0,649 · Gráfico de Dispersão de Yi versus Xi IV.2) A tabela mostra a relação entre a produção anual de tinta de uma empresa, X, em bilhões de litros, e os respectivos lucros, Y, em milhões de reais. Pede-se: Ano 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 X 2010 2370 2600 2380 3125 3880 4978 5206 7000 8233 Y 20,51 40,33 51,49 67,46 72,11 109,52 114,24 171,71 192,06 236,37 a) Analisar as variáveis graficamente (graph/scatter plot) e calcular o coeficiente de correlação; · Gráfico de Dispersão de Y versus X b) Testar se existe correlação na população, com um nível de significância de 5% (stat/basic statistics/correlation); Método Tipo de correlação Pearson Linhas usadas 10 ρ: correlação de Pearson pareada Correlações X Y 0,976 Correlações de Pearson pareadas Amostra 1 Amostra 2 Correlação IC de 95% para ρ Valor-p Y X 0,976 (0,897; 0,994) 0,000 c) Achar a equação da regressão linear que melhor se adapta aos dados e estimar o lucro em 2011, quando se espera que a produção atinja 9000 bilhões de litros (stat/regression/regression). · Equação de Regressão Y = -29,0 + 0,03268 X (Litros) · Coeficientes Termo Coef EP de Coef Valor-T Valor-P VIF Constante -29,0 12,1 -2,40 0,043 X (Litros) 0,03268 0,00260 12,56 0,000 1,00 · Sumário do Modelo S R2 R2(aj) R2(pred) 16,6619 95,17% 94,57% 93,21% · Análise de Variância Fonte GL SQ (Aj.) QM (Aj.) Valor F Valor-P Regressão 1 43781 43781,1 157,70 0,000 X (Litros) 1 43781 43781,1 157,70 0,000 Erro 8 2221 277,6 Total 9 46002 IV.3) A tabela mostra a relação entre a área plantada de lavoura de café, X, em hectares, em função da renda bruta auferida, Y, em milhões de reais, para 10 propriedades agrícolas de uma mesma região do país. Pede-se, com alfa de 1%: X 21,2 12,7 15,1 9,7 29 7,3 39,3 45,4 38,7 26,6 Y 1406 1429 1628 1484 1937 1291 8322 9783 7461 3163 a) Ajustar uma função linear e calcular o coeficiente de explicação; avaliar a renda, se a área for de 50 hectares (stat/regression/regression); Equação de RegressãoY = -1722 + 225,0 X Coeficientes Termo Coef EP de Coef Valor-T Valor-P VIF Constante -1722 1038 -1,66 0,136 X 225,0 37,6 5,99 0,000 1,00 Sumário do Modelo S R2 R2(aj) R2(pred) 1519,38 81,76% 79,48% 72,50% Análise de Variância Fonte GL SQ (Aj.) QM (Aj.) Valor F Valor-P Regressão 1 82784566 82784566 35,86 0,000 X 1 82784566 82784566 35,86 0,000 Erro 8 18468143 2308518 Total 9 101252708 Ajustados e Diagnósticos para Observações Atípicas Obs. Y Ajuste Resíd Resíd Pad 5 1937 4803 -2866 -2,00 R R Resíduo grande b) Ajustar outras funções (stat/regression/fitted line plot) como, por exemplo: b1) Exponencial; b2) Potência; b3) Parabólica; b4) Cúbica · Exponencial - Regressão Não Linear: X = Theta1 * exp(Theta2 * X) · Método Algoritmo Gauss-Newton Máximo de iterações 200 Tolerância 0,00001 · Valores Iniciais para os Parâmetros Parâmetro Valor Theta1 1 Theta2 1 · Equação X = 2,58212e-13 * exp(0,69661 * X) · Estimativas dos Parâmetros Parâmetro Estimativa EP da Estimativa Theta1 0,000000 0,0000 Theta2 0,696610 18,9637 X = Theta1 * exp(Theta2 * X) · Sumário Iterações 200 SQE Final 6535,14 GLE 8 QME 816,893 S 28,5813 * AVISO * Algumas estimativas dos parâmetros estão altamente correlacionadas. Considere simplificar a função de expectativa ou transformar preditores ou parâmetros para reduzir colinearidades. · Cubica - Análise de Regressão Polinomial: Y versus X A equação de regressão é Y = 3899 - 408,6 X + 16,04 X^2 - 0,0864 X^3 · Sumário do Modelo S R2 R2(aj) 854,152 95,68% 93,52% · Análise de Variância Fonte GL SQ QM F P Regressão 3 96875251 32291750 44,26 0,000 Erro 6 4377458 729576 Total 9 101252708 · Análise de Variância Sequencial Fonte GL SQ F P Linear 1 82784566 35,86 0,000 Quadrático 1 13971309 21,75 0,002 Cúbico 1 119376 0,16 0,700 IV.4) Uma empresa anotou as involuções de devoluções de um de seus produtos principais, Y, em mil unidades, ao longo de alguns meses de um ano. Pede-se, com alfa de 5%: Mês Jan Fev Mar Abr Maio Jun Jul Ago Set Out Devolução 213 194 165 123 95 77 63 52 42 19 a) Ajustar uma reta aos dados, calcular R2 e avaliar a devolução para dezembro (stat/regression/regression); em que data espera-se zerar a devolução? · Análise de Regressão Polinomial: Devolução_1 versus Mês - Num A equação de regressão é Devolução_1 = 256,8 - 38,36 Mês - Num + 1,519 Mês - Num^2 · Sumário do Modelo S R2 R2(aj) 7,76499 98,95% 98,65% · Análise de Variância Fonte GL SQ QM F P Regressão 2 39904,0 19952,0 330,91 0,000 Erro 7 422,1 60,3 Total 9 40326,1 · Análise de Variância Sequencial Fonte GL SQ F P Linear 1 38685,8 188,68 0,000 Quadrático 1 1218,2 20,20 0,003 b) Idem, para as funções exponencial, potência, quadrática e cúbica (stat/regression/fitted line plot). Obs.: trata-se aqui de uma série temporal; para ela, deve-se criar uma alternativa para o tempo (X), na forma de uma progressão aritmética do tipo1, 2, 3, 4, .....10. ANÁLISES DE PROCESSOS (CEP) VI.1) Tabela: conjunto de dados de variáveis (apenas os centésimos), da medição de um diâmetro, cuja especificação é de 21,10 a 21,90 mm (amostragem horária, num dia típico de produção). Pede-se: Horas 01 02 03 04 05 06 07 08 09 10 11 12 Peça 1 30 86 88 44 59 37 23 60 61 42 28 54 Peça 2 54 68 68 66 65 34 36 72 52 64 55 25 Peça 3 41 43 46 48 78 75 90 35 52 52 38 40 Peça 4 62 58 30 37 58 71 45 51 49 40 65 72 Peça 5 65 73 61 56 33 51 48 69 31 63 56 90 Horas 13 14 15 16 17 18 19 20 21 22 23 24 Peça 1 31 42 25 65 50 79 65 51 48 53 54 84 Peça 2 57 21 36 50 86 61 75 58 38 52 56 52 Peça 3 38 45 25 41 60 81 92 46 28 61 36 88 Peça 4 58 24 34 39 60 66 70 76 72 62 46 68 Peça 5 30 55 67 48 66 37 45 56 96 60 71 54 a) Construir o histograma (graph/histogram) e fazer o teste de normalidade (stat/basic statistics/normality test); b) Analisar a estabilidade pela carta de controle de média e amplitude ou de média e desvio padrão (stat/control charts/variable charts for subgroups/Xbar-R ou Xbar-S); c) Analisar a capacidade do processo (stat/quality tools/capability analysis/normal); elaborar a capacidade sixpack (stat/quality tools/capability sixpack/normal). · Dados do Processo Variável LIE Alvo LSE Média Amostral N Amostral DesvPad(Dentro) DesvPad(Global) Peça 1 10 * 90 52,4583 24 17,4221 19,0217 Peça 2 10 * 90 54,2083 24 14,9553 15,9972 Peça 3 10 * 90 53,2917 24 15,9189 20,1483 Peça 4 10 * 90 54,7083 24 11,5634 14,8952 Peça 5 10 * 90 57,5417 24 18,7712 16,4765 · Capacidade Global Variável Pp PPL PPU Ppk Cpm Peça 1 0,701 0,744 0,658 0,658 * Peça 2 0,833 0,921 0,746 0,746 * Peça 3 0,662 0,716 0,607 0,607 * Peça 4 0,895 1,001 0,790 0,790 * Peça 5 0,809 0,962 0,657 0,657 * · Capacidade Potencial (Dentro) Variável Cp CPL CPU Cpk Peça 1 0,765 0,812 0,718 0,718 Peça 2 0,892 0,985 0,798 0,798 Peça 3 0,838 0,907 0,769 0,769 Peça 4 1,153 1,289 1,017 1,017 Peça 5 0,710 0,844 0,576 0,576 · Desempenho Observado Variável PPM < LIE PPM > LSE PPM Total Peça 1 0,00 0,00 0,00 Peça 2 0,00 0,00 0,00 Peça 3 0,00 41666,67 41666,67 Peça 4 0,00 0,00 0,00 Peça 5 0,00 41666,67 41666,67 · Desempenho Dentro Esp. Variável PPM < LIE PPM > LSE PPM Total Peça 1 7404,16 15587,76 22991,92 Peça 2 1558,12 8350,05 9908,16 Peça 3 3268,90 10556,47 13825,37 Peça 4 55,23 1136,52 1191,75 Peça 5 5659,52 41890,58 47550,10 · Desempenho Global Esp. Variável PPM < LIE PPM > LSE PPM Total Peça 1 12804,10 24212,18 37016,29 Peça 2 2859,25 12631,18 15490,43 Peça 3 15831,11 34234,65 50065,76 Peça 4 1343,17 8910,24 10253,41 Peça 5 1954,49 24420,77 26375,26 VI.2) Dado o resultado da medição do peso de 20 amostras de pequenas embalagens, em gramas, cada amostra tendo 10 embalagens. A partir desses resultados, verificar se o processo pode ser considerado estável (carta Xbarra-S) e capaz (stat/quality tools/capability analysis/normal). Especificação: 9,0 a 15,0 g. Ao final, elaborar a análise sixpack (stat/quality tools/capability sixpack/normal). . Dados Dia 6 Dia 7 Dia 8 Dia 9 Dia 10 Dia 11 Dia 12 Dia 13 Dia 14 Dia 15 1 13,0 10,1 12,2 10,8 9,8 11,2 9,2 10,4 10,8 12,0 2 11,0 11,0 10,5 11,2 13,0 13,0 11,0 11,4 9,2 11,3 3 12,0 11,5 9,3 11,1 13,1 10,1 11,3 11,8 11,4 11,9 4 12,5 9,7 10,8 12,8 11,2 12,0 10,2 11,2 12,0 11,6 5 10,5 12,5 11,5 10,0 10,8 11,1 9,3 10,0 10,2 10,3 6 9,5 11,2 12,7 9,5 11,0 9,3 11,7 10,2 10,4 12,5 7 11,0 11,0 9,5 11,5 11,5 10,2 12,4 10,5 9,4 12,0 8 11,6 9,0 11,1 11,4 13,5 12,5 9,8 13,4 10,5 12,4 9 13,7 10,4 11,2 12,8 11,2 10,5 13,4 11,2 11,2 11,0 10 9,8 10,8 11,0 13,1 12,6 11,0 11,2 10,5 10,6 10,3 Dia 16 Dia 17 Dia 18 Dia 19 Dia 20 Dia 21 Dia 22 Dia 23 Dia 24 Dia 25 12,5 12,4 11,3 10,8 10,8 11,4 10,6 11,4 10,7 11,3 9,1 13,4 11,6 13.1 12,6 10,2 11,2 12,2 10,5 9,0 9,6 14,0 11,2 11,2 11,3 11,4 9,8 11,8 9,7 11,2 10,4 12,6 12,2 11,8 9,4 9,4 11,2 12,7 10,5 10,4 9,3 11,3 11,2 11,5 13,0 13,0 12,0 11,7 11,5 14,0 10,8 11,5 10,7 11,7 11,5 10,8 10,2 12,6 10,2 11,2 12,9 10,8 10,4 9,8 10,7 9,4 11,9 11,5 10,2 11,5 14,2 10,2 12,8 10,5 10,2 11,2 10,3 10,7 11,4 10,1 11,0 10,5 11,2 10,0 12,2 11,5 10,2 10,2 10,7 13,0 10,0 11,8 11,0 12,6 11,8 13,6 10,9 13,6 10,0 11,4 VI.3) Na fabricação da massa para placasde baterias, mede-se o percentual de chumbo livre na massa. Admitindo que a especificação para a porcentagem de chumbo livre seja de 25 a 32 %, pede-se analisar se o processo está estável (stat/control charts/variable charts for individuals/I-MR) e capaz (stat/quality tools/capability analysis/normal). Dia 11/jan 11/jan 11/jan 11/jan 11/jan 11/jan 12/jan 12/jan 14/jan 14/jan Hora 8 9 10 11 13 14 9 10 8 9 Valor 26 28 24 21 24 23 25 24 26 24 Dia 14/jan 14/jan 14/jan 16/jan 16/jan 16/jan 16/jan 17/jan 17/jan 17/jan Hora 10 11 13 13 14 15 16 13 14 15 Valor 25 26 25 24 25 24 26 24 25 23 VI.4) Uma empresa usa latões para embalagem, fornecidos externamente. Nos últimos meses os latões vinham sendo entregues com vários problemas (sujeira, ferrugem, etc), e em média tinha-se 5% dos latões que não podiam ser usados. O fornecedor estabeleceu um plano de controle dos latões. Para verificar se houve melhoria, o consumidor resolveu pegar amostras diárias de 500 latões e fazer uma inspeção nos mesmos, durante 25 dias, e as quantidades de latões ruins estão indicadas. Analisar, por atributos (attributes charts/carta p), se está havendo melhoria no fornecimento. Dia 1 2 3 4 5 6 7 8 9 Quant. 12 15 19 13 9 26 18 14 17 Dia 10 11 12 13 14 15 16 17 18 Quant. 18 16 24 11 31 16 10 16 17 Dia 19 20 21 22 23 24 25 Quant. 20 15 8 13 12 17 18 VI.5) Uma empresa compra vidros de cola e tem percebido que eles têm vindo com variação de peso. Ela resolveu fazer um controle do peso dos vidros, a partir de algumas amostras, obtendo os dados a seguir. Construir uma carta de atributos (attributes charts/carta p), visando analisar a quantidade mensal de vidros abaixo do peso. Se o fornecedor informar que manda no máximo 1% dos vidros abaixo do peso, é possível confiar em sua informação? Mês 03/03 05/03 07/03 10/03 15/03 16/03 18/03 20/03 Amostra 968 1.216 804 1.401 1.376 995 1.202 1.028 Qt. fora 8 13 13 16 4 15 13 10 Mês 23/03 26/03 02/04 05/04 06/04 08/04 11/04 13/04 Amostra 1.184 542 1.325 1.066 1.721 1.305 1.190 2.306 Qt. fora 24 18 16 17 19 9 14 9 Mês 20/04 25/04 30/04 03/05 10/05 13/05 17/05 22/05 Amostra 1.365 973 1.058 1.244 342 1.433 1.225 1.352 Qt. fora 13 5 15 19 10 17 13 15 VI.6) Um laboratório de ensaios testa cada lote de placa polimérica que produz, para analisar seu grau de qualidade, em amostras de 5 m2 de área. Numa análise de 24 lotes, quanto ao número de bolhas encontradas, foram obtidos os resultados da tabela. Construir uma carta de controle (attributes charts/carta u) Lote 1 2 3 4 5 6 7 8 9 10 11 12 Nº bolhas 7 6 4 12 7 11 9 6 12 7 12 12 Lote 13 14 15 16 17 18 19 20 21 22 23 24 Nº bolhas 11 13 5 6 5 16 6 9 6 11 14 15 VI.8) Num estudo de RR, com relógio comparador, foram usados 10 peças, 3 operadores e 3 repetições, obtendo as medidas mostradas. Efetuar análises, indicando se o sistema está adequado, de acordo com a TS16949 (stat/quality tools/gage study/gage study R&R crossed), método ANOVA. Peça Operador Medida Peça Operador Medida 1 A 0,29 6 B -0,20 1 A 0,41 6 B 0,22 1 A 0,64 6 B 0,06 2 A -0,56 7 B 0,47 2 A -0,68 7 B 0,55 2 A -0,58 7 B 0,83 3 A 1,34 8 B -0,63 3 A 1,17 8 B 0,08 3 A 1,27 8 B -0,34 4 A 0,47 9 B 1,80 4 A 0,50 9 B 2,12 4 A 0,64 9 B 2,19 5 A -0,80 10 B -1,68 5 A -0,92 10 B -1,62 5 A -0,84 10 B -1,50 6 A 0,02 1 C 0,04 6 A -0,11 1 C -0,11 6 A -0,21 1 C -0,15 7 A 0,59 2 C -1,38 7 A 0,75 2 C -1,13 7 A 0,66 2 C -0,96 8 A -0,31 3 C 0,88 8 A -0,20 3 C 1,09 8 A -0,17 3 C 0,67 9 A 2,26 4 C 0,14 9 A 1,99 4 C 0,20 9 A 2,01 4 C 0,11 10 A -1,36 5 C -1,46 10 A -1,25 5 C -1,07 10 A -1,31 5 C -1,45 1 B 0,08 6 C -0,29 1 B 0,25 6 C -0,67 1 B 0,07 6 C -0,49 2 B -0,47 7 C 0,02 2 B -1,22 7 C 0,01 2 B -0,68 7 C 0,21 3 B 1,19 8 C -0,46 3 B 0,94 8 C -0,56 3 B 1,34 8 C -0,49 4 B 0,01 9 C 1,77 4 B 1,03 9 C 1,45 4 B 0,20 9 C 1,87 5 B -0,56 10 C -1,49 5 B -1,20 10 C -1,77 5 B -1,22 10 C -1,45 · Tabela ANOVA com Dois Fatores com Interação Fonte GL SQ QM F P Peça 9 86,0508 9,56120 352,457 0,000 Operador 2 2,8224 1,41121 52,022 0,000 Peça * Operador 18 0,4883 0,02713 0,635 0,857 Repetibilidade 60 2,5637 0,04273 Total 89 91,9252 α para remover termo de interação = 0,05 · Tabela ANOVA com Dois Fatores sem Interação Fonte GL SQ QM F P Peça 9 86,0508 9,56120 244,359 0,000 Operador 2 2,8224 1,41121 36,067 0,000 Repetibilidade 78 3,0520 0,03913 Total 89 91,9252 R&R da Medição · Componentes de Variância Fonte CompVar %Contribuição (de CompVar) Total de R&R da Medição 0,08486 7,43 Repetibilidade 0,03913 3,42 Reprodutibilidade 0,04574 4,00 Operador 0,04574 4,00 Peça a Peça 1,05801 92,57 Variação Total 1,14287 100,00 · Avaliação das Medições Fonte DesvPad (DP) Var do Estudo (1 × DP) %Var do Estudo (%VE) Total de R&R da Medição 0,29131 0,29131 27,25 Repetibilidade 0,19781 0,19781 18,50 Reprodutibilidade 0,21386 0,21386 20,00 Operador 0,21386 0,21386 20,00 Peça a Peça 1,02860 1,02860 96,22 Variação Total 1,06905 1,06905 100,00 Número de Categorias Distintas = 4
Compartilhar