METODOLOGIA DE GRÁFICOS DE

CONTROLE PARA O USO EM CURVAS DE

CRESCIMENTO

João Eduardo da Silva Pereira

UFSM – CCNE - Departamento de Estatística
CAMPUS - 97105-900 - Santa Maria - RS - e-mail: jesp@ccne.ufsm.br
Janete Pereira Amador
UFSM - Programa de Pós-graduação em Engenharia de Produção
CAMPUS - 97105-900 - Santa Maria - RS - e-mail: a9960199@alunop.ufsm.br
Atividade Econômica: Qualidade
Área: Controle Estatístico da Qualidade
ABSTRACT:
The use of growth curves as control and monitoring tools in biological systems implies that the
endogenous variables to be studied must be taken in successive time periods in order to model their
behavior. The adjusted model, when applied as a monitoring form through control charters built for
E (Y) and V (Y) meets theoric difficulties for implementations, due to facts such as auto correlation
of residues, non stationality, heterocedasticity and variability of parameters. To overcome the above
mentioned difficulties the present work proposes the use of a transformation type

=
( )
i y jk − E i y p
ˆi
( )
, in which i y jp is the observation of the variable i in the time period p, E Yˆpi is
iT jp
V ( i y jk )
the expected value of the variable i in the time period p, estimated using an polynomial adjustment
model, V ( j y p ) is the variance of the variable i, in the time period p, estimated in a sample of size n.

The values of i t jp are used in control charts for E(T) and V(T) which will be used as monitoring
instruments of level and the system variance, respectively, so that , the control limit will depend
only on the sample size and the involved standardized distributions.
KEYWORDS: growth curves, control charters, monitoring
RESUMO:
O uso de curvas de crescimento como ferramenta de controle e monitoramento em sistemas
biológicos, implica que as variáveis endógenas serão estudada tomando-se períodos de tempo
sucessivos, para ser possível a modelagem de seu comportamento. O modelo ajustado quando
aplicado como uma forma de monitoramento, através da construção de gráficos de controle para E
(Y) e V (Y) encontra dificuldade teórica para implementação devido a auto correlação do resíduo,
não estacionalidade, heterocedasticidade e variabilidade nos parâmetros. Com o objetivo de vencer
tais dificuldades este trabalho propõem o uso de um tipo de transformação, i t jp =
i ( ) , em
y jp − E Yˆpi
V ( i y jp )
que i y jp é a observação j da variável i no período p, E (Yˆpi ) é o valor esperado da variável i no
período p estimado através de um modelo de ajuste polinomial, V ( j y p ) é a variância da variável i
no período p, estimada em uma amostra de tamanho n. Os valores de i t jp são empregados para
construção de cartas de controle para E(T) e V(T) que servirão como instrumentos de
monitoramento do nível e da variância do sistema, respectivamente, de forma que os limites de
controle dessas dependerão somente do tamanho da amostra e da distribuição padronizada
envolvida.

1. INTRODUÇÃO
A carta de controle é uma ferramenta extremamente útil para identificar se as variações observadas
em um processo produtivo são decorrentes de causas comuns de variação e, portanto, de pequena
significância, ou decorrentes de causas especiais de variação e portanto de grande significância, que
necessitam ser identificadas e eliminadas do processo.
Uma carta de controle é um registro gráfico da qualidade de uma característica particular de um
produto. Muitas das características de qualidade podem ser expressas em termos de medidas
numéricas simples, como por exemplo comprimento, volume, peso, etc. Uma característica de
qualidade que pode ser medida é denominada variável, cartas de controle para variáveis são
extensivamente usadas por serem uma eficiente fonte de informação sobre a performance do
processo.

Quando se trabalha com variáveis para o controle de um processo as cartas de controle mais usadas
)
são as cartas para média ( X ), para o desvio extremo ou Range (R) e para o desvio padrão ( S ).

No caso particular onde o monitoramento do sistema de produção será elaborado com base em
amostras seqüenciais no tempo que gerarão curvas de crescimento, os gráficos devem seguir uma
estrutura de gráficos de controle para curvas de regressão, estudos a este respeito tomam como base
o trabalho de MANDEL (1969), que criou gráficos de controle para regressão linear a fim de
estudar a demanda de mão de obra para o correio americano.

De uma forma mais geral os gráficos de controle são desenvolvidos assumindo-se que o processo
gerador dos dados de observação é não correlacionado. Infelizmente, essa pressuposição é
freqüentemente violada na prática. No caso da tomada de dados longitudinais com a finalidade de
construção de curvas de crescimento, a presença de autocorrelação é evidente. Sobre esse tema
MONTGOMERY (1991) afirma que a presença de autocorrelação possui um efeito significativo no
desempenho das cartas de controle, causando um acréscimo significativo na freqüência de
ocorrência de alarmes falsos, o autor sugere um método baseado em uma modelagem de
autocorrelação dos dados originais e a aplicação de cartas de controle aos resíduos. Uma crítica ao
uso de modelos de autocorrelação na construção de gráficos de controle para resíduos pode ser
encontrada em RYAN (1991), onde o autor comenta que para uma auto correlação entre intervalos
maiores ou iguais a 1 apenas uma parte da mudança de nível de µ é capturada pelo gráfico de
resíduos. Pôr outro lado, a utilização de métodos auto regressivos pressupõe, para termos de
comparação uma estrutura rígida de covariâncias constantes ao longo do tempo o que restringe o
uso dos métodos, para contornar este problema ROCHON (1992) propõe estimadores de
maxiverossimilhança para previsão levando em conta processos com heterocedasticidade.

Outra forma de encarar o problema é a modelagem através de médias móveis exponencialmente

ponderadas (EWMA), sendo uma alternativa robusta e de simples aplicação, na construção de cartas
de controle, para dados com auto correlação positiva e quando a média do processo não cresce
rapidamente, FALTIN & WOODAL (1991), pôr outro lado, comenta que os modelos baseados em
EWMA não são bons estimadores para todos os tipos de processos auto regressivos e que seu uso
não deve ser generalizado. Em particular o uso de EWMA para monitorar curvas de crescimento em
animais, pode encontrar limitações quer pela na velocidade de crescimento, que nas fases inicias
pode ser exponencial, quer na estrutura de crescimento, que em um período pode ser positivamente
correlacionada e em outro negativamente correlacionada. Por outro lado o trabalho de CROWDER
(1992) encontra aplicação para o uso de EWMA como ferramenta para monitorar a variabilidade de
um processo através de carta de controle para o desvio padrão.

A maior parte dos esforços desenvolvidos nos processos de monitoramento têm sido concentrados
em detectar mudanças nos níveis da média do processo, talvez mais importante que isso, em
sistemas biológicos de produção, seja o problema de detectar acréscimos na variabilidade, fato que
possui maior impacto na produtividade.

Outra técnica para monitorar a variância é uso de uso de gráficos de somas acumulativas (CUSUM),
este procedimento foi empregado pôr Yashchim para monitorar a variabilidade na produção de
circuitos integrados, onde o autor concluiu que o uso de CUSUM foi mais eficaz que os gráficos
tradicionais de X e S para a estrutura dos dados estudados. Tipicamente a estrutura de dados com
aplicação em cartas de controle segue o seguinte modelo X t = µ + εi onde εi é uma seqüência de
variáveis aleatórias independentes e identicamente distribuídas, fato este que no estudo de curvas de
crescimento na maioria das vezes não é verdadeiro, já que existe uma tendência em curvas de
crescimento da variância ser proporcional a média.

Com o objetivo de monitorar o comportamento da variância de dados auto correlacionados

MAcGREGOR & HARRIS (1993) estudou técnicas de variância média exponencialmente
ponderada (EWMV) e quadrados médios exponencialmente ponderados (EWMS) para vários tipos
de dados provenientes de processos com variação contínua, chegando a conclusão de que tanto
EWMV quanto EWMS são ferramentas extremamente úteis para monitorar processos de variação,
pela flexibilidade do uso e pela facilidade de obtenção das estimativas, uma limitação do uso é o
pressuposto de que as medidas de variação sejam positivamente correlacionadas, o que na maioria
dos casos práticos, e no caso particular de curvas de crescimento é uma pressuposição bastante
aceitável.

Uma visão mais geral sobre o assunto pode ser obtida em OLIN (1998), onde o autor aborda a
teoria de construção de gráficos de controle para regressão linear, não linear assumindo o modelo de
erros independentes e normalmente distribuídos, para modelos lineares generalizados onde os erros
são pertencentes a família exponencial e identicamente distribuídos. Esse tipo de gráfico também
pode ser encontrado em MYERS & MONTGOMERY (1997).

Outra anomalia, referente ao monitoramento da variação dentro de um gráfico de controle a ser

levado em conta, é a presença de componentes periódicos em torno da média do processo.

TATUM (1996) desenvolveu cartas de controle para detecção da componente periódica para o caso
univariado e assumindo que os erros do processo em estudo sejam independentes e identicamente
distribuídos.

Mais recentemente BENEKE et al. (1998) estudando esse tema propôs cartas de controle baseadas
em um periodograma, construído com o emprego do raio máximo entre a média e as observações de
cada tempo, chegando a conclusão que esta metodologia é bastante eficiente para detecção de
variações, cíclicas, porem deficiente par detectar mudanças de níveis do processo. A mesma autora
identifica como causa para as variações cíclicas, efeitos ambientais, como temperatura e umidade,
psicológicos com a mudança de operadores e de ciclos de fornecimento de matérias primas.
1.1. CONCLUSÃO

O emprego de curvas de crescimento como ferramenta de controle e acompanhamento de sistemas

biológicos, implica em que as variáveis de estado a serem estudadas devem ser tomadas em
períodos sucessivos de tempo de forma que seja possível modelar o seu comportamento. O modelo
ajustado quando empregado como forma de monitoramento, através de cartas de controle para E
( Υ̂ ) e V ( Υ̂ ), encontra dificuldades teóricas de implementação por conta de fatores como auto
correlação de resíduos, não estacionariedade e variabilidade dos parâmetros de ajuste.

2. METODOLOGIA
A metodologia apresentada, a seguir, descreverá os passos necessários para construção de cartas de
controle para o valor esperado e para variância para curvas de crescimento de sistemas biológicos

a) Primeiro passo

Retirar p amostras eqüidistantes de tamanho n do sistema produtivo de forma a construir as matrizes

Y(i)jp=[iyjp], com i=1,2,...,r; j=1,2,...,n e p=1,2,...,k. Assim cada componente iyjp equivale ao valor da
variável de estado i, para a observação j, no tempo p.

O valor de n1, tamanho da amostra selecionada em cada intervalo p para estimar a média das
variáveis de estado, será obtido a partir do intervalo de confiança para a média em que:
) )
S S
P(Y (i )
− . t ( n −1)(α / 2 ) <µ <Y −
(i )
. t ( n −1)(α / 2 ) )=1-α
n n
)
S
Considerando o semi intervalo e0 = t ( n −1)(α / 2 ) o erro máximo aceitável para a estimativa, pode-se
n
)
determinar um valor mínimo de n1, para um nível de significância α dado e para um valor de S 2 ,
previamente conhecido ou estimado através de uma amostra piloto, através da seguinte expressão:
)
S2
n1=  2  . t ( n −1)(α / 2 ) .
 e0 
Por outro lado, além da estimativa da média, no presente trabalho, se está interessado também na
estimativa da variância das variáveis de estado; isso posto, para obter um valor de n2 mínimo para a
)
)2 (n − 1). S 2
estimativa de S , deve-se levar em conta que, a variável aleatória χ = 2
tem distribuição
σ2
de Qui-quadrado com (n − 1) graus de liberdade, assim P( χ 2 ( n−1)(α / 2 ) < χ 2 < χ 2 ( n−1)(1− α )=
2
) )
P( S12 < σ 2 < S 22 )=1-α.
)
(n − 1). S 2
Logo P( χ ( n−1)(α / 2 ) <
2
< χ 2 ( n−1)(1− α )=1-α., isolando-se σ 2 tem-se
σ2 2

) )
(n − 1). S 2 (n − 1). S 2
<σ < 2
2
P( 2 )=1-α., considerando o semi-intervalo
χ α χ( n −1)(α / 2 )
( n −1)(1− )
2
)
(n − 1).S 2 ˆ 2 )
e0 = 2 − S , como o erro máximo admissível de estimativa para S 2 . Então, o tamanho n2
χ ( n−1)(α / 2)

necessário para estimar a variância a um nível de significância α dado, pode ser expresso como

e02 .χ (2n −1)(α / 2 )

n2= ) + 2 , em que pode-se observar que n2 é tanto maior quanto menor é a variância, fato
S2
que dificulta a estimativa para construção de uma curva de crescimento, já que a variância, na
maioria das vezes, em casos de curvas de crescimento para sistemas biológicos é proporcional à
média. Ao contrário, n1 será tanto maior quanto maior for a variância; dessa forma, como tanto n1
quanto n2 são valores mínimos, deve-se tomar o valor máximo entre n1 e n2 como tamanho de
amostra, em cada período de amostragem.

Para yjp, o valor de p corresponde ao período de amostragem em que os valores das variáveis de
estado são anotados; assim, p varia de 1 correspondente ao primeiro período amostrado, até k, o
último período, em que os k períodos amostrados devem ser eqüidistantes.

b) Segundo passo

Após a amostra ser selecionada, as n observações, devem ser anotadas, e os valores atribuídos à
matriz Y(1), de dimensões n por k, com a seguinte estrutura:

 1 y11 . . . 1 y1k 
 . . . . . 

(1) 
Y = . . . . . 
 
 . . . . . 
 1 y n1 . . . 
1 y nk 
c) Terceiro passo

De posse dos valores iyjk das variáveis de estado é necessário calcular os valores para as variáveis
padronizadas i t jp para com eles montar as matrizes

T(i)=[ i t jp ], que possuem as mesmas dimensões de Y(i).

)
(i) i y jp − E (Y pi )
Cada componente i t jp de T será dado por i t jp = e dessa forma, i t jp terá distribuição t
V ( i y jp )

de Student com (n-1) graus de liberdade.

d) Quarto passo

Construídas as matrizes T(i)com os valores de i t jp é necessário calcular os valores

esperados e as variâncias para as variáveis padronizadas em cada período p , através de:

1
 i t11 . . . t
i n1     i t1 
 . . . . .  n  . 
  .  
E(T(i))=  . . . . .  .  .  = T (i ) =(T(i))’N=  . 
     
 . . . . .  .  . 
 . i t 1k . . . tnk   1  i t k 
 .i
n
n

∑j =1
ip tj
Ou ainda E( ip t j )=( i t p )=
n
 1 
 i t11 . . .   i t11
t . . . t     i s∃12 
−
i n1 i 1k
 . . . .  
.
n
  .  1  
   . . . . .
   ∃2 (i )  . 
V(T(i))=  . . . .  . .
. . . . .  .  .  = S =(T ) T ).N V(T )=  . 
(i) ’ (i) -1 (i)
       
 . . . . .
  . . . . .   .   . 
 . i t 1k . . . tnk   i t n1 
i t nk  
1
  s∃2 
 .i . . . i k 
 n − 1
n

∑(
j =1
ip t j )2
ou ainda, V(iptj)=( i s∃p2 )=
n −1

e) Quinto passo

Para a construção das cartas de controle para a média e para variância das variáveis padronizadas
T(i) parte-se do princípio de que T (i)=[itjp] será composta de p vetores T(ip)=[iptj], em que os valores
 ν
de iptj terão distribuição t de Student com (n-1) graus de liberdade com E( i t p )=0 e V( i t p )= ,
ν −2
para todo valor de i e de p. Desse modo pode-se, de forma simplificada, escrever que P( t ( n −1)(α / 2 ) <

E(T(i)) < t α )=1-α, donde se pode concluir que, estabelecendo-se uma carta de controle para
( n −1)( 1− )
2

média de T(i) em que o limite superior de controle (LSC) assuma o valor de t α , o limite
( n −1)( 1− )
2

inferior de controle(LIC) o valor de t ( n −1)(α / 2 ) e a linha central o valor zero, se está garantindo um

nível de significância α para o intervalo construído.

Para a construção da carta de controle para a variância da variável padronizada T(i), parte-se do fato
)
(n − 1).V ( ip t j )
de que possui distribuição de Qui-quadrado com (n-1) graus de liberdade, com o que
ν
ν −2
)
(n − 1)V ( ip t j ) )
se pode escrever que P( χ ( n −1)(α / 2 ) <
2
< χ (2n −1)(1−α ) )= 1-α Isolando-se V ( ip t j ) tem-se
(ν ) /(ν − 2) 2

 (n − 2) ) (n − 2) 
 .χ (2n −1)(α ) < V ( ip t j < .χ (2n −1)(1−α )  . Com isso pode-se concluir que criando-se
 (ν ).(ν − 1) 2 (ν )(ν − 1) 2

uma carta assumindo que o valor do LIC é no mínimo o zero, com LCC igual a (ν ν − 2 )então, com

um LSC=
(ν − 2) χ estabelece-se um nível de significância α para o intervalo entre zero e
ν (n − 1)
( n −1)(1−α )

LSC.

3. RESULTADOS
Para testar a metodologia proposta foram construídas cartas de controle para o valor esperado e a
variância do peso vivo de suínos, do desmame ao final do período de creche, ajustado a uma curva
polinomial de crescimento. A variável peso vivo foi tomada em 7 períodos, correspondentes as sete
semanas em que os animais permanecem na creche. Como padrão de crescimento foi tomado um
grupo de animais que recebeu uma ração padrão com 19% de proteína bruta (PB), esse grupo
recebeu a denominação de grupo padrão. Além disso, foram tomados mais dois grupos
experimentais dos quais os primeiro, denominado tratamento 1, foi alimentado com ração com
baixo nível protéico , 17% de PB e o segundo grupo, denominado tratamento 2, recebeu ração com
alto nível protéico, 23% de PB.
Os valores de peso vivo obtidos nos sete períodos observados para o grupo padrão foram ajustados
a um modelo polinomial com o comportamento apresentado no Figura 1.

25
20
15
10
5
0
28 35 42 49 56 63 70
FIGURA 1 -Curva de crescimento do peso em função da idade

Yˆ = 6, 49475 − 0,176387 * X + 0,00564151 * X 2 em que, Yˆ = peso vivo dado em kg e X= idade dada

em dias.
O modelo apresentou um valor de R2= 0,9159 e um nível de significância = 0,0001, esse modelo foi
tomado como padrão de crescimento.
Dos grupos tratamento 1 e 2 foram retiradas amostras de tamanho n=10 animais em cada em cada
um dos sete períodos. Os valores obtidos para cada grupo e período foram transformados para
)i
i y jp − E (Y p )
valores padronizados i t jp = e os valores de E(T) e V(T) calculados para cada um dos
V ( i y jp )

sete períodos. Com os valores de E(T) e V(T) foram construídas as cartas de controle
correspondentes para cada grupo experimental .

Os resultados obtidos a partir de dados experimentais confirmaram a eficiência da metodologia

proposta como uma alternativa robusta para o monitoramento de processos biológicos que possam
ser monitorados através de curvas polinomiais de crescimento.
A determinação do tamanho n das amostras, retiradas em cada um dos p períodos de amostragem,
foi verificada utilizando-se os valores amostrais de média e variância obtidos para o peso vivo nos p
períodos. Os valores mínimos de n para estimar E(Y) e V(Y) foram, respectivamente n=4,99 e
n=8,19, em todos os períodos. Como o valor de n=10 utilizado é maior que o máximo entre os dois
obtidos, esse se mostrou de tamanho adequado, dando confiabilidade para as estimativas obtidas.
Os gráficos de controle para E(T) construídos com base nas estimativas amostrais com n
dimensionado em 10 observações apresentará , como limites:
LS = 2,3
 LC = 0
LI = -2,3

Da mesma forma os gráficos de controle para V(T) possuirão como limites:

LS = 2,4
LC = 1,125
LI = 0
Ambos os limites tomados para um nível de significância de 0,05.

Como pode ser observado na figura 2 a carta de controle de E(Z) para o tratamento 1 identificou a
tendência de afastamento do padrão de crescimento, como era esperado para um grupo de animais
alimentados com rações de baixo teor protéico .

3
2
1
0
-1 1 2 3 4 5 6 7
-2
-3

FIG UR A 2 -Carta de controle de E(T ) para o tratam ento 1

A figura 3 do gráfico de controle para V(T) apresenta um comportamento sobre controle para a
variância do processo, com valores variando em torno do valor médio esperado teoricamente.

3
2,5
2
1,5
1
0,5
0
1 2 3 4 5 6 7
FIGURA 3 -Carta de controle de V(T) para o tratamento 1

Na figura 4 pode-se observar o comportamento de E(T), que mostra uma tendência ascendente em
relação ao padrão, fato que é esperado para um grupo de animais com alimentação com nível
elevado de proteína.
 3
2
1
0
-1 1 2 3 4 5 6 7
-2
-3

FIGURA 4 -Carta de controle de E(T) para o tratamento 2

A figura 5 mostra o comportamento da variância do processo para o grupo do tratamento 2 , em que

pode ser observado que a variância se encontra sobre controle e centrada em um valor ideal
próximo de 1.

3
2 ,5
2
1 ,5
1
0 ,5
0
1 2 3 4 5 6 7
F IG U R A 5 -C a rta d e c o n tro le d e V (T ) p a ra o tra ta m e n to 2

4. CONCLUSÕES
A metodologia proposta se mostrou , para os dados experimentais, eficiente no processo de
eliminar dos dados as características de não estacionaridade da média, os efeitos da
heterocedasticidade provocada pelo comportamento crescente proporcional a média, da variância.
Além disso, as cartas de controle construídas para E(T), foram eficientes em detectar as tendências
de afastamento do padrão estabelecido tanto no caso do tratamento 1, onde os valores se
encontravam de forma inferior ao padrão, quanto no caso do tratamento 2 onde os valores
amostrados se posicionaram acima da curva padrão.
As cartas construídas para V(T) identificaram um comportamento sob controle para ambos os
grupos experimentais, indicando que a ocorrência de heterocedasticidade nos dados originais não
afetaram a construção das cartas com os valores transformados
5. REFERÊNCIAS BIBLIOGRÁFICAS
BENEKE, M.; LAWRENCE, M.; SCHIGEL, R. E. et al. Spectral analysis in quality control: A control chart based on
the periodogram. In: Technometrics, v.30, n.1, p.63-70, 1998.
CROWDER, V. S. & HAMILTON, D. M. An EWMA for monitoring a process standard deviation. In: Journal of
Quality Technology, v.24, n.1, 1992.
FALTIN, F. W; WOODALL, W. H. Some statistical process control methods for auto correlated data In: Journal of
Quality Technology, v.23, n.3, p.194-200, 1991.
MAcGREGOR, J. F. & HARRIS, T. J. The exponentially weighted varience. In: Journal of Quality Technology,
v.25, n.2, p. 160-67, 1993.
MANDEL, B. J. The regression control chart. In: Journal of Quality Technology, v.1, n.1, p.1-9, 1969.
MONTGOMERY, D.C. Design and analysis of experiments. 3nd. ed. New York, John Wiley & Sons 1991.
MYERS, R. H. & MONTGOMERY, D. C. A tutorial on generalized linear models. In: Journal of Quality
Technology, v.29, n.3, p.274-91, 1997.
0LIN, B. D. Regression Control Charts Revisited: Methodology and Case Studies. In: 42nd Annual Fall Techinical
Conference. Anal. p. 1-19. Corning – New York, 1998.
ROBERTS, E. A. Stratification, covariance and weight gain in experiments with repeated observations. Journal of
agricultural science, Canbridge, v.95, p.141 - 45, 1980.
ROCHON, J. ARMA Covariance structures with time heteroscedasticity for repeated measures experiments. In:
Journal of the American Statistical Association, v.87, n.419, 1992.
RYAN, P. T. Some statistical process control methods for auto correlated data. In: Journal of Quality Technology,
v.23, n.3, p. 120-30, 1991.
TATUM, L. G. Control charts for detection of periodic component. In: Tecnometrics, v.38, n.2, p.152-59, 1996.