Beruflich Dokumente
Kultur Dokumente
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
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
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
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.
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
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.
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.