XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004

Controle estatístico de processo:

soluções de um estudo de caso usando procedimentos estatísticos

Suzana Leitão Russo (URI) jss@urisan.tche.br

Robert Wayne Samohyl (UFSC) – samohyl@ig.com.br
Maria Emília Camargo (UCS) – kamargo@zaz.com.br

Resumo

Embora os gráficos de controle tradicionais servem bem como uma ferramenta fundamental
para aplicações de SPC, suas suposições são desafiadas por muitos ambientes industriais,
pois não há nenhuma razão científica em usar as técnicas tradicionais, em virtude de induzir
a conclusões errôneas e facilitar a uma falta de segurança de que o processo esteja sob
controle estatístico com falha na identificação de variação sistemática do processo (BOX E
LUCENO, 1997; MONTGOMERY, 1997). Quando os limites padrões de controle forem
usados em aplicações onde o processo é freqüentemente amostrado, a autocorrelação nas
medidas pode resultar em muitos pontos fora dos limites de controle. Os modelos estatísticos
de séries temporais podem ajudar às técnicas tradicionais dos gráficos de controle provendo
soluções efetivas. Este artigo demonstra o uso de series temporais para a modelagem
estatística em conjunto com as técnicas tradicionais dos gráficos de controle de Shewhart.
Palavras chave: Gráfico de controle de Shewhart, Séries temporais

1. Introdução

Um dos resultados principais do estudo de qualidade industrial foi o uso difundido de

métodos de controle estatísticos de processo para eliminar causas especiais de variação em
processos e reduzir as causas comuns de variação (MONTGOMERY, 1997). Indústrias ao
longo do mundo adotaram o uso dos gráficos de controle de Shewhart como o método
principal de SPCs. Os gráficos de controle de Shewhart são ensinados e aplicados em grande
escala em componentes discretos e contínuos nos processos industriais.
Enquanto o uso das técnicas de Shewhart é notavelmente versátil, não é a melhor
solução para toda aplicação de SPC. Segundo Rodriguez (1994), há uma grande consciência
por parte de engenheiros de qualidade que os gráficos de controle tradicionais são
inconvenientes ou de um valor limitado em várias situações industriais, e algumas questões
estão surgindo, tal como, o que se pode fazer com relação a autocorrelação dos dados e se há
alguma maneira para se ajustar os gráficos de controle para dados autocorrelacionados?
A maioria destas perguntas serve como assunto de pesquisa e debate, não é nosso
objetivo trazer neste estudo soluções definitivas. O propósito é descrever uma abordagem
mais indicada a estas soluções, e como pode ser implementado no programa Statistica.
O exemplo usado neste artigo e analisado através do software Statistica pode ser
utilizado a uma grande variedade de processos.

2. Autocorrelação dos dados

A autocorrelação nada mais é do que um mecanismo existente no processo, que faz
com que os dados não sejam independentes entre si ao longo do tempo. Em qualquer
 XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004.

momento durante um processo, o valor de uma variável não é só um valor aleatório.

Normalmente, é influenciado pelo seu próprio valor em algum momento no tempo.
A autocorrelação tem sido reconhecida como um fenômeno natural nas indústrias onde
parâmetros como temperatura e pressão variam lentamente para a taxa ao qual eles são
medidos. Somente em recentes estudos a autocorrelação tem se tornado assunto nas aplicações
de SPC, particularmente em setores industriais onde a autocorrelação é vista como um
problema que resulta em alarmes falsos nos gráficos de controle. Quando a autocorrelação não
é considerada pode viesar a interpretação dos gráficos de controle de Shewhart
(RODRIGUEZ, 1994).
Uma razão para esta preocupação é que, nos últimos tempos os dados passaram a ser
automatizados, e as amostras tornaram-se mais freqüentemente em alguns locais das
indústrias, sendo possível identificar a autocorrelação que previamente não era detectada.
Outras discussões deste assunto, pode ser encontrada em Schneider e Pruett (1994) e Woodall
(1993).
Os gráficos de controle de Shewhart assumem que o processo xt opera em função de
uma média constante μ , e que xt (a medida no tempo t) pode ser estimado através da
seguinte equação:
xt    et (1)
onde et é um erro aleatório do processo da média μ . Assume-se que os erros são
estatisticamente independente na derivação dos limites de controle tradicionais exibidos a três
desvios-padrões acima ou abaixo da linha central para a qual representa uma estimativa μ .
Quando os gráficos de controle de Shewhart são construídos para dados autocorrelacionados,
os limites de controle tradicionais aumentam a probabilidade de ocorrer alarmes falsos (erro
tipo I), e os usuários às vezes comentam que os limites de controle estão muito apertados.
Então, a fórmula do cálculo dos limites de controle deve ser alterada para que seja
considerado o efeito da autocorrelação dos dados, ou então deve-se modelar a sua estrutura
para elimina-la dos dados (Ramos, 2000; Costa et al, 2004). Esta situação é ilustrada na
Figura 1 que mostra os dados no gráfico de controle para a média de 211 observações de um
processo industrial, sendo considerada a característica da qualidade a resistência da fita de
polipropileno, coletadas no período de novembro e dezembro de 2003 e janeiro de 2004.
Figura 1. Gráfico de controle tradicional de Shewhart
X-bar Chart; variable: Resistência
Histo g r a m o f Me an s X- b ar : 5 ,4 1 9 1 ( 5 ,41 9 1 ) ; Sig ma : ,1 1 0 6 0 ( ,1 1 06 0 ) ; n : 2 ,7 3 3 3
5 ,8

5 ,7

5 ,6 1 9 8
5 ,6

5 ,5

5 ,4 1 9 1
5 ,4

5 ,3

5 ,2 1 8 4
5 ,2

5 ,1
0 5 10 15 20 25 30 35 10 20 30 40 50 60 70

As observações foram colocadas no Statistica. As observações são determinadas pelo

variável X t , e o tempo é determinado por t. Esta é uma aplicação tradicional dos gráficos de
Shewhart.
 XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004.

Identificando e modelando a autocorrelação

Se pode identificar a autocorrelação através do procedimento de um processo ARIMA.
A figura 2 nos mostra que os dados são altamente autocorrelacionados com o “lag” 1 no valor
de 0,417.

Figura 2. Gráfico da autocorrelação dos dados

Função de Autocorrelação
Resistência da fita de polipropileno
(Standard errors are white-noise estimates)
Lag Corr. S.E. Q p
1 +,417 ,0684 37,28 ,0000
2 +,239 ,0682 49,53 ,0000
3 +,280 ,0680 66,44 ,0000
4 +,160 ,0679 71,97 ,0000
5 +,156 ,0677 77,25 ,0000
6 +,201 ,0675 86,11 ,0000
7 +,128 ,0674 89,73 ,0000
8 +,131 ,0672 93,53 ,0000
9 +,194 ,0670 101,9 ,0000
10 +,132 ,0669 105,8 ,0000
11 +,034 ,0667 106,1 ,0000
12 +,056 ,0665 106,8 ,0000
13 +,081 ,0664 108,3 ,0000
14 +,128 ,0662 112,0 ,0000
15 +,175 ,0660 119,0 ,0000
16 +,116 ,0659 122,1 ,0000
17 +,117 ,0657 125,3 ,0000
18 +,130 ,0655 129,3 ,0000
19 +,148 ,0654 134,4 0,000
20 +,180 ,0652 142,1 0,000
21 +,159 ,0650 148,1 0,000
22 +,098 ,0648 150,4 0,000
23 +,059 ,0647 151,2 0,000
24 +,081 ,0645 152,8 0,000
25 +,080 ,0643 154,3 0,000
26 +,127 ,0642 158,3 0,000
27 +,100 ,0640 160,7 0,000
28 +,086 ,0638 162,5 0,000
29 +,188 ,0636 171,3 0,000
30 +,100 ,0635 173,8 0,000
0 0 Conf. Limit
-1,0 -0,5 0,0 0,5 1,0

A autocorrelação parcial mostrada na figura 3 sugere que os dados podem ser

modelados por um modelo autorregressivo de primeira ordem, geralmente chamado modelo
AR(1):
xˆ t  xt -   0  1 ~
xt 1  et

Figura 3. Gráfico da Autocorrelação Parcial

Função de Autocorrelação Parcial
Resistência da fita de polipropileno
(Standard errors assume AR order of k-1)
Lag Corr. S.E.
1 +,417 ,0688
2 +,078 ,0688
3 +,189 ,0688
4 -,031 ,0688
5 +,075 ,0688
6 +,090 ,0688
7 -,008 ,0688
8 +,045 ,0688
9 +,096 ,0688
10 -,003 ,0688
11 -,090 ,0688
12 -,001 ,0688
13 +,043 ,0688
14 +,096 ,0688
15 +,077 ,0688
16 -,016 ,0688
17 +,038 ,0688
18 +,016 ,0688
19 +,069 ,0688
20 +,085 ,0688
21 +,025 ,0688
22 -,049 ,0688
23 -,076 ,0688
24 +,006 ,0688
25 +,023 ,0688
26 +,100 ,0688
27 -,016 ,0688
28 -,002 ,0688
29 +,112 ,0688
30 -,061 ,0688
0 Conf. Limit
-1,0 -0,5 0,0 0,5 1,0

A equação do modelo encontrado é: ~

xt  -0,0736  1~
xt 1

Método
Há discordância considerável em como controlar a autocorrelação dos dados num
processo. Segundo Wheeler (1991) os limites de controles habituais só são contagiados pela
 XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004.

autocorrelação quando ela se tornar excessiva (de 0.80 ou maior) e que nestas situações o
registro freqüente dos dados é muito coerente, pois auxilia na verificação da autocorrelação.
Wheeler (1991) conclui que não há necessidade de manter-se aflito com os efeitos de
autocorrelação nos gráficos de controle. Alwan e Roberts (1988) são defensores da remoção
da autocorrelação dos dados para a construção dos gráficos de controle de Shewhart (ou
gráficos EWMA ou gráficos de CUSUM) através dos resíduos (RODRIGUEZ, 1994).
No exemplo aqui proposto, os resíduos são calculados como erros de previsão.
Constroem-se então, os gráficos de controle de Shewhart através da série residual. A figura 4
mostra o gráfico de controle para a série residual com 3 σ de limites.

Figure 4. Residuais do Modelo AR(1)

X-bar Chart; variable: AR1

Histo gr a m o f Me a n s X- ba r : - ,0 0 4 4 4 ( - ,0 0 4 4 4 ) ; Sig ma: ,16 0 1 3 ( ,1 6 0 13 ) ; n: 2 ,7 4 3 2
0 ,4

0 ,3
,2 8 5 6 1

0 ,2

0 ,1

0 ,0 - ,0 0 44 4

- 0 ,1

- 0 ,2

- ,2 9 44 9
- 0 ,3

- 0 ,4
0 5 1 0 15 20 2 5 30 35 40 45 10 20 30 40 50 60 70

O gráfico da figura 4 se assemelha a figura 2 de Montgomery e Mastrangelo (1991),

que concluem que o processo está sob controle. Além do gráfico de controle residual,
Montgomery e Mastrangelo (1991) sugerem ajustar um modelo Médias Móveis
Exponencialmente Ponderada (EWMA) aos dados. Ao se usar este modelo como uma
exibição, recai-se ao gráfico de controle tradicional EWMA, que é definido como:
z t  xt  (1 -  ) z t -1
O gráfico de controle EWMA está baseado na suposição que as xt de observações são
independentes. Porém, no contexto de um processo com dados autocorrelacionados (e mais
geralmente numa análise de séries temporais), a estatística EWMA, z t , faz um papel
diferente: é a previsão um-passo-à-frente para um processo que pode ser modelado por um
modelo ARIMA(0,1,1)
xt  xt -1  et - et -1
contanto que o parâmetro de peso λ seja   1   . Esta estatística também é um bom preditor
quando o processo pode ser descrito por um subconjunto dos modelos ARIMA para os quais o
processo é positivamente autocorrelacionado e o processo da média não mude muito depressa
(MONTGOMERY e MASTRANGELO, 1991).
Agora, pode-se ajustar um modelo ARIMA(0,1,1) para os dados da resistência da fita
de polipropileno, o sumário do modelo ajustado é mostrado na tabela 1.
Tabela 1 - Sumário do Modelo Ajustado ARIMA (0,1,1)
Parâmetro Estimativa Erro padrão(SE) valor p
Constante 0,0007 0,0015 0,6576
 XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004.

MA(1,1) 0,8375 0,0968 0

O gráfico de controle de Shewhart para os resíduos do modelo ARIMA (0,1,1) pelo

uso EWMA está representado na figura 5.

Figura 5. Modelo Residual ARIMA (0,1,1)

EWMA X-bar Chart; variable: MA011
Histo gr a m o f EWMA EWMA X- b a r : ,0 0 1 8 1 ( ,0 0 18 1 ); Sig ma : ,1 2 0 31 (,12 0 3 1 ) ; n : 2,7 4 32
0 ,0 8

0 ,0 6

,0 5 0 7 2

0 ,0 4

0 ,0 2

,0 0 1 8 1
0 ,0 0

- 0 ,0 2

- 0 ,0 4

-,0 4 71 1

- 0 ,0 6

- 0 ,0 8
0 5 10 1 5 20 25 30 35 40 10 20 30 40 50 60 70

A linha central do gráfico de controle da previsão é feita pelo EWMA, para o modelo
ARIMA(0,1,1), e se usa os erros padrões de predição para determinar os limites superior e
inferior de controle. A linha central do gráfico EWMA é mostrado na figura 6.

Figura 6. Linha Central do Gráfico de Controle EWMA

EWMA X-bar Chart; variable: MA011
H i stogram of E WMA E WMA X -bar: ,00181 (, 00181); S i gma: ,12031 (,12031); n: 2,7432

0, 08

0, 06

LI C

0, 04

0, 02

Li nha C entral
0, 00

-0,02

-0,04

LS C

-0,06

-0,08
0 5 10 15 20 25 30 35 40 10 20 30 40 50 60 70

4. Conclusão
Concluí-se que o processo está em controle. As figuras 4 e 6 não são as únicas figuras
que podem ser consideradas ao se analisar dados da resistência, a construção destas figuras
ilustra o uso conjunto dos modelos ARIMA e os gráficos de controle tradicionais de
Shewhart. Não há nenhuma resposta simples à pergunta de como lidar com a autocorrelação
dos dados, e este assunto é um tópico de pesquisa com visões divergentes. Porém, em muitas
situações o procedimento de ARIMA é uma ferramenta fundamental por identificar a
autocorrelação e modelar as perturbações de processo, e pode ser usado junto com as técnicas
tradicionais de Shewart para criar uma variedade de gráficos de controle úteis.
 XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004.

5. Referências

ALWAN, L. C. and ROBERTS, H. V. (1998), Time Series Modeling for Statistical Process Control, Journal
of Business and Economic Statistics, 6, 87-95.

BOX, G.E.P; LUCENO, A.( 1997) Statistical control by monitoring and feedback adjustment, New York:
Wiley & Sons.

COSTA, A. F. B.; EPPRECHT, E. K.; CARPINETTI, L. C. R.. (2004) Controle Estatístico de Qualidade, São
Paulo: Atlas.

MONTGOMERY, D. C. (1997), Introduction to Statistical Quality Control, Second Edition, New York: John
Wiley & Sons, Inc.

MONTGOMERY, D.C. and MASTRANGELO, C. M. (1991), Some Statistical process Control Methods for
Autocorrelated Data, Journal of Quality Technology, 23, 179-204 (with discussion).

RAMOS, A. W. (2000) CEP para Processos Contínuos e em Bateladas. São Paulo: Editora Edgard Blücher
LTDA.

RODRIGUEZ, R.N., (1994) Recent Issues in Statistical Process Control: SAS Solutions Using Statistical
Modeling Procedures. SUGI Proceedings. SAS Institute Inc., Cary, NC.

SCHNEIDER, H. and PRUETT, J. M. (1994), Control Charting Issues in the Process Industries, Quality
Engineering, 6, 347-373.

WHEELER, D. J. (1991), Shewhart’s Chart: Myths, Facts, and Competitors, 45th Annual Quality Congress
Transactions, American Society for Quality Control. 533-538.

WOODALL, W. H. (1993), Autocorrelated Data and SPC, ASQC Statistics Division Newsletter, 13, 18-21.