Você está na página 1de 246

Noes bsicas de estatstica.

Tipos de distribuio.
Introduo a probabilidade.
Medidas de tendncia central e disperso.
Princpios do CEP.
Noes Gerais e Aplicaes.
Ferramentas para controle de processos.
Construo de grfico.
Anlise de grficos.
Controle de Processo e sua Aplicabilidade.
ndice de capacidade de processo

Inspeo por amostragem.


Cartas de controle para atributos.

Tipos de distribuio
Poisson

x = valor da v. a. node ocorrncias do evento em um


Intervalo
= taxa de ocorrncia do evento x (no esperado de

eventos)

A distribuio de Poisson utilizada quando no

prtico ou mesmo possvel determinarmos o nmero


de fracassos ou o nmero total de provas de um
experimento. muito til para descrever as
probabilidades do nmero de ocorrncias num campo
ou intervalo contnuo (em geral de tempo ou espao).

Uma central telefnica tipo PABX recebe uma mdia

de 5 chamadas por minuto. Qual a probabilidade deste


PABX no receber nenhuma chamada durante um
intervalo de 1 minuto?

R
> dpois(0,5)
[1] 0.006737947

Num trabalho de campo realizado por um topgrafo

h, em mdia, 4 erros grosseiros por Km2 levantado.


Pergunta-se:
a) Qual a probabilidade de que um Km2 contenha pelo
menos 1 erro grosseiro?
dpois(0,4)
b) Estime o nmero provvel de Km2que no contm
erros numa rea de 100 Km2
dpois(0,4)*100

Tipos de Distribuio
Distribuio Binomial

Conformidade de itens saindo da linha de produo


Tiros na mosca numa sequncia de disparos contra um

alvo
Respostas de pessoas pergunta sobre se vai ou no
viajar nas prximas frias

O que estes experimentos tm em comum ?

Condies iguais em cada prova


Sucesso vs Falha

Independentes entre si

Suponha que 4 componentes so testados por


um perodo de tempo

Se a probabilidade de sucesso p, qual a probabilidade

de se ter X sucessos em uma prova?


Note que:
q=1-p: a probabilidade de falha
n: nmero de repeties do experimento

X (maisculo): varivel aleatria


x (minsculo): valor que a varivel aleatria assume

Quantos modos de X sucessos em cada prova?

Um sistema de segurana consiste em 4 alarmes

(idnticos) de presso alta, com probabilidade de


sucesso p = 0,8 (cada um).
Qual a probabilidade de se ter exatamente 3 alarmes
soando quando a presso atingir o valor limite ?

E no Software R????

> dbinom(3,4,0.8)
[1] 0.4096

A distribuio Binomial tem os parmetros:

Um sistema de segurana de uma casa possui 03

alarmes, todos com probabilidade de funcionar no


momento certo de 0,8.
Qual o nmero mdio de alarmes que devero soar no
caso de uma invaso detectada?

Dado que 10% das pessoas so canhotas, qual a


probabilidade de obtermos exatamente 3 estudantes
canhotos numa turma com 15 estudantes.

> dbinom(3,15,0.1)
[1] 0.1285054

Uma empresa area possui 20% de todas as linhas

domsticas. Supondo que todos os vos domsticos


deste pas tenham a mesma chance de um acidente,
escolhendo 7 acidentes aleatoriamente, qual o nmero
mdio de acidentes com esta empresa e o desvio
padro.

O mtodo Ericsson de seleo de sexo tem uma taxa

admitida de 75% de sucesso. Suponha que 100 casais


utilizem este mtodo, com o resultado de que, dentre
100 recm-nascidos, h 75 meninas.
A) Se o mtodo no produz efeito, e ento meninos e

meninas so igualmente provveis, determine a mdia e


o desvio padro do nmero de meninas em um grupo de
100 crianas.
B) Considere o mtodo como eficaz e recalcule.
C) Podemos considerar o mtodo como eficaz? Por qu?

Tipos de distribuio
Distribuio Normal
Uma varivel aleatria contnua tem uma distribuio
normal se sua distribuio :

Simtrica
Grfico na forma de sino

Note que a distribuio normal especificada por dois

parmetros
Mdia
Desvio Padro

Distribuio Normal Padronizada


Resduos

A distribuio normal padronizada facilita os clculos de


probabilidade, evitando o uso da frmula e projetando
qualquer anlise mediante utilizao de ESCORES (Z)

Se x uma observao de uma distribuio que tem

mdia e desvio-padro , o valor padronizado de x :

Note que o valor padroniza do representa o nmero de

desvios-padro pelo qual um valor x dista da mdia


(para mais ou para menos)

Uma empresa fabrica termmetros que devem acusar a

leitura de 0 C no ponto de congelamento da gua. Testes


feitos em uma grande amostra desses termmetros
revelaram que alguns acusavam valores inferiores a 0 C e
alguns acusavam valores superiores.
Supondo que a leitura mdia seja 0Ce que o desvio-padro

das leituras seja 1,00 C, qual a probabilidade de que, no


ponto de congelamento, um termmetro escolhido
aleatoriamente marque entre 0 e 1,58 C?

Admita que a frequncia de erros se assemelhe a uma

distribuio normal.

> pnorm(1.58,0,1)-0.5
[1] 0.4429466

Com os termmetros do exemplo anterior, determine a

probabilidade de se selecionar aleatoriamente um


termmetro que acuse (no ponto de congelamento da
gua), uma leitura entre -2,43 C e 0 C?
> 0.5-pnorm(-2.58,0,1)
[1] 0.49506

Com os termmetros do exemplo anterior, determine a

probabilidade de se selecionar aleatoriamente um


termmetro que acuse (no ponto de congelamento da
gua), uma leitura entre -2,43 C e 0 C?
> 0.5-pnorm(-2.58,0,1)
[1] 0.49506

Qual a probabilidade de que o termmetro escolhido

acuse (no ponto de congelamento da gua), uma


leitura superior a +1,27 C?

Qual a probabilidade de que o termmetro escolhido

acuse (no ponto de congelamento da gua), uma


leitura superior a +1,27 C?
> 1-pnorm(1.27,0,1)
[1] 0.1020423

A probabilidade de ocorrncia de um valor menor que 20


em uma distribuio normal de
mdia 50 e desvio padro igual a 15 pode ser obtida com
o cdigo abaixo:
> pnorm(20,50,15)
[1] 0.02275013

Experimente agora tentar encontrar o valor da


probabilidade de ocorrncia de valores
menores ou iguais ao valor da mdia. Qual seria o
resultado esperado?

Suponha que um pesquisador coletou dados de estatura


de jovens em idade de alistamento militar. Sabendo-se
que a estatura de um acerta populao segue a
distribuio normal o pesquisador pode escrever que
X~N(170;36), onde X a varivel aleatria altura com
unidades em centmetros. Pede-se:

a) Qual a probabilidade de encontrarmos um jovem com

mais de 1,79 metros de altura?


> 1-pnorm(179,170,6)
[1] 0.0668072

b) Encontre o valor da estatura para qual a probabilidade de


encontrarmos valores menores que o deste seja de 80%.
> qnorm(0.8,170,6)
[1] 175.0497

Explorando o exerccio
95%

> qnorm(0.95,170,6)
[1] 179.8691
>curve(dnorm(x,170,6),152,188,main="X~N(170,36)",ylab
="probabilidade")
> lines(c(179,179),c(0,0.06),col=2)
> qnorm(0.95,170,6) [1] 179.8691
> lines(c(179.8691,179.8691),c(0,0.06),col=3)

Medidas de Posio e Disperso

Mdia

Varincia

Desvio Padro
Desvio Padro =S = 2

Coeficiente de Variao CV(%)

CV(%) =

Distribuio de Frequncia

Determine a Quantidade de Classes(k)


Regra de Sturges(Regra do Logaritimo)

K=1+3,3log(n)

Regra da Potncia de 2

K= menor valor inteiro tal qual 2k n

Raiz Quadrada

K=

Bom senso!!

Decida a quantidade de classes que Garanta observar


como os valores se distribuem.

Calcule a amplitude das classes (h)


Calcule a amplitude do conjunto de dados

L = Xmx Xmin

Calcule a amplitude (largura) da classe


h = L/k
Arredonde convenientemente

Calcule os Limites das Classes


1 classe: Xmin at Xmin + h
2 classe: Xmin + h at Xmin +2.h
................
K classe: Xmin + (K-1) at Xmin + k.h

Limites das classes


Utilize a notao:

[x,y) intervalo de X(fechado) at y(aberto

Frequentemente temos que arredondar a amplitude das

classes e, consequentemente, arredondar tambem os limites


das classes.
Como sugesto, podemos tentar, se possvel, um ajuste
simtrico nos limites das classes das das pontas(i.e., primeira
e ultima) nas quais, usualmente a quantidade de dados
menor.
Ponto mdio das classes

Xk = Linferior + (Lsuperior Linferior)/2

Do nosso exemplo
Ordenamos os dados
Por Sturges, temos:

N=18; k=5 (nmero de classes)

Amplitude de classes

Amplitude do conjunto de dados


1,88-1,60=0,28
Amplitude de classes
0,28/5=0,056
Arredondando h = 0,06m

defect<-c(10,4,2,1,1)
> names(defect)<-c("1.71 - 1.77","1.77 - 1.83","1.83 - 1.89","1.61 -

1.71","1.59 - 1.65")
> pareto.chart(defect, ylab = "Error frequency")

Pareto chart analysis for defect


Frequency Cum.Freq. Percentage Cum.Percent.
1.71 - 1.77
10
10 55.555556 55.55556
1.77 - 1.83
4
14 22.222222 77.77778
1.83 - 1.89
2
16 11.111111 88.88889
1.61 - 1.71
1
17 5.555556 94.44444
1.59 - 1.65
1
18 5.555556 100.00000

> altura<c(1.60,1.69,1.72,1.73,1.73,1.74,1.75,1.75,1.75,1.75,1.75,1.76,1.78,
1.80,1.82,1.82,1.84,1.88)
> hist(altura)

Boxplot

Quartil
Mediana

Boxplot

altura<-

c(1.60,1.69,1.72,1.73,1.73,1.74,1.75,1.75,1.75,1.75,1.75,1.76,1.78,1.8
0,1.82,1.82,1.84,1.88)

Diagrama de Causa e Efeito


Investigar as provveis causas de um problema de

qualidade.
Passo 1: identificar o problema que se quer investigar

Passo 2:escrever as causas primrias do problema sob

investigao

Passo 3:identificar as causas secundrias

A partir pesquisa de opinio feita a funcionrios de um

frigorfico da regio, observou-se que 48,7% apontam


a falta de ateno como principal motivo para que
os acidentes de trabalho aconteam.

cause.and.effect(cause=lista(a<-c(

, ),b <-c( ,

)), effect= , title= ,


cause.and.effect(cause=list(Medidas=c("Micrmetro","

Microscpio","Inspetor"),
Material=c("Ligas","Lubrificantes","Fornecedor"),
Pessoal=c("Supervisor","Treinamento","Operao"),
Meio_Ambiente=c("Umidade", "Mistura"),
Mtodos=c("Padro","Alternativo")), effect="Superfcie
de Acabamento", title="Causa e Efeito",cex = c(1.2, 0.9,
1), font = c(4, 1, 3))

Noes Gerais de Controle


As medidas de um conjunto de peas variam uma para outra...

... mas, elas formam uma aglomerao, que se estvel, pode ser descrita como
uma distribuio normal, que pode diferir quanto a:

Localizao

Disperso

Ou quaisquer combinao entre essas.

Forma

Causas comuns
Referem-se as muitas fontes de variao dentro de um processo

estatisticamente estvel ao longo do tempo. Isto chamado Sob


Controle Estatstico do Processo. Se, e somente se, causas comuns de
variao estiverem presentes, o resultado do processo torna-se

previsvel.
Causas especiais
Referem-se a quaisquer fatores causadoras de variao que no estejam

sempre atuando no processo, quando ocorrem, fazem a distribuio do


processo mudar. Se causas especiais esto presentes, o resultado do
processo no estvel ao longo do tempo.

Se apenas causas comuns esto presentes podemos ter uma previso de


como o nosso processo se comportar ao longo do tempo.

Em um processo com presena de causas especiais ocorre exatamente o

contrrio: O processo se torna altamente instvel e imprevisvel.

Variabilidade: causas comuns x causas especiais

Se causas especiais de variao estiverem


presentes, o resultado do processo no
estvel e ao longo do tempo imprevisvel.
Linha objetivo.

Predio.

Se apenas causas comuns estiverem


presentes, o resultado do processo forma
uma distribuio que estvel ao longo do
tempo e previsvel

Influncias

Processo
Entradas

Sadas
Observaes

Grficos de
Controle
Atributo

P / pn
pn - nmero
de itens
defeituosos
P - frao
defeituosa

Varivel

c/u
c nmero
defeitos
u - frao
defeitos/uni
dade

XeR

xeR

X mdia
Ramplitude

x valor
individual
R
amplitude

EGT (Instrumento que indica a temperatura


dos gases de exausto)

EGT (Instrumento que indica a temperatura


dos gases de exausto)
EGT (oC)

Dia
Partida

296

312

294

299

293

283

300

322

292

309

301

303

299

303

313

...

...

...

...

...

...

289

298

311

307

286

312

307

301

316

306

Mdia

297.3

303.7

304.5

300.6

298.3

Dia
Partida

296

312

294

299

293

283

300

322

292

309

301

303

299

303

313

...

...

...

...

...

...

289

298

311

307

286

312

307

301

316

306

Mdia

297.3

303.7

304.5

300.6

298.3

95.5%

(n = 8)

Linha central

Distribuio de Probabilidade e Controle da Capabilidade

Curva Normal Padro

-3

3
-2

2
-1

68,26%
95,44%
99.73%

Abertura da curva (por definio) = 6

(n = 8)
Upper Control
Limit (UCL)

Upper Warning
Limit (UWL)

Lower Warning
Limit (LWL)

Lower Control
Limit (LCL)

Western Electric rules


Conjunto de regras (tipo OU) para declarar
uma anomalia (processo fora de controle).

Padro estatisticamente improvvel

Um ponto fora do intervalo de


Probabilidade de ocorrncia: 1 0.997 = 0.003
(n = 8)

UCL

LCL

Dois dentre trs pontos fora do intervalo de


Probabilidade de ocorrncia = 0.003
(n = 8)

UWL

LWL

Nove pontos consecutivos do mesmo lado da linha central


Probabilidade de Ocorrncia = 0.004

(n = 8)

Linha central

Seqncia crescente (ou decrescente) de seis pontos consecutivos

(n = 8)

Sequncia alternada de catorze pontos consecutivos.

(n = 8)

Grfico X e R

Salva como

TXT( separado por tabulaes)

diam<read.table("C:/Users/Douglas/Desktop/resolvido/t
esteqcc.txt", sep="", header=TRUE, dec=",")
> diam
data(diam)
attach(diam)
diam <- qcc.groups(dados, amostra)
qcc(diam, type="xbar")

Salva como TXT( sep tab)

qcc(diam, type=R")

Grfico R e S

Salva como TXT( sep tab)

qcc(diam, type=S")

Grfico X e AM ( Individual)

ind<-

read.table("C:/Users/Douglas/Desktop/re
solvido/pureza.txt", sep="", header=TRUE,
dec=",")
> qcc(ind, type="xbar.one")

ind<-

read.table("C:/Users/Douglas/Desktop/re
solvido/pureza.txt", sep="", header=TRUE,
dec=",")
> qcc(ind, type="xbar.one")

Noes bsicas de estatstica.


Tipos de distribuio.
Introduo a probabilidade.
Medidas de tendncia central e disperso.
Princpios do CEP.
Noes Gerais e Aplicaes.
Ferramentas para controle de processos.
Construo de grfico.
Anlise de grficos.
Controle de Processo e sua Aplicabilidade.
ndice de capacidade de processo

Inspeo por amostragem.


Cartas de controle para atributos.

Caso 1 Banco do Dinheiro S/A


Caso 1 Banco do Dinheiro S/A O Banco do

Dinheiro S/A quer avaliar a espera na fila


de atendimento preferencial no primeiro
dia til de cada ms. Por isso, resgatou
dados dos ltimos 2 anos, tomando
amostras
em
4
momentos
de
atendimento: 10h30, 12h, 13h30e 15h. Faa
a anlise por Cartas de Controle e, aplicando
o CEP a este caso, conclua sobre o estudo.

X-Barra(xbar)

Amplitude (R)

Desvios

Caso1
caso1<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS_
CEP/txttabulao/caso1.txt", sep="", header=TRUE,
dec=",")
attach(caso1)
caso1<-qcc.groups(dados, amostras)
qcc(caso1, type=xbar")
qcc(caso1, type="R")

6.60 6.65
6.50 6.55

UCL

6.35 6.40 6.45

Group summary statistics

xbar Chart
for caso1

CL

LCL
1

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 6.41
LCL = 6.345345
StdDev = 0.04310345 UCL = 6.474655

Number beyond limits = 4


Number violating runs = 0

0.25
0.20
0.10

0.15

UCL

0.05

CL

0.00

Group summary statistics

0.30

R Chart
for caso1

LCL
1

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 0.08875
LCL = 0
Number beyond limits = 1
StdDev = 0.04310345 UCL = 0.2025186 Number violating runs = 0

0.00 0.02 0.04 0.06 0.08 0.10 0.12

Group summary statistics

S Chart
for caso1

UCL

CL

LCL
1

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 0.0392756
LCL = 0
Number beyond limits = 1
StdDev = 0.04262981 UCL = 0.08900036 Number violating runs = 0

Caso 2 Fbrica de Tecidos da Amlia


A Fbrica de Tecidos da Amlia verifica a

resistncia das malhas produzidas em


algodo de hora em hora. Para isto, coleta
amostras de 3 pontos do rolo-jumbo e, com
eles, fabrica o corpo de prova para avaliao
do ponto de ruptura (resistncia) em um
dinammetro. Faa a anlise por Cartas de
Controle e, aplicando o CEP a este caso,
conclua sobre o estudo.

Caso 2
caso2<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso2.txt", sep="",
header=TRUE, dec=",")
attach(caso2)
caso2<-qcc.groups(dados, amostras)
qcc(caso2, type="xbar")
qcc(caso2, type="R")
qcc(caso2, type="S")

19.0

UCL

18.0

CL

17.0

Group summary statistics

20.0

xbar Chart
for caso2

LCL
1

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 18.34861
LCL = 16.66055
StdDev = 0.9746013 UCL = 20.03667

Number beyond limits = 0


Number violating runs = 0

R Chart
for caso2

3
2
1

CL

Group summary statistics

UCL

LCL
1

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 1.65
LCL = 0
StdDev = 0.9746013 UCL = 4.247419

Number beyond limits = 0


Number violating runs = 0

S Chart
for caso2

1.5
1.0
0.5

CL

0.0

Group summary statistics

2.0

UCL

LCL
1

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 0.8434203
LCL = 0
StdDev = 0.9516978 UCL = 2.166046

Number beyond limits = 0


Number violating runs = 0

Caso 3 Posto Pralavar


O Posto Pralavar oferece o servio de lavagem de

carros, que funciona de Segunda Sbado. Tentando


aprimorar seus servios e aumentar a eficincia da
equipe de lavagem, foram coletadas amostras do
tempo de lavagem em 6 horrios do dia, durante o ms
de Fevereiro. As amostras foram coletadas tendo como
base automveis de mesmo porte. Faa a anlise por
Cartas de Controle e, aplicando o CEP a este caso,
conclua sobre o estudo.

caso3
caso3<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso3.txt", sep="",
header=TRUE, dec=",")
attach(caso3)
caso3<-qcc.groups(dados, amostras)
qcc(caso3, type="xbar")
qcc(caso3, type="R")
qcc(caso3, type="S")

30
25

UCL

20

CL

LCL

15

Group summary statistics

xbar Chart
for caso3

10

12

15

17

19

22

24

26

Group
Number of groups = 24
Center = 21.5625
LCL = 15.64177
StdDev = 4.834254
UCL = 27.48323

Number beyond limits = 4


Number violating runs = 0

15

20

UCL

10

CL

Group summary statistics

25

R Chart
for caso3

LCL
1

10

12

15

17

19

22

24

26

Group
Number of groups = 24
Center = 12.25
LCL = 0
StdDev = 4.834254
UCL = 24.54898

Number beyond limits = 0


Number violating runs = 0

S Chart
for caso3

6
2

CL

LCL

Group summary statistics

UCL

10

12

15

17

19

22

24

26

Group
Number of groups = 24
Center = 4.538449
LCL = 0.1378019
StdDev = 4.769619
UCL = 8.939097

Number beyond limits = 0


Number violating runs = 0

Caso 4 Plsticos Prticos


Os dados abaixo so referentes certadimenso de

uma pea plstica, que deve ser controlada. Os dados


foram coletados em subgrupos (n) de tamanho
igual a 6. Encontre os limites de controle para
uma carta X(barra) R. Diga se o processo est ou
no sob controle estatstico explicando sua
resposta. Caso necessrio, recalcule o processo.

Caso4
caso4<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso4.txt", sep="",
header=TRUE, dec=",")
attach(caso4)
caso4<-qcc.groups(dados, amostras)
qcc(caso4, type="xbar")
qcc(caso4, type="R")
qcc(caso4, type="S")

20.4

20.5

UCL

20.3

CL

LCL

20.2

Group summary statistics

20.6

xbar Chart
for caso4

11

13 15

17 19

21

23 25

Group
Number of groups = 25
Center = 20.4004
LCL = 20.23607
StdDev = 0.1341752 UCL = 20.56473

Number beyond limits = 2


Number violating runs = 0

0.7

R Chart
for caso4

0.5
0.4
0.1

0.2

0.3

CL

0.0

Group summary statistics

0.6

UCL

LCL
1

11

13 15

17 19

21

23 25

Group
Number of groups = 25
Center = 0.34
LCL = 0
Number beyond limits = 0
StdDev = 0.1341752 UCL = 0.6813595 Number violating runs = 0

0.15

0.20

0.25

UCL

0.05

0.10

CL

0.00

Group summary statistics

0.30

S Chart
for caso4

LCL
1

11

13 15

17 19

21

23 25

Group
Number of groups = 25
Center = 0.1520526
LCL = 0.004616806Number beyond limits = 0
StdDev = 0.1597976 UCL = 0.2994884 Number violating runs = 0

Caso 5 Qumica Lavoisier


Considere os dados de viscosidade apresentados a

seguir. Os dados foram coletados em subgrupos


(n) de tamanho igual a 5. Ache os limites de controle
para uma carta X(barra) s e avalie se o processo est
sob controle estatstico ou no.

Caso 5
caso5<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso5.txt", sep="",
header=TRUE, dec=",")
attach(caso5)
caso5<-qcc.groups(dados, amostras)
qcc(caso5, type="xbar") #
qcc(caso5, type="R") #
qcc(caso5, type="S")

xbar Chart
for caso5

75
70

CL

65

Group summary statistics

80

UCL

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 73.15
LCL = 64.60295
StdDev = 6.370593
UCL = 81.69705

Number beyond limits = 0


Number violating runs = 0

R Chart
for caso5

25
20
15
5

10

CL

Group summary statistics

30

UCL

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 14.818
LCL = 0
StdDev = 6.370593
UCL = 31.33221

Number beyond limits = 0


Number violating runs = 0

S Chart
for caso5

10
5

CL

Group summary statistics

15

UCL

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 7.409
LCL = 0
StdDev = 7.882036
UCL = 15.47739

Number beyond limits = 0


Number violating runs = 0

Caso 6 Supermercado R-t-t


O Supermercado R-t-t, no ms passado, foi

autuado pela Vigilncia Sanitria Municipal de


Bom Retiro do Sul pois seu refrigerador de laticnios
estava com temperatura inadequada. Logo, neste ms,
foram realizadas algumas intervenes de
manuteno e decidiu-se controlar a temperatura
do refrigerador durante as 24 horas de determinado
dia. Foram instalados data-loggers em 3 pontos do
refrigerador e, as medidas obtidas foram as abaixo
apresentadas. Faa a anlise por Cartas de
Controle e, aplicando o CEP a este caso, conclua
sobre o estudo.

Caso6
caso6<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso6.txt", sep="",
header=TRUE, dec=",")
attach(caso6)
caso6<-qcc.groups(dados, amostras)
qcc(caso6, type="xbar")
qcc(caso6, type="R")
qcc(caso6, type="S")

6.40

6.45

UCL

CL

6.35

Group summary statistics

6.50

xbar Chart
for caso6

LCL

11

13

15

17

19

Group
Number of groups = 20
Center = 6.401667
LCL = 6.33261
StdDev = 0.03987005 UCL = 6.470724

Number beyond limits = 3


Number violating runs = 0

R Chart
for caso6

0.10
0.05

CL

0.00

Group summary statistics

0.15

UCL

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 0.0675
LCL = 0
StdDev = 0.03987005 UCL = 0.173758

Number beyond limits = 0


Number violating runs = 0

0.04

0.06

0.08

UCL

0.02

CL

0.00

Group summary statistics

0.10

S Chart
for caso6

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 0.03768633 LCL = 0
Number beyond limits = 0
StdDev = 0.04252447 UCL = 0.09678488 Number violating runs = 0

Caso 7 Cimento Marrento


A Cia. de Cimento Marrento tem recebido muitas

reclamaes de seus clientes em relao ao peso


dos sacos de cimento. Alguns clientes reclamam
que esto recebendo muito menos do que
deveriam e, inclusive, que esta situao visvel,
pois o saco chega vazio ao seu estabelecimento. Com
isto, foram retirados 5 sacos de cada lote de produo,
de maneira aleatria. Faa a anlise por Cartas de
Controle e, aplicando o CEP a este caso, conclua sobre
o estudo.

Caso 7
caso7<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso7.txt", sep="",
header=TRUE, dec=",")
attach(caso7)
caso7<-qcc.groups(dados, amostras)
qcc(caso7, type="xbar")
qcc(caso7, type="R")
qcc(caso7, type="S")

18
16

CL

14

UCL

12

LCL

10

Group summary statistics

xbar Chart
for caso7

9 10

12

14

Group
Number of groups = 15
Center = 15.97333
LCL = 13.66613
StdDev = 1.71969
UCL = 18.28054

Number beyond limits = 5


Number violating runs = 0

UCL

CL

Group summary statistics

10

R Chart
for caso7

LCL
1

9 10

12

14

Group
Number of groups = 15
Center = 4
LCL = 0
StdDev = 1.71969
UCL = 8.457879

Number beyond limits = 2


Number violating runs = 0

S Chart
for caso7

3
2
1

CL

Group summary statistics

UCL

LCL
1

9 10

12

14

Group
Number of groups = 15
Center = 1.629809
LCL = 0
StdDev = 1.733865
UCL = 3.404667

Number beyond limits = 2


Number violating runs = 0

Caso 8 Med Mdica


Os dados abaixo so referentes a medio de umidade

no estoque de uma distribuidora de produtos mdicos.


Os produtos l armazenados devem ficar em um
ambiente com umidade controlada, entre 50% e 70 %.
Fora destes limites, no h como garantir a segurana
e eficcia no uso destes produtos. As medies dizem
respeito a um dia de trabalho dentro desta
distribuidora. Faa a anlise e diga: voc, como analista
de garantia da qualidade desta distribuidora, se
sentiria confivel em relao distribuio destes
produtos ao mercado? Justifique.

Caso 8
caso8<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso8.txt", sep="",
header=TRUE, dec=",")
qcc(caso8, type="xbar.one")
qcc(caso8, type="xbar.one",label.limits=c(50,70))
qcc(caso8, type="xbar.one",limits=c(50,70))

65

70

60

CL

55

50

50

Group summary statistics

70

xbar.one Chart
for caso8

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 60.41667
LCL = 55.32879
StdDev = 1.695961
UCL = 65.50455

Number beyond limits = 14


Number violating runs = 7

65

UCL

60

CL

55

LCL

50

Group summary statistics

70

xbar.one Chart
for caso8

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 60.41667
LCL = 55.32879
StdDev = 1.695961
UCL = 65.50455

Number beyond limits = 14


Number violating runs = 7

65

UCL

55

60

CL

50

Group summary statistics

70

xbar.one Chart
for caso8

LCL
1

11

13

15

17

19

21

23

Group
Number of groups = 24
Center = 60.41667
LCL = 50
StdDev = 1.695961
UCL = 70

Number beyond limits = 0


Number violating runs = 7

Caso 9 Fbrica Portuguesa de


Fsforos
A Fbrica Portuguesa de Fsforos testa

completamente sua produo, retirando uma


amostra por lote de fabricao e verificando o
ponto de ignio do mesmo. Abaixo so
apresentados estes dados. Faa a anlise por Cartas
de Controle e, aplicando o CEP a este caso, conclua
sobre o estudo.

Caso 9
caso9<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso9.txt", sep="",
header=TRUE, dec=",")
qcc(caso9, type="xbar.one")

105

110

UCL

100

CL

95

Group summary statistics

115

xbar.one Chart
for caso9

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 103.94
LCL = 93.69364
StdDev = 3.415454
UCL = 114.1864

Number beyond limits = 0


Number violating runs = 2

105

110

UCL

100

CL

95

Group summary statistics

115

xbar.one Chart
for caso9

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 103.94
LCL = 93.69364
StdDev = 3.415454
UCL = 114.1864

Number beyond limits = 0


Number violating runs = 2

ndice de Capacidade de Processo


ndice de capacidade de processo
CPK
Cp>2
EXCELENTE
1,99>CP>1,33

CAPAZ

1,33>CP>1,00

ADEQUADO

1>CP

INCAPAZ

ndice de Capacidade de Processo

Caso 10

10.4
Utilizando os resultados da tabela abaixo,

considerando as especificaes como sendo 18


7,5mm, calcule Cp e Cpk e tire suas concluses sobre
este processo.

Caso 10
caso10<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS_CEP/txtt
abulao/caso10.txt", sep="", header=TRUE, dec=",")
attach(caso10)
caso10<-qcc.groups(dados, amostras)
qcc(caso10, type="xbar")
qcc(caso10, type="R")
qcc(caso10, type="S")
q <- qcc(caso10, type="xbar", nsigmas=3, plot=FALSE)
process.capability(q, spec.limits=c(25.5,10.5))
process.capability(q, spec.limits=c(25.5,10.5), target=18.5)

24
20

22

UCL

18

CL

16

Group summary statistics

26

28

xbar Chart
for caso10

LCL
1

10

Group
Number of groups = 10
Center = 19.5
LCL = 15.71466
StdDev = 2.18547
UCL = 23.28534

Number beyond limits = 1


Number violating runs = 0

UCL

CL

Group summary statistics

10

R Chart
for caso10

LCL
1

10

Group
Number of groups = 10
Center = 3.7
LCL = 0
StdDev = 2.18547
UCL = 9.524515

Number beyond limits = 1


Number violating runs = 0

S Chart
for caso10

4
3
2
1

CL

Group summary statistics

UCL

LCL
1

10

Group
Number of groups = 10
Center = 2.014193
LCL = 0
StdDev = 2.272774
UCL = 5.17279

Number beyond limits = 1


Number violating runs = 0

Process Capability Analysis


for caso10
LSL

10

Target

15

Number of obs = 30
Center = 19.5
StdDev = 2.18547

USL

20
Target = 18
LSL = 10.5
USL = 25.5

25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.943

30

35

Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%

Process Capability Analysis

Call:
process.capability(object = q, spec.limits = c(25.5, 10.5))

Number of obs = 30
Center = 19.5
StdDev = 2.18547

Capability indices:

Value 2.5% 97.5%


Cp 1.1439 0.8509 1.436
Cp_l 1.3727 1.0598 1.686
Cp_u 0.9151 0.6936 1.137
Cp_k 0.9151 0.6511 1.179
Cpm 0.9431 0.6707 1.215

Exp<LSL 0% Obs<LSL 0%
Exp>USL 0.3% Obs>USL 6.7%

Target = 18
LSL = 10.5
USL = 25.5

Process Capability Analysis


for caso10
LSL

10

Target

15

Number of obs = 30
Center = 19.5
StdDev = 2.18547

USL

20
Target = 18
LSL = 10.5
USL = 25.5

25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.943

30

35

Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%

ALVO = 18,5
process.capability(q, spec.limits=c(25.5,10.5),

target=18.5)

Process Capability Analysis


for caso10
LSL

10

Target

15

Number of obs = 30
Center = 19.5
StdDev = 2.18547

USL

20
Target = 14
LSL = 10.5
USL = 25.5

25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.422

30

35

Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%

Process Capability Analysis


for caso10
LSL

Target

USL

process.capability(q, spec.limits=c(25.5,10.5), target=14)


10

Process Capability Analysis

Call:
process.capability(object = q, spec.limits = c(25.5, 10.5), target = 14)

Number of obs = 30
Center = 19.5
StdDev = 2.18547

Capability indices:

Value 2.5% 97.5%


Cp 1.1439 0.8509 1.4363
Cp_l 1.3727 1.0598 1.6856
Cp_u 0.9151 0.6936 1.1367
Cp_k 0.9151 0.6511 1.1791
Cpm 0.4224 0.2780 0.5667

Exp<LSL 0% Obs<LSL 0%
Exp>USL 0.3% Obs>USL 6.7%

Target = 14
LSL = 10.5
USL = 25.5

15

Number of obs = 30
Center = 19.5
StdDev = 2.18547

20
Target = 14
LSL = 10.5
USL = 25.5

25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.422

30

35

Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%

10.7
Os dados abaixo so referentes a uma certa

dimenso de uma pea plstica, que deve ser


controlada. Os dados foram coletados em
subgrupos (n) de tamanho igual a 5. Sabendo que
a especificao dessa dimenso 20,30 0,3mm,
calcule Cp e Cpk e diga se esse processo capaz ou no
justificando sua resposta.

caso10b
caso10b<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS_CE
P/txttabulao/caso10b.txt", sep="", header=TRUE,
dec=",")
attach(caso10b)
caso10b<-qcc.groups(dados, amostras)
q <- qcc(caso10b, type="xbar", nsigmas=3, plot=FALSE)
process.capability(q, spec.limits=c(20.33,20.27))
qcc(caso10b, type="xbar")
qcc(caso10b, type="R")
qcc(caso10b, type="S")

Process Capability Analysis


for caso10b
LSL
Target
USL

20.1

20.2

Number of obs = 75
Center = 20.46053
StdDev = 0.144454

20.3

20.4

Target = 20.3
LSL = 20.27
USL = 20.33

20.5

20.6

20.7

Cp = 0.0692 Exp<LSL 9.4%


Cp_l = 0.44 Exp>USL 82%
Cp_u = -0.301 Obs<LSL 16%
Cp_k = -0.301 Obs>USL 79%
Cpm = 0.0463

Caso 10b

Call:
process.capability(object = q, spec.limits = c(20.33, 20.27))

Number of obs = 75
Center = 20.46053
StdDev = 0.144454

Capability indices:

Value 2.5% 97.5%


Cp 0.06923 0.05809 0.08034
Cp_l 0.43966 0.35282 0.52651
Cp_u -0.30121 -0.22593 -0.37649
Cp_k -0.30121 -0.21151 -0.39091
Cpm 0.04631 0.03709 0.05550

Exp<LSL 9.4% Obs<LSL 16%


Exp>USL 82% Obs>USL 79%

Target = 20.3
LSL = 20.27
USL = 20.33

Process Capability Analysis


for caso10b
LSL
Target
USL

20.1

20.2

Number of obs = 75
Center = 20.46053
StdDev = 0.144454

20.3

20.4

Target = 20.3
LSL = 20.27
USL = 20.33

20.5

20.6

20.7

Cp = 0.0692 Exp<LSL 9.4%


Cp_l = 0.44 Exp>USL 82%
Cp_u = -0.301 Obs<LSL 16%
Cp_k = -0.301 Obs>USL 79%
Cpm = 0.0463

10.8
Considerando as especificaes como sendo 25

5,5mm, calcule Cp e Cpk. Defina a capacidade ou no


do
processo.

Caso 10c
caso10c<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS_CE
P/txttabulao/caso10c.txt", sep="", header=TRUE,
dec=",")
attach(caso10c)
caso10c<-qcc.groups(dados, amostras)
q <- qcc(caso10c, type="xbar", nsigmas=3, plot=FALSE)
process.capability(q, spec.limits=c(30.5,19.5))
qcc(caso10c, type="xbar")
qcc(caso10c, type="R")
qcc(caso10c, type="S")

Process Capability Analysis


for caso10c
LSL

18

20

Target

22

Number of obs = 40
Center = 23.275
StdDev = 1.554153

24
Target = 25
LSL = 19.5
USL = 30.5

USL

26

28

Cp = 1.18
Cp_l = 0.81
Cp_u = 1.55
Cp_k = 0.81
Cpm = 0.79

30

32

Exp<LSL 0.76%
Exp>USL 0%
Obs<LSL 0%
Obs>USL 0%

Process Capability Analysis

Call:
process.capability(object = q, spec.limits = c(30.5, 19.5))

Number of obs = 40
Center = 23.275
StdDev = 1.554153

Target = 25
LSL = 19.5
USL = 30.5

Process Capability Analysis


for caso10c
LSL

Capability indices:

Value 2.5% 97.5%


Cp 1.1796 0.9187 1.4401
Cp_l 0.8097 0.6357 0.9836
Cp_u 1.5496 1.2483 1.8510
Cp_k 0.8097 0.6024 1.0169
Cpm 0.7896 0.5752 1.0036

Exp<LSL 0.76% Obs<LSL 0%


Exp>USL 0% Obs>USL 0%

18

20

Target

22

Number of obs = 40
Center = 23.275
StdDev = 1.554153

24
Target = 25
LSL = 19.5
USL = 30.5

USL

26

28

Cp = 1.18
Cp_l = 0.81
Cp_u = 1.55
Cp_k = 0.81
Cpm = 0.79

30

32

Exp<LSL 0.76%
Exp>USL 0%
Obs<LSL 0%
Obs>USL 0%

10.9
Os dados abaixo so referentes a uma certa

dimenso de uma pea plstica, que deve ser


controlada. Os dados foram coletados em
subgrupos (n) de tamanho igual a 5. Sabendo que
a especificao dessa dimenso 50,00 1,5mm,
calcule Cp e Cpk e diga se esse processo capaz ou
no. Justifique.

Caso 10d
caso10d<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS_CE
P/txttabulao/caso10d.txt", sep="", header=TRUE,
dec=",")
attach(caso10d)
caso10d<-qcc.groups(dados, amostras)
q <- qcc(caso10d, type="xbar", nsigmas=3, plot=FALSE)
process.capability(q, spec.limits=c(51.5,48.5))
qcc(caso10d, type="xbar")
qcc(caso10d, type="R")
qcc(caso10d, type="S")

Process Capability Analysis


for caso10d
LSL

48

Target

49

Number of obs = 50
Center = 50.549
StdDev = 1.008598

50
Target = 50
LSL = 48.5
USL = 51.5

USL

51

52

Cp = 0.496
Cp_l = 0.677
Cp_u = 0.314
Cp_k = 0.314
Cpm = 0.435

53
Exp<LSL 2.1%
Exp>USL 17%
Obs<LSL 4%
Obs>USL 20%

Process Capability Analysis

Call:
process.capability(object = q, spec.limits = c(51.5, 48.5))

Number of obs = 50
Center = 50.549
StdDev = 1.008598

Capability indices:

Value 2.5% 97.5%


Cp 0.4957 0.3978 0.5935
Cp_l 0.6772 0.5405 0.8138
Cp_u 0.3143 0.2208 0.4078
Cp_k 0.3143 0.2029 0.4257
Cpm 0.4354 0.3411 0.5295

Exp<LSL 2.1% Obs<LSL 4%


Exp>USL 17% Obs>USL 20%

Target = 50
LSL = 48.5
USL = 51.5

ATRUBUTOS
P frao defeituosa
Em um Subgrupo
NP - nmero de defeitos
Em um Subgrupo
C - nmero de defeitos em um produto
Vrios defeitos em uma Unidade
U - nmero de defeitos em uma amostra

Frao No-Conforme

Caso 11 Fbrica de Malas Malalala

Caso 11
caso11<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso11.txt", sep="",
header=TRUE, dec=",")
attach(caso11)
qcc(dados, sizes=tamanho, type="p")
qcc(dados, sizes=tamanho, type="np")

15

UCL

10

CL

Group summary statistics

20

np Chart
for dados

LCL
1

9 11

14

17

20

23

26

29

Group
Number of groups = 30
Center = 11.2
LCL = 2.355748
StdDev = 2.948084
UCL = 20.04425

Number beyond limits = 0


Number violating runs = 0

p Chart
for dados

0.35
0.25
0.15

CL

0.05

Group summary statistics

UCL

LCL
1

9 11

14

17

20

23

26

29

Group
Number of groups = 30
Center = 0.224
LCL = 0.04711495 Number beyond limits = 0
StdDev = 0.4169221 UCL = 0.400885 Number violating runs = 0

Caso 12Retfica de Motores Jaguaro


Os dados a seguir representam o resultado da

inspeo de 10 amostras de lotes de tamanho 50.


Ache os limites de controle para uma carta p e avalie
se o processo est ou no sob controle estatstico. (use
3 casas aps a virgula).

Caso 12
caso12<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso12.txt", sep="",
header=TRUE, dec=",")
attach(caso12)
qcc(dados, sizes=tamanho, type="p")
qcc(dados, sizes=tamanho, type="np")

np Chart
for dados

15
10

CL

Group summary statistics

UCL

LCL
1

10

Group
Number of groups = 10
Center = 9.9
LCL = 1.446705
StdDev = 2.817765
UCL = 18.3533

Number beyond limits = 0


Number violating runs = 0

p Chart
for dados

0.25
0.15

CL

0.05

Group summary statistics

0.35

UCL

LCL
1

10

Group
Number of groups = 10
Center = 0.198
LCL = 0.0289341 Number beyond limits = 0
StdDev = 0.3984922 UCL = 0.3670659 Number violating runs = 0

Caso 13 Boteco do Xixo


Os dados abaixoso referentes ao resultado da pesquisa

de satisfao em um bar. Encontre os limites de


controle para uma carta np e construa o grfico.

Caso 13
caso13<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso13.txt", sep="",
header=TRUE, dec=",")
attach(caso13)
qcc(dados, sizes=tamanho, type="np")

np Chart
for dados

25
20
15

CL

10

Group summary statistics

30

UCL

LCL
1

10

Group
Number of groups = 10
Center = 18.8
LCL = 6.290957
StdDev = 4.169681
UCL = 31.30904

Number beyond limits = 0


Number violating runs = 0

Caso 14 Montadora de Hlices do


Zzimo
Uma montadora de deseja controlar o nmero de

NCs observadas no setor de montagem do painel


de controle. Construa uma carta c e verifique se o
processo est sob controle estatstico.

Caso 14
caso14<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso14.txt", sep="",
header=TRUE, dec=",")
attach(caso14)
qcc(dados, type="c")
c Chart
for dados

6
4
2

CL

Group summary statistics

UCL

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 3.4
LCL = 0
StdDev = 1.843909
UCL = 8.931727

Number beyond limits = 0


Number violating runs = 0

c Chart
for dados

6
4
2

CL

Group summary statistics

UCL

LCL
1

11

13

15

17

19

Group
Number of groups = 20
Center = 3.4
LCL = 0
StdDev = 1.843909
UCL = 8.931727

Number beyond limits = 0


Number violating runs = 0

Caso 15
caso15<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso15.txt", sep="",
header=TRUE, dec=",")
attach(caso15)
2.0
1.5
1.0
0.5
0.0

Group summary statistics

qcc(dados, sizes=tamanho, type="u")

2.5

3.0

u Chart
for dados

10

Group
Number of groups = 10
Center = 1.464115
LCL is variable
StdDev = 4.017903
UCL is variable

Number beyond limits


Number violating runs

Caso 15 Fbrica de Vidros Vidroroc

CUSUM
Shewhart problema para pequenas mudanas

Grfico de controle da soma cumulativa

0 = 10
1 = 11
=1

H Intervalo de deciso H=5

CUSUM
somaacumulativa<read.table("C:/Users/Douglas/Desktop/EXERCICIOS_C
EP/txttabulao/cusum.txt", sep="", header=TRUE,
dec=",")
q <- cusum(somaacumulativa, decision.interval = 5,
se.shift =1,center=10,std=1)

cusum Chart
for somaacumulativa

4
2
-4

-2

Above target
Below target

Cumulative Sum

UDB

LDB
1

9 11

14

17

20

23

26

29

Group
Number of groups = 30
Center = 10
StdDev = 1

Decision interval (std. err.) = 5


Shift detection (std. err.) = 1
No. of points beyond boundaries = 2

Cusum
data(pistonrings)
attach(pistonrings)

diameter <- qcc.groups(diameter, sample)


q <- cusum(diameter[1:25,], decision.interval = 4,

se.shift = 1)

UDB

-4

-2

Above target
Below target

Cumulative Sum

cusum Chart
for diameter[1:25, ]

LDB
1

11

13 15

17 19

21

23 25

Group
Number of groups = 25
Center = 74.00118
StdDev = 0.009785039

Decision interval (std. err.) = 4


Shift detection (std. err.) = 1
No. of points beyond boundaries = 0

q <- cusum(diameter[1:25,],

newdata=diameter[26:40,])

cusum Chart
for diameter[1:25, ] and diameter[26:40, ]
New Data in diameter[26:40, ]

10
5

Above target

UDB

-5

Below target

Cumulative Sum

15

Calibration Data in diameter[1:25, ]

LDB
1

10

14

18

22

26

30

34

38

Group
Number of groups = 40
Center = 74.00118
StdDev = 0.009785039

Decision interval (std. err.) = 5


Shift detection (std. err.) = 1
No. of points beyond boundaries = 4

plot(q, chart.all=FALSE)

10
5

Above target

UDB

-5

Below target

Cumulative Sum

15

cusum Chart
for diameter[26:40, ]

LDB
26

28

30

32

34

36

38

40

Group
Number of groups = 15
Center = 74.00118
StdDev = 0.009785039

Decision interval (std. err.) = 5


Shift detection (std. err.) = 1
No. of points beyond boundaries = 4

Mdia Mvel Exponencialmente


Ponderada (EWMA)
Controle Individual

Pequenas Mudanas

e L

> q<-ewma(somaacumulativa,lambda=0.1,

nsigmas=2.7,std=1,center=10)

11
10

UCL

LCL

Group Summary Statistics

12

EWMA Chart
for somaacumulativa

11 13

15 17

19 21

23 25

27 29

Group
Number of groups = 30
Center = 10
StdDev = 1

Smoothing parameter = 0.1


Control limits at 2.7*sigma
No. of points beyond limits = 2

q<-ewma(somaacumulativa)

10

11

UCL

LCL

Group Summary Statistics

12

EWMA Chart
for somaacumulativa

9 11

14

17

20

23

26

29

Group
Number of groups = 30
Center = 10.315
StdDev = 1.199865

Smoothing parameter = 0.2


Control limits at 3*sigma
No. of points beyond limits = 0

EWMA
data(pistonrings)
attach(pistonrings)

diameter <- qcc.groups(diameter, sample)


q <- ewma(diameter[1:25,], lambda=0.2, nsigmas=3)

74.005
74.000

UCL

73.995

LCL

73.990

Group Summary Statistics

74.010

EWMA Chart
for diameter[1:25, ]

11

13 15

17 19

21

23 25

Group
Number of groups = 25
Center = 74.00118
StdDev = 0.009785039

Smoothing parameter = 0.2


Control limits at 3*sigma
No. of points beyond limits = 0

q <- ewma(diameter[1:25,], lambda=0.2, nsigmas=2.7,

newdata=diameter[26:40,], plot = FALSE)


summary(q)
plot(q)

EWMA Chart
for diameter[1:25, ] and diameter[26:40, ]

74.010

74.020

New Data in diameter[26:40, ]

74.000

UCL

LCL

73.990

Group Summary Statistics

Calibration Data in diameter[1:25, ]

10

14

18

22

26

30

34

38

Group
Number of groups = 40
Center = 74.00118
StdDev = 0.009785039

Smoothing parameter = 0.2


Control limits at 2.7*sigma
No. of points beyond limits = 5

x <- c(33.75, 33.05, 34, 33.81, 33.46, 34.02, 33.68, 33.27,

33.49, 33.20, 33.62, 33.00, 33.54, 33.12, 33.84) # viscosity


data (Montgomery, pag. 242) q <- ewma(x,
lambda=0.2, nsigmas=2.7) summary(q)
34.0

EWMA Chart
for x

33.8
33.6
33.4
33.2

LCL

33.0

Group Summary Statistics

UCL

9 10

12

14

Group
Number of groups = 15
Center = 33.52333
StdDev = 0.4261651

Smoothing parameter = 0.2


Control limits at 2.7*sigma
No. of points beyond limits = 0

34.0

EWMA Chart
for x

33.8
33.6
33.4
33.2

LCL

33.0

Group Summary Statistics

UCL

9 10

12

14

Group
Number of groups = 15
Center = 33.52333
StdDev = 0.4261651

Smoothing parameter = 0.2


Control limits at 2.7*sigma
No. of points beyond limits = 0

Outras Informaes

Teste t
x<-c(30.5,35.3,33.2,40.8,42.3,41.5,36.3,43.2,34.6,38.5)
y<-c(28.2,35.1,33.2,35.6,40.2,37.4,34.2,42.1,30.5,38.4)
> t.test(x,y, conf.level = 0.95)

Welch Two Sample t-test


data: x and y
t = 1.1148, df = 17.999, p-value = 0.2796
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-1.884218 6.144218
sample estimates:
mean of x mean of y
37.62 35.49

>

Teste t
> x<-c(130.5,135.3,133.2,140.8,142.3,141.5,136.3,143.2,134.6,138.5)
> t.test(x,y, conf.level = 0.95)

Welch Two Sample t-test


data: x and y
t = 53.452, df = 17.999, p-value < 2.2e-16
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
98.11578 106.14422
sample estimates:
mean of x mean of y
137.62 35.49

Teste f

ma<-c(145,127,136,142,141,137)
mb<-c(143,128,132,138,142,132)
args(var.test)
var.test(ma,mb)
F test to compare two variances
data: ma and mb
F = 1.0821, num df = 5, denom df = 5, p-value = 0.9331
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.1514131 7.7327847
sample estimates:
ratio of variances
1.082056

> ma<-c(145,127,136,142,141,137)
> mb<-c(1,2,2,8,2,1)
> args(var.test)
function (x, ...)
NULL
> var.test(ma,mb)
F test to compare two variances

data: ma and mb
F = 5.6604, num df = 5, denom df = 5, p-value = 0.08009
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.792062 40.451218
sample estimates:
ratio of variances
5.660377

Caso6
caso6<-

read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso6.txt", sep="",
header=TRUE, dec=",")
attach(caso6)
caso6<-qcc.groups(dados, amostras)
qcc(caso6[1:20,], type="xbar")
qcc(caso6, type="R")
qcc(caso6, type="S")