Função de Transferência

Generated by Foxit PDF Creator Foxit Software
http://www.foxitsoftware.com For evaluation only.
Funo de transferncia: uma

tcnica complementar na aplicao
de grficos de controle
Suzana Leito Russo (UFS) - suzana.ufs@hotmail.com
Maria Emilia Camargo (UCS) - kamargo@terra.com.br
Resumo
Neste artigo, apresenta-se a aplicao do controle estatstico de qualidade (CEQ) da areia de fundio na
Indstria FUNDIMISA, em Santo ngelo (RS). Foi analisada a varivel plasticidade da areia antes da
elaborao dos moldes das peas de fundio, bem como verificada a sua relao com a no-conformidade
desses moldes. Investigaram-se o desempenho e a adequao do uso tradicional dos mtodos de CEQ em
processos no- conformes, e mostrou-se o uso dos modelos de Funo de Transferncia como um complemento na aplicao de grficos de controle. O resultado desta pesquisa vir contribuir ainda mais, com
informaes de grande importncia, para a tomada de deciso de indstrias de fundio locais, pois uma
forma de se fazer monitorao contnua, possibilitando melhora no controle do sistema.
Palavras-chave: CEQ, sries temporais, regresso Poisson e funo de transferncia.
TRANSFER FUNCTION: A COMPLEMENTARY

TECHNIQUE IN CONTROL CHART APPLICATION
Abstract
This paper shows the application of quality statistical control (QSC) for foundry sand at FUNDIMISA Industry
in Santo ngelo (RS). The variable sand plasticity was analyzed before elaboration of the foundry piece
molds and its relation with the non conformity of these molds was verified. The performance and adaptation
of the traditional use of the QSC methods in no-stationary processes were investigated and the use of Transfer
Function models as a complement in control chart application was shown. The result of this research will
further provide important information for the local industries' decision making process, since it represents
continuous monitoring leading to improved control system.
Keywords: QSC, time series, Poisson regression and transfer function.

Funo de transferncia: uma tcnica complementar na aplicao de grficos de controle
1. INTRODUO
A metodologia tradicional de controle estatstico
de qualidade (CEQ) baseada em uma suposio fundamental de que as observaes so independentes e
identicamente distribudas (i.i.d), entretanto os dados nem
sempre so independentes. Quando um processo segue
um modelo adaptvel, ou quando o processo uma funo determinstica, os dados sero autocorrelacionados
(ALWAN; ROBERTS, 1998).
Ao se encontrar dados autocorrelacionados numa
monitorao do processo, necessrio, primeiro, decidir
se uma causa especial ou parte de uma causa comum
de variabilidade. Se a autocorrelao provm de uma
causa especial, uma tentativa deve ser tomada para elimin-la, mas se provm de uma parte inerente da causa
comum de variabilidade e no puder ser eliminado, ento
se deve explicar atravs dos grficos de controle (MONTGOMERY, 1997).
O procedimento para investigar os dados contnuos com autocorrelao usar grficos de controle nos
resduos das observaes modeladas atravs de sries
temporais (ALWAN; ROBERTS, 1998); ao se analisar
os dados discretos com autocorrelao, a distribuio de
Poisson , muitas vezes, empregada. Muitos estudos temse preocupado em encontrar a regularidade dos dados,
assumindo ser um processo Poisson, e freqentemente
estes so analisados atravs dos modelos de regresso
de Poisson (BCKENHOLT, 1999).
O objetivo proposto neste artigo foi verificar o desempenho e a adequao do uso tradicional dos grficos
de controle num processo autocorrelacionado, bem como
discutir o uso das metodologias de Sries Temporais para
modelar variveis contnuas correlacionadas e a utilizao de modelos de Regresso de Poisson para modelar
variveis discretas correlacionadas. A funo de transferncia, aqui empregada nos resduos obtidos pelos modelos, permite a verificao da causalidade da srie plasticidade da areia (varivel contnua) com relao ao molde quebrado (varivel discreta).
O diferencial deste trabalho para a rea cientfica
o uso da funo de transferncia que servir para detectar relao entre duas variveis num processo produtivo, e o diferencial no setor industrial o fato de se tratar de uma forma de fazer a monitorao contnua em
dois setores, possibilitando que a equipe de produo localize as possveis causas de instabilidade no processo,
podendo controlar a etapa seguinte, de maneira a conseguir o menor nmero possvel de no-conformidade no
resultado do processo.
96
Foi utilizado o software Statistica para a modelagem dos dados, e os passos da metodologia so: testar a
normalidade dos dados; verificar a autocorrelao dos
dados; modelar os dados; aplicar a funo de transferncia; e aplicar as tcnicas do controle estatstico de processos.
2. FUNDAMENTAO
TERICA
2.1 Grficos de controle
Segundo Woodall et al. (2004) e Montgomery
(1997), para entender melhor a tcnica do CEQ necessrio ter em mente que a qualidade de um produto fabricado por um processo esteja inevitavelmente sujeita
variao, e, quando essas variaes so significantes em
relao s especificaes, corre-se o risco de se terem
produtos no-conformes, isto , que no atendem s especificaes. A eliminao de causas especiais exige uma
ao local, que pode ser tomada por pessoas prximas
ao processo. J as causas comuns exigem aes sobre o
sistema de trabalho que somente podem ser tomadas pela
administrao, visto que o processo em si consistente,
mas, mesmo assim, incapaz de atender s especificaes. Foi Walter. A. Shewhart que introduziu os grficos
de controle em 1924, com a inteno de eliminar variaes, diferenciando-as entre as causas comuns e causas
especiais. Ele fez sua primeira divulgao no livro intitulado Economic Control of Quality of the Manufactured
Product em 1931.
Considere X uma estatstica amostral que mede
uma caracterstica do processo usado para controlar as
variveis de interesse numa linha de produo. Suponha
que a mdia populacional de X seja , e o desvio-padro
populacional seja . As seguintes equaes so usadas
para descrever os trs parmetros que caracterizam os
grficos de controle de Shewhart (MONTGOMERY,
1997)
LSC = + k x
(1)
LC =
(2)
LIC = k x
(3)
em que LSC o limite superior de controle, LC a linha
central ou a mdia do processo, LIC o limite inferior de
controle do processo e k a distncia dos limites de controle at a linha central, que expressa como um mlti-
Rev. Eletrnica Produo & Engenharia, v. 1, n. 1, p. 95-106, set./dez. 2008

Suzana Leito Russo
Maria Emilia Camargo
plo do desvio-padro . O valor de k mais usado 3. Os

grficos de controle devem ser aplicados a dados que
possuam distribuia normal.
2.2. O modelo para as

observaes do processo
Como o estudo proposto para a anlise da seqncia de dados contnuos e depois dados discretos,
necessrio, primeiro, analisar os dados contnuos, depois
os dados discretos e, por ltimo, verificar a causalidade
entre eles.
Variveis contnuas
Em geral, a teoria de sries temporais lida com
sries contnuas estacionrias. O estudo dos processos
estacionrios pode ser feito no domnio da freqncia ou
no domnio do tempo. O estudo do domnio no tempo atribui papel predominante s funes autocovarincia e
autocorrelao (BOX et al., 1994).
Se Zk so as observaes do processo no perodo
k, em que Zk pode ser escrito como:
Z k = k + ak k=1,2,...
(4)
em que k a mdia no perodo k e a1, a1... so componentes aleatrias normalmente independentes com mdia zero e varincia a2 . A mdia k varia como um modelo AR(1):
k = ( 1 ) + k 1 + k
(5)
Se os dados observados seguem os modelos (4) e

(5), ento podem ser modelados por um processo
ARMA(1,1).
Os coeficientes de autocorrelao e autocorrelao parcial so significantes quando excedem o intervalo
de confiana, estimado em dois desvios-padro em um
nvel de significncia de 95%. Usa-se a equao de Bartlett (1946) para calcular os desvios-padro ( rk ) para
a autocorrelao rk e ( Ckk ) para a autocorrelao
parcial C kk , de vrios lags da srie estacionria de tamanho N:
[rk ] =
o e
[Ckk ] =
em que
2
Z2
representa a proporo da varincia do
processo. estacionrio se as razes de ( B ) = 0 caem

fora do crculo unitrio.
O processo dito que est em controle, quando
estvel com parmetros , , e
2
a2
1
, funo de autocorrelao parcial.
N
Em geral, rk converge para o maior lag k, enquanto rk se torna pequeno.

Variveis discretas
Ao se analisarem variveis discretas, a distribuio de Poisson , muitas vezes, empregada. Segundo
McCullagh e Nelder (2000), o modelo de regresso de
Poisson um tipo especfico de modelos lineares generalizados (GLM), cujos parmetros podem ser estimados
usando-se o mtodo da mxima verossimilhana, com a
funo de verossimilhana dada por:
n
e .iZ
Z!
i =1
n
L = Pr( Zi / i ) =
em que o parmetro auto-regressivo, a mdia

total do processo, e 1 , 2 ,... so variveis aleatrias
normalmente independentes com varincia 2 .
Considere 0 < 1 , porque esta posio da autocorrelao muito mais comum do que as autocorrelaes negativas. A correlao entre Z k 1 e Z k = ,
k 1
1
1 + 2 r j2 , funo de autocorrela
N
j =1
i =1
funo
log-verossimilhana
log L = ( Z i .log( i ) i ) A funo constante de
(6)
igual
a:
log( Z )!
log( Z )! , dada
por ,
pode ser omitida, pois no envolve (DOBSON, 2002;

FERRARI, 2002).
A componente sistemtica admite a existncia de
uma funo de ligao log( i ) entre as mdias das observaes e a estrutura linear do modelo dada por log( i )
constantes e
= xiT . A funo de ligao log relaciona o preditor
com = 0 e Z2 = Z20 . Se um ou mais parmetros
linear xiT ao valor esperado i do vetor Z i . O mo-
muda o valor, o processo dito estar fora de controle.

97

delo Poisson com ligao log , algumas vezes, chamado

de modelo log-linear (TSO, 2005).
Transformando a funo de ligao log, obtm-se
a seguinte expresso para a varivel resposta:
= e 0 + 1x1 +...+ k xk
(7)
em que
o preditor linear, = ( 1 ,..., k ) o
vetor de parmetros desconhecidos a serem estimados e
xiT
T'
xi = ( xi1 ,..., xik )T representa os valores de k variveis

explicativas (McCULLAGH; NELDER, 2000).
Conforme relatou Schafer (1997), o desvio G 2 a

estatstica do teste da razo de verossimilhana para comparar o ajuste do modelo log i = xiT , com o modelo
saturado. O modelo saturado ajusta uma mdia separada
de cada Z i , no fazendo meno de como so relatadas
as co-variveis. Outra medida para a verificao do
melhor ajuste o teste de Pearson, que compara a distribuio observada com a determinada pelo modelo. Os
ajustes marginais do modelo de regresso Poisson podem ser determinados ento, calculando-se os resduos
de Pearson: ri = ( Z i i ) /( i ) , e o teste de Pearson
N
2
para o melhor ajuste 2 = ri (WANG et al., 1996).
i =1
Deve-se esperar que um modelo bem ajustado aos

dados tenha um desvio prximo dos seus graus de liberdade. Se o desvio G 2 ou o 2 excedem o valor dos seus
graus de liberdade, diz-se que o modelo inadequado,
podendo tratar-se de um problema de superdisperso
(WANG et al., 1996).
Uso dos modelos de funo de transferncia
O objetivo do modelo de funo de transferncia
encontrar a combinao linear entre duas ou mais sries, atravs de um modelo estocstico com o menor erro
mdio quadrtico (AL-AWADHI, 2005).
De acordo com West et al. (2002), o modelo de
funo de transferncia de Box e Jenkins (1976) descreve a qualidade da caracterstica observada Z t como uma
funo de trs fontes de variabilidade:
Z t = v( B ) xt b +
q ( B )
s( B )
It +
a
r( B )
p( B ) t
(8)
em que:
s ( B ) = 0 1 B 2 B 2 ... s B s
98
(9)
r ( B ) = 0 1 B 2 B 2 ... r B r
(10)
q ( B ) = 0 1 B 2 B 2 ... q B q
(11)
p ( B ) = 0 1 B 2 B 2 ... p B p
(12)
O primeiro termo da equao 8, v( B )xt b , dinmico de entrada e representa uma funo-impulso,

v( B ) = v0 + v1 B + v2 B 2 + ... aplicada na entrada xt b ,
com uma defasagem de b perodos. Se existir uma relao dinmica entre a entrada e a srie temporal de sada,
ento se pode modelar os valores, resultando numa reduo considervel da varincia inexplicada.
( B )
O segundo termo, ( B ) I t , o termo da interveno e identifica os perodos no tempo quando causas assinalveis esto presentes no processo. O terceiro ter-
q ( B )
mo, ( B ) at , o modelo geral ARMA, em que ( B )
p
tem p coeficientes e ( B ) , q coeficientes.
Uma vez obtido o modelo de funo de transferncia preliminar, calcula-se o rudo estimado da srie
at e identifica-se o modelo apropriado pela anlise das
funes de autocorrelao (FAC) e autocorrelao parcial (FACP) para a varivel independente xt , como tam-
bm a varivel dependente Z t , em um esforo para especificar o lag polinmios v( B ) , ( B ) , ( B ) , e ( B )

(BOX; JENKINS, 1976; AL-AWADHI, 2005).
Teste para causalidade
O conceito de causalidade fundamental na
construo de modelos de funo de transferncia.
Poucos se questionam a respeito da verdadeira direo de causalidade entre as variveis ao desenvolver
um modelo. No entanto, ao colocar uma varivel como
funo de outras, ditas independentes, esta se fazendo uma forte hiptese com relao causalidade entre aquela e estas. Quando existem relaes causais
unidirecionais entre duas ou mais sries temporais,
podem-se construir modelos de funo de transferncia que unem essas variveis. Tais modelos entre duas
variveis X e Z s tm sentido se X causa Z . Alm
disso, necessrio que o inverso no ocorra, isto , se
Z tambm causa X, tem-se uma relao de "feedback", e os modelos de funo de transferncia no sero mais adequados.

Suzana Leito Russo
O teste implcito na definio de Granger (1969)

consiste em utilizar um modelo bivariado AR(M) de ordem M suficientemente grande para aproximar a representao vetorial AR(), que :
M
X t = 11 j X t j +
j =1
12 j Z t j + t
j =1
j =1
j =1
Z t = 21 j X t j + 22 j Z t j + t
(13)
(14)
Por exemplo, a hiptese nula de que Z no causa X equivalente hiptese 12 j = 0 ( j = 1,...,M ) na

regresso (13). Esta hiptese testada usando-se o
teste F.
Esse procedimento tem o defeito de que grande
nmero de graus de liberdade (observaes) perdido ao se estimarem os parmetros do modelo (13) ou
(14), usado para aproximar a estrutura do correspondente modelo AR(). Uma alternativa tentar obter
um modelo parcimonioso da forma mista ARMA(p,q)
vetorial. A hiptese nula Z no causa X pode ser testada atravs do teste da razo de verossimilhana da
hiptese:
12 ( L ) = 0 = 12 ( L )
(15)
na representao ARMA vetorial

X t p X t j t q t
Z j Z j = j n
t j =1 t
t j =1 t
(16)
3. RESULTADOS E
DISCUSSO
Juntamente com a equipe responsvel pela gesto
da qualidade dos ensaios de areia-base para fundio, foi
feita a determinao das variveis referentes aos elementos envolvidos e, considerado as medies que mais
apresentam no-conformidade, que so: a plasticidade
em L/Pol2 da areia (varivel contnua); e o molde quebrado (nmero de no-conformes, varivel discreta).
Essas variveis foram coletadas no perodo de maro/
2004 at outubro/2004 (dados dirios).
Depois do teste de normalidade para verificar a
distribuio dos dados, foi aplicada a anlise de sries
temporais na varivel contnua e os modelos de regresso Poisson na discreta, e empregou-se a funo de transferncia para verificar a causalidade entre as variveis.
3.1. Anlise da srie

plasticidade da areia
Na Figura 1, mostra-se a srie diria da plasticidade da areia em L/Pol2, em que se observa a existncia
de grande variabilidade. Os dados, aparentemente, no
apresentam tendncia sobre o tempo, o que se verificar
mais tarde.
Plot of variable: Plasticidade
29
29
28
28
27
27
26
26
25
25
24
24
23
23
22
22
que toma a forma LR: log
(17)
graus de liberdade. Em (17) e
so as estimatir
vas das matrizes de varincia e covarincia dos resduos

dos modelos completo (15) e restrito (16), respectivamente.
O teste de causalidade instantnea obtido testando-se a matriz da varincia dos resduos, e diagonal.
Plasticidade
e assintoticamente distribuda como uma 2 com p+q
21
-20
20
40
60
80
100
120
140
160
180
200
220
240
21
260
Valores dirios
Figura 1 - Srie diria plasticidade da areia.

Foi feito o teste de Komorov-Smirnov, em que se
verificou a normalidade dos dados. A Figura 2 ilustra o
99

histograma, a curva normal e o valor calculado para o

teste de Kolgomorov-Smirnov, em que se encontra o
d crtico = 0 ,0876 > d calculado = 0 ,07725 , logo os dados
seguem uma distribuio Normal.
Histogram: Plasticidade
K-S d=,07725, p< ,15 ; Lilliefors p< ,01
Expected Normal
haver um problema no processo nesses pontos, do tipo

uma alterao no valor mdio e, ou, na variabilidade do
processo.
Necessita-se fazer um estudo da autocorrelao
dos dados, para depois ajust-los novamente e verificar
se o problema dos pontos fora dos limites era por causa
da sistemtica ou das causas comuns e no por causa de
ocorrncia de causas especiais.
140
120
Funo de Autocorrelao
Plasticidade
100
80
60
No. de obs.
40
20
0
21
22
23
24
25
26
27
28
L/Pol2
Figura 2 - Histograma dos dados.
Ao verificar o comportamento do processo produtivo, vem-se, pela Figura 3, os grficos de controle X e

S dos dados originais e suas condies de controle.
Q
98,84
128,2
133,6
133,7
133,8
133,8
134,7
135,0
135,4
136,3
136,5
143,1
161,4
185,4
203,2
211,5
213,7
213,7
213,9
214,0
214,0
214,4
214,5
214,5
214,6
217,3
227,5
242,7
256,6
262,2
0
1,0
p
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
Figura 4 - FAC para os dados observados.
X-bar and S Chart; variable: Pl asticidade

Hi s t ogram o f M e ans
(Standard errors are white-noise estimates)

Lag
Corr. S.E.
1
+,631 ,0635
2
+,343 ,0634
3
+,148 ,0632
4
+,020 ,0631
5
-,013 ,0630
6
+,006 ,0628
7
+,059 ,0627
8
+,036 ,0626
9
-,037 ,0624
10
-,059 ,0623
11
+,029 ,0622
12
+,159 ,0621
13
+,265 ,0619
14
+,303 ,0618
15
+,260 ,0616
16
+,177 ,0615
17
+,091 ,0614
18
-,010 ,0612
19
-,026 ,0611
20
-,021 ,0610
21
+,001 ,0608
22
-,037 ,0607
23
-,020 ,0606
24
-,008 ,0604
25
+,011 ,0603
26
+,099 ,0602
27
+,192 ,0600
28
+,233 ,0599
29
+,223 ,0597
30
+,141 ,0596
0
-1,0
-0,5
0,0
0,5
X-bar: 23,997 (23,997); Sigma: ,60682 (,60682); n: 5,9756
27,0
26,5
26,0
25,5
Funo de Autocorrelao Parcial

Plasticidade
25,0
24,811
24,5
23,997
24,0
23,5
23,182
23,0
22,5
0
10
12
14
16
18
10
Hi s to gra m o f Std .Dev s
15
20
25
30
35
40
Std.Dv.: ,57727 (,57727); Sigma: ,51484 (,18705); n: 5,9756
1,6
1,4
1,2
1,1916
1,0
0,8
0,6
,57040
0,4
0,2
0,0000
0,0
-0,2
0
10
12
14
16
10
15
20
25
30
35
40
Figura 3 - Grfico X e S dos dados originados observados.

Na Figura 3, o grfico X evidencia seis pontos
que caram fora dos limites de controle (amostra 1, amostra 9, amostra 14, amostra 16, amostra 21 e amostra 32),
e o grfico S ilustra dois pontos fora dos limites de controle (amostras 1 e amostra 16). Isso indica que pode
100
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
(Standard errors assume AR order of k-1)

Corr. S.E.
+,631 ,0639
-,092 ,0639
-,051 ,0639
-,049 ,0639
+,032 ,0639
+,039 ,0639
+,065 ,0639
-,074 ,0639
-,087 ,0639
+,022 ,0639
+,160 ,0639
+,151 ,0639
+,104 ,0639
+,044 ,0639
+,004 ,0639
+,019 ,0639
+,011 ,0639
-,095 ,0639
+,008 ,0639
-,014 ,0639
+,042 ,0639
-,066 ,0639
+,068 ,0639
-,023 ,0639
+,004 ,0639
+,091 ,0639
+,076 ,0639
+,009 ,0639
+,029 ,0639
-,048 ,0639
0
-1,0
-0,5
0,0
0,5
1,0
Figura 5 - FACP dos dados observados.

Suzana Leito Russo
Atravs das Figuras 4 e 5, v-se que os dados so

autocorrelacionados, pois h vrios lags fora dos limites
de controle, confirmando a autocorrelao da srie. Para
o lag 1, obteve-se o valor 0,63 para o coeficiente de correlao, e o erro-padro de 0,063, tanto para a funo
de autocorrelao (FAC) quanto para a funo de autocorrelao parcial (FACP).
A interpretao dos grficos X e da S para os
dados originais pode ficar distorcida pela presena da
autocorrelao nos dados, por isso incorreto aplicar os
grficos de controle tradicionais a dados autocorrelacionados, pois pode provocar concluses falsas. Logo, antes de usar os grficos de controle, devem-se assegurar
a estacionariedade e a independncia de cada observao (CALLAO; RIUS, 2003).
Para encontrar um conjunto de dados independentes, normalmente distribudos, Montgomery (1997)
recomendou modelar a estrutura da srie e desenvolver
os grficos de controle dos resduos. Modelaram-se os
dados atravs da metodologia de Box e Jenkins, o que
assegurou a independncia das observaes.
Foram testados outros modelos menos parametrizados, mas o que apresentou melhor ajuste foi um AR(4),
o critrio de validao usado foi o MAPE (Erro Mdio
Porcentual Absoluto), que resultou 3,78%, e o MSE (Erro
Mdio Quadrtico) foi igual a 0,4.
Uma das maneiras de validar o modelo atravs
do grfico dos resduos (Figura 6). Os resduos devem
estar descorrelatados, se o modelo for corretamente
identificado. As Figuras 6 e 7 evidenciam que a
autocorrelao foi removida dos dados, e os dados
definidos por at so independentes de observao para
observao, em que se observa que todos os lags esto
dentro dos limites de controle.
O coeficiente de autocorrelao dos dados originais
era 0,631. Validou-se o modelo pelo clculo da funo de
autocorrelao e autocorrelao parcial, em que os
coeficientes no so significativamente diferentes de zero.
O modelo encontrado com seus coeficientes e respectivos
erros-padro foi:
Z t = 24 + 0 ,686 Z t 1 0 ,059 Z t 2 0 ,013 Z t 3
(0,092) ( 0 ,065 )
( 0 ,078 )
( 0 ,078 )
0 ,052 Z t 4 + at
Funo de Autocorrelao
Plasticidade: ARIMA (4,0,0) residuals;
Lag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
(Standard errors are white-noise estimates)

Corr. S.E.
Q
+,001 ,0635
,00
+,003 ,0634
,00
+,007 ,0632
,02
-,013 ,0631
,06
-,016 ,0630
,12
-,013 ,0628
,16
+,103 ,0627
2,89
+,072 ,0626
4,22
-,042 ,0624
4,67
-,107 ,0623
7,60
-,010 ,0622
7,63
+,060 ,0621
8,57
+,122 ,0619
12,43
+,135 ,0618
17,23
+,089 ,0616
19,29
+,041 ,0615
19,73
+,059 ,0614
20,65
-,080 ,0612
22,34
-,000 ,0611
22,34
-,015 ,0610
22,40
+,078 ,0608
24,05
-,065 ,0607
25,19
+,018 ,0606
25,28
+,005 ,0604
25,29
-,055 ,0603
26,12
+,021 ,0602
26,24
+,094 ,0600
28,69
+,092 ,0599
31,05
+,119 ,0597
35,00
-,006 ,0596
35,01
0
0
-1,0
-0,5
0,0
0,5
1,0
p
,9857
,9986
,9995
,9996
,9997
,9999
,8954
,8365
,8622
,6675
,7461
,7393
,4926
,2443
,2009
,2325
,2426
,2172
,2676
,3192
,2907
,2880
,3362
,3905
,4014
,4500
,3760
,3149
,2047
,2424
Figura 6 - ACF dos dados modelados.

Funo de Autocorrelao Parcial
Plasticidade: ARIMA (4,0,0) residuals;
(Standard errors assume AR order of k-1)
Lag Corr. S.E.
1 +,001 ,0639
2 +,003 ,0639
3 +,007 ,0639
4 -,013 ,0639
5 -,016 ,0639
6 -,013 ,0639
7 +,104 ,0639
8 +,073 ,0639
9 -,043 ,0639
10 -,112 ,0639
11 -,010 ,0639
12 +,071 ,0639
13 +,135 ,0639
14 +,130 ,0639
15 +,069 ,0639
16 +,037 ,0639
17 +,092 ,0639
18 -,055 ,0639
19 -,017 ,0639
20 -,062 ,0639
21 +,046 ,0639
22 -,072 ,0639
23 +,040 ,0639
24 +,015 ,0639
25 -,044 ,0639
26 +,012 ,0639
27 +,079 ,0639
28 +,038 ,0639
29 +,091 ,0639
30 -,032 ,0639
0
-1,0
-0,5
0,0
0,5
1,0
( 0 ,065 )
O grfico de controle dos resduos interpretado da

mesma maneira que o grfico dos valores observados. J o
grfico da Figura 8 ilustra as condies de controle das observaes reais, utilizando-se os resduos do modelo AR(4),
em que indica que os valores residuais esto todos dentro
dos limites de controle da mdia, menos o primeiro dado.
Figura 7 - PACF dos dados modelados.
O resultado do grfico X indica um ponto fora

dos limites de controle (amostra 1), e o grfico da S ilustra um ponto fora dos limites de controle (amostras 1).
101

X-bar and S Chart; variable: Residuals AR(4)

Histogram of Means
X-bar: -,00543 (-,00543); Sigma: ,58795 (,58795); n: 5,
1,4
1,2
1,0
0,8
,78339
0,6
0,4
0,2
-,00543
0,0
-0,2
-0,4
-0,6
-,79425
-0,8
-1,0
0
10
12
14
16
18
10
Histogram of Std.Devs
15
20
25
30
35
40
45
Std.D v .: ,55266 (,55266); Sigma: ,50804 (,20062); n: 5,
1,6
1,4
1,2
1,1545
1,0
0,8
0,6
,55266
0,4
0,2
0,0000
0,0
-0,2
0
10
12
14
16
10
15
20
25
30
35
40
45
Figura 8 - Grficos da X e da S dos resduos.
Ao comparar o grfico de controle X dos resduos (Figura 8) com o de controle X dos valores originais (Figura 3), nota-se que os pontos tinham um comportamento similar com seus vizinhos, e os pontos estavam distribudos de maneira bem aleatria em volta
da linha central ( X ); agora os pontos esto mais amortecidos em relao linha central ( X ). Pode-se, ento, concluir que a autocorrelao foi removida.
Quando os valores residuais foram usados, notaram-se claramente os pontos "reais" fora de controle. Esses pontos aparecem por ser somente temporrios, e em seguida os dados se restabeleceram numa
situao controlada. Isso pode ter ocorrido por uma
disfuno no momento, tal como o aparecimento de
bolhas, que ir acarretar alguma anomalia na fabricao dos moldes de areia. Uma vez desaparecido o problema, o sistema segue para o seu funcionamento nor102
3.2. Anlise da sriemolde quebrado

mal. Logo, os pontos que esto fora dos limites por
causa da sistemtica ou das causas comuns e no por
causa de ocorrncias de causas especiais.
Na Figura 9, mostra-se o nmero dirio de moldes
quebrados (no-conformidade) no mesmo perodo. Observa-se, nessa figura, que a srie aparentemente apresenta ser estacionria na mdia, no apresentando uma
tendncia.
Ao verificar o comportamento do processo produtivo, vem-se, pela Figura 10, o grfico de controle U dos
dados originais e suas condies de controle, em que
vrios valores caram fora dos limites de controle, indicando que se pode ter um problema no processo desses
pontos.

Suzana Leito Russo
Nmero de no-conformidades dos moldes
NC Moldes
30
30
25
25
20
20
15
15
10
10
-5
-20
20
40
60
80
100
120
140
160
180
200
220
240
O algoritmo de Newton-Raphson converge em seis

iteraes.
A Tabela 2 contm informaes sobre a avaliao
do modelo atravs da utilizao dos testes de Pearson e
do desvio G2, indicando que o modelo no est adequado,
pois os valores divididos pelos graus de liberdade excedem 1 (um) em mais de 10%, necessitando da verificao da superdisperso dos dados.
Aps a anlise da superdisperso, verifica-se, na
Tabela 3, que o modelo de Poisson se encontra adequado, pois os valores divididos pelos graus de liberdade no
excedem 1 (um) em mais de 10%. Na Tabela 4, mostram-se as estimativas do modelo ajustado.
Z t = 100 ,42 0 ,003t + erro
-5
260
( 33 ,11 )
Dias
Figura 9 - Contagem diria dos dados.
C Chart ; variable: MQuebrado

Histogram of C
C: 7,1714 (7,1714); Sigma: 2,6780 (2,6780)
30
25
20
15,205
15
( 0 ,0008 )
Na Figura 11, mostram-se as condies de controle das observaes.

Investigaes tm revelado que o sistema no estava ajustado, e foi refeito o grfico de controle utilizando-se
os resduos encontrados pelo modelo de regresso Poisson
para corrigir o problema. O problema estava em vrias observaes, s quais, depois de modeladas pela regresso
Poisson, foram verificadas dentro dos limites de controle.
Segundo Wardell et al. (1994), isso , inteiramente possvel
em grficos de controle tradicionais, os pontos esto fora
dos limites por causa da sistemtica ou das causas comuns
e no por causa de ocorrncia de causas especiais.
10
7,1714
Tabela 2 - Critrios de avaliao do modelo
Critrios
GL Graus
de liberdade
Valores
Valores
/GL
Escala da " Deviance" ( G 2 )
243
1548,10
6,37
Escala de Pearson ( )
243
1294,78
4,92
0,0000
-5
0
10 20 30 40 50 60 70 80 90
50
100
150
200
Verossimilhana
Figura 10 - Grfico U dos dados observados.
-1123,18
Tabela 3 - Critrios de avaliao do modelo ajustado

Foi aplicado o teste de Kolgomorov - Smirnov, para
verificar se os dados podem ser estimados pela distribuio de Poisson. Obteve-se dcrtico= 0,0876< dcalculado= 0,17614
; logo os dados seguem uma distribuio de Poisson, e a
mdia de no-conformidade de 7,17, sendo o desviopadro 6,06. Foi feito o ajustamento dos dados, e na Tabela 1 mostra-se a estimativa do modelo.
Critrios
GL Graus
de Liberdade
Valores
Valores
/GL
Escala da "Deviance" ( G 2 )
243
243
Escala de Pearson ( )
243
187,75
0,87
Verossimilhana
-2584,22
Tabela 4 - Estimativa do modelo ajustado

Tabela 1 - Estimativa do modelo
t
Coef
Coef
Erro-padro (Ep)
Coef/Ep
p val
1,98
0,024
82,5
0,000
Constante 100,42
T
0,003
Erro-padro (Ep)
Coef/Ep
p val
33,11
3,0329
0,000
0,0008
3,75
0,000
103

de causalidade de Granger, e ajustou-se um modelo via

funo de transferncia, utilizando como variveis de
entrada os resduos obtidos atravs da regresso de Poisson e dos modelos Box e Jenkins.
A funo de correlao cruzada da srie residual
obtida dos dois modelos mostrou correlao significante
unidirecional instantnea ou nvel de significncia de 5%
para o lag 1, no valor de 0,30.
Atravs da Tabela 5, observa-se que a varivel
plasticidade da areia uma varivel explicativa da varivel-molde quebrado.
O modelo encontrado foi
Na Figura 11, mostram-se as condies de controle das observaes.

Investigaes tm revelado que o sistema no estava ajustado, e foi refeito o grfico de controle utilizando-se
os resduos encontrados pelo modelo de regresso Poisson
para corrigir o problema. O problema estava em vrias observaes, s quais, depois de modeladas pela regresso
Poisson, foram verificadas dentro dos limites de controle.
Segundo Wardell et al. (1994), isso , inteiramente possvel
em grficos de controle tradicionais, os pontos esto fora
dos limites por causa da sistemtica ou das causas comuns
e no por causa de ocorrncia de causas especiais.
Z = 0 ,81 + 0 ,30 Z t 1 0 ,28 Z t 2 0 ,52 X t
3.3. Ajuste final
( 0 ,031 )
0 ,055
0 ,062
0 ,242
Na Figura 12, apresentam-se as condies de controle do processo produtivo das observaes modeladas
com os dados dos resduos da funo de transferncia.
Observa-se, depois da modelagem dos dados via funo
de transferncia, duas observaes encontram-se fora
dos limites de controle, a amostra 1 e a amostra 22.
Nesta etapa, pretendem-se unir as duas etapas

anteriores, de maneira a conseguir detectar o nmero
possvel de no-conformidade no resultado do processo
e detectar a causalidade da varivel plasticidade na confeco dos moldes de areia. Para isso, aplicou-se o teste
X-bar and R Chart; variable: Res D

Histogram of Means
X- bar: -,17946 (-,17946); Sigma : ,933 13 (,93313); n: 5,
1,5
1,0725
1,0
0,5
0,0
-,17946
-0,5
-1,0
-1,4314
-1,5
-2,0
0
10
15
20
25
30
Histogram of Ranges
10
15
20
25
30
35
40
45
R ang e: 2,1 704 (2,170 4 );Sigma: ,8063 0 (,80630) ; n: 5,
5,5
5,0
4,5893
4,5
4,0
3,5
3,0
2,5
2,1704
2,0
1,5
1,0
0,5
0,0000
0,0
-0,5
0
8 10 12 14 16 18 20 22
10
15
20
25
30
35
40
45
Figura 11 - Grfico X e R dos dados transformados.

104

Suzana Leito Russo
Tabela 5 - Critrios de avaliao do modelo

Fator
Lag
Mdia
Coef.
Erro-padro
Tcal
0,81
0,031
26,44
Auto-regressivo
0,30
0,062
4,83
Auto-regressivo
-0,28
-0,055
5,08
Plasticidade
-0,52
-0,242
-2,15
X-bar and S Chart; variable:

Funo de Transferncia
Histogram of Means
X-bar: 4,1918 (4,1918); Sigma: 1,6301 (1,6301); n: 4,9592
7,0152
7
6
5
4,1918
4
3
2
1,3684
1
0
0
10
15
20
25
Histogram of Std.Devs
10
15
20
25
30
35
40
45
Std.Dv .: 1,5313 (1,5313); Sigma: 1,4096 (,55884); n: 4,9592
4,5
4,0
3,7100
3,5
3,0
2,5
2,0
1,5
1,4446
1,0
0,5
0,0000
0,0
-0,5
0
8 10 12 14 16 18 20 22
10
15
20
25
30
35
40
45
Figura12 - Grficos da X e da S dos dados obtidos com os resduos da funo de transferncia.

O perodo de ocorrncia da srie moldes quebrados leva de um a sete dias para a sua confeco, de
acordo com a demanda da fbrica, e salienta-se que a
amostra de nmeros 1 e 16 da srie plasticidade estava
fora dos limites de controle. Isso pode significar que at
sete dias aps essa anlise alguma anormalidade na confeco dos moldes pode ocorrer, devido anormalidade
na anlise da areia de fundio.
4. CONCLUSO
Neste trabalho, evidenciou-se que, quando a autocorrelao est presente nos dados, o desempenho dos
grficos de controle pode ter efeitos significativos, e os
dados no podem ser aplicados sem antes serem ajustados. Ou seja, o uso de grficos de controle inapropria-
105

do para a monitorao de dados com autocorrelao,

porque muitas situaes falsas so detectadas. A tcnica
proposta indicou que ambos os modelos (Box e Jenkins e
modelos de regresso Poisson) so importantes na captura da autocorrelao; ambos os modelos ajustam as
observaes muito bem e podem ser usados com aceitvel exatido. Ao estudar a autocorrelao dos dados,
gerou-se uma nova perspectiva de aprendizagem sobre
o processo produtivo, atravs das informaes contidas
na estrutura de autocorrelao dos modelos Box e Jenkins
e dos modelos de regresso de Poisson, os quais eram
ignorados pelo modelo clssico de monitoramento. A funo de transferncia empregada posteriormente nos resduos obtidos permitiu a confirmao da causalidade da
plasticidade da areia com relao ao molde quebrado. A
inovao do uso de funo de transferncia em grficos
de controle residual permite identificar, com antecedncia, os problemas que um setor/processo possui e venham a interferir em outro setor/processo da produo.
Isso acarreta num crescimento de informaes para a
correta tomada de deciso, sendo importante para corrigir a tempo esse problema, evitando-se, assim, retrabalho e prejuzos. A utilizao dessa ferramenta acarretou
na minimizao de custos obtida, devido ao carter preventivo da anlise eficaz dos grficos de controle.
CALLAO, M. P.; RIUS, A. Time series: a complementary technique

to control charts for monitoring analytical systems. Chemometrics
and intelligent laboratory systems, v. 66,p. 76-79, 2003.
DOBSON, A. J. An introduction to generalized linear models. 2.
ed. [S.l.]: CHAPMAN & HALL CRC Press, 2002. p. 225.
FERRARI, S. L. P.; DAVID, J.S. E.; ANDR, P. A.; PEREIRA, L.A.
A. Use of overdispersed regression models in analyzing the
association between air pollution and human health. [S.l.]:
RTMAE-2002-10, IME-USP, 2002. (Relatrio Tcnico).
GRANGER, C. W. Investigating causal relationships by econometric
models and cross-spectral methods. Econometrica, v. 37, p. 424438, 1969.
McCULLAGH, P.; NELDER, J. A. Generalized linear models.
Third edition. New York: Chapman and Hall/CRC, 2000.
MONTGOMERY. D. C. Introduction to statistical quality. 3. ed.
USA: John Wiley e Sons, 1997. v. 2.
MURTEIRA, B. J. F.; MULLER, D. A.; TURMKMAN, K. F. Anlises
de sucesses cronolgicas. Portugal: Ed Mc-Grall Hill, 1993.
PINDYCK, R. S.; RUBINFELD, D. Econometric models and
economic forecasts. 2. ed. Singapore: McGraw-Hill Book Co., 1981.
SCHAFER, J. L. Analysis of incomplete multivariate data. London:
Chapman & Hall, 1997.
SHEWHART, W.A. Economic control of quality of the
manufactured product. New York: Van Nostrand, 1931.
5. REFERNCIAS
AL-AWADHI, S. A. Change in regime and transfer function models of
global solar radiation in Kuwait Environmental Modelling and
Software,v. 20, p. 1167-1174, 2005.
ALWAN, L.C.; ROBERT, H. V. Time series modeling for statistical
process control. Journal of Business and Economic Statistics, v.
6, p. 86-95, 1998.
BARTLETT, M. S. On the theoretical specification of sampling
proprieties of autocorrelated time series. Journal Royal Stat. Soc.,
1946.
BCKENHOLT, U. Mixed INAR(1) poisson regression models:
analyzing heterogeneity and serial dependencies in longitudinal count
data. Journal of Econometrics, v. 89, p.317-338, 1999.
BOX, G. E. P.; JENKINS, G. M. Times series analysis: forecasting
and control. San Francisco: Holden-Day, 1976.
106
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Times series analysis:

forecasting and control. 3. ed. San Francisco: Holden-Day, 1994.
TSO, T. Robust poisson regression. In: Journal of statistical

planning and inference. Elsevier: Article in Press, 2005. p. 1-14.
WANG, P.; PUTERMAN, M. L.; COCKBURN, I.; LE, N. Mixed
poisson regression models with covariate dependent rates. Biometrics,
v. 52, p. 381-400, 1996.
WARDELL, D. G.; MOSKOWITZ, H.; PLANTE, R. D. Run-length
distributions of special-cause control charts for correlated processes.
Technometrics, v. 36, n..1, p. 3-17, 1994.
WEST, D.; DELLANA, S.; JARRETTI, J. Transfer function modeling
of process with dynamic inputs. Journal of Quality Technology, v.
34, n. 3, p. 315-327, jul. 2002.
WOODDALL, H. W.; SPITZNER, D. J.; MONTGOMERY, D. C.;
GUPTA, S. Using control charts to monitor process and product
quality profiles. Journal of Quality Technology, v. 36, n. 3, p. 309320, jul. 2004.

Função de Transferência

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Função de Transferência

Загружено:

Авторское право:

Доступные форматы

Generated by Foxit PDF Creator Foxit Software

http://www.foxitsoftware.com For evaluation only.

Funo de transferncia: uma

TRANSFER FUNCTION: A COMPLEMENTARY

Generated by Foxit PDF Creator Foxit Software

Funo de transferncia: uma tcnica complementar na aplicao de grficos de controle

Rev. Eletrnica Produo & Engenharia, v. 1, n. 1, p. 95-106, set./dez. 2008

Generated by Foxit PDF Creator Foxit Software

plo do desvio-padro . O valor de k mais usado 3. Os

2.2. O modelo para as

Se os dados observados seguem os modelos (4) e

representa a proporo da varincia do

processo. estacionrio se as razes de ( B ) = 0 caem

Em geral, rk converge para o maior lag k, enquanto rk se torna pequeno.

em que o parmetro auto-regressivo, a mdia

log L = ( Z i .log( i ) i ) A funo constante de

pode ser omitida, pois no envolve (DOBSON, 2002;

= xiT . A funo de ligao log relaciona o preditor

com = 0 e Z2 = Z20 . Se um ou mais parmetros

linear xiT ao valor esperado i do vetor Z i . O mo-

muda o valor, o processo dito estar fora de controle.

Generated by Foxit PDF Creator Foxit Software

Funo de transferncia: uma tcnica complementar na aplicao de grficos de controle

delo Poisson com ligao log , algumas vezes, chamado

xi = ( xi1 ,..., xik )T representa os valores de k variveis

Conforme relatou Schafer (1997), o desvio G 2 a

Deve-se esperar que um modelo bem ajustado aos

O primeiro termo da equao 8, v( B )xt b , dinmico de entrada e representa uma funo-impulso,

bm a varivel dependente Z t , em um esforo para especificar o lag polinmios v( B ) , ( B ) , ( B ) , e ( B )

Rev. Eletrnica Produo & Engenharia, v. 1, n. 1, p. 95-106, set./dez. 2008

Generated by Foxit PDF Creator Foxit Software

O teste implcito na definio de Granger (1969)

Por exemplo, a hiptese nula de que Z no causa X equivalente hiptese 12 j = 0 ( j = 1,...,M ) na

na representao ARMA vetorial

3.1. Anlise da srie

que toma a forma LR: log

graus de liberdade. Em (17) e

vas das matrizes de varincia e covarincia dos resduos

e assintoticamente distribuda como uma 2 com p+q

Figura 1 - Srie diria plasticidade da areia.

Rev. Eletrnica Produo & Engenharia, v. 1, n. 1, p. 95-106, set./dez. 2008

Generated by Foxit PDF Creator Foxit Software

Funo de transferncia: uma tcnica complementar na aplicao de grficos de controle

histograma, a curva normal e o valor calculado para o

haver um problema no processo nesses pontos, do tipo

Figura 2 - Histograma dos dados.

Ao verificar o comportamento do processo produtivo, vem-se, pela Figura 3, os grficos de controle X e

Figura 4 - FAC para os dados observados.

X-bar and S Chart; variable: Pl asticidade

(Standard errors are white-noise estimates)

X-bar: 23,997 (23,997); Sigma: ,60682 (,60682); n: 5,9756

Funo de Autocorrelao Parcial

Hi s to gra m o f Std .Dev s

Std.Dv.: ,57727 (,57727); Sigma: ,51484 (,18705); n: 5,9756

Figura 3 - Grfico X e S dos dados originados observados.

(Standard errors assume AR order of k-1)

Figura 5 - FACP dos dados observados.

Rev. Eletrnica Produo & Engenharia, v. 1, n. 1, p. 95-106, set./dez. 2008

Generated by Foxit PDF Creator Foxit Software

Atravs das Figuras 4 e 5, v-se que os dados so

(Standard errors are white-noise estimates)

Figura 6 - ACF dos dados modelados.

O grfico de controle dos resduos interpretado da