Upload
lekiet
View
213
Download
0
Embed Size (px)
Citation preview
Universidade Federal do Rio Grande do Norte
Centro de Tecnologia
Programa de Pos-Graduacao em Engenharia de Producao
Joelton Fonseca Barbosa
O EFEITO DA AUTOCORRELACAO NODESEMPENHO DO GRAFICO T 2 DE
HOTELLING: CASO BIVARIADO
Natal, setembro de 2013
Joelton Fonseca Barbosa
O EFEITO DA AUTOCORRELACAO NODESEMPENHO DO GRAFICO T 2 DE
HOTELLING: CASO BIVARIADO
Trabalho apresentado ao Programa de Pos-Graduacao em Engenharia de Producao daUniversidade Federal do Rio Grande doNorte, em cumprimento com as exigenciaslegais para obtencao do tıtulo de Mestre.
Area de Concentracao: Qualidade e Estra-tegia.
Orientador:
Profo. Dro. Pledson Guedes de Medeiros
Co-orientador:
Profo. Dro. Antonio Fernando Branco Costa
Natal, setembro de 2013
Catalogacao da Publicacao na Fonte. UFRN / SISBI / Biblioteca Setorial
Centro de Ciencias Exatas e da Terra – CCET.
Barbosa, Joelton Fonseca.
O efeito da autocorrelacao no desempenho do grafico T 2 de Hotelling: caso bivariado /
Joelton Fonseca Barbosa. - Natal, 2013.
76 f. il.
Orientador: Prof. Dr. Pledson Guedes de Medeiros.
Co-orientador: Prof. Dr. Antonio Fernando Branco Costa.
Dissertacao (Mestrado) – Universidade Federal do Rio Grande do Norte. Centro de
Tecnologia. Programa de Pos-Graduacao Engenharia de Producao.
1. Multivariado – Dissertacao. 2. Controle de processos – Dissertacao. 3. Autocorrelacao
– Dissertacao. 4. Limites de controle – Simulacao – Dissertacao. I. Medeiros, Pledson
Guedes de. II. Costa, Antonio Fernando Branco. III. Tıtulo.
RN/UF/BSE-CCET CDU: 519.237
i
Joelton Fonseca Barbosa
O EFEITO DA AUTOCORRELACAO NODESEMPENHO DO GRAFICO T 2 DE
HOTELLING: CASO BIVARIADO
Dissertacao de Mestrado submetida aoPrograma de Pos-Graduacao Engenhariade Producao da Universidade Federal doRio Grande do Norte como parte dosrequisitos para a obtencao do grau deMestre em Engenharia de Producao.
Aprovado em: / /
Banca Examinadora:
Prof. Dr. Pledson Guedes de Medeiros
Universidade Federal do Rio Grande do Norte
Orientador
Prof. Dr. Antonio Fernando Branco Costa
Co-orientador
Prof. Dr. Dione Maria Valenca
Examinador Externo
Agradecimentos
Agradeco primeiramente a Deus, por ter me dado essa oportunidade e enfrenta-la
com muita forca e determinacao. Muito obrigado senhor.
A minha avo que nao mediu esforcos para que eu pudesse chegar ate aqui e me
ajudou sempre com suas palavras de incentivo.
A minha mae que sempre acreditou e mostrou que eu era capaz, mesmo que nos
momentos mais difıceis. A minha irma tambem que acompanhou e acreditou em mim.
A minha namorada Lıgia Lislie que me motivou nos momentos que mais precisei.
Ao Prof. Pledson Guedes de Medeiros pela amizade e paciencias que teve com as
minhas orientacoes. Por ter dado uma base na estatıstica que foi de fundamental im-
portancia para a compreensao e desenvolvimento desta dissertacao.
Ao meu Prof. Antonio Fernando Branco da Costa por aceitado ser meu co-orientaor
por tao prontamente responder minha perguntas e sugerir as direcoes desta pesquisa.
A Profa. Dione Maria Valenca por tirar algumas duvidas em das partes mais deci-
sivas da minha pesquisa e por participar da banca examinadora.
A Elvis Sampaio que me ajudou na minha formacao da base estatıstica estudando
e resolvendo lista de exercıcios da disciplinas de controle estatıstico da qualidade.
Ao Prof. Andre Pinho, que sempre se dispos a ajudar quando tinha duvida sobre
comandos e programacao no software.
“ O que prevemos raramente
ocorre; o que menos esperamos
geralmente acontece.”
Benjamin Disraeli
Resumo
O grafico de controle T 2 de Hotelling tem sido o principal dispositivo
estatıstico utilizado no monitoramento de processos multivariados. Atual-
mente com o desenvolvimento tecnologico dos sistemas de controle e au-
tomacao possibilitou uma elevada taxa de coletas das informacoes dos sis-
temas produtivos em intervalos de tempo muito curto, provocando uma
dependencia entre os resultados das observacoes. Este fenomeno conhecido
como autocorrelacao provoca no controle estatıstico de processos multivari-
ado uma grande quantidade de alarmes falsos, prejudicando no desempenho
do grafico. Isto acarreta na violacao do pressuposto de independencia e da
normalidade da distribuicao. Nesta dissertacao considerou-se nao so a cor-
relacao entre duas variaveis, mas tambem a dependencia entre observacoes
de uma mesma variavel, isto e, a autocorrelacao. Estudou-se, por meio de
simulacao, o caso bivariado e o efeito da autocorrelacao no desempenho do
grafico T 2 de Hotelling.
Palavras-chave: Controle multivariado de processos, autocorrelacao, limites de
controle e simulacao.
iii
Abstract
The chart of control of Hotelling T 2 has been the main statistical de-
vice used in monitoring multivariate processes. Currently the technologi-
cal development of control systems and automation enabled a high rate
of collection of information of the production systems in very short time
intervals, causing a dependency between the results of observations. This
phenomenon known as auto correlation causes in the statistical control of
the multivariate processes a high rate of false alarms, prejudicing in the
chart performance. This entails the violation of the assumption of inde-
pendence and normality of the distribution. In this thesis we considered
not only the correlation between two variables, but also the dependence
between observations of the same variable, that is, auto correlation. It was
studied by simulation, the bi variate case and the effect of auto correlation
on the performance of the T 2 chart of Hotelling.
Keywords: Multivariate processes control, autocorrelation, control limits and si-
mulation.
iv
Sumario
1 Introducao 1
1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Justificativa e importancia . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Metodo do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Abrangencia do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 GRAFICOS DE CONTROLE 5
2.1 Princıpios dos graficos de controle . . . . . . . . . . . . . . . . . . . . . 5
2.2 Subgrupos racionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Alarmes nos graficos de controle . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Desempenho dos graficos de controle . . . . . . . . . . . . . . . . . . . 9
2.5 Grafico de controle univariado . . . . . . . . . . . . . . . . . . . . . . . 10
2.6 Grafico de controle multivariado . . . . . . . . . . . . . . . . . . . . . . 11
2.7 Distribuicao Normal Multivariada . . . . . . . . . . . . . . . . . . . . . 13
2.7.1 Estimando o vetor de medias e matriz de covariancia . . . . . . 14
2.8 A Estatıstica T 2 de Hotellinge o grafico de controle multivariado . . . . 16
3 PROCESSO AUTOCORRELACIONADO 19
3.1 Consideracoes iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Modelo auto-regressivo AR(1) . . . . . . . . . . . . . . . . . . . . . . . 21
4 MODELO DA SIMULACAO 22
4.1 Gerando Amostras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2 Determinacao dos limites de controle . . . . . . . . . . . . . . . . . . . 25
4.3 Simulacao do LSC pelo algoritmo proposto . . . . . . . . . . . . . . . . 27
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 30
5 CONCLUSOES 39
5.1 Sugestoes para pesquisas futuras . . . . . . . . . . . . . . . . . . . . . . 40
v
A ALGORITMO NO SOFTWARE R 41
A.1 Fase I para n=3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
A.2 Fase I para n=4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A.3 Fase I para n=5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
A.4 Fase II para n=3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
A.5 Fase II para n=4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
A.6 Fase II para n=5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Referencias 73
vi
Lista de Figuras
2.1 Ocorrencia de um alarme falso. . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Ocorrencia de um alarme verdadeiro. . . . . . . . . . . . . . . . . . . . 8
2.3 Curva de NMA vs δ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Distribuicao normal multivariada com p = 2, µ1 = µ2 = 0, σ11 = σ22 = 1
e p12 = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5 Distribuicao normal multivariada com p = 2, µ1 = µ2 = 0, σ11 = σ22 = 1
e p12 = 0, 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.6 Grafico de controle T 2 de Hotelling. . . . . . . . . . . . . . . . . . . . . 17
4.1 Grafico utilizado para validar o algoritmo que determina limite de controle. 26
4.2 Grafico T 2 de Hotelling sob efeito de autocorrelacao φ = 0, 5 . . . . . . 27
4.3 Comparativo dos limites de controle tabelado e simulado para um grafico
T 2 de Hotelling na presenca de autocorrelacao φ = 0, 5 . . . . . . . . . 30
vii
Lista de Tabelas
4.1 Novos limites de controle na presenca de autocorrelacao para n = 3. . . 28
4.2 Novos limites de controle na presenca de autocorrelacao para n = 4. . . 28
4.3 Novos limites de controle na presenca de autocorrelacao para n = 5. . . 29
4.4 Valores de NMA para o grafico T 2 sob autocorrelacao (ρ = 0, 0). . . . 34
4.5 Valores de NMA para o grafico T 2 sob autocorrelacao (ρ = 0, 3). . . . 35
4.6 Valores de NMA para o grafico T 2 sob autocorrelacao (ρ = 0, 5). . . . 36
4.7 Valores de NMA para o grafico T 2 sob autocorrelacao (ρ = 0, 7). . . . 37
viii
Capıtulo 1
Introducao
A crescente concorrencia em nıvel internacional criou nas empresas a necessidade de
priorizarem o objetivo qualidade como um diferencial competitivo de sua participacao
no mercado. Estas buscaram melhorar de forma contınua a qualidade de seus produtos,
servicos e processos. Atualmente existe a necessidade de uma resposta rapida e com
qualidade ao mercado, isso implica na importancia de utilizar o controle estatıstico de
processos (CEP) como um instrumento gerencial para reducao das variacoes entre itens
manufaturados.
O controle estatıstico de processos foi criado por Shewhart (33), quando ele apre-
sentou o primeiro esboco de um grafico de controle univariado na Bell Telephone La-
boratories. Embora seu quadro inicial fosse pra controlar o percentual de defeitos em
um processo de producao, mais tarde ele estendeu sua ideia para o grafico de controle
de media e desvio padrao de um processo. Esta ferramenta foi amplamente utilizada
pela industria pela sua facilidade de implementacao, analise e nao demandava recursos
computacionais.
A medida que crescia a necessidade de monitorar a qualidade de produtos e das
varias etapas dos processos produtivos, aumentou consequentemente a quantidade de
variaveis da qualidade que deveriam ser monitoradas (controle multivariado). Isto fez
com que varios graficos univaridos de Shewhart fossem utilizados simultaneamente, e
de forma independente, para monitorar o processo de producao, ver Montgomery (23).
Este modelo se tornava inviavel de ser utilizado quando a quantidade de caracterısticas
da qualidade aumentava e possuıam correlacao entre elas, isso levava a uma interpre-
tacao erroneas sobre a estabilidade do processo. Um outro aspecto que poderia levar
a conclusoes erronea da estabilidade do processo foi o efeito da autocorrelacao nas
1
2
observacoes de uma mesma variavel, que caracterizava-se por uma observacao atual
esta correlacionada com a observacao anterior, ver Costa et al. (7). Isso provocava
uma grande quantidade de ”alarmes falsos”, ou seja, concluir que o processo esta fora
de controle quando na realidade o processo esta sob controle estatıstico. Este fato
foi muito observado quando se tentava implementar graficos convencionais utilizando
dados com autocorrelacao encontrado nas industrias de processos contınuos, quımica,
farmaceutica e automatizadas.
Observa-se entao, que as situacoes problematicas do controle multivariado e proces-
sos com dados autocorrelacionados, citadas anteriormente, foram encontradas pela nao
adequabilidade de utilizacao do grafico de Shewhart, pois o grafico por ele proposto
foi criado para monitorar processos da industria de partes discretas (Costa et al. (7))
que tenham observacoes independentes e normalmente distribuıdas. Para tentar cons-
truir um modelo que incorporasse a correlacao na analise de processos multivariados
Hotelling (12) propos a Estatıstica T 2 que se baseou nos princıpios do grafico X de
Shewart univariado. Esta estatıstica ficou conhecida como T 2 Hotelling, foi estimada
de forma a fornecer valores que medem a distancia entre cada observacao do vetor de
media amostral. Ja para melhorar o desempenho dos graficos de controle capazes de li-
dar com observacoes dependentes ao longo do tempo os pesquisadores estao realizando
estudos para verificar o efeito da autocorrelacao no controle estatıstico de processos
univariados, Alwan e Roberts (2), Montgomery e Mastrangelo (25), Lu e Reynolds
(18). Ja no controle estatıstico de processos multivariados existe uma maior complexi-
dade por tratar um numero maior de variaveis, e aumenta quando ha autocorrelacao
em observacoes de subgrupos racionais.
O desafio dos pesquisadores atuais e propor um modelo que seja capaz de monito-
rar processos multivariados sob influencia da autocorrelacao.Theodossiou (35) propos
um grafico CUSUM e Kramer e Schmid (15) um grafico EWMA multivariado. Para
monitorar um processo multivariado sob efeito da autocorrelacao existem abordagens
diferentes. Uma delas e ajustar um modelo de serie temporal que possibilite conhecer o
comportamento autorregressivo dos dados e assim monitorar os resıduos desta serie. A
grande problematica de monitorar resıduos em modelos multivariados e que seria criada
uma funcao de monitoramento do vetor de resıduos das caracterısticas de qualidade,
acarretando em uma consideravel diminuicao no poder de deteccao, levando a uma
deteccao mais tardia. Alguns exemplos desses processos de controle podem ser visto
em Zhang (42) e Lu e Reynolds (19). A outra maneira de lidar com autocorrelacao
1.1 Objetivos 3
e ajustando os limites de controle para reduzir o numero de alarmes falsos, permane-
cendo com os dados originais.
1.1 Objetivos
O objetivo geral deste trabalho e analisar um grafico T 2 de Hotelling bivariado, sob
efeito da autocorrelacao em suas observacoes de acordo com o modelo AR(1) e propor
limites de controle utilizando simulacao computacional.
Para alcancar o objetivo geral, foi necessario seguir os seguintes objetivos especıficos:
• Verificar o efeito da autocorrelacao no desempenho do grafico T 2 utilizado no
monitoramento de processos bivariados com variaveis dependentes.
• Encontrar limites de controle para o grafico T 2 sujeito a dados com autocorrela-
cao o diminuira a quantidade de alarmes falso.
• Analisar o desempenho na fase II dos graficos T 2 Hotelling bivariados sujeitos a
diferentes deslocamentos de media.
• Analisar o desempenho do grafico de controle com diferentes tamanhos de amos-
tras.
• Comparar o modelo proposto por simulacao com os encontrados na literatura.
1.2 Justificativa e importancia
As tecnicas tradicionais de controle de processos multivariados baseiam-se nos pres-
supostos da independencia das observacoes proposta por Shewart nos graficos univa-
riados. A violacao desta suposicao acarreta em um grande numero de alarmes falsos,
1.3 Metodo do trabalho 4
ou seja, ira apontar causas especiais indevidamente. Muitos processos industriais mo-
dernos estao propensos a gerar dados com efeito de autocorrelacao. Esta situacao
pode ser explicada pelo desenvolvimento tecnologico dos equipamentos de controle em
automacao, que possibilitou uma elevada taxa de coleta de informacoes nos sistemas
produtivos. Tais processos com esse efeito da autocorrelacao passam a quebrar o pressu-
posto da independencia das observacoes. Seguindo essa nova tendencia da necessidade
de controlar varias caracterısticas de qualidade de forma simultanea (controle multiva-
riado) e sujeitas a autocorrelacao, propomos neste trabalho analisar o comportamento
dos graficos de T 2 de Hotelling sob efeito da autocorrelacao em diferentes deslocamen-
tos de media do processo e, em seguida, encontrar um limite de controle ajustado por
meio de simulacao que garanta a eficacia do grafico.
1.3 Metodo do trabalho
Como este trabalho tem como objetivo investigar o efeito da autocorrelacao no
controle multivariado de processos, esta pesquisa e classificada quanto modalidade como
uma pesquisa aplicada com objetivos exploratorios. Ja em com relacao a sua abordagem
e classificado como uma pesquisa quantitativa que utiliza o metodo da modelagem e
simulacao.
1.4 Abrangencia do Trabalho
Os resultados obtidos neste trabalho abrangem:
• Processos bivariados;
• O modelo auto regressivo AR(1);
• Correlacao entre z caracterısticas da qualidade;
• Autocorrelacao nas observacoes da mesma caracterıstica de qualidade;
• Amostras com tamanho n = 3, n = 4 e n = 5.
Capıtulo 2
GRAFICOS DE CONTROLE
2.1 Princıpios dos graficos de controle
Shewhart desenvolveu o grafico de controle como uma ferramenta de apoio ao con-
trole estatıstico de processos. Esta e capaz de monitorar o desempenho de um deter-
minado processo ao longo do tempo e detectar causas especiais que o desajustam. O
grafico de controle apresenta observacoes de uma determinada caracterıstica de quali-
dade em uma ordem temporal e e composto por um limite superior de controle (LSC) e
um limite inferior de controle (LIC), alem de uma linha media (LM). Quando as obser-
vacoes da caracterıstica de qualidade estao dentro destes limites, nao seguem nenhuma
tendencia e estao distribuıdos aleatoriamente considera-se que este processo esta sob
controle estatıstico. Ja quando alguns desses pontos estao fora dos limites de controle
ou seguem uma tendencia especial ou sistematica sinaliza que este processo podera
estar fora de controle estatıstico.
Estes graficos sao bastante utilizados pela sua simplicidade na aplicacao e interpre-
tacao. Em um grafico de Shewhart, por exemplo, para monitorar uma determinada
caracterıstica de qualidade Xc coleta-se, em um determinado intervalo de tempo h,
amostras de tamanho n e calcula-se uma estatıstica X. Assumindo que essas observa-
coes sao reacao de variaveis aleatorias independentes e normalmente distribuıdas com
valor esperado µ (media do processo) e desvio padrao (σ). Entao para um limite de 3σ,
µ± 3σ, isso iria garantir que para um processo controlado e isento de causas especiais
uma probabilidade de 99, 73% das observacoes caırem dentro dos limites de controle.
Os limites de controle e a linha media sao da por:
5
2.2 Subgrupos racionais 6
LSCX = µX + 3σX (2.1)
LMX = µX (2.2)
LICX = µX − 3σX (2.3)
Importante frisar que na construcao destes limites de controle e necessario checar
os pressupostos de normalidade e independencia propostos por Shewhart. Entretanto,
nada impede que seja construıdo um grafico de Shewhart, utilizando uma distribuicao
proxima da normal, mas o quesito da independencia das variaveis devera ser atendido.
2.2 Subgrupos racionais
Os subgrupos racionais sao amostras suja observacoes sao coletadas praticamente
num mesmo instante, em intervalos de tempos regulares. A fundamentacao desses sub-
grupos racionais foi introduzida por Shewhart com a finalidade de apresentar como
deveriam ser organizados os dados amostrais do processo. Na construcao de um sub-
grupo racional devera ser levado em consideracao o tamanho da amostra e o intervalo
de tempo de coleta entre subgrupos de forma que se possa obter uma maior eficiencia
na sensibilidade de deteccao do grafico e que se possa ter um menor custo de inspecao.
Os subgrupos racionais devem ser formados por unidades semelhantes em composi-
cao de material, metodos de coletas, metodo de manufatura e condicoes especıficas do
processo. A formacao desse subgrupo racional deve ser composta por itens produzi-
dos praticamente num mesmo instante, com o objetivo de que as causas especiais nao
aparecam no mesmo subgrupo racional e sim entre grupos diferentes. Isto diminui a
variabilidade em uma mesma amostra, e aumenta a variabilidade entre amostras, caso
estejam presentes causas especiais.
2.3 Alarmes nos graficos de controle
O objetivo do grafico de controle e testar se um determinado processo esta ou
nao sob controle estatıstico, ou seja, verificar quando este processo apresenta variacoes
aleatorias ou variacoes naturais do processo. Para testar se um processo esta sob estado
de controle havera necessidade de aplicar um teste de hipotese para verificar a validade
2.3 Alarmes nos graficos de controle 7
de uma suposicao a respeito de um parametro da populacao. No controle de processos
testam-se as seguintes hipoteses: H0 hipotese que considera o processo sob controle e
H1 considera o processo fora de controle. Para um grafico de X , tem-se H0 : µx = µ0
e H1 : µx 6= µ0. A hipotese H0 nao sera rejeitada quando o valor de X cair dentro dos
limites de controle, e sera rejeitada quando o valor de X cair fora dos limites de controle.
Como se trata de um teste estatıstico, ha um risco α de um valor cair fora do limite de
controle e ser julgado que o processo esta fora de controle quando na verdade ele nao
esta. Esse tipo de erro e conhecido como o erro do tipo I (”Alarme falso”). Ja o risco
β e a probabilidade de um ponto cair dentro dos limites de controle, nao sinalizando
uma causa especial. Este e o erro do tipo II (nao-deteccao) considerar erroneamente
que o processo esta em controle. Esses erros do tipo I e tipo II sao representados pelas
seguintes probabilidades:
α = Pr[X > LSCX ou X < LIC|µ = µ0
](2.4)
β = Pr[LICX ≤ X ≤ LSCX |µ 6= µ0
](2.5)
O poder do grafico de controle (Pd) em detectar uma causa especial no processo e
dado pela probabilidade de deteccao na expressao abaixo:
Pd = 1− β (2.6)
Na ocorrencia de uma alarme falso, representado na Figura 2.1 (adaptada de Costa
et al., p.65 (7)), um ponto ficou acima do limite de controle e nao houve um deslo-
camento na media do processo, ou seja, foi sinalizado indevidamente que o processo
esta sob influencia de uma causa especial. A consequencia disto e uma intervencao de
manutencao, inspecao do processo em uma hora errada, pois este sinalizou um alarme
falso. Para que o impacto de alarmes falsos sob o processo possa ser diminuıdo deve-se
dimensionar uma valor de abertura dos limites de controle que possam garantir um
menor valor para o risco α.
Quando o processo esta sujeito a uma causa especial sua media passa a ser deslo-
cada sinalizando que este processo precisa ser ajustado. Quando mais rapido o grafico
sinalizar que houve um alarme verdadeiro melhor sera para o processo, pois isto pos-
sibilitara uma rapida intervencao no processo garantindo uma menor quantidade de
produtos fora dos padroes de qualidade.
2.3 Alarmes nos graficos de controle 8
Figura 2.1: Ocorrencia de um alarme falso.
Figura 2.2: Ocorrencia de um alarme verdadeiro.
A Figura 2.2 (adaptada de Costa et al., p.70 (7)) ilustra a presenca de um alarme
verdadeiro, onde o deslocamento de media foi sinalizado no quinto ponto plotado no
grafico de controle.
2.4 Desempenho dos graficos de controle 9
2.4 Desempenho dos graficos de controle
O planejamento do grafico de controle deve ser realizado em funcao de tres parame-
tros que irao influenciar diretamente na eficiencia do grafico sinalizar quando o processo
esta fora de controle. Esses parametros sao: o tamanho da amostra n, o intervalo de
tempo da amostragem h e a largura do limite de controle k. As amostras de tama-
nho grande possibilitarao uma deteccao mais rapida de mudancas no processo, mas em
contrapartida irao aumentar os custos totais de inspecao. Ja intervalos de amostragem
mais curtos possibilitarao tambem uma deteccao mais rapida na mudanca do processo.
Estes dois parametros devem ser ajustados conjuntamente a fim de que possa tornar o
os procedimentos economicamente viaveis e que tenha eficacia de controle. Na pratica
industrial o modelo mais bem aceito e usual e de um menor intervalo de tempo entre
as amostras e amostras de tamanhos menores.
O desempenho dos graficos de controle e medido pelo seu valor de NMA, numero
medio de amostras ate o sinal.
O resultado desta equacao avalia o desempenho do grafico, pois quanto menor o
NMA mais rapido o processo ira detectar a mudanca.
Quando o processo esta sob efeito de causa especial, que o desajusta, e importante
encontrar o NMA menor possıvel, a fim de detectar rapidamente alteracao no processo.
Pretende-se no planejamento de um grafico de controle obter um valor de NMAF =1
pque seja o maior possıvel de forma a minimizar a quantidade de alarmes falsos, visto
que o processo se encontra sob controle estatıstico. Quando se realiza a comparacao
entre graficos de controle sujeitos a diferentes parametros, aquele que apresentar em
simultaneo um maior valor para o NMA em controle e um menor valor de NMAF fora
de controle devera ser considerado como o grafico mais eficaz. Importante observar que
para realizar comparacoes de desempenho dos graficos de controle e importante ajustar
os limites de controle para obter um mesmo valor de NMAF sob controle estatıstico de
modo a estabelecer-se uma comparacao de NMA’s para diferentes dimensoes de deslo-
camentos do processo (δ).
Outro parametro ja mencionado como importante na obtencao de um melhor de-
sempenho do grafico de controle e o tamanho da amostra. Este quanto maior for maior
sera o poder de deteccao, ou seja, ira proporcionar um menor valor de NMA. A Figura
2.3 (adaptada de Costa et al., p.70 (7)) a seguir apresenta a influencia do tamanho da
2.5 Grafico de controle univariado 10
amostra e do deslocamento da media no valor do NMA.
Figura 2.3: Curva de NMA vs δ.
O numero de amostras m ate a ocorrencia de um alarme segue uma distribuicao
geometrica de parametro p, independentemente de se tratar de um alarme falso ou ver-
dadeiro onde o valor esperado de M indica o numero medio de amostras ate o alarme
verdadeiro NMA ou alarme falso NMAF. Para uma situacao em que a hipotese H0 nao
e rejeitada com µx = µ0, entao p = α e NMAF = 1 − /α denominado por NMA0.
Quando a hipotese nao e rejeitada com µx 6= µ0, temos que p = Pd e NMA = 1/Pd
onde Pd = 1− β.
2.5 Grafico de controle univariado
Os graficos de controle univariados sao amplamente utilizados na industria para
monitorar uma unica caracterıstica de qualidade em uma unica etapa do processo pro-
dutivo. Este modelo de grafico e muito utilizado pelo seu facil manuseio. Quando um
ponto e plotado na regiao de acao do grafico fica mais facil identificar as causas especiais
que afetaram aquela caracterıstica de qualidade monitorada pelo grafico. Entretanto
o grafico tradicional de Shewharte muito eficaz na deteccao de deslocamentos grandes,
mas relativamente menos eficaz na deteccao de pequenas mudancas. Diante desse con-
2.6 Grafico de controle multivariado 11
texto, surgiram inumeras sugestoes de melhorias no grafico de Shewhart original afim
de melhorar sua eficiencia em pequenas mudancas. As modificacoes propostas sao para
variar alguns parametros dos graficos de controle, alterar o esquema de amostragem, e
as regras de decisao.
O grafico de controle de Shewhart se fundamenta em tres parametros fundamentais:
intervalo de amostragem, tamanho da amostra e limites de controle. A ideia de variar
algum desses parametros dos graficos de controle univariados (graficos adaptativos)
tem sido bastante explorada. Reynolds et al. (30) foram os primeiros pesquisadores
a proporem um grafico adaptativo. Eles propuseram no grafico X com um intervalo
de amostragem variavel (VSI - Variable Sampling Interval). Mais tarde, Prabhu et al.
(29) e Costa (5), independentemente, propuseram amostras de tamanho variado para
grafico X. Prabhu et al. (28) abordou o caso em que tanto o tamanho da amostra
como o intervalo entre a retiradas das amostras sao variaveis (VSSI - Variable Sam-
pling Size Interval). Costa (6) propos um grafico adaptativo com os tres parametros
fundamentais variaveis.
Outras tecnicas de controle tem sido aplicada nos graficos univariados de Shewhart,
como na soma cumulativa (CUSUM) e nas medias moveis ponderadas exponencial
(EWMA). Alguns desses trabalhos podem ser visto em Zimmer et al. (43), Costa and
Rahim (8), Epprecht et al. (10), Wu et al. (39), Jiang et al. (13), Luo et al. (21), Li
and Wang (16), Shu et al. (34), Dai et al. (9).
2.6 Grafico de controle multivariado
Ate o momento, foi abordado o monitoramento e controle de processos sob a pers-
pectiva univariada, ou seja, apenas uma variavel da qualidade era interesse da obser-
vacao. Na pratica observa-se que as industrias estao cada vez mais competitivas e
preocupadas com os nıveis de qualidade de seus produtos e processos. Inumeros fato-
res de qualidade estao sendo constantemente monitorados nos ambientes industriais,
gracas ao desenvolvimento de tecnologias que permitem coletar informacoes de maneira
rapida e frequente dos sistemas produtivos e armazena-las para uma posterior analise.
Isto e resultado da automacao. Muitos aspectos de qualidade que nao poderiam ser
monitorados, hoje podem ser verificados em tempo real. Isto aumentou consideravel-
mente as caracterısticas de qualidade que podem ser monitoradas no processo, ou seja,
existem varias variaveis da qualidade a serem controladas e monitoradas.Os graficos de
2.6 Grafico de controle multivariado 12
controle univariadas nao sao recomendas para estes casos, pois as varias caracterısticas
da qualidade podem estar relacionadas, o que ira prejudicar o desempenho dos graficos
de controle.
Quando sao monitoradas z caracterısticas de qualidade independentes utilizando z
graficos de controle univariados de Shewhart simultaneamente para verificar a estabili-
dade do processo, observa-se que ha uma distorcao na interpretacao do erro do tipo I.
Suponha que serao monitoradas duas caracterısticas de qualidade X1 e X2. Ambas com
limites de controle tres sigma resultando em uma probabilidade de exceder os limites
de controle de 0, 0027 para cada uma delas. Isto acarretara em uma probabilidade con-
junta de ambas as variaveis excederem o limite de controle simultaneamente , estando
sob controle, de (0, 0027)(0, 0027) = 0, 00000729 menor que 0, 0027. Levando a um erro
do tipo I diferente dos nıveis apresentados para os graficos de controle individuais.
Essa distorcao de interpretacao no monitoramento do processo aumenta com o
numero de caracterısticas de qualidade. Entao para p caracterısticas de qualidade a
um nıvel de significancia de α para cada p grafico de controle, a probabilidade do erro
do tipo I do processo global e dado por:
α′ = 1− (1− α)p (2.7)
Dessa forma, para as caracterısticas de qualidade X1 e X2 o erro do tipo I global
do processo e 0, 00593 praticamente o dobro do α estabelecido para cada uma dessas
variaveis.
Isso mostra que no monitoramento de graficos multivariados havera uma maior pro-
babilidade de ocorrer alarmes falsos e uma reducao no poder de deteccao a medida que
aumenta o numero de caracterısticas de qualidade a serem monitoradas.
O aumento das p caracterısticas de qualidade prova uma distorcao no procedimento
de controle conjunto. Isso ira agravar ainda mais o grafico de controle multivariado
quando as p caracterısticas de qualidade nao sao independentes, o que usualmente
ocorre quando elas se relacionam a um mesmo produto.
2.7 Distribuicao Normal Multivariada 13
2.7 Distribuicao Normal Multivariada
A distribuicao normal multivariada e uma generalizacao da normal univariada para
o caso no qual se trabalha com duas ou mais variaveis aleatorias simultaneamente. A
distribuicao normal univariada com media µ e variancia σ2 tem densidade de probabi-
lidade dada por:
f(x) =1√
2πσ2exp
{−1
2
(x− µσ
)}Para p variaveis aleatorias, dadas pelo vetor aleatorio X = [X1, X2, . . . , Xp], este
tem uma distribuicao conjunta normal multivariada de dimensao p ( ou, simplesmente,
p-variada), se sua funcao densidade for dada por:
f(x1, x2, . . . , xp) =1
(2π)p/2|Σ|1/2exp
{−1
2(x− µ)′Σ−1(x− µ)
}onde µ = (µ1, µ2, . . . , µp)
′ um vetor de dimensao p× que representa a esperanca
matematica do vetor X, isto e, µi = E(Xi), i = 1, 2, . . . , p e Σ e uma matriz positiva
definida de dimensao p×p que representa a matriz de variancias e covariancias do vetor
aleatorio X e e dada por:
Σp×p =
σ11 σ12 . . . σ1p
σ21 σ22 . . . σ2p
......
. . ....
σp1 σp2 . . . σpp
Como a matriz de covariancia e uma matriz simetrica, isto e σij = σji,∀i 6= j,
onde σii = σ2i = V ar(Xi), i = 1, 2, . . . , p e σij = Cov(Xi, Xj), i, j = 1, 2, . . . , p, (i 6= j).
Nao se pode deixar de mencionar que quando se trata de mais de uma variavel pode
acontecer que elas tenham correlacao. A correlacao e uma medida mais adequada para
estimar o grau de relacionamento linear entre duas variaveis, esta e uma grandeza
adimensional que tera seus valores de referencia entre −1 e 1 (Mingoti (22)). Esta e
dada pela seguinte formula:
pij =σij√σii√σjj
, i, j = 1, 2, . . . , p com − 1 ≥ pij ≥ 1
Assim, quanto mais proximo de 1, mais indicacao da existencia de um relaciona-
mento linear positivo entre as variaveis, e quando mais proximo de −1, mais indicacao
da existencia de um relacionamento linear negativo. Ja quando duas variaveis sao nao
correlacionadas, isto e p = 0, tem-se que estas serao independentes, dado que fazem
2.7 Distribuicao Normal Multivariada 14
parte de um vetor que possui distribuicao normal multivariada (Mingoti (22)).
Para um caso em que p = 2 a funcao de densidade de X = X1, X2 pode ser escrita
em funcao do coeficiente de correlacao entre estas variaveis. Esta funcao pode ser
expressa da seguinte forma:
f(x1, x2) =1
2π√σ11σ22 (1− p2
12)× exp
{1
2 (1− p112)
[(x1 − µ2
σ11
)2
+
(x2 − µ2
σ22
)2
−2p12
(x1 − µ1√
σ11
)(x2 − µ2√
σ22
)]}Segue abaixo uma ilustracao dos graficos da distribuicao normal bivariada sob o
efeito de diferentes graus de correlacao e suas respectivas curvas de nıvel.
Figura 2.4: Distribuicao normal multivariada com p = 2, µ1 = µ2 = 0, σ11 = σ22 = 1 ep12 = 0.
2.7.1 Estimando o vetor de medias e matriz de covariancia
As estimativas dos vetores de media µ e da matriz de covariancia Σ sao obtidas
a partir de uma amostra de tamanho n, tomadas admitindo-se que o processo esteja
em controle e disponıveis m amostras. As medias e variancia amostrais para duas
caracterısticas de qualidade X1 e X2 sao calculadas, para cada amostra da seguinte
2.7 Distribuicao Normal Multivariada 15
Figura 2.5: Distribuicao normal multivariada com p = 2, µ1 = µ2 = 0, σ11 = σ22 = 1 ep12 = 0, 9.
forma:
xjk =1
n
n∑i=1
xijk
{j = 1, 2
j = 1, 2 . . . ,m
S2jk =
1
n− 1
n∑i=1
(xijk − xijk)2
{j = 1, 2
j = 1, 2 . . . ,m
onde xijk e a i.a observacao da j.a caracterıstica da qualidade na k.a amostra. A
covariancia entre as caracterısticas da qualidade j e h na k.a amostra e:
Sjhk =1
n− 1
n∑i=1
(xijk − xjk) (xihk − xhk)
{k = 1, 2 . . . ,m
j 6= h
Tomam-se, entao, as medias das estatısticas xjk, S2jk e Sjhk sobre todas m amostras,
obtendo-se:
2.8 A Estatıstica T 2 de Hotellinge o grafico de controle multivariado 16
¯xj =1
m
m∑k=1
xjk j = 1, 2
S2j =
1
m
m∑k=1
S2jk j = 1, 2
Sjh =1
m
m∑k=1
Sjhk j 6= h
Os { ¯xj} sao elementos do vetor ¯X, e a media S de dimensao 2× 2 das matrizes de
covariancia amostral e construıda como:
S =
[S2
1 S12
S21 S22
]
2.8 A Estatıstica T 2 de Hotellinge o grafico de con-
trole multivariado
Para monitorar duas ou mais caracterısticas de qualidade Hotelling (12) propos
a Estatıstica T 2 que se baseou nos princıpios do grafico x de Shewart univariado.
Esta nova tecnica passou a ser amplamente utilizada para monitorar o vetor de me-
dias do processo. A estatıstica T 2 para as p caracterısticas de qualidade, dadas por
X1, X2, . . . , Xp, cada uma delas com m observacoes individuais, no instante i, e dada
por:
T 2i = n
(Xi − µ0
)′ −1∑0
(Xi − µ0
)(2.8)
onde n representa o tamanho da amostra (subgrupo racional). O vetor de media
dado por X ′ = [x1, x2, . . . , xp] e as variancias e covariancias das variaveis aleatorias
contidas em uma matriz de covariancia Σp×p. Caso o vetor da p caracterısticas siga
uma distribuicao normal multivariada e sejam independentes, teremos que os valores
de T 2i irao seguir uma distribuicao qui-quadrado com p graus de liberdade.
Agora que os valores de µ e Σ foram estimados na sessao 2.7.1 sera possıvel criar
um grafico T 2 de Hotelling. Dado que S e o estimador Σ e ¯X vetor medio do processo,
substituindo os valores de S e ¯X na equacao 2.8 teremos o seguinte:
2.8 A Estatıstica T 2 de Hotellinge o grafico de controle multivariado 17
T 2 = n(X − ¯X
)′S−1
(X − ¯X
)onde X e um vetor p× 1 que representa um conjunto de media das p caracterısticas de
qualidade,
X =
[x1
x2
]Com isso ja e possıvel realizar o calculo dos valores de T 2, utilizando a expressao
de T 2 de Hotelling. Para sintetizar os resultados desta primeira etapa da simulacao,
segue uma tabela que mostra todos os valores gerados nesta fase:
k x11k x21k x31k x1k x12k x22k x32k x2k S21k S2
2k S12k T 2k
1 x111 x211 x311 x11 x121 x222 x322 x22 S211 S2
22 S121 T 21
... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
m x11m x21m x31m x1m x12m x22m x32m x2m S21m S2
2m S12m T 2m
Media ¯x1 ¯x2 S21 S2
2 S12
Exemplo abaixo de um grafico T 2 de Hotelling.
Figura 2.6: Grafico de controle T 2 de Hotelling.
2.8 A Estatıstica T 2 de Hotellinge o grafico de controle multivariado 18
O limite de controle no grafico T 2 pode ser encontrado quando estimarmos os valores
de µ e Σ atraves de um grande numero de amostras, geralmente maiores que 100
(Montgomery (23)). Como os valores de T 2 tem um distribuicao qui-quadrado, T 2i ˜
X 2p,α entao teremos como limite de controle:
LC = X 2p,α (2.9)
O valor de α representa a probabilidade de um alarme falso e p indica o numero de
variaveis de qualidade que estao sendo monitoradas. E importante ressaltar que este
limite citado so e valido se as observacoes xi de cada variavel nao forem autocorrelaci-
onadas.
Capıtulo 3
PROCESSO
AUTOCORRELACIONADO
3.1 Consideracoes iniciais
Os graficos de controle multivariado tradicionais baseiam-se no pressuposto das
variaveis serem normalmente distribuıdas e que em relacao a cada variavel nao haja
autocorrelacao, sejam independentes. A violacao desta ultima suposicao acarreta em
um grande numero de alarmes falsos. Essa dependencia entre diferentes medicoes de
uma variavel no tempo pode ser explicada pelo desenvolvimento tecnologico dos equi-
pamentos de controle em automacao, que possibilitou uma elevada taxa de coleta de
informacoes nos sistemas produtivos, alem dos pequenos Leads Times dos processos
produtivos devido a automacao. Com isso muitos processos industriais modernos estao
propensos a gerar dados com efeito de autocorrelacao. Exemplo tambem citado por
Montgomery (23) que a suposicao de independencia tambem era muitas vezes violada
em processos quımicos e farmaceuticos. Tais processos com esse efeito da autocorrela-
cao prejudicam o desempenho dos graficos de controles tradicionais. Alwan e Radson
(1) mostraram que as propriedades estatısticas dos graficos de controle convencionais
sao sensıveis a nıveis ainda pequenos de autocorrelacao, que podem causar uma maior
probabilidade de alarme falso. Entao surge a necessidade de fazer adaptacoes nos gra-
ficos de controles convencionais ou criar novos modelos para o controle destes processos
que quebram o pressuposto da independencia. Uma das maneiras de se lidar com a
autocorrelacao foi ajustar os limites de controle de modo a controlar a taxa de alarme
falso e trabalhar com os dados originais. Esta abordagem foi estudada por: Claro (4),
Vanbrackle e Reynolds (36) e Schmid (37). Ja para uma segunda abordagem, utiliza-se
os resıduos da variavel de monitoramento ajustando a um modelo de serie temporal
19
3.1 Consideracoes iniciais 20
que descreva o comportamento autoregressivo dos dados. Existem muitos modelos e
adaptacoes dessa abordagem, que pode ser vista em Alwan e Roberts (2), Montgomery
(24), Montgomery e Mastrangelo (25), Harris e Ross (11), Montgomery et al. (26), Lu
e Reynolds (19) e Loredo et al. (17).
Alem da problematica da autocorrelacao, verificou-se a necessidade de controlar
inumeras partes do processo para garantir a qualidade total do produto. Isto fez com
que varias caracterısticas de qualidade passassem a ser monitoradas e estas sujeitas ao
efeito da autocorrelacao. O controle estatıstico de processos multivariado e bastante
complexo, e esta complexidade fica ainda maior quando o processo esta na presenca
da autocorrelacao. Alguns metodos multivariados no controle estatıstico de processos
foram desenvolvidos para tratar observacoes autocorrelacionadas, Runger e Willemain
(31) apresentou uma tecnica no controle estatıstico multivariado para tratamento de
dados com autocorrelacao. A tecnica apresentada se relaciona com metodo da analise
de componentes principais distinguindo entre tipos de causas especiais e apresenta um
controle estatıstico baseado na decomposicao dos componentes principais, os quais nao
sao autocorrelacionados. Noorossana e Vaghefi (27) descobriam o quanto a autocor-
relacao poderia prejudicar no desempenho do NMA no grafico de soma cumulativa
multivariada (MCUSUM). Muer e Jing (41) estudaram um processo bivariado auto-
correlacionado, em que uma caracterıstica era independente da outra e estas seguiam
um modelo autoregressivo de primeira ordem. Jing e Muer (14) , propos um modelo
baseado em resıduos de um grafico de controle T 2 em que investiga processos biva-
riados autocorrelacionados em que uma caracterıstica possui autocorrelacao seguindo
um modelo autoregressivo de primeira ordem, enquanto que as observacoes da outra
caracterıstica sao independentes. Xia e Jeffrey (40), expandiram o monitoramento de
graficos univariados residuais para o ambiente multivariado e com isso, utilizando o
vetor autoregressivo (VAR), foi possıvel examinar os efeitos das mudancas de parame-
tros de processo no grafico residual VAR. Xia e Jeffrey (40) avaliaram o desempenho
do grafico em termos de NMA obtidos por simulacao e mostraram a viabilidade de um
grafico de controle VAR.
Ryan (32) apresenta que os graficos residuais nao tem o mesmo desempenho dos
graficos tradicionais aplicados a processos independentes, por causa da resposta dos
resıduos. As mesmas conclusoes foram obtidas por Wardell et al. (38) apos estudar
a distribuicao do numero de amostras dos resıduos ate o sinal e, mais recentemente,
Jamal (3) e Lu e Reynolds (19).
3.2 Modelo auto-regressivo AR(1) 21
3.2 Modelo auto-regressivo AR(1)
Os procedimentos usais do controle multivariado de processo sao desenvolvidos sob a
suposicao de que os vetores das variaveis sao normalmente e identicamente distribuıdos
com vetor de media µ e uma matriz de covariancia Σ. De acordo com os intervalos de
amostragem do processo o vetor de observacoes Yt no tempo t pode ser representado
por:
Yt = µ+ εt, t = 1, 2 . . .
onde εt e um vetor de erro aleatorio com distribuicao normal e independente com
vetor de media zero e matriz de covariancia Σ. Para determinar se o processo esta
sob controle com relacao ao vetor de medias quando tem-se uma matriz de covariancia
Σ conhecida usa-se, segundo Montgomery (23), o modelo semelhante ao de Shewart,
LSC = X 2p,α, como grafico de controle com limite superior X 2 utilizando a seguinte
estatıstica:
X 2 = (Yt − µ0)′Σ−1(Yt − µ0)
onde µ0 e o valor alvo do vetor de media.
No entanto em muitos processos de producao a suposicao de independencia e vio-
lada, que por sua vez afetam diretamente na determinacao correta do limite de controle,
e a consequencia e uma grande quantidade de alarmes falsos. O do processo que apre-
senta autocorrelacao provoca uma reducao no desempenho do grafico. Isto pode levar
a um valor de NMAF menor que o esperado, quando o processo esta sob controle.
Para superar tal problematica e necessario primeiramente conhecer e modelar os pa-
droes de series temporais encontrados. Em muitos processos industriais os valores das
caracterısticas de qualidade medidas, ao longo do tempo, se ajustam a um modelo co-
nhecido AR(1).Com respeito aos graficos de controle multivariados Kramer e Schmid
(15) utilizaram modelo AR(1) para modificacoes da EWMA multivariada na presenca
de autocorrelacao. Para um processo autocorrelacionado o modelo AR(1) e dado por:
Yt = µ+ φ(Yt−1 − µ) + εt, t = 1, 2, . . . , Y0 = µ, ε ˜ N(0, σε)
onde µ e o valor medio da variavel no tempo, φ(−1 < φ < 1) e uma constante que
indica o parametro da autocorrelacao, εt e erro independente e normalmente distribuıdo
com media zero e desvio padrao σε.
Capıtulo 4
MODELO DA SIMULACAO
4.1 Gerando Amostras
Diante da problematica encontrada em monitorar processos multivariados que es-
tao sob efeito da autocorrelacao em seus dados, foi proposto neste trabalho simular um
modelo bivariado que pudesse representar situacoes do cotidiano utilizando parametros
inerentes a esse tipo de processo, e observar o desempenho do grafico T 2 de Hotelling
bivariado nesse cenario. A primeira suposicao foi considerar que uma das duas ca-
racterısticas de qualidade estavam sob efeito de autocorrelacao dentro de um mesmo
subgrupo racional. Outra suposicao considerada no modelo que estas caracterısticas
de qualidade possuıam uma correlacao entre si. Para melhor exemplificar este modelo
segue a estrutura para gerar as 10.000 amostras com 3 observacoes cada (x1, x2, x3):
x1i = µx + εx1i N(0, 1) i = 1, 2, . . . , 10.000 (4.1)
x2i = µX + φ(x1i − µX) + εx2i N(0, 1) i = 1, 2, . . . , 10.000 (4.2)
x3i = µX + φ(x3i − µX) + εx3i N(0, 1) i = 1, 2, . . . , 10.000 (4.3)
onde, µX e media da caracterıstica de qualidade x e εx1i , εx2i e εx3i sao os erros aleatorios
independentes e normalmente distribuıdos de cada elemento da amostra. A expressao
(4.1) representa o primeiro elemento retirado em uma amostra de tamanho tres (n = 3)
em um instante i, x1i e o primeiro elemento da amostra retirado no instante i. O se-
gundo elemento retirado da amostra e a observacao x2i que possui uma autocorrelacao
com a x1i determinada pelo coeficiente φ. E por ultimo o elemento x3i que possui auto-
correlacao φ com x2i . O primeiro passo para criar essas amostras foi gerar um vetor X1
supondo normal N(0, 1) de tamanho i = 10.000, a partir do vetor X1 gera-se os 10.000
22
4.1 Gerando Amostras 23
elementos de X2 segundo a equacao 4.3, em seguida, gera-se os 10.000 elementos de X3
segundo a equacao 4.3. Importante mencionar que neste trabalho os valores adotados
para simular autocorrelacao serao positivos 0 ≤ φ ≤ 1. Apos este processo temos um
vetor com 10.000 amostras tendo, cada um, 3 observacoes (x1, x2, x3).
O passo seguinte foi gerar os valores da segunda caracterıstica de qualidade denomi-
nada aqui por Y . E sabido que esta caracterıstica tera uma correlacao com X. Abaixo
expressao matematica que mostra como foram gerados os dados das 10.000 amostras
de Y com observacoes 3 observacoes cada (y1,y2,y3):
y1i = ρx1i + εy1i N(0, 1) i = 1, 2, . . . 10.000
y2i = ρx2i + εy2i N(0, 1) i = 1, 2, . . . 10.000
y3i = ρx2i + εy3i N(0, 1) i = 1, 2, . . . 10.000
onde ρ representa o coeficiente de correlacao entre a caracterıstica Y e X. εy1i , εy2i e
εy3i e o erro aleatorio independente e normalmente distribuıdo dos tres elementos da
amostra. O primeiro elemento de cada amostra de Y possui uma correlacao com o
primeiro elemento de uma amostra de X e assim por diante ate o terceiro e ultimo
elemento de cada amostra, fazendo com que as observacoes da variavel y sejam geradas
com correlacao com a caracterıstica de qualidade x. Como estao sendo tratadas carac-
terısticas de qualidade de um determinado produto e normal que aspectos de qualidade
deste possam ter relacao com outro aspecto do produto, ou seja, haja correlacao. O
vetor de amostra de Y tera tambem o mesmo tamanho de X com o valor de m = 10.000
amostras.
O processo de criacao anterior pode ser expandido para que seja simulado dados
com amostras de diferentes tamanhos. Neste trabalho optou-se tambem por criar dados
de um processo multivariado autocorrelacionado com amostras de tamanho 3, 4 e 5.
Segue abaixo o modelo analıtico de criacao dos dados autocorrelacionados para duas
variaveis de qualidade com tamanhos de amostra 4 e 5.
4.1 Gerando Amostras 24
Para n = 4 da variavel X temos:
x1i = µx + εx1i N(0, 1) i = 1, 2, . . . , 10.000 (4.4)
x2i = µX + φ(x1i − µX) + εx2i N(0, 1) i = 1, 2, . . . , 10.000
x3i = µX + φ(x2i − µX) + εx3i N(0, 1) i = 1, 2, . . . , 10.000
x4i = µX + φ(x3i − µX) + εx4i N(0, 1) i = 1, 2, . . . , 10.000
Para n = 4 da variavel Y temos:
y1i = ρx1i + εy1i N(0, 1) i = 1, 2, . . . , 10.000
y2i = ρx2i + εy2i N(0, 1) i = 1, 2, . . . , 10.000
y3i = ρx3i + εy3i N(0, 1) i = 1, 2, . . . , 10.000
y4i = ρx4i + εy4i N(0, 1) i = 1, 2, . . . , 10.000
Para n = 5 da variavel X temos:
x1i = µx + εx1i N(0, 1) i = 1, 2, . . . , 10.000
x2i = µX + φ(x1i − µX) + εx2i N(0, 1) i = 1, 2, . . . , 10.000
x3i = µX + φ(x2i − µX) + εx3i N(0, 1) i = 1, 2, . . . , 10.000
x4i = µX + φ(x3i − µX) + εx4i N(0, 1) i = 1, 2, . . . , 10.000
x5i = µX + φ(x4i − µX) + εx5i N(0, 1) i = 1, 2, . . . , 10.000
Para n = 5 da variavel Y temos:
y1i = ρx1i + εy1i N(0, 1) i = 1, 2, . . . , 10.000
y2i = ρx2i + εy2i N(0, 1) i = 1, 2, . . . , 10.000
y3i = ρx3i + εy3i N(0, 1) i = 1, 2, . . . , 10.000
y4i = ρx4i + εy4i N(0, 1) i = 1, 2, . . . , 10.000
y5i = ρx5i + εy4i N(0, 1) i = 1, 2, . . . , 10.000
Estes modelos acima sao responsaveis por gerar dados autocorrelacionados para
duas varaveis que representam as duas caracterısticas de qualidade desta pesquisa.
Estes modelos analıticos para a criacao dos dados autocorrelacionados sao criados em
funcao dos valores de φ e ρ. Para a criacao de dados da caracterıstica de qualidade X e
4.2 Determinacao dos limites de controle 25
inserido dentro da amostra um valor de φ que faz com que elementos retirados de uma
mesma amostra tenham uma autocorrelacao. Este valores para esta pesquisa estao
variando entre φ = {0, 0; 0, 3; 0, 5; 0, 7}. Na outra caracterıstica de qualidade Y tera
uma correlacao ρ = {0, 0; 0, 3; 0, 5; 0, 7} com a variavel X, ou seja, apenas a variavel
X tera efeito de autocorrelcao direta e a varavel Y tera uma correlacao com a variavel
X, o que ira trazer indiretamente efeitos da autocorrelacao para esta variavel por elas
serem correlacionadas.
4.2 Determinacao dos limites de controle
Nas aplicacoes do controle de qualidade multivariado, observou-se que os limites
de controle para a estatıstica T 2 de Hotelling (eq.2.9) e importante para determinar a
eficacia do monitoramento, e isto ira depender de como o grafico esteja sendo usando.
Ha duas fases distintas no uso de um grafico de controle. Fase 1 e utilizado o grafico
de controle para determinar se o processo esta sob controle estatıstico e determinar
atraves dos m subgrupos extraıdos os valores estimados de ¯x e S. O objetivo da fase
1 e obter um processo em controle para que se possa determinar o limite de controle
para ser utilizado na fase 2 , que e o monitoramento da producao futura.
Segundo Montgomery (23), quando µ e Σ sao estimados a partir de um grande
numero de amostras preliminares, costuma-se usar o LSC = X 2α,p como limite superior
de controle em ambas as fases, 1 e 2. Como utilizamos uma amostra m = 10.000
elementos o limite superior de controle sera calculado utilizando X 2α,p onde α e o erro
do tipo I (”Alarme falso”) e p e os graus de liberdade determinado pelo numero de
caracterısticas a serem monitoradas. Utilizado um α = 0, 005 e um valor p = 2, pois
trata-se de um caso bivariado, e encontrado na literatura um valor tabelado para esse
limite de controle de LSC = X 20,005,2 = 10, 5977. Este limite garante que o processo
estando em controle, ou seja, na ausencia de um deslocamento de media para ambas
as variaveis, havera apenas 0, 5% (50 amostras) dos pontos que excederao este valor.
Isto servira para validar o algoritmo de busca (ver anexo) criado para determinar o
limite de controle em processos com autocorrelacao. Visto que neste caso nao podemos
usar o resultado de que o LSC = X 20,005,2, pois a suposicao de independencia nao e
satisfeita. O teste feito na ausencia de autocorrelacao e sem deslocamentos de media,
usando o processo de simulacao proposto,encontrou um limite de controle simulado
de LSC = 10, 58226, o que se aproxima bastante do valor real X 20,005,2 = 10, 59226,
mostrando que o algoritmo proposto e preciso. Segue abaixo o exemplo de grafico de
4.2 Determinacao dos limites de controle 26
controle realizado na simulacao para encontrar o limite de controle.
Figura 4.1: Grafico utilizado para validar o algoritmo que determinalimite de controle.
Este mecanismo de busca do limite de controle utilizado pelo algoritmo proposto
ordena todos os valores de T 2 em um vetor de ordem crescente. Apos essa organizacao
ira garantir que 50(α = 0, 5%) amostras das 10.000 fiquem acima do limite de controle.
Para isso o limite de controle ficara igual a:
LSCsimulado =T 2
50 + T 251
2
Assim com este modelo validado poderemos agora analisar quais os ajustes no li-
mite de controle deve ser feito na presenca de autocorrelacao.
Mas quando estamos trabalhando com processos multivariados na presenca da au-
tocorrelacao percebe-se que mesmo nao havendo deslocamento de media no processo
este passa a ter pontos que excedem o limite de controle provocando uma grande quan-
tidade de alarmes falsos prejudicando a confiabilidade do grafico de controle ver Figura
4.2 abaixo. E essa quantidade de pontos que excedem o limite de controle aumenta a
medida que a autocorrelacao fica mais forte, ou seja, quando φ se aproxima de 1. O
exemplo grafico abaixo e realizado atraves do algoritmo construıdo no capıtulo anterior
utilizando um φ = 0, 5.
Percebe-se claramente em funcao do limite utilizado na literatura de X 20,005,2 =
10, 5977 que a quantidade de pontos fora e alta (ver Figura 4.2), mostrando que houve
4.3 Simulacao do LSC pelo algoritmo proposto 27
Figura 4.2: Grafico T 2 de Hotelling sob efeito de autocorrelacao φ =0, 5
uma grande quantidade de alarmes falsos, dado que o processo nao teve deslocamento
de media. Como a unica influencia para isso foi a presenca da autocorrelacao, para
que o grafico de controle multivariado tenha uma menor quantidade de alarmes falsos
o limite de controle devera sofrer um alargamento que garanta um α = 0, 5%.
4.3 Simulacao do LSC pelo algoritmo proposto
Os resultados numericos obtidos nesse trabalho sao para valores nao negativos de φ,
correspondendo a valores nao negativos de ρ. A justificativa para tal opcao e que, Lu
e Reynolds (20) argumentam que em aplicacoes onde se deseja monitorar o processo,
existem muito mais situacoes de autocorrelacao positiva que negativa.Os parametros
que variados nas simulacoes foram os valores do coeficiente de autocorrelacao φ e o
valor da correlacao ρ. Estes dois sofreram variacoes de acordo com o seguinte intervalo
0, 0; 0, 3; 0, 5 e 0, 7.
Segue os resultados dos novos limites de controle ajustados, pelo algoritmo, na
presenca de autocorrelacao.
4.3 Simulacao do LSC pelo algoritmo proposto 28
n = 3φ ρ S1 S12 S22 LC0,0 0,0 1,00 1,00 0,00 10,580,3 0,0 0,82 1,00 0,00 16,340,5 0,0 0,73 1,00 0,00 24,040,7 0,0 0,66 1,00 0,00 35,690,3 0,3 0,82 1,07 0,25 16,300,5 0,3 0,73 1,07 0,22 24,040,7 0,3 0,66 1,06 0,20 35,540,3 0,5 0,82 1,20 0,41 16,350,5 0,5 0,73 1,18 0,36 24,020,7 0,5 0,66 1,17 0,33 35,620,3 0,7 0,82 1,40 0,58 16,320,5 0,7 0,73 1,36 0,51 23,980,7 0,7 0,66 1,32 0,46 35,680,0 0,3 1,00 1,09 0,30 10,630,0 0,5 1,00 1,25 0,50 10,620,0 0,7 1,00 1,49 0,70 10,57
Tabela 4.1: Novos limites de controle na presenca de autocorrelacao para n = 3.
n = 4φ ρ S1 S12 S22 LC0,0 0,0 0,00 1,00 0,00 10,590,3 0,0 0,00 1,00 0,00 16,440,5 0,0 0,00 1,00 0,00 25,070,7 0,0 0,00 1,00 0,00 40,010,3 0,3 0,00 1,08 0,26 16,450,5 0,3 0,00 1,07 0,24 25,090,7 0,3 0,00 1,07 0,23 40,030,3 0,5 0,00 1,22 0,44 16,450,5 0,5 0,00 1,20 0,41 25,150,7 0,5 0,00 1,19 0,38 40,060,3 0,7 0,00 1,43 0,61 16,490,5 0,7 0,00 1,40 0,57 25,080,7 0,7 0,00 1,37 0,54 40,110,0 0,3 0,00 1,09 0,30 10,590,0 0,5 0,00 1,25 0,50 10,580,0 0,7 0,00 1,49 0,70 10,59
Tabela 4.2: Novos limites de controle na presenca de autocorrelacao para n = 4.
E observado um alargamento do limite de controle a medida que o valor da autocor-
4.3 Simulacao do LSC pelo algoritmo proposto 29
n = 5φ ρ S1 S12 S22 LC0,0 0,0 0,00 1,00 0,00 10,590,3 0,0 0,00 1,00 0,00 16,490,5 0,0 0,00 1,00 0,00 25,700,7 0,0 0,00 1,00 0,00 43,210,3 0,3 0,00 1,08 0,27 16,480,5 0,3 0,00 1,08 0,26 25,680,7 0,3 0,00 1,08 0,26 43,120,3 0,5 0,00 1,23 0,46 16,520,5 0,5 0,00 1,22 0,44 25,690,7 0,5 0,00 1,21 0,43 43,260,3 0,7 0,00 1,45 0,64 16,510,5 0,7 0,00 1,43 0,61 25,690,7 0,7 0,00 1,42 0,60 43,190,0 0,3 0,00 1,09 0,30 10,610,0 0,5 0,00 1,25 0,50 10,600,0 0,7 0,00 1,49 0,70 10,61
Tabela 4.3: Novos limites de controle na presenca de autocorrelacao para n = 5.
relacao cresce, independendo do valor de ρ fixado. Exemplo desta ocorrencia e quando
e analisado um valor de φ = 0, 7 e ρ = 0, 0 para um n = 3, que chega a alargar o limite
de controle em tres vezes mais em relacao ao valor tabelado de 10, 5977, chegando a um
valor de 35, 69. Isto mostra que se comete um erro absurdo utilizando-se LSC = X 20,005,2
quando na presenca de autocorrelacao. Vejamos na Figura 4.3 um exemplo do alarga-
mento no grafico de controle para uma situacao em que o valor φ = 0, 5 e ρ = 0, 0 para
n = 3. A linha verde representa o novo limite de controle igual LC=24,04 e a linha
azul representa o limite de controle utilizando uma X 20,005,2.
Outra questao importante a ser analisada dos resultados da Tabela 4.3 acima e a
pouco influencia da correlacao entre as variaveis na determinacao dos limites de con-
trole. Percebe-se que mesmo variando os valores de ρ para um φ constante, os limites
de controle pouco se alteram.
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 30
Figura 4.3: Comparativo dos limites de controle tabelado e simuladopara um grafico T 2 de Hotelling na presenca de autocorrelacao φ =0, 5
4.4 Desempenho do grafico T 2 sob autocorrelacao
com novos limites de controle
O NMA, numero medio de amostras ate o sinal, tem sido adotado como medida de
desempenho do grafico de controle mais utilizada quando o intervalo de tempo entre
as amostras for constante. Quando as observacoes de X sao independentes, o NMA e
o inverso do poder de deteccao do grafico de controle, isto e, NMA = 1/p. Ja quando
o processo esta sob controle usa-se o NMAF, numero medio de amostra ate um alarme
falso, que e o inverso de α, isto e, NMAF = 1/α. No capıtulo anterior os limites de
controle foram ajustados para garantir que na construcao do grafico de controle (Fase
I) obtivesse o valor α = 0, 005 (Formula 2.7) isto e um NMAF=200. Atendido aos
quesitos de construcao do grafico na Fase I, o proximo passo e testar o desempenho
dos graficos de controle multivariado na presenca da autocorrelacao e na presenca de
causas especiais que perturbem a media do processo para poder analisar a velocidade
dessa deteccao na Fase II de monitoramento. Nesta fase deseja-se que o NMA seja o
menor possıvel, para que uma mudanca seja rapidamente detectada.
Para causar uma perturbacao na media do processo de controle, deve-se primei-
ramente em um caso de processo bivariado determinar quais nıveis de deslocamento
de media que as duas caracterısticas da qualidade estao sujeitas. Para esta simu-
lacao adotou-se deslocamentos de media expresso, em geral, em unidades δ do des-
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 31
vio padrao de X. Ficando da seguinte forma: a variavel x1 com deslocamento de
δx(0, 0; 0, 5; 1, 0; 1, 5) e a variavel x2 com deslocamentos δy(0, 0; 0, 5; 1, 0; 1, 5). O pro-
ximo passo e inserir estes deslocamentos no modelo analıtico que gera os dados do
processo autocorrelacionado.
Segue abaixo o resultado da insercao do deslocamento de media δx e δy Para para
amostras de tamnho n=3. A primeira caracterıstica de qualidade denominada pela
variavel x segue o modelo com a insercao do deslocamento de media no subgrupo
racional:
x1i = µx + δx + εx1i i = 1, 2, . . . , 1.000
x2i = µX + δx + φ(x1i − µX − δx) + εx2i i = 1, 2, . . . , 1.000
x3i = µX + δx + φ(x2i − µX − δx) + εx3i i = 1, 2, . . . , 1.000
Agora a segunda caracterıstica de qualidade denominada pela variavel y segue o
modelo com a insercao do deslocamento de media no subgrupo racional:
y1i = ρ(µx + δx + εx1i ) + εy1i + δy i = 1, 2, . . . , 1.000
y2i = ρ[µX + δx + φ(x1i − µX − δx) + εx2i ] + εy2i + δy i = 1, 2, . . . , 1.000
y3i = ρ[(µX + δx + φ(x2i − µX − δx) + εx3i ] + εy3i + δy i = 1, 2, . . . , 1.000
Para n = 4 insercao do deslocamento de media δx na variavel X:
x1i = µx + δx + εx1i i = 1, 2, . . . , 1.000
x2i = µX + δx + φ(x1i − µX − δx) + εx2i i = 1, 2, . . . , 1.000
x3i = µX + δx + φ(x2i − µX − δx) + εx3i i = 1, 2, . . . , 1.000
x4i = µX + δx + φ(x3i − µX − δx) + εx4i i = 1, 2, . . . , 1.000
Para n = 4 insercao do deslocamento de media δy na variavel y:
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 32
y1i = ρ(µx + δx + εxy) + εy1i + δy i = 1, 2, . . . , 1.000
y2i = ρ[µX + δx + φ(x1i − µX − δx) + εx2i ] + εy2i + δy i = 1, 2, . . . , 1.000
y3i = ρ[(µX + δx + φ(x2i − µX − δx) + εx3i ] + εy3i + δy i = 1, 2, . . . , 1.000
y4i = ρ[(µX + δx + φ(x3i − µX − δx) + εx4i ] + εy4i + δy i = 1, 2, . . . , 1.000
Para n = 5 insercao do deslocamento de media δx na variavel X:
x1i = µx + δx + εx1i i = 1, 2, . . . , 1.000
x2i = µX + δx + φ(x1i − µX − δx) + εx2i i = 1, 2, . . . , 1.000
x3i = µX + δx + φ(x2i − µX − δx) + εx3i i = 1, 2, . . . , 1.000
x4i = µX + δx + φ(x3i − µX − δx) + εx4i i = 1, 2, . . . , 1.000
x5i = µX + δx + φ(x4i − µX − δx) + εx5i i = 1, 2, . . . , 1.000
Para n = 5 insercao do deslocamento de media δy na variavel y:
y1i = ρ(µx + δx + εx1i ) + εy1i + δy i = 1, 2, . . . , 1.000
y2i = ρ[µX + δx + φ(x1i − µX − δx) + εx2i ] + εy2i + δy i = 1, 2, . . . , 1.000
y3i = ρ[(µX + δx + φ(x2i − µX − δx) + εx3i ] + εy3i + δy i = 1, 2, . . . , 1.000
y4i = ρ[(µX + δx + φ(x3i − µX − δx) + εx4i ] + εy4i + δy i = 1, 2, . . . , 1.000
y5i = ρ[(µX + δx + φ(x4i − µX − δx) + εx5i ] + εy5i + δy i = 1, 2, . . . , 1.000
O modelo que sera capaz de gerar dados com deslocamento de media, variacoes
de autocorrelacao φ e correlacao ρ. Nesta fase de simulacao optou-se por diminuir o
tamanho da amostra para 1.000, pois o interesse na fase II de monitoramento e apenas
armazenar qual e a primeira amostra que excede o limite de controle, nao havendo
necessidade de criar amostras de tamanho 10.000 que poderia elevar consideravelmente
o tempo de simulacao. O proximo passo e fazer diferentes combinacoes entre estes as-
pectos do processo e realizar diferentes simulacoes para testar o desempenho do grafico
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 33
de controle multivariado.Para analisar o desempenho dos graficos na Fase II com seus
limites de controles ajustados, o programa devera determinar, para cada combinacao
de φ, ρ, δx e δy, a posicao em que a primeira amostra ultrapassa o limite de controle e
armazenar esta posicao em um vetor de posicao. Esta interacao sera realizadas 1.000
vezes, ou seja, para cada combinacao dos parametros do grafico sera gerado 1.000 va-
lores de NMA e apos este processo sera calculado a media geometrica representando
assim com uma pequena margem de erro o valor do aproximado do NMA.
Nas tabelas abaixo sera apresentando os resultados do desempenho dos graficos,
medidos pelo NMA, com os novos limites de controle proposto.
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 34ρ
=0,
0LC
10,5
810,5
910,5
916,3
416,4
416,4
924,0
425,0
725,7
035,6
940,0
143,2
1NMA
n=
3n
=4
n=
5n
=3
n=
4n
=5
n=
3n
=4
n=
5n
=3
n=
4n
=5
δ xδ y
φ=
0,0
φ=
0,3
φ=
0,5
φ=
0,7
0,0
0,0
199,
3019
8,57
197,
7420
0,53
201,
5919
7,61
196,
0919
8,23
196,
5719
9,42
202,
1619
7,27
0,0
0,5
52,7
941
,28
31,5
511
7,23
99,7
879
,29
151,
6414
4,90
145,
9117
2,13
173,
8616
7,35
0,0
1,0
10,4
96,
794,
9828
,51
19,0
313
,12
73,8
355
,76
44,5
712
1,73
114,
6210
5,30
0,0
1,5
3,11
2,23
1,67
7,54
4,70
3,09
22,0
113
,87
9,58
58,7
052
,51
42,3
30,
00,
019
9,30
198,
5719
7,74
200,
5320
1,59
197,
6119
6,09
198,
2319
6,57
199,
4220
2,16
197,
270,
50,
055
,88
41,1
633
,42
61,0
749
,12
41,3
476
,19
63,5
459
,60
89,2
384
,18
84,3
70,
50,
526
,72
18,2
013
,22
41,5
133
,53
25,1
460
,05
53,6
046
,36
84,3
376
,19
72,3
90,
51,
07,
404,
933,
5916
,92
11,3
47,
6935
,07
28,6
020
,44
57,8
155
,21
49,4
10,
51,
52,
741,
881,
525,
913,
642,
5614
,96
9,65
6,19
33,8
930
,62
23,8
91,
00,
010
,35
6,72
4,91
13,8
29,
997,
9518
,55
15,6
913
,82
27,7
227
,17
26,2
21,
00,
57,
945,
003,
5511
,56
8,14
6,39
17,0
614
,23
11,3
625
,30
23,5
722
,32
1,0
1,0
3,76
2,58
1,89
6,52
4,54
3,35
12,1
39,
017,
3519
,35
19,0
017
,59
1,0
1,5
1,98
1,44
1,22
3,39
2,35
1,67
6,77
4,76
3,40
13,3
611
,58
8,99
1,5
0,0
3,00
2,21
1,74
4,57
3,34
2,66
6,43
5,49
4,94
9,81
9,67
9,13
1,5
0,5
2,81
1,92
1,53
4,15
2,91
2,40
6,18
5,15
4,05
9,13
9,10
8,46
1,5
1,0
1,99
1,45
1,23
2,89
2,24
1,75
4,82
3,84
3,07
7,73
7,51
6,78
1,5
1,5
1,41
1,15
1,05
1,96
1,50
1,28
3,32
2,56
2,01
5,64
5,09
4,63
Tab
ela
4.4:
Val
ores
deNMA
par
ao
grafi
coT
2so
bau
toco
rrel
acao
(ρ=
0,0)
.
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 35ρ
=0,
3LC
10,6
310,5
910,6
116,3
016,4
516,4
824,0
425,0
925,6
835,5
440,0
343,1
2NMA
n=
3n
=4
n=
5n
=3
n=
4n
=5
n=
3n
=4
n=
5n
=3
n=
4n
=5
δ xδ y
φ=
0,0
φ=
0,3
φ=
0,5
φ=
0,7
00
198,
5619
6,86
197,
0820
1,08
202,
6319
9,32
198,
819
6,2
198,
0919
8,08
196,
0419
6,79
00,
553
,65
39,1
932
,59
115,
697
,34
84,3
914
8,96
145,
2614
0,3
163,
2216
6,12
165,
750
110
,21
6,82
5,09
29,9
920
,66
12,8
473
,52
59,3
644
,01
116,
0910
9,35
101,
040
1,5
3,09
2,21
1,68
7,46
4,44
2,99
22,2
914
,38
9,29
63,2
749
,54
43,3
20,
50
55,0
842
,03
35,7
758
,08
49,3
541
,77
71,0
367
,35
58,8
85,9
985
,76
88,2
0,5
0,5
26,0
719
,18
13,2
142
,37
32,6
826
,04
62,8
53,5
244
,32
79,1
577
,06
76,3
90,
51
7,79
4,92
3,54
16,2
812
,09
7,74
33,3
625
,84
20,2
55,4
756
,25
49,3
10,
51,
52,
81,
861,
496,
163,
752,
4815
,38
9,89
6,66
33,5
828
,73
23,1
51
010
,94
6,66
4,79
12,6
410
,18
7,45
19,4
916
,04
13,5
726
,36
26,4
525
,83
10,
57,
334,
743,
3910
,82
8,61
6,01
17,5
213
,11
11,5
924
,95
22,8
921
,73
11
3,68
2,48
1,92
6,4
4,42
3,35
11,4
88,
737,
1119
,65
18,3
15,6
21
1,5
1,92
1,43
1,25
3,36
2,25
1,67
6,36
4,5
3,49
12,8
911
,12
10,2
91,
50
3,32
2,24
1,69
4,61
3,4
2,51
6,54
5,5
4,78
9,72
9,78
9,3
1,5
0,5
2,8
1,93
1,49
3,88
2,94
2,28
6,07
53,
989,
679,
148,
31,
51
1,95
1,45
1,2
2,95
2,16
1,75
4,7
3,84
3,19
7,72
7,21
6,68
1,5
1,5
1,41
1,15
1,05
1,99
1,54
1,29
3,28
2,55
2,02
6,13
5,36
4,34
Tab
ela
4.5:
Val
ores
deNMA
par
ao
grafi
coT
2so
bau
toco
rrel
acao
(ρ=
0,3)
.
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 36ρ
=0,
5LC
10,6
210,5
810,6
016,3
516,4
516,5
224,0
225,1
525,6
935,6
240,0
643,2
6NMA
n=
3n
=4
n=
5n
=3
n=
4n
=5
n=
3n
=4
n=
5n
=3
n=
4n
=5
δ xδ y
φ=
0,0
φ=
0,3
φ=
0,5
φ=
0,7
00
202,
2619
5,54
201,
1819
9,45
199,
219
7,93
196,
720
2,26
200,
9720
0,48
197,
8319
6,42
00,
557
,29
39,7
235
,22
111,
796
,281
,415
0,8
157,
113
8,7
177,
4116
2,89
161,
720
111
,29
6,74
5,07
28,7
418
,96
13,8
671
,37
56,2
148
,411
9,25
109,
2195
,19
01,
53,
232,
221,
627,
534,
532,
9822
,914
,24
9,5
58,9
150
,36
41,8
60,
50
51,2
641
,14
34,3
660
,37
49,2
843
,59
71,9
765
,61
58,2
89,0
190
,383
,48
0,5
0,5
25,5
918
,89
13,5
340
,232
,87
25,9
263
,24
52,6
448
,180
,96
76,3
174
,26
0,5
18
4,89
3,56
17,1
611
,22
7,81
37,3
827
,06
21,1
656
,46
56,6
249
,38
0,5
1,5
2,66
1,95
1,49
5,48
3,64
2,5
14,5
99,
316,
6832
,52
27,9
825
,47
10
10,2
86,
445,
0313
,35
10,2
28,
2720
,07
15,7
413
,77
26,6
526
,19
24,2
51
0,5
8,03
4,98
3,62
11,3
47,
996,
2717
,47
13,5
611
,49
24,7
923
,95
23,5
21
13,
792,
421,
936,
244,
523,
3111
,65
9,15
7,38
19,7
518
,77
17,9
31
1,5
1,9
1,43
1,2
3,42
2,27
1,73
6,39
4,35
3,56
12,6
12,1
111,
50
3,15
2,15
1,61
4,6
3,28
2,64
6,65
5,6
4,76
10,1
89,
679,
791,
50,
52,
641,
851,
523,
922,
992,
346,
144,
874,
19,
689,
018,
51,
51
2,03
1,42
1,23
3,11
2,14
1,74
4,83
3,76
3,01
8,16
7,75
6,87
1,5
1,5
1,45
1,16
1,06
1,94
1,53
1,27
3,24
2,52
2,08
5,89
5,11
4,58
Tab
ela
4.6:
Val
ores
deNMA
par
ao
grafi
coT
2so
bau
toco
rrel
acao
(ρ=
0,5)
.
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 37ρ
=0,
7LC
10,5
710,5
910,6
116,3
216,4
916,5
123,9
825,0
825,6
935,6
840,1
143,1
9NMA
n=
3n
=4
n=
5n
=3
n=
4n
=5
n=
3n
=4
n=
5n
=3
n=
4n
=5
δ xδ y
φ=
0,0
φ=
0,3
φ=
0,5
φ=
0,7
00
196,
0219
8,77
199,
0119
7,71
195,
620
3,94
196,
1819
7,12
199,
5319
9,17
200,
1119
7,69
00,
555
,89
40,6
135
,36
111,
598
,382
,514
7,84
144,
6613
2,54
173,
0917
5,74
166,
290
111
,26,
655,
0530
,64
18,9
813
,98
72,8
359
,03
43,7
911
7,93
107,
3310
2,81
01,
53,
352,
151,
657,
334,
453
22,3
514
,43
9,11
58,2
151
,92
43,7
70,
50
61,0
542
,51
32,7
962
,26
48,8
243
,03
74,3
767
,74
58,2
193
,86
88,4
286
,11
0,5
0,5
26,2
718
,61
13,4
243
,59
32,2
126
,52
60,4
553
,53
45,8
578
,23
76,4
877
,20,
51
7,88
5,13
3,67
16,5
611
,65
7,9
34,5
127
,83
20,9
858
,23
55,1
751
,10,
51,
52,
771,
951,
526,
093,
592,
5613
,71
9,82
6,73
34,5
328
,04
24,6
21
010
,62
6,78
4,85
13,4
510
,19
7,76
19,4
316
13,6
628
,426
,39
24,9
41
0,5
7,63
5,05
3,67
10,9
58,
496,
5217
,34
13,5
611
,87
25,2
624
22,5
81
13,
862,
491,
947,
054,
653,
3311
,25
8,77
6,86
19,8
818
,72
16,9
61
1,5
1,89
1,47
1,21
3,33
2,28
1,69
6,53
4,62
3,45
12,6
11,5
69,
711,
50
3,2
2,25
1,62
4,55
3,29
2,55
6,44
5,46
4,56
9,81
9,65
9,04
1,5
0,5
2,73
1,94
1,47
3,86
3,11
2,36
6,1
4,97
4,29
9,61
9,59
8,45
1,5
11,
881,
431,
213,
042,
171,
784,
743,
532,
977,
857,
267,
041,
51,
51,
411,
161,
072,
041,
541,
253,
242,
521,
995,
85,
254,
46
Tab
ela
4.7:
Val
ores
deNMA
par
ao
grafi
coT
2so
bau
toco
rrel
acao
(ρ=
0,7)
.
4.4 Desempenho do grafico T 2 sob autocorrelacao com novos limites de controle 38
Observa-se nos resultados desta simulacao que autocorrelacao prejudica o desem-
penho do grafico de controle, levando uma diminuicao no seu poder de deteccao. Nas
tabelas acima e possıvel perceber claramente que a medida que aumenta o valor da
autocorrelacao aumenta consideravelmente os valores obtidos do NMA. Quando ocorre
um aumento de φ = 0 para φ = 0, 3 percebe-se que ja prejudica o desempenho do
grafico. Para um ρ = 0, 0, n = 3 e deslocamentos de δx = 0, 5; δy = 0, 5 temos um au-
mento de NMAs de NMA = 26, 72 para um NMA = 41, 51, ou seja, a sinalizacao no
grafico fica mais tardia, pois este processo esta sob a presenca de uma autocorrelacao
de φ = 0, 3.
Uma forma encontrada para melhorar o desempenho nesse processo multivariado
para um valor pequeno de autocorrelacao seria aumentar o tamanho da amostra. Ve-
jamos quando nas tabelas consultamos o valor do NMA para uma amostra de n = 5,
δx = 0, 5, δy = 0, 5 e ρ = 0, 0 o NMA = 25, 14 e muito proximo do valor do
NMA = 26, 72 encontrado no processo sem autocorrelacao, ou seja, aumentar o tama-
nho da amostra de n = 3 para n = 5 na presenca de autocorrelacao pequena melhora
significativamente o desempenho do grafico de controle. Mas quando estamos anali-
sando na presenca de autocorrelacao mais elevadas, proximas de φ = 0, 7 notamos que
mesmo aumentando o tamanho da amostra para n = 5 o NMA aumenta aproximada-
mente cerca de 5 vezes em relacao ao NMA com φ = 0, 0. Aumentar o tamanho da
amostra para n = 5 nao surte efeitos significativos no desempenho do grafico multi-
variado na presenca da autocorrelacao. Ja quando se analisa os valore de correlacao
entre as variaveis e possıvel perceber que nao ha praticamente nenhuma influencia no
desempenho do grafico.
Capıtulo 5
CONCLUSOES
Neste trabalho estudou-se o desempenho do grafico de controle multivariado sob
a presenca de autocorrelacao com propostas de ajustes nos limites de controle destes
graficos e analisou este desempenho com diferentes tamanhos de amostras. Utilizando
a simulacao computacional foi possıvel criar cenarios que representavam estes graficos
sob diferentes situacoes de autocorrelacao, deslocamentos de medias do processo e me-
dir o seu desempenho, atraves do numero medio e amostra ate o sinal (NMA), nestas
perspectivas. O grafico de controle multivariado utilizado nesta pesquisa foi o T 2 de
Hotelling, em que utilizou duas variaveis, este por ser uma grafico de controle mais
conhecido e usual em pesquisas na presenca de autocorrelacao.
Para tanto, foi realizado um revisao acerca dos graficos de controle univariados e
multivariados na presenca de autocorrelacao, para compreender como quais desdobra-
mento os pesquisadores estavam encontrando para minimizar os efeitos da autocorre-
lacao e melhor o desempenho dos graficos de controle. Para esta dissertacao decidiu-se
modificar um parametros do grafico de controle que foi o limite de controle e o ta-
manho da amostra, pois foi visto anteriormente que para usar limites de controle se
baseando nos limites de uma X 2 em processos sob autocorrelacao nao e adequado de-
vido a uma grande quantidade de alarmes falsos. As observacoes sao descritas por um
modelo autoregressivo de primeira ordem AR(1), este foi escolhido por ser mais simples
e representar a maioria dos processos industriais. A correlacao (ρ) entre as varaveis
tambem foi inserida no modelo para verificar a influencia desta no desempenho global
do processo. As simulacoes desta dissertacao foi dividida em duas etapas, Fase I e Fase
II, onde a primeira e para determinar os limites de controle na presenca de autocorrela-
cao e sem perturbacoes nas suas medias, que minimize o numero de alarmes falsos. Ja
a segunda etapa, fase de monitoramento, utiliza os limites encontrados na fase I para
39
5.1 Sugestoes para pesquisas futuras 40
simular o desempenho do grafico construıdo com esse novo limite de controle proposto
sob diferentes cenarios de autocorrelacao.
Pelo que foi visto, o algoritmo proposto nessas simulacoes pode ser validade devido
ao limite de controle encontrado na ausencia de autocorrelacao ser muito proximo ao
encontrado na literatura. Isso mostra que foi possıvel expandir este modelo de deter-
minacao dos limites de controle para casos que tivesse a presenca de autocorrelacao e
assim garantir uma simulacao com confiabilidade nas respostas.
Diante do exposto, pode-se concluir que autocorrelacao provoca nos graficos de con-
trole multivariado uma sinalizacao mais tardia quando este sofre alguma perturbacao
em sua media. Quanto maiores os nıveis de autocorrelacao que o processo esteja ex-
posto mais tarde sera possıvel determinar que o processo ficou fora de controle. Ja
correlacao entre as variaveis pouco interferiu no desempenho dos graficos de controle,
mostrando novamente que o maior responsavel pelo desempenho do grafico e a auto-
correlacao. Os limites de controles propostos deixa o grafico de controle eficaz quando
o processo esta em controle, mas quando este fica fora de controle sua sinalizacao ainda
fica tardia quando comparado com graficos na ausencia de autocorrelacao.
5.1 Sugestoes para pesquisas futuras
Uma extensao deste trabalho seria modificar os cenarios em que esta simulacao foi
realizada e realizar uma aplicacao real em um processo de monitoramento. Outras pos-
sıveis sugestoes de trabalhos futuros seriam: trabalhar com um modelo autoregressivo
de segunda ordem AR(2), variar numero de amostras e expandir o numero de variaveis
no controle de processo multivariado.
Apendice A
ALGORITMO NO SOFTWARE R
A.1 Fase I para n=3
lsc=0
ni=100
n=10000
resp<-array(0,dim=c(ni,2))
vars<-array(0,dim=c(ni,5))
for(i1 in 1:ni){
# Fase 1 gerar dados para criacao da matriz de covariancia
fi=0.3
ro=0.3
x1.coluna<-rnorm(n,0,1)
v.x1=rbind(x1.coluna)
X1 = matrix(v.x1, ncol=1, byrow=n)
# Criando o vetor de resıduos para o valores de x2 e x3
x2.residuo<-rnorm(n,0,1)
x2.res=rbind(x2.residuo)
vetor.residuo.x2<-matrix(x2.res, ncol=1, byrow=n)
x3.residuo<-rnorm(n,0,1)
x3.res=rbind(x3.residuo)
41
A.1 Fase I para n=3 42
vetor.residuo.x3<-matrix(x3.res, ncol=1, byrow=n)
# Criando coluna de dados x2
v.x2<-c(1:n)
X2<-matrix(v.x2, ncol=1, byrow=n)
for(i in 1:n){X2[i,]<-fi*(X1[i, ])+vetor.residuo.x2[i, ]
}
# Criando coluna de dados x3
v.x3<-c(1:n)
X3<-matrix(v.x3, ncol=1, byrow=n)
for(i in 1:n){X3[i,]<-fi*(X2[i, ])+vetor.residuo.x3[i, ]
}A1=cbind(X1,X2,X3)
vetor.med<-c(1:n)
vetor.media.x<-matrix(vetor.med, ncol=1, byrow=n)
for(i in 1:n){vetor.media.x[i, ]<-(X1[i, ]+X2[i, ]+X3[i, ])/3
}
# Gerando os valores da variavel y
# Resıduos dos valores de y
y1.residuo<-rnorm(n,0,1)
y1.res=rbind(y1.residuo)
vetor.residuo.y1<-matrix(y1.res, ncol=1, byrow=n)
y2.residuo<-rnorm(n,0,1)
y2.res=rbind(y2.residuo)
vetor.residuo.y2<-matrix(y2.res, ncol=1, byrow=n)
y3.residuo<-rnorm(n,0,1)
y3.res=rbind(y3.residuo)
A.1 Fase I para n=3 43
vetor.residuo.y3<-matrix(y3.res, ncol=1, byrow=n)
# Criando coluna de dados y1
v.y1<-c(1:n)
Y1<-matrix(v.y1, ncol=1, byrow=n)
for(i in 1:n){Y1[i,]<-ro*(X1[i, ])+vetor.residuo.y1[i, ]
}v.y2<-c(1:n)
Y2<-matrix(v.y2, ncol=1, byrow=n)
for(i in 1:n){Y2[i,]<-ro*(X2[i, ])+vetor.residuo.y2[i, ]
}v.y3<-c(1:n)
Y3<-matrix(v.y3, ncol=1, byrow=n)
for(i in 1:n){Y3[i,]<-ro*(X3[i, ])+vetor.residuo.y3[i, ]
}
# Comando utilizado para unir colunas de dados
B1=cbind(Y1,Y2,Y3)
# CA¡lculo da Matriz de covariancia
# Algoritmo para gerar os valores de S2j(j=1)
# j e os valores referentes as p caracteristicas
cont.s2jk=0
S2.jkvetor=c(1:n)
S2.jk<-matrix(S2.jkvetor, ncol=1, byrow=n)
for(i in 1:n){cont.s2jk=0
for(j in 1:4){
A.1 Fase I para n=3 44
S2jk<- ((A1[i, j]−mean(A1[i, ]))2)+ cont.s2jk
cont.s2jk<-S2jk
}S2.jk[i]<-(cont.s2jk)/(3-1)
}
# OBERVACAO EDITAR O TAMANHO DE AMOSTRA NO CALCULO DE T2
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # # # # # # # # # # # # # # # # # # # # # # # # #
# Algoritmo para gerar os valores de S2jk(j=2)
# Segundo conjunto de variaveis y
cont.s22k=0
S2.2kvetor=c(1:n)
S2.2k<-matrix(S2.2kvetor, ncol=1, byrow=n)
for(i in 1:n){cont.s22k=0
for(j in 1:4){S22k<- ((B1[i,j]-mean(B1[i, ]))2)+ cont.s22k
cont.s22k<-S22k
}S2.2k[i]<-(cont.s22k)/(3-1)
}
# A covariancia entre as caracterısticas da qualidade j e h na amostra k A c©:
cont.sjhk=0
Sjhkvetor=c(1:n)
Sjhk<-matrix(Sjhkvetor, ncol=1, byrow=n)
for(i in 1:n){cont.sjhk=0
for(j in 1:4){Sijk<- ((A1[i,j]-mean(A1[i, ]))*(B1[i,j]-mean(B1[i, ])))+ cont.sjhk
cont.sjhk<-Sijk }
A.1 Fase I para n=3 45
Sjhk[i]<-(cont.sjhk)/(3-1)
}mean(S2.jk)
mean(S2.2k)
mean(Sjhk)
S2.1barra<-mean(S2.jk)
S2.2barra<-mean(S2.2k)
Sjhkbarra<-mean(Sjhk)
# (resultado<-cbind(S2.jk,S2.2k,Sjhk))
# # # # Calculo do T2 de Hotelling # # # #
cont.t2=0
T2vetor=c(1:n)
T2<-matrix(T2vetor, ncol=1, byrow=n)
# print(T2)
for(i in 1:n){T2[i,1]<-(4/((S2.1barra∗S2.2barra)−(Sjhkbarra2)))∗((S2.2barra∗((mean(A1[i, ])−
mean(A1))2))+(S2.1barra∗((mean(B1[i, ])−mean(B1))2))−(2∗Sjhkbarra∗((mean(A1[i, ])−mean(A1)) ∗ (mean(B1[i, ])−mean(B1)))))
}g<-sort(T2, decreasing=TRUE)
(g[50]+g[51])*0.5
lsc<-(novolsc=(g[50]+g[51])*0.5)
lsc
cont=0
vetor<-array(2000,dim=c(n,1))
NMA<-array(10000,dim=c(n,1))
for(i in 1:n){if(T2[i,1]>lsc){vetor[i,1]<-T2[i,1]
NMA[i,1]<-i
}cont=min(NMA)
A.1 Fase I para n=3 46
}
# plot(T2,ylim=c(0,30),pch=16,type=”b”,col=18,xlab=”nAomero de amostras”,ylab=”TA2”,main =
”GrficodeControleT2deHotelling”)
# abline(h=lsc,col=4)
# # matriz de covariancia
# write.table(resp,file=”C: \ \ temp \ \vetorresp.txt”,sep=)
Matriz.cov<-c(mean(S2.jk),mean(Sjhk),mean(Sjhk),mean(S2.2k))
Matrix.covariancia<-matrix(Matriz.cov, ncol=2, byrow=2)
Matrix.covariancia
print(lsc)
print(cont)
print(i1)
resp[i1,1]=lsc
resp[i1,2]=cont
vars[i1,1]=mean(A1)
vars[i1,2]=mean(B1)
vars[i1,3]=mean(S2.jk)
vars[i1,4]=mean(S2.2k)
vars[i1,5]=mean(Sjhk)
}
A.2 Fase I para n=4 47
A.2 Fase I para n=4
lsc=0
ni=100
n=10000
resp<-array(0,dim=c(ni,2))
vars<-array(0,dim=c(ni,5))
for(i1 in 1:ni){
# Fase 1 gerar dados para criaco ada matriz de covariancia
fi=0.3
ro=0.3
x1.coluna<-rnorm(n,0,1)
v.x1=rbind(x1.coluna)
X1 = matrix(v.x1, ncol=1, byrow=n)
# Criando o vetor de resAduos para o valores de x2 e x3
x2.residuo<-rnorm(n,0,1)
x2.res=rbind(x2.residuo)
vetor.residuo.x2<-matrix(x2.res, ncol=1, byrow=n)
x3.residuo<-rnorm(n,0,1)
x3.res=rbind(x3.residuo)
vetor.residuo.x3<-matrix(x3.res, ncol=1, byrow=n)
x4.residuo<-rnorm(n,0,1)
x4.res=rbind(x4.residuo)
vetor.residuo.x4<-matrix(x4.res, ncol=1, byrow=n)
# Criando coluna de dados x2
v.x2<-c(1:n)
X2<-matrix(v.x2, ncol=1, byrow=n)
for(i in 1:n){X2[i,]<-fi*(X1[i, ])+vetor.residuo.x2[i, ]
}
A.2 Fase I para n=4 48
# Criando coluna de dados x3
v.x3<-c(1:n)
X3<-matrix(v.x3, ncol=1, byrow=n)
for(i in 1:n){X3[i,]<-fi*(X2[i, ])+vetor.residuo.x3[i, ]
}
# Criando coluna de dados x4
v.x4<-c(1:n)
X4<-matrix(v.x4, ncol=1, byrow=n)
for(i in 1:n){X4[i,]<-fi*(X3[i, ])+vetor.residuo.x4[i, ]
}A1=cbind(X1,X2,X3,X4)
vetor.med<-c(1:n)
vetor.media.x<-matrix(vetor.med, ncol=1, byrow=n)
for(i in 1:n){vetor.media.x[i, ]<-(X1[i, ]+X2[i, ]+X3[i, ]+X4[i, ])/4
}
# Gerando os valores da variA¡vel y
# ResAduos dos valores de y
y1.residuo<-rnorm(n,0,1)
y1.res=rbind(y1.residuo)
vetor.residuo.y1<-matrix(y1.res, ncol=1, byrow=n)
y2.residuo<-rnorm(n,0,1)
y2.res=rbind(y2.residuo)
vetor.residuo.y2<-matrix(y2.res, ncol=1, byrow=n)
y3.residuo<-rnorm(n,0,1)
y3.res=rbind(y3.residuo)
vetor.residuo.y3<-matrix(y3.res, ncol=1, byrow=n)
y4.residuo<-rnorm(n,0,1)
A.2 Fase I para n=4 49
y4.res=rbind(y4.residuo)
vetor.residuo.y4<-matrix(y4.res, ncol=1, byrow=n)
# Criando coluna de dados y1
v.y1<-c(1:n)
Y1<-matrix(v.y1, ncol=1, byrow=n)
for(i in 1:n){Y1[i,]<-ro*(X1[i, ])+vetor.residuo.y1[i, ]
}v.y2<-c(1:n)
Y2<-matrix(v.y2, ncol=1, byrow=n)
for(i in 1:n){Y2[i,]<-ro*(X2[i, ])+vetor.residuo.y2[i, ]
}v.y3<-c(1:n)
Y3<-matrix(v.y3, ncol=1, byrow=n)
for(i in 1:n){Y3[i,]<-ro*(X3[i, ])+vetor.residuo.y3[i, ]
}v.y4<-c(1:n)
Y4<-matrix(v.y4, ncol=1, byrow=n)
for(i in 1:n){Y4[i,]<-ro*(X4[i, ])+vetor.residuo.y4[i, ]
}
# Comando utilizado para unir colunas de dados
B1=cbind(Y1,Y2,Y3,Y4)
# Calculo da Matriz de covariancia
#Algoritmo para gerar os valores de S2j(j=1)
# j e os valores referentes as p caracteristicas
cont.s2jk=0
A.2 Fase I para n=4 50
S2.jkvetor=c(1:n)
S2.jk<-matrix(S2.jkvetor, ncol=1, byrow=n)
for(i in 1:n){cont.s2jk=0
for(j in 1:4){S2jk<- ((A1[i, j]−mean(A1[i, ]))2)+ cont.s2jk
cont.s2jk<-S2jk
}S2.jk[i]<-(cont.s2jk)/(4-1)
}# OBERVACO AEDITAR O TAMANHO DE AMOSTRA NO CALCULO DE T2
# # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # # # # # # # # # # # # # # # # # # # # # # # # #
# Algoritmo para gerar os valores de S2jk(j=2)
# Segundo conjunto de variaveis y
cont.s22k=0
S2.2kvetor=c(1:n)
S2.2k<-matrix(S2.2kvetor, ncol=1, byrow=n)
for(i in 1:n){cont.s22k=0
for(j in 1:4){S22k<- ((B1[i, j]−mean(B1[i, ]))2) + cont.s22k
cont.s22k<-S22k }S2.2k[i]<-(cont.s22k)/(4-1)
}
# A covariancia entre as caracterısticas da qualidade j e h na amostra k A c©:
cont.sjhk=0
Sjhkvetor=c(1:n)
Sjhk<-matrix(Sjhkvetor, ncol=1, byrow=n)
for(i in 1:n){cont.sjhk=0
A.2 Fase I para n=4 51
for(j in 1:4){Sijk<- ((A1[i,j]-mean(A1[i, ]))*(B1[i,j]-mean(B1[i, ])))+ cont.sjhk
cont.sjhk<-Sijk
}Sjhk[i]<-(cont.sjhk)/(4-1)
}mean(S2.jk)
mean(S2.2k)
mean(Sjhk)
S2.1barra<-mean(S2.jk)
S2.2barra<-mean(S2.2k)
Sjhkbarra<-mean(Sjhk)
# (resultado<-cbind(S2.jk,S2.2k,Sjhk))
# # # # Calculo do T2 de Hotelling # # # #
cont.t2=0
T2vetor=c(1:n)
T2 < −matrix(T2vetor, ncol=1, byrow=n)
# print(T2)
for(i in 1:n){T2[i,1]<-(4/((S2.1barra∗S2.2barra)−(Sjhkbarra2)))∗((S2.2barra∗((mean(A1[i, ])−
mean(A1))2))+(S2.1barra∗((mean(B1[i, ])−mean(B1))2))−(2∗Sjhkbarra∗((mean(A1[i, ])−mean(A1)) ∗ (mean(B1[i, ])−mean(B1)))))
}g<-sort(T2, decreasing=TRUE)
(g[50]+g[51])*0.5
lsc<-(novolsc=(g[50]+g[51])*0.5)
lsc
cont=0
vetor<-array(2000,dim=c(n,1))
NMA<-array(10000,dim=c(n,1))
for(i in 1:n){if(T2[i,1]>lsc){
A.2 Fase I para n=4 52
vetor[i,1]<-T2[i,1]
NMA[i,1]<-i
}cont=min(NMA)
}
# plot(T2,ylim=c(0,30),pch=16,type=”b”,col=18,xlab=”nAomero de amostras”,ylab=”TA2”,main =
”GrficodeControleT2deHotelling”)
# abline(h=lsc,col=4)
# # matriz de covariAncia
# write.table(resp,file=”C:\ \ temp \ \vetorresp.txt”,sep=)
Matriz.cov<-c(mean(S2.jk),mean(Sjhk),mean(Sjhk),mean(S2.2k))
Matrix.covariancia<-matrix(Matriz.cov, ncol=2, byrow=2)
Matrix.covariancia
print(lsc)
print(cont)
print(i1)
resp[i1,1]=lsc
resp[i1,2]=cont
vars[i1,1]=mean(A1)
vars[i1,2]=mean(B1)
vars[i1,3]=mean(S2.jk)
vars[i1,4]=mean(S2.2k)
vars[i1,5]=mean(Sjhk)
}
A.3 Fase I para n=5 53
A.3 Fase I para n=5
lsc=0
ni=1000
n=10000
resp<-array(0,dim=c(ni,2))
vars<-array(0,dim=c(ni,5))
for(i1 in 1:ni){
# Fase 1 gerar dados para criaA§A£o da matriz de covariAncia
fi=0.0
ro=0.0
x1.coluna<-rnorm(n,0,1)
v.x1=rbind(x1.coluna)
X1 = matrix(v.x1, ncol=1, byrow=n)
# Criando o vetor de resAduos para o valores de x2 e x3
x2.residuo<-rnorm(n,0,1)
x2.res=rbind(x2.residuo)
vetor.residuo.x2<-matrix(x2.res, ncol=1, byrow=n)
x3.residuo<-rnorm(n,0,1)
x3.res=rbind(x3.residuo)
vetor.residuo.x3<-matrix(x3.res, ncol=1, byrow=n)
x4.residuo<-rnorm(n,0,1)
x4.res=rbind(x4.residuo)
vetor.residuo.x4<-matrix(x4.res, ncol=1, byrow=n)
x5.residuo<-rnorm(n,0,1)
x5.res=rbind(x5.residuo)
vetor.residuo.x5<-matrix(x5.res, ncol=1, byrow=n)
# Criando coluna de dados x2
v.x2<-c(1:n)
X2<-matrix(v.x2, ncol=1, byrow=n)
for(i in 1:n){
A.3 Fase I para n=5 54
X2[i,]<-fi*(X1[i, ])+vetor.residuo.x2[i, ]
}
# Criando coluna de dados x3
v.x3<-c(1:n)
X3<-matrix(v.x3, ncol=1, byrow=n)
for(i in 1:n){X3[i,]<-fi*(X2[i, ])+vetor.residuo.x3[i, ]
}
# Criando coluna de dados x4
v.x4<-c(1:n)
X4<-matrix(v.x4, ncol=1, byrow=n)
for(i in 1:n){X4[i,]<-fi*(X3[i, ])+vetor.residuo.x4[i, ]
}
# Criando coluna de dados x4
v.x5<-c(1:n)
X5<-matrix(v.x5, ncol=1, byrow=n)
for(i in 1:n){X5[i,]<-fi*(X4[i, ])+vetor.residuo.x5[i, ]
}A1=cbind(X1,X2,X3,X4,X5)
vetor.med<-c(1:n)
vetor.media.x<-matrix(vetor.med, ncol=1, byrow=n)
for(i in 1:n){vetor.media.x[i, ]<-(X1[i, ]+X2[i, ]+X3[i, ]+X4[i, ]+X5[i, ])/5
}
# Gerando os valores da variA¡vel y
A.3 Fase I para n=5 55
# ResAduos dos valores de y
y1.residuo<-rnorm(n,0,1)
y1.res=rbind(y1.residuo)
vetor.residuo.y1<-matrix(y1.res, ncol=1, byrow=n)
y2.residuo<-rnorm(n,0,1)
y2.res=rbind(y2.residuo)
vetor.residuo.y2<-matrix(y2.res, ncol=1, byrow=n)
y3.residuo<-rnorm(n,0,1)
y3.res=rbind(y3.residuo)
vetor.residuo.y3<-matrix(y3.res, ncol=1, byrow=n)
y4.residuo<-rnorm(n,0,1)
y4.res=rbind(y4.residuo)
vetor.residuo.y4<-matrix(y4.res, ncol=1, byrow=n)
y5.residuo<-rnorm(n,0,1)
y5.res=rbind(y5.residuo)
vetor.residuo.y5<-matrix(y5.res, ncol=1, byrow=n)
# Criando coluna de dados y1
v.y1<-c(1:n)
Y1<-matrix(v.y1, ncol=1, byrow=n)
for(i in 1:n){Y1[i,]<-ro*(X1[i, ])+vetor.residuo.y1[i, ]
}v.y2<-c(1:n)
Y2<-matrix(v.y2, ncol=1, byrow=n)
for(i in 1:n){Y2[i,]<-ro*(X2[i, ])+vetor.residuo.y2[i, ]
}v.y3<-c(1:n)
Y3<-matrix(v.y3, ncol=1, byrow=n)
for(i in 1:n){Y3[i,]<-ro*(X3[i, ])+vetor.residuo.y3[i, ]
}v.y4<-c(1:n)
A.3 Fase I para n=5 56
Y4<-matrix(v.y4, ncol=1, byrow=n)
for(i in 1:n){Y4[i,]<-ro*(X4[i, ])+vetor.residuo.y4[i, ]
}v.y5<-c(1:n)
Y5<-matrix(v.y5, ncol=1, byrow=n)
for(i in 1:n){Y5[i,]<-ro*(X5[i, ])+vetor.residuo.y5[i, ]
}# Comando utilizado para unir colunas de dados
B1=cbind(Y1,Y2,Y3,Y4,Y5)
# Calculo da Matriz de covariancia
# Algoritmo para gerar os valores de S2j(j=1)
# j e os valores referentes as p caracteristicas
cont.s2jk=0
S2.jkvetor=c(1:n)
S2.jk<-matrix(S2.jkvetor, ncol=1, byrow=n)
for(i in 1:n){cont.s2jk=0
for(j in 1:5){S2jk<- ((A1[i, j]−mean(A1[i, ]))2) + cont.s2jk
cont.s2jk<-S2jk
}S2.jk[i]<-(cont.s2jk)/(5-1)
}#OBERVAA‡Af O EDITAR O TAMANHO DE AMOSTRA NO CALCULO DE
T2 # # # # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# # # # # # # # # # # # # # # # # # # # # # # # # # # # #
# Algoritmo para gerar os valores de S2jk(j=2)
A.3 Fase I para n=5 57
# Segundo conjunto de variA¡veis y
cont.s22k=0
S2.2kvetor=c(1:n)
S2.2k<-matrix(S2.2kvetor, ncol=1, byrow=n)
for(i in 1:n){cont.s22k=0
for(j in 1:5){S22k<- ((B1[i,j]-mean(B1[i, ]))2) + cont.s22k
cont.s22k<-S22k
}S2.2k[i]<-(cont.s22k)/(5-1)
}
# A covariAncia entre as caracterAsticas da qualidade j e h na amostra k A c©:
cont.sjhk=0
Sjhkvetor=c(1:n)
Sjhk<-matrix(Sjhkvetor, ncol=1, byrow=n)
for(i in 1:n){cont.sjhk=0
for(j in 1:5){Sijk<- ((A1[i,j]-mean(A1[i, ]))*(B1[i,j]-mean(B1[i, ])))+ cont.sjhk
cont.sjhk<-Sijk
}Sjhk[i]<-(cont.sjhk)/(5-1)
}mean(S2.jk)
mean(S2.2k)
mean(Sjhk)
S2.1barra<-mean(S2.jk)
S2.2barra<-mean(S2.2k)
Sjhkbarra<-mean(Sjhk)
# (resultado<-cbind(S2.jk,S2.2k,Sjhk))
A.3 Fase I para n=5 58
# # # # CA¡lculo do T2 de Hotelling # # # #
cont.t2=0
T2vetor=c(1:n)
T2<-matrix(T2vetor, ncol=1, byrow=n)
# print(T2)
for(i in 1:n){T2[i,1]<-(5/((S2.1barra∗S2.2barra)−(Sjhkbarra2)))∗((S2.2barra∗((mean(A1[i, ])−
mean(A1))2))+(S2.1barra∗((mean(B1[i, ])−mean(B1))2))−(2∗Sjhkbarra∗((mean(A1[i, ])−mean(A1)) ∗ (mean(B1[i, ])−mean(B1)))))
}g<-sort(T2, decreasing=TRUE)
(g[50]+g[51])*0.5
lsc<-(novolsc=(g[50]+g[51])*0.5)
lsc
cont=0
vetor<-array(2000,dim=c(n,1))
NMA<-array(10000,dim=c(n,1))
for(i in 1:n){if(T2[i,1]>lsc){vetor[i,1]<-T2[i,1]
NMA[i,1]<-i
}cont=min(NMA)
}
# plot(T2,ylim=c(0,30),pch=16,type=”b”,col=18,xlab=”nAomero de amostras”,ylab=”TA2”,main =
”GrficodeControleT2deHotelling”)
# abline(h=lsc,col=4)
# # matriz de covariancia
A.3 Fase I para n=5 59
# write.table(resp,file=”C:\ \ temp \ \vetorresp.txt”, sep =)
Matriz.cov<-c(mean(S2.jk),mean(Sjhk),mean(Sjhk),mean(S2.2k))
Matrix.covariancia<-matrix(Matriz.cov, ncol=2, byrow=2)
Matrix.covariancia
print(lsc)
print(cont)
print(i1)
resp[i1,1]=lsc
resp[i1,2]=cont
vars[i1,1]=mean(A1)
vars[i1,2]=mean(B1)
vars[i1,3]=mean(S2.jk)
vars[i1,4]=mean(S2.2k)
vars[i1,5]=mean(Sjhk)
}
A.4 Fase II para n=3 60
A.4 Fase II para n=3
ni=1000
resp<-array(0,dim=c(ni,1))
resp.final<-array(0,dim=c(4,4))
colnames(resp.final) <- c(”0”,”0.5”,”1.0”,”1.5”)
rownames(resp.final) <- c(”0”,”0.5”,”1.0”,”1.5”)
sim1=c(0,0.5,1,1.5)
sim2=c(0,0.5,1,1.5)
for(ia in 1:4){delta1<-sim1[ia]
for(ib in 1:4){delta2<-sim2[ib]
for(i1 in 1:ni){n=1000
delta1=0.0
delta2=0.0
ro=0.3
fi=0.5
x1.coluna.d<-rnorm(n,0,1)
x1.d=rbind(x1.coluna.d)+delta1
X1.d = matrix(x1.d, ncol =1, byrow=n)
x2.residuo.d<-rnorm(n,0,1)
x2.res.d=rbind(x2.residuo.d)
vetor.residuo.x2.d<-matrix(x2.res.d, ncol=1, byrow=n)
x3.residuo.d<-rnorm(n,0,1)
x3.res.d=rbind(x3.residuo.d)
vetor.residuo.x3.d<-matrix(x3.res.d, ncol=1, byrow=n)
# Criando coluna de dados x2
v.x2.d<-c(1:n)
X2.d<-matrix(v.x2.d, ncol=1, byrow=n)
for(i in 1:n){X2.d[i,]<-delta1+fi*(X1.d[i, ]-delta1)+vetor.residuo.x2.d[i, ]
}
A.4 Fase II para n=3 61
# Criando coluna de dados x3
v.x3.d<-c(1:n)
X3.d<-matrix(v.x3.d, ncol=1, byrow=n)
for(i in 1:n){X3.d[i,]<-delta1+fi*(X2.d[i, ]-delta1)+vetor.residuo.x3.d[i, ]
}A1.d=cbind(X1.d,X2.d,X3.d)
A1=A1.d
y1.residuo.d<-rnorm(n,0,1)
y1.res.d=rbind(y1.residuo.d)
vetor.residuo.y1.d<-matrix(y1.res.d, ncol=1, byrow=n)
y2.residuo.d<-rnorm(n,0,1)
y2.res.d=rbind(y2.residuo.d)
vetor.residuo.y2.d<-matrix(y2.res.d, ncol=1, byrow=n)
y3.residuo.d<-rnorm(n,0,1)
y3.res.d=rbind(y3.residuo.d)
vetor.residuo.y3.d<-matrix(y3.res.d, ncol=1, byrow=n)
# Criando coluna de dados y1
v.y1.d<-c(1:n)
Y1.d<-matrix(v.y1.d, ncol=1, byrow=n)
for(i in 1:n){Y1.d[i,]<-(ro*(X1.d[i, ])+vetor.residuo.y1.d[i, ])+delta2
}v.y2.d<-c(1:n)
Y2.d<-matrix(v.y2.d, ncol=1, byrow=n)
for(i in 1:n){Y2.d[i,]<-(ro*(X2.d[i, ])+vetor.residuo.y2.d[i, ])+delta2
}v.y3.d<-c(1:n)
Y3.d<-matrix(v.y3.d, ncol=1, byrow=n)
for(i in 1:n){Y3.d[i,]<-(ro*(X3.d[i, ])+vetor.residuo.y3.d[i, ])+delta2
}
A.4 Fase II para n=3 62
B1.d=cbind(Y1.d,Y2.d,Y3.d)
B1=B1.d
# GERADO OS VALORES COM DESLOCAMENTO DE MEDIA
# UTILIZAMOS OS LIMITES DE CONTROLE E MATRIZ DE COVARIA,NCIA
ENCONTRADOS NO PROCESSO EM CONTROLE
# Inserindo algoritmo para deslocamento de mA c©dia
xbarra=0.0005673193
ybarra=-0.00036627
S11=0.7295501
S12=1.066112
S22=0.2183475
lsc.medio=24.04352
T2.deslocadovetor=c(1:n)
T2.deslocado<-matrix(T2.deslocadovetor, ncol=1, byrow=n)
for(i in 1:n){T2.deslocado[i,1]<-(3/((S11∗S12)−(S222)))∗((S12∗((mean(A1.d[i, ])−xbarra)2))+
(S11∗((mean(B1.d[i, ])−ybarra)2))−(2∗S22∗((mean(A1.d[i, ])−xbarra)∗(mean(B1.d[i, ])−ybarra))))
}NMA=0
cont=0
vetor<-array(2000,dim=c(n,1))
NMA<-array(10000,dim=c(n,1))
for(i in 1:n){if(T2.deslocado[i,1]>lsc.medio){vetor[i,1]<-T2.deslocado[i,1]
NMA[i,1]<-i
cont=min(NMA)
}}cont=min(NMA)
resp[i1,1]<-cont
A.4 Fase II para n=3 63
r<-(mean(resp[resp!=10000]))
resp.final[ia,ib]=r
}}}
A.5 Fase II para n=4 64
A.5 Fase II para n=4
ni=1000
resp<-array(0,dim=c(ni,1))
resp.final<-array(0,dim=c(4,4))
colnames(resp.final) <- c(”0”,”0.5”,”1.0”,”1.5”)
rownames(resp.final) <- c(”0”,”0.5”,”1.0”,”1.5”)
sim1=c(0,0.5,1,1.5)
sim2=c(0,0.5,1,1.5)
for(ia in 1:4){delta1<-sim1[ia]
for(ib in 1:4){delta2<-sim2[ib]
for(i1 in 1:ni){n=1000
delta1=0.0
delta2=0.0
ro=0.0
fi=0.0
x1.coluna.d<-rnorm(n,0,1)
x1.d=rbind(x1.coluna.d)+delta1
X1.d = matrix(x1.d, ncol =1, byrow=n)
x2.residuo.d<-rnorm(n,0,1)
x2.res.d=rbind(x2.residuo.d)
vetor.residuo.x2.d<-matrix(x2.res.d, ncol=1, byrow=n)
x3.residuo.d<-rnorm(n,0,1)
x3.res.d=rbind(x3.residuo.d)
vetor.residuo.x3.d<-matrix(x3.res.d, ncol=1, byrow=n)
x4.residuo.d<-rnorm(n,0,1)
x4.res.d=rbind(x4.residuo.d)
vetor.residuo.x4.d<-matrix(x4.res.d, ncol=1, byrow=n)
# Criando coluna de dados x2
v.x2.d<-c(1:n)
X2.d<-matrix(v.x2.d, ncol=1, byrow=n)
for(i in 1:n){
A.5 Fase II para n=4 65
X2.d[i,]<-delta1+fi*(X1.d[i, ]-delta1)+vetor.residuo.x2.d[i, ]
}
# Criando coluna de dados x3
v.x3.d<-c(1:n)
X3.d<-matrix(v.x3.d, ncol=1, byrow=n)
for(i in 1:n){X3.d[i,]<-delta1+fi*(X2.d[i, ]-delta1)+vetor.residuo.x3.d[i, ]
}# Criando coluna de dados x4
v.x4.d<-c(1:n)
X4.d<-matrix(v.x4.d, ncol=1, byrow=n)
for(i in 1:n){X4.d[i,]<-delta1+fi*(X3.d[i, ]-delta1)+vetor.residuo.x4.d[i, ]
}A1.d=cbind(X1.d,X2.d,X3.d,X4.d)
A1=A1.d
y1.residuo.d<-rnorm(n,0,1)
y1.res.d=rbind(y1.residuo.d)
vetor.residuo.y1.d<-matrix(y1.res.d, ncol=1, byrow=n)
y2.residuo.d<-rnorm(n,0,1)
y2.res.d=rbind(y2.residuo.d)
vetor.residuo.y2.d<-matrix(y2.res.d, ncol=1, byrow=n)
y3.residuo.d<-rnorm(n,0,1)
y3.res.d=rbind(y3.residuo.d)
vetor.residuo.y3.d<-matrix(y3.res.d, ncol=1, byrow=n)
y4.residuo.d<-rnorm(n,0,1)
y4.res.d=rbind(y4.residuo.d)
vetor.residuo.y4.d<-matrix(y4.res.d, ncol=1, byrow=n)
# Criando coluna de dados y1
v.y1.d<-c(1:n)
Y1.d<-matrix(v.y1.d, ncol=1, byrow=n)
A.5 Fase II para n=4 66
for(i in 1:n){Y1.d[i,]<-(ro*(X1.d[i, ])+vetor.residuo.y1.d[i, ])+delta2
}v.y2.d<-c(1:n)
Y2.d<-matrix(v.y2.d, ncol=1, byrow=n)
for(i in 1:n){Y2.d[i,]<-(ro*(X2.d[i, ])+vetor.residuo.y2.d[i, ])+delta2
}v.y3.d<-c(1:n)
Y3.d<-matrix(v.y3.d, ncol=1, byrow=n)
for(i in 1:n){Y3.d[i,]<-(ro*(X3.d[i, ])+vetor.residuo.y3.d[i, ])+delta2
}v.y4.d<-c(1:n)
Y4.d<-matrix(v.y4.d, ncol=1, byrow=n)
for(i in 1:n){Y4.d[i,]<-(ro*(X4.d[i, ])+vetor.residuo.y4.d[i, ])+delta2
}B1.d=cbind(Y1.d,Y2.d,Y3.d,Y4.d)
B1=B1.d
# GERADO OS VALORES COM DESLOCAMENTO DE MEDIA
# UTILIZAMOS OS LIMITES DE CONTROLE E MATRIZ DE COVARIANCIA
ENCONTRADOS NO PROCESSO EM CONTROLE
# Inserindo algoritmo para deslocamento de media
xbarra=0.0001594828
ybarra=0.0002556173
S11=0.9998518
S12=1.000118
S22=0.0002046083
lsc.medio=10.59405
T2.deslocadovetor=c(1:n)
T2.deslocado<-matrix(T2.deslocadovetor, ncol=1, byrow=n)
A.5 Fase II para n=4 67
for(i in 1:n){T2.deslocado[i,1]<-(4/((S11∗S12)−(S222)))∗((S12∗((mean(A1.d[i, ])−xbarra)2))+
(S11∗((mean(B1.d[i, ])−ybarra)2))−(2∗S22∗((mean(A1.d[i, ])−xbarra)∗(mean(B1.d[i, ])−ybarra))))
}NMA=0
cont=0
vetor<-array(2000,dim=c(n,1))
NMA<-array(10000,dim=c(n,1))
for(i in 1:n){if(T2.deslocado[i,1]>lsc.medio){vetor[i,1]<-T2.deslocado[i,1]
NMA[i,1]<-i
cont=min(NMA)
}}cont=min(NMA)
resp[i1,1]<-cont
r<-(mean(resp[resp!=10000]))
resp.final[ia,ib]=r
}print(resp.final[1,1])
}}
A.6 Fase II para n=5 68
A.6 Fase II para n=5
ni=1000
resp<-array(0,dim=c(ni,1))
resp.final<-array(0,dim=c(4,4))
colnames(resp.final) <- c(”0”,”0.5”,”1.0”,”1.5”)
rownames(resp.final) <- c(”0”,”0.5”,”1.0”,”1.5”)
sim1=c(0,0.5,1,1.5)
sim2=c(0,0.5,1,1.5)
for(ia in 1:4){delta1<-sim1[ia]
for(ib in 1:4){delta2<-sim2[ib]
for(i1 in 1:ni){n=1000
delta1=0.0
delta2=0.0
ro=0.0
fi=0.0
x1.coluna.d<-rnorm(n,0,1)
x1.d=rbind(x1.coluna.d)+delta1
X1.d = matrix(x1.d, ncol =1, byrow=n)
x2.residuo.d<-rnorm(n,0,1)
x2.res.d=rbind(x2.residuo.d)
vetor.residuo.x2.d<-matrix(x2.res.d, ncol=1, byrow=n)
x3.residuo.d<-rnorm(n,0,1)
x3.res.d=rbind(x3.residuo.d)
vetor.residuo.x3.d<-matrix(x3.res.d, ncol=1, byrow=n)
x4.residuo.d<-rnorm(n,0,1)
x4.res.d=rbind(x4.residuo.d)
vetor.residuo.x4.d<-matrix(x4.res.d, ncol=1, byrow=n)
x5.residuo.d<-rnorm(n,0,1)
x5.res.d=rbind(x5.residuo.d)
vetor.residuo.x5.d<-matrix(x5.res.d, ncol=1, byrow=n)
# Criando coluna de dados x2
A.6 Fase II para n=5 69
v.x2.d<-c(1:n)
X2.d<-matrix(v.x2.d, ncol=1, byrow=n)
for(i in 1:n){X2.d[i,]<-delta1+fi*(X1.d[i, ]-delta1)+vetor.residuo.x2.d[i, ]
}
# Criando coluna de dados x3
v.x3.d<-c(1:n)
X3.d<-matrix(v.x3.d, ncol=1, byrow=n)
for(i in 1:n){X3.d[i,]<-delta1+fi*(X2.d[i, ]-delta1)+vetor.residuo.x3.d[i, ]
}
# Criando coluna de dados x4
v.x4.d<-c(1:n)
X4.d<-matrix(v.x4.d, ncol=1, byrow=n)
for(i in 1:n){X4.d[i,]<-delta1+fi*(X3.d[i, ]-delta1)+vetor.residuo.x4.d[i, ]
}# Criando coluna de dados x5
v.x5.d<-c(1:n)
X5.d<-matrix(v.x4.d, ncol=1, byrow=n)
for(i in 1:n){X5.d[i,]<-delta1+fi*(X4.d[i, ]-delta1)+vetor.residuo.x5.d[i, ]
}A1.d=cbind(X1.d,X2.d,X3.d,X4.d,X5.d)
A1=A1.d
y1.residuo.d<-rnorm(n,0,1)
y1.res.d=rbind(y1.residuo.d)
vetor.residuo.y1.d<-matrix(y1.res.d, ncol=1, byrow=n)
y2.residuo.d<-rnorm(n,0,1)
y2.res.d=rbind(y2.residuo.d)
vetor.residuo.y2.d<-matrix(y2.res.d, ncol=1, byrow=n)
A.6 Fase II para n=5 70
y3.residuo.d<-rnorm(n,0,1)
y3.res.d=rbind(y3.residuo.d)
vetor.residuo.y3.d<-matrix(y3.res.d, ncol=1, byrow=n)
y4.residuo.d<-rnorm(n,0,1)
y4.res.d=rbind(y4.residuo.d)
vetor.residuo.y4.d<-matrix(y4.res.d, ncol=1, byrow=n)
y5.residuo.d<-rnorm(n,0,1)
y5.res.d=rbind(y5.residuo.d)
vetor.residuo.y5.d<-matrix(y5.res.d, ncol=1, byrow=n)
# Criando coluna de dados y1
v.y1.d<-c(1:n)
Y1.d<-matrix(v.y1.d, ncol=1, byrow=n)
for(i in 1:n){Y1.d[i,]<-(ro*(X1.d[i, ])+vetor.residuo.y1.d[i, ])+delta2
}v.y2.d<-c(1:n)
Y2.d<-matrix(v.y2.d, ncol=1, byrow=n)
for(i in 1:n){Y2.d[i,]<-(ro*(X2.d[i, ])+vetor.residuo.y2.d[i, ])+delta2
}v.y3.d<-c(1:n)
Y3.d<-matrix(v.y3.d, ncol=1, byrow=n)
for(i in 1:n){Y3.d[i,]<-(ro*(X3.d[i, ])+vetor.residuo.y3.d[i, ])+delta2
}v.y4.d<-c(1:n)
Y4.d<-matrix(v.y4.d, ncol=1, byrow=n)
for(i in 1:n){Y4.d[i,]<-(ro*(X4.d[i, ])+vetor.residuo.y4.d[i, ])+delta2
}v.y5.d<-c(1:n)
Y5.d<-matrix(v.y5.d, ncol=1, byrow=n)
for(i in 1:n){Y5.d[i,]<-(ro*(X5.d[i, ])+vetor.residuo.y5.d[i, ])+delta2
A.6 Fase II para n=5 71
}B1.d=cbind(Y1.d,Y2.d,Y3.d,Y4.d,Y5.d)
B1=B1.d
# GERADO OS VALORES COM DESLOCAMENTO DE MEDIA
# UTILIZAMOS OS LIMITES DE CONTROLE E MATRIZ DE COVARIANCIA
ENCONTRADOS NO PROCESSO EM CONTROLE
#Inserindo algoritmo para deslocamento de media
xbarra=
ybarra=
S11=
S12=
S22=
lsc.medio=
T2.deslocadovetor=c(1:n)
T2.deslocado<-matrix(T2.deslocadovetor, ncol=1, byrow=n)
for(i in 1:n){T2.deslocado[i,1]<-(5/((S11∗S12)−(S222)))∗((S12∗((mean(A1.d[i, ])−xbarra)2))+
(S11∗((mean(B1.d[i, ])−ybarra)2))−(2∗S22∗((mean(A1.d[i, ])−xbarra)∗(mean(B1.d[i, ])−ybarra))))
}NMA=0
cont=0
vetor<-array(2000,dim=c(n,1))
NMA<-array(10000,dim=c(n,1))
for(i in 1:n){if(T2.deslocado[i,1]>lsc.medio){vetor[i,1]<-T2.deslocado[i,1]
NMA[i,1]<-i
cont=min(NMA)
}}cont=min(NMA)
A.6 Fase II para n=5 72
resp[i1,1]<-cont
r<-(mean(resp[resp!=10000]))
resp.final[ia,ib]=r
}print(resp.final[1,1])
}}
Referencias Bibliograficas
[1] L. C. Alwan and D. Radson. Time-series investigation of sub sample mean charts[j].
IIE Transactions, 24(5):66–80, 1992.
[2] L. C. Alwan and H. V. Roberts. Time series modeling for statistical process
control. Journalof Business and Economic Statistics, 6(1):87–95, 1988.
[3] Jamal Arkat. Seyed taghi akhavan niaki, babak abbasi. artificial neural networks
in applying mcusum residuals charts for ar(1) processes[j]. Applied Mathematics
and Computation, 189(2):1889–1901, 2007.
[4] F. A. E. Claro. Grafico de controle x-barra com amostragem dupla para o mo-
nitoramento de processos positivamente correlacionados. Guaratinguete, Tese de
Doutorado em Engenharia Mecanica - Programa de Pos-Graduacao em Engenha-
ria Mecanica. UNESP., 2008.
[5] A. F. B. Costa. X charts with variable sample size. Journal of Quality Technology,
26:155–163, 1994.
[6] A. F. B. Costa. X charts with variable parameters. Journal of Quality Technology,
31:408–416, 1999.
[7] A. F. B. Costa, E. K. Epprecht, and L.C.R. Carpinetti. Controle estatıtico de
qualidade. Sao Paulo: Editora Atlas, 2005.
[8] A. F .B. Costa and M. A. Rahim. Economic design of x charts with variable
parameters: the markovchain approach. Journal of Applied Statistics, 28:875–885,
2001.
[9] Y. Dai, Y. Luo, Z. Li, and Z. Wang. A new adaptive cusum control chart for
detecting the multivariate process mean. Quality and Reliability Engineering In-
ternational, 27:877–884, 2011.
73
A.6 Fase II para n=5 74
[10] E.K. Epprecht, A. F. B. Costa, and F. C. T. Mendes. Adaptive control charts for
attributes. IIE Transactions, 35:567–582, 2003.
[11] T. J. Harris and W. H. Ross. Statistical process control procedures for correlated
observations[j]. Canadian Journal of Chemical Engineering, 69(1):48–57, 1991.
[12] H. Hotelling. Multivariate quality control, illustrated by the air testing of sample
bombsights. Techniques of Statistical Analysis, New York, McGraw Hill, 1947.
[13] W. Jiang, L. Shu, and D. Apley. Adaptive cusum procedures with ewma-based
shif estimators. IIE Transactions, 40, 2008.
[14] Sun Jing and Yang Muer. Residual-based t2 control chart for monitoring multi-
variate auto-correlated processes[j]. Journal of Tsinghua University: Science and
Technology, 47(12):2184–2187(in Chinese), 2007.
[15] H. G. Kramer and W. Schmid. Ewma charts for multivariate time series. Sequential
Analysis, 16(2):131–154, 1997.
[16] Li and Z. Wang. Adaptive cusum of q chart. International Journal of Production
Research, 48:1287–1301, 2010.
[17] E. N. Loredo, D. Jearkpaporn, and C. M. Borror. Model-based control chart for
autoregressive and correlated data[j]. Quality and Reliability Engineering Inter-
national, 18(6):489–496, 2002.
[18] C. W. Lu and M. R. Jr. Reynolds. Control charts for monitoring the mean and
variance of autocorrelated processes. Journal of Quality Technology, 31(3):259–
273, 1991.
[19] C. W. Lu and M. R. Jr. Reynolds. Ewma control charts for monitoring the mean
of autocorrelated processes[j]. Journal of Quality Technology, 31(2):166–188, 1999.
[20] C.W. Lu and Jr. Reynolds, M.R. Cusum charts for monitoring na autocorrelated
process. Journal of Quality Technology, 33, 2001.
[21] Y. Luo, Z. Li, and Z. Wang. Adaptive cusum control chart with variable sampling
intervals. Computational Statistics and Data Analysis, 53:2693–2701, 2009.
[22] S. A. Mingoti. Analise de dados atraves de metodos de estatastica multivariada:
uma abordagem aplicada. Belo Horizonte: Editora UFMG, 1, 2005.
A.6 Fase II para n=5 75
[23] D. C. Montgomery. Introduction to statistical quality control. Jonh Wiley and
Sons, 5, 2005.
[24] D. C. Montgomery. Statistical quality control: A modern introduction [m]. Wiley,
New York, 2009.
[25] D. C. Montgomery and C. M. Mastrangelo. Some statistical process control
methods for autocorrelated data. Journal of Quality Technology, 23(3):179–193,
1991.
[26] D. C. Montgomery, C. M. Mastrangelo, and F. W. Faltin. Some statistical pro-
cess control methods for autocorrelated data [j]. Journal of Quality Technology,
23(3):179–204, 1991.
[27] R. Noorossana and S. J. M. Vaghefi. Effect of autocorrelation on performance of
the mcusum control chart[j]. Quality and Reliability Engineering International,
22(2):191–197, 2006.
[28] S. S. Prabhu, D. C. Montgomery, and G. C. Runger. A combined adaptive sample
size and sampling interval x control scheme. Journal of Quality Technology, 26:164–
176, 1994.
[29] S.S. Prabhu, G.C. Runger, and J. B. Keats. An adaptive sample size x chart.
International Journal of Production Research, 31:2895–2909, 1993.
[30] M. R. JR. Reynolds, R. W. Amin, J .C. Arnold, and J. A. Nachlas. X charts with
variable sampling interval. Technometrics, 30:181–192, 1988.
[31] C. G. Runger and T. R. Willemain. Batch means control charts for autocorrelated
data. IIE Transactions, 28:483–487, 1996.
[32] T. P. Ryan. Discussion of some statistical process control methods for autocor-
related data by d. c. montgomery and c. m. mastrangelo[j]. Journal of Quality
Technology, 23(3):200–202, 1991.
[33] W. A. Shewhart. The application of statistics as an aid in maintaining qua-
lity of a manufactured product. Journal of the American Statistical Association,
20(152):546–548, 1925.
[34] L. Shu, W. Jiang, and H. F. Yeung. An adaptive cusum procedure for signaling
process variance changes of unknown sizes. Journal of Quality Technology, 42:69–
85, 2010.
A.6 Fase II para n=5 76
[35] P. T. Theodossiou. Predicting shifts in the mean of multivariate time series process:
an application in predicting business failures. Journal of the American Statistical
Association, 88(422):441–447, 1993.
[36] L. N. Vanbrackle and Reynolds. Ewma and cusum control charts in the pre-
sence of correlation. Communications in Statistics-Simulation and Computation,
26(4):979–1008, 1997.
[37] Schmid W. Ontherunlengthofashewhartcontrolchart for correlated data. Statistical
Papers, 36, 1995.
[38] D. G. Wardell, H. Moskowitz, and Plante R. D. Run-length distributions of special-
cause control charts for correlated processes [j]. Technometrics, 36(1):3–17, 1994.
[39] Z. Wu, Y. Tian, and S. Zhang. Adjusted-loss-function charts with variable sample
sizes and sampling intervals. Journal of Applied Statistics, 32:221–242, 2005.
[40] Pan Xia and Jarrett Jeffrey. Using vector autoregressive residuals to monitor
multivariate processes in the presence of serial correlation[j]. International Journal
of Production Economics, 106(1):204–216, 2007.
[41] Muer Yang and Jing Sun. Residual-based t2 control chart for bivariate autocor-
related processes [j]. Journal of Tsinghua University: Science and Technology,
46(3):403–406 (in Chinese), 2006.
[42] N. F. Zhang. Detection capability of residual control chart for stationary process
data. Journal of Applied Statistics, 24(4):363–380, 1997.
[43] L. S. Zimmer, D. C. Montgomery, and G. C. Runger. Evaluation of a three-state
adaptive sample size x control chart. International Journal of Production Research,
36:733–743, 1998.
Referencias Bibliograficas
[1] LIMA, E. L.; Carvalho, P.C.P.; Wagner, E.; Morgado, A.C. A Matematica do
Ensino Medio, vol. 1, 9a ed. Rio de Janeiro: SBM, 2006.
77