Please use this identifier to cite or link to this item: http://monografias.ufrn.br/handle/123456789/1844
Title: Uso do gráfico c para dados de contagem autocorrelacionados
Authors: Fernandes, Fidel Henrique
Keywords: Controle Estatístico de Qualidade. Gráfico c. INAR(1). INARMA. IP. NMA. Poisson e thinning binomial.
Issue Date: 12-Dec-2015
Publisher: Universidade Federal do Rio Grande do Norte
Citation: FERNANDES, Fidel Henrique. Uso do gráfico c para dados de contagem autocorrelacionados. 2015. 58 f. Monografia (Graduação em Estatística) - Centro de Ciências Exatas e da Terra, Departamento de Estatística, Universidade Federal do Rio Grande do Norte, Natal. 2015.
Portuguese Abstract: A classe dos modelos INARMA é bem adequada para modelar a estrutura e a autocorrelação de processos com marginais Poisson, no contexto de controle estatístico de qualidade. Processos de contagem surgem em diversas situações, concentraremos no uso do modelo para uma sequência estacionária de valores inteiros (processos de contagem auto regressivos de ordem 1 [INAR(1)]),que são processos estocásticos mutuamente independentes com particular relevância para o gráfico de controle. Considerando o cenário de dados de contagem autocorrelacionados, este trabalho propõe monitorar processos de contagem sob o modelo INAR(1), através do uso gráfico c (gráfico de controle para monitorar o número de não – conformidades da amostra) modificando os limites de controle usuais e adaptando o uso desse modelo ao gráfico (c), também faremos uma análise de sensibilidade do modelo através de simulações do NMA, número de amostras que excedem o limite de controle, para diferentes combinações dos parâmetros do gráfico. Essas perturbações e análises dos parâmetros reproduzem o que foi feito em Weiβ(2007) porém incluímos casos adicionais α = 0.9α0, α = 1.1α0, λ = 0.9λ0 e λ = 1.1λ0. Incluímos também, na simulação os casos em que α0 = 0. Os resultados mostram que a autocorrelação provoca, nos gráficos de controle c, uma sinalização mais tardia, quando este sofre alguma perturbação de −20% e −10%. Já quando estamos lidando com uma perturbação de +20% na autocorrelação, o gráfico detecta rápido a mudança, a medida que o número de não - conformidades aumenta. Por fim, aplicamos a metodologia estudada para um conjunto de dados reais referente à contagem de endereços de IP.
URI: http://monografias.ufrn.br/jspui/handle/123456789/1844
Other Identifiers: 2012973254
Appears in Collections:Estatística

Files in This Item:
File Description SizeFormat 
GraficoC_Fernandes_2015.pdfMonografia989.9 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.