o efeito da autocorrelaÇÃo no desempenho...
TRANSCRIPT
O EFEITO DA AUTOCORRELAÇÃO NO
DESEMPENHO DO GRÁFICO DE
CONTROLE EWMA
ROBERTO CAMPOS LEONI (UNESP)
Antonio Fernando Branco Costa (UNESP)
Gráficos de controle são utilizados para monitorar a média de
processos que permanece fixa, em seu valor alvo, até que causas
especiais a desloque para outro valor fixo. Contudo, para muitos
processos, é mais razoável supor que a média nãoo é fixa, ela oscila
mesmo na ausência de causas especiais. Para descrever este
comportamento oscilatório, tem-se utilizado o modelo auto-regressivo
de primeira ordem, AR(1). Neste trabalho, investiga-se o efeito
oscilatório da média no desempenho dos gráficos de controle EWMA.
Dependendo dos valores dos parâmetros do modelo que descreve o
movimento oscilatório da média, o gráfico de controle se torna lento
na sinalização de causas especiais.
Palavras-chaves: controle estatístico de processos (CEP);
autocorrelação; modelo ARMA(1,1); EWMA.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
2
1. Introdução
Os gráficos de controle propostos por Shewhart assumem que observações consecutivas de
um processo sejam independentes e identicamente distribuídas, e que a média se mantém fixa
em um determinado valor alvo até que uma causa especial a desloque, mantendo-a fixa em
outro valor. O modelo de Shewhart dado por: Xk = + ek ( k=1,2,...; ek é uma variável
aleatória IID ~N (0,
e)) descreve o comportamento de uma característica de qualidade. O
gráfico de controle de X tem por objetivo detectar mudanças na média do processo. Por
razões práticas, é conveniente expressar o deslocamento da média em unidades do desvio
padrão do erro aleatório (e), isto é, e = (), sendo a média do processo em controle e
o valor da média após a ocorrência da causa especial. Sem perda de generalidade, supõe-se
que = 0 e e=1.
O modelo de Shewhart não se aplica quando a média do processo exibe comportamento
oscilatório. Quanto ao projeto dos gráficos de controle, os seus limites se tornam largos,
reduzindo a capacidade de sinalizar desajustes (COSTA et al., 2005). Muitos autores
estudaram o efeito do movimento oscilatório da média no desempenho de diferentes gráficos
de controle, dentre eles: Johnson e Bagshaw (1974), Vasilopoulus e Stamboulis (1978),
Reynolds et al. (1996), Atienza et al. (1998), Lu e Reynolds (1999a), Lu e Reynolds (1999b),
Bisgaard e Kulahci (2005) e Claro (2008). A produção de materiais por bateladas ou lotes é
um exemplo típico de um cenário em que a média oscila. Neste tipo de processo, amostras de
um mesmo lote apresentam pouca variação (variação intra-lote), contudo a oscilação da média
produz uma variabilidade considerável de lote para lote (variação entre- lotes). Tem-se como
consequência em processos por bateladas estabilidade no gráfico de controle por dispersão,
porém, o gráfico de X se comporta de maneira instável, pois a variabilidade influencia na
determinação dos seus limites.
Dos trabalhos relacionados ao tema, o modelo auto-regressivo de primeira ordem (AR(1))
com erro aleatório adicional é usado como referência para simular dados advindos de uma
média oscilante (LU e REYNOLDS, 2001; LU e REYNOLDS, 1999a; LU e REYNOLDS,
1999b; MACGREGOR e HARRIS, 1993; REYNOLDS et al., 1996; ZOU et al., 2008;
PYLRO, 2008).
Reynolds et al. (1996) obtiveram as propriedades do gráfico de controle de X utilizando
intervalo entre amostras variável. Contrariando a abordagem tradicional proposta por
Shewhart, relatam que o modelo mais razoável para observações que apresentam correlação
entre si é dado por: Xk = k + ek. Neste modelo a média não é constante, ou seja, a média
oscila ao redor de um valor alvo (E(Xk)=) ao longo do tempo, comportando-se de acordo
com um modelo estocástico do tipo AR(1). A variabilidade do modelo é atribuída a duas
parcelas: a primeira devida à variância de k e a outra (
2e) atribuída a ek.
A base de comparação do desempenho do gráfico de X e gráfico de EWMA utilizados no
monitoramento de um processo em que a média é fixa com aquele utilizado no
monitoramento de um processo em que a média oscila é injusta, ver Reynolds et al. (1996) e
Vanbrackle e Reynolds (1997), pois os deslocamentos na média dos processos independentes
são expressos em unidades de e, isto é: e, e para processos com a estrutura de correlação
do tipo AR(1) com erro aleatório adicional são expressos em unidades de x, isto é: x, x é
sempre maior que e.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
3
O presente artigo ajusta os desvios de maneira que o desempenho possa ser comparável,
considerando-se que os deslocamentos da média em ambos os modelos sejam de uma mesma
magnitude (e).
Apresenta-se, na seção 2, o modelo que descreve o comportamento das médias
autocorrelacionadas; na seção 3, descreve-se gráfico de controle EWMA; a seção 4 analisa o
efeito da autocorrelação na média do processo e a seção 5 apresenta um exemplo de
aplicação.
2. Modelo AR(1) com erro aleatório adicional
A suposição de independência na utilização dos gráficos de controle de Shewhart implica em
utilizar um modelo que descreve as observações da variável X com média constante ao longo
do tempo. Desse modo, a variabilidade natural entre observações de X tem apenas um
componente aleatório. Para descrever este modelo, suponha que a cada intervalo de tempo h,
retira-se do processo uma amostra de tamanho n, e então são registrados os n valores de X de
uma característica de qualidade mensurável. Se é a média do processo que é constante no
instante em que a k-ésima amostra é formada e ki
e é o erro aleatório associado ao i-ésimo
item da k-ésima amostra, fruto da imprecisão do instrumento de medida e da variabilidade
natural do processo, então para i=1, 2,...,n e k=1, 2,...,
ki kiX e (1)
No entanto, quando a média do processo oscila, têm-se mais um componente aleatório no
modelo que descreve as observações de X,
kikki eX (2)
Assume-se que ki
e é uma variável aleatória com distribuição normal de média zero e desvio
padrão 2
e , isto é ki
e ~N(0; 2
e ).
Neste artigo, investiga-se o efeito oscilatório da média no desempenho do gráfico de EWMA.
Este comportamento oscilatório é descrito por um modelo autoregressivo de primeira ordem -
AR(1),
k 1(1 )h h
k k (3)
onde 1|| h é a correlação entre k e 1k , ~ N(0; )k e é o valor em torno do qual a
média do processo oscila; com o processo em controle 0 e com ele fora de controle
0 e . Os erros aleatórios kie e k são considerados independentes.
Diversos autores utilizaram este modelo para avaliar a eficiência de diferentes esquemas de
controle. Dentre eles, Reynolds Jr. et al. (1996), VanBrackle e Reynolds (1997), Lu e
Reynolds (1999, 1999a, 2001), Lin e Chou (2008) e Lin (2009).
De acordo com Reynolds et al. (1996), se );(N~ 21 , então
)1/( 222 h (4)
De acordo com a expressão (2), X tem duas componentes de variabilidade
2 2 2
X e (5)
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
4
A proporção da variabilidade de X atribuída a oscilação da média, 22 / X , tem sido
utilizada como medida do grau de oscilação.
Quando n>1, da expressão (2) decorre que k kkX e , com 1
/n
k kii
e e n
. A variância de
kX é então igual a 2 2 2 /
eXn . Da expressão (5) e da definição de segue que:
),(1
1
nf
n
n
n
ee
X
(6)
Portanto, os limites de controle (LC) são dados por*
0/
eL n , onde
* ( , )L f n L .
Quando a média do processo não oscila a expressão (6) se reduz a neX/ ; portanto,
),( nf mede o quanto os limites de controle ( nL e /0 ) devem ser alargados para
compensar o comportamento oscilatório da média do processo. A Tabela 1 apresenta para
diversos valores de n e de o fator de abertura adicional ),( nf dos limites de controle,
resultante do movimento oscilatório da média. Por exemplo, um ),( nf =1,05 significa que
os limites de controle alargaram-se em 5%.
n ),( nf
0,1 1,05
1 0,5 1,41
0,9 3,16
0,1 1,20
4 0,5 2,24
0,9 6,08
0,1 1,80
20 0,5 4,58
0,9 13,45
Tabela 1 - Valores do fator de abertura adicional ),( nf .
De acordo com as expressões (3) e (4), à medida que h aumenta, 2 (h) também aumenta,
contudo a correlação entre k e 1k , dada por h , diminui, de tal sorte que a variância 2 ,
parâmetro do movimento oscilatório da média, permanece independente de h. Em outras
palavras, em intervalos h mais espaçados o valor da variável k depende mais do movimento
oscilatório e menos do valor de 1k . Contudo, sua variância é sempre constante e igual a
2 , para todo e qualquer valor de h. A Tabela 2 apresenta, a título de ilustração, para
2 =5,2632 e diferentes hs, os valores de h e de 2
.
h h
2 (h)
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
5
1 0,9000 1,0000
4 0,6561 2,9975
8 0,4305 4,2879
12 0,2824 4,8433
16 0,1853 5,0824
20 0,1216 5,1854
30 0,0424 5,2537
40 0,0148 5,2620
50 0,0052 5,2630
100 0,0000 5,2632
Tabela 2 - Valores de h e
2 .
O valor de k , média do processo quando da formação da k-ésima amostra é dependente do
valor de 1k , média do processo quando da formação da (k-1)-ésima amostra. Esta
dependência é tanto maior quanto menor for h, distância no tempo entre os dois momentos em
que cada amostra é formada.
Assume-se neste artigo uma taxa de inspeção de um item por unidade de tempo. Assim, se h1
for esta unidade, o intervalo de tempo entre amostras será igual ao tamanho da amostra. Por
exemplo, se h1 for 15 minutos, então para amostras de tamanho 4 o intervalo de tempo entre
retirada de amostras será de uma hora, ou seja, 4 unidades de tempo de 15 minutos. Se for a
autocorrelação entre duas observações da média do processo espaçadas de 15 minutos então
para espaçamentos de uma hora a autocorrelação será de 4 . Em termos gerais, a
autocorrelação entre valores da média do processo, observadas quando da formação de
subgrupos racionais de tamanho (n), será de n . A dependência entre valores da média do
processo como uma função decrescente no tempo, 0( ) tt , tem sido adotada por Reynolds
et al. (1996).
No modelo apresentado em (2) e (3), assume-se que a média do processo oscila e, por
conseguinte, valores da média de subgrupos vizinhos é que são correlacionados.
3. Gráficos de controle de EWMA
O gráfico EWMA se baseia na estatística definida por: 11i i iY X Y . Em que: iX é a
medida no instante i (médias amostrais ou valores individuais) de um processo e (0 < < 1)
é uma constante. O valor 0 0Y (valor alvo ou valor médio em controle de X). A estatística
EWMA ( iY ) é uma média ponderada de dados passados. Valores grandes para fazem com
que as observações recentes possuam maiores pesos no cálculo de iY . Nos valores pequenos
para , os dados históricos, ou seja, anteriores a última observação, têm peso grande no
cálculo de iY . Quando =1 temos o gráfico de Shewhart.
Se as observações Xi são VA independentes com variância 2 , a variância da estatística iY é
dada por: 22 2 1 1
2i
i
Y
. Desse modo, os limites de controle para o gráfico
EWMA são assim determinados: 2
0 . 1 12
i
XLC L
.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
6
Lucas e Saccucci (1990) apresentam um guia para escolha dos valores de e L. Em geral,
L=3 e 0,05 0,25 funcionam bem quando o objetivo é detectar pequenas mudanças no
processo em processos independentes.
4. Efeito da autocorrelação na média do processo
Segundo Lu e Reynolds (1999a) a aplicação de métodos numéricos para avaliar o
desempenho do gráfico de controle de EWMA é computacionalmente lenta e, dependendo dos
parâmetros do modelo, alguns resultados são incertos; portanto, o uso da simulação nestes
casos leva a resultados mais confiáveis.
A Tabela 3 apresenta o Tempo esperado até o sinal (TES) que o gráfico de EWMA requer
para detectar um deslocamento na média do processo. O modelo ARMA(1,1) foi utilizado
para simular as observações de X. O nível de autocorrelação foi utilizado com duas
parcelas de variabilidade devida ao modelo AR(1) e. Os limites de abertura
do gráfico de controle foram ajustados para se ter, em média, um alarme falso a cada 500
horas (TESo). Para detalhes sobre o TES ver Costa et al. (2005).
x)
e)
L
0,5 0,9 0,5 0,9
9,751 10,410 9,752 10,410 2,612
0,0 500,00 500,00 500,00 500,00 500,00
0,5 19,20 31,53 36,47 207,72 10,69
1,0 6,85 9,97 11,33 72,34 4,66
1,5 4,01 5,65 6,33 34,64 2,97
2,0 2,83 3,88 4,33 20,84 2,18
2,5 2,18 2,96 3,28 14,40 1,72
3,0 1,78 2,39 2,65 10,81 1,42
4,0 1,30 1,73 1,90 7,11 1,05
5,0 1,02 1,35 1,49 5,26 0,79
Tabela 3 – TES; h=1 (60 min.), n=4; =0,05
A presença da autocorrelação afeta drasticamente a medida de desempenho TES. Por
exemplo: Em um processo independente para o TES=4,66. Na presença de
autocorrelação, se x)e o TES=6,85, quando o TES
aumenta para 9,97. De um modo geral, o desempenho do gráfico avaliado pelo TES é pior
quando a média oscila.
A Figura 1 mostra que, se a parcela devida a variância de longo prazo () for grande, o tempo
de detecção de uma causa especial é maior. Salientamos que nesta comparação o
deslocamento da média foi padronizado através da expressão x e e, para
observações independentes não há parcela de variabilidade devida ao modelo estocástico
AR(1), pois a média é constante ao longo do tempo, ou seja, neste caso xe e, quando a
média do processo segue um modelo AR(1), X=
e]
½. Por exemplo: para
amostras de tamanho n=1, se e= e =+0,8, o deslocamento é da ordem de x=
2e]
½ = 1/(1-0,8
2) + 1]
½ = 1,9437
para dados autocorrelacionados e x =
e = 0 =
para dados independentes. Nesta situação, quando os dados são
autocorrelacionados o deslocamento da média é quase o dobro daquele observado com dados
independentes. Na prática, o deslocamento da média é função de alguma alteração no
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
7
processo, por exemplo, mudança de matéria prima, quebra de um componente e etc., e não do
grau de autocorrelação das observações.
Figura 1 - TES; deslocamentos da média do processo (x e e)
Para uma comparação justa dos processos independentes e correlacionados, é necessário
padronizar o deslocamento sofrido pela média do processo, por exemplo, especificando
sempre como sendo e. As Tabelas A.1, A.2, A.3 e A.4 (Apêndice A) apresentam o
TES que o gráfico de EWMA requer para detectar um deslocamento na média do processo
quando o desvio é da ordeme. A taxa de amostragem é de 3 itens por unidade de tempo,
por exemplo: 1 item a cada 20 min.; 3 itens a cada 60 min.; 4 itens a cada 80 min. e 5 itens a
cada 100 min.
A Figura 2 apresenta o desempenho do gráfico EWMA. Em todos os caso, n=1, 3, 4 e 5, o
TES aumenta tanto para pequenos desvios ( menor que 2,0) quanto para grandes desvios (
maior que 2,0) na média, quando há aumento do grau de autocorrelação. n=1 n=3
n=4 n=5
0,8; x 0,8; e
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
8
Figura 2 – Desempenho (TES) do gráfico de EWMA para os tamanhos de amostras n=1, 3, 4 e 5; (e).
A Figura 3 apresenta o desempenho do gráfico de EWMA quando não há autocorrelação no
processo. Não há vantagem aparente em inspecionar amostras maiores com intervalos
também maiores, pois os melhores desempenhos são aqueles em que se inspeciona um item a
cada 20 minutos, ou seja, é melhor inspecionar mais frequentemente poucos itens do que
muitos itens considerando um intervalo de tempo maior.
Figura 3 – TES; n=1, 3, 4 e 5; =0 (processo independente)
A Figura 4 avalia o impacto que o aumento da amostra acarreta no desempenho (TES) do
gráfico de EWMA para as combinações de (0,4 e 0,8) e e . Os valores exatos dos
TES podem ser vistos no Apêndice A. Para =0,4 e o melhor TES foi alcançado para
n=1 quando 0,5. A melhor opção para =0,5 foi n=3 (TES=36,91). A combinação =0,4 e
o melhor TES foi alcançado para n=1 quando . A melhor opção para =0,5 e
1,0 foi n=3 (TES=163,25 e 57,98 respectivamente). A combinação =0,8 e o melhor
TES foi alcançado para n=1 quando . A melhor opção para =0,5 e 1,0 foi n=3
(TES=70,42 e 23,6 respectivamente). E para a última combinação, =0,8 e o melhor
TES foi alcançado para n=1 quando . Para desvios menor que a melhor opção
foi n=3. Para aumento na autocorrelação, percebe-se que melhores resultados podem ser
atingidos inspecionando mais que uma unidade num intervalo de tempo mais espaçado.
Porém, não parece adequado trabalhar com amostras maiores que 3 unidades.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
9
Figura 4 - Desempenho (TES) do gráfico de EWMA para as combinações de (0,4 e 0,8) e e
(e).
A Figura 5 compara o desempenho do gráfico de EWMA com o de X para amostras de
tamanho n=4 quando a média oscila muito (=0,9). Os valores exatos dos TES podem ser
vistos no Apêndice A (Tabelas A.3 e A.5). Para qualquer magnitude de deslocamento na
média (=0,5 a 5,0) o desempenho do gráfico de EWMA é superior ao gráfico de X (menor
TES).
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
10
Figura 5 - Desempenho (TES) do gráfico de EWMA e X para as combinações de n=4; (0,4 e 0,8) e
(e).
5. Exemplos de aplicação
Suponha que uma determinada característica de qualidade de um processo seja
monitorada e suas observações siga o modelo descrito na expressão (2). Neste exemplo os
parâmetros assumiram os seguintes valores: =0,8, para n=4 e h=1,333 (80 min.). Manteve-se
uma taxa de amostragem constante e igual a 3 unidades por hora e 50% da variabilidade dos
dados foram atribuídas à oscilação da média (=0,5).
Através da expressão (2), gerou-se 100 médias, sendo que uma perturbação da ordem
de 0 e foi implantada a partir da 26ª média.
Com as observações do processo ora descrito, considere uma aplicação em que este
processo seja monitorado retirando-se quatro observações (n=4) a cada 80 minutos. Para
manter o TES0=500, tem-se o valor de L=3,412 (ver Tabela A.3). Dá Tabela A.3, têm-se para
um deslocamento da ordem de 1,5e o TES=13,82 horas. A Figura 6 ilustra este exemplo.
Figura 6 – gráfico de controle de EWMA; n=4; 1,5e .
Observa-se na Figura 6 que somente na 34ª amostra, o gráfico sinaliza uma mudança
na média global. Operou-se o processo fora de controle por cerca de 12 horas após o desvio
X X EWMA EWMA
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
11
na média, ou seja, somente na 9ª amostra após o deslocamento na média do processo que o
gráfico foi capaz de sinalizar tal desajuste.
Claro (2008) apresenta um processo de usinagem de uma carcaça fundida em liga de
Alumínio. A variável X (altura fresada da face de assentamento do conjunto da alavanca –
Figura 7) é monitorada. Os dados da variável em questão foram obtidos de peças consecutivas
produzidas em uma indústria da região de Campinas-SP.
Figura 7 – Representação esquemática do conjunto da carcaça de transmissão.
Pode-se considerar que a variabilidade da característica X (altura da face de assentamento)
desse processo tem duas parcelas: uma parcela fruto da oscilação aleatória da média do
processo segundo um modelo autoregressivo de primeira ordem (variação aleatória de longo
prazo) e uma parcela de ruído (variação aleatória de curto prazo) de peça para peça.
O comportamento oscilatório da média é descrito por um modelo AR(1) com parâmetro
=0,894 (CLARO, 2008). A variabilidade das observações do processo devida a variação em
é igual a 0,79. A variabilidade total dos dados (2
x=0,0214) pode ser decomposta em
duas parcelas: 2
e=0,004597 e 2. Para detalhes sobre como obter o valor de ,
2 e
2e veja Reynolds et al. (1996).
Na Tabela 4 há valores simulados do TES para e idênticos ao do processo de usinagem
para deslocamentos de 0,5 a 5,0. Com o esquema EWMA (=0,05) é preferível utilizar
amostras maiores que um para pequenos desvios e amostras unitárias para grandes desvios
(>2,5), praticando-se um menor TES.
n h
1 3 4 5
20 min. 60 min. 80 min. 100 min.
L=8,40 L=5,33 L=4,55 L=4,03
0,0 500,00 500,00 500,00 500,00
0,5 313,66 249,16 234,78 223,61
1,0 141,82 101,76 96,00 93,04
1,5 70,45 53,01 51,75 51,18
2,0 39,67 33,19 33,31 33,93
2,5 25,15 23,42 24,03 24,76
3,0 17,32 17,67 18,53 19,34
4,0 9,86 11,69 12,59 13,28
5,0 6,54 8,63 9,43 10,07
Tabela 4 – TES para o gráfico de EWMA (=0,05); ; e
6. Conclusão
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
12
O modelo utilizado neste artigo, AR(1) com erro aleatório adicional, tem em sua estrutura
duas parcelas que descrevem a variabilidade do processo e
2e). A comparação do
desempenho do gráfico de EWMA, através do TES, para dados independentes e para dados
autocorrelacionados foi realizada de forma justa, pois adotamos a mesma magnitude da
perturbação na média do processo. Quanto maior a influência da oscilação da média, dado por
, na variabilidade total (
2x) e/ou maior o grau de autocorrelação dos dados, pior é o
desempenho do gráfico, tornando-o mais lento na detecção de causas especiais.
Em processos cujas observações são independentes, tomar amostras unitárias mais
frequentemente pode resultar em melhor desempenho quanto ao tempo esperado para
detecção de uma perturbação que desloque a média de seu valor alvo.
Em processos cuja média oscila, a autocorrelação reduz o poder do gráfico de EWMA; para
pequenos desvios no processo ( < 3) amostras não unitárias melhoram o desempenho deste
gráfico (menor TES). O desempenho deste gráfico é superior ao gráfico de X para qualquer
magnitude de deslocamento da média.
Referências
ATIENZA, O.O.; TANG, L.C. & ANG, B.W. A SPC procedure for detecting level shifts of autocorrelated
procedures. Journal of Quality Technology. Vol. 30, n.4, p.340-351, 1998.
BISGAARD, S. & KULAHCI, M. The effect of autocorrelation on statistical process control. Quality
Engineering. Vol. 17, p.481-489, 2005.
CLARO, F.A.E. Gráfico de controle x-barra com amostragem dupla para o monitoramento de processos
positivamente correlacionados. Guaratinguetá, 2008. Tese de Doutorado em Engenharia Mecânica - Programa
de Pós-Graduação em Engenharia Mecânica. UNESP.
COSTA, A.F.B.; EPPRECHT, E.K.; CARPINETTI; L.C.R. Controle Estatístico de Qualidade. 2a. ed., São
Paulo: Editora Atlas, 334 p., 2005.
FALTIN, F.W.; MASTRANGELO, C.M.; RUNGER G.C. & RYAN, T.P. Considerations in the monitoring
of autocorrelated and independent data. Journal of Quality Technology. Vol 29, n.2, p.131-133,1997.
JOHNSON, R. A. & BAGSHAW, M. The effect of serial correlation on the performance of CUSUM tests.
Technometric. Vol.16, p.103–112, 1974.
LIN, Y. C. The variable parameters control charts for monitoring autocorrelated processes. Communications in
Statistics - Simulation and Computation, v.38, p.729-749, 2009.
LIN, Y. C.; CHOU, C. Y. The variable sampling rate X control charts for monitoring autocorrelated
processes. Quality and Reliability Engineering International, v.24, p.855-870, 2008.
LU, C.W. & REYNOLDS JR, M.R. Control charts for monitoring the mean and variance of autocorrelated
processes. Journal of Quality Technology. Vol. 31, n.3, p.259-274, 1999a.
LU, C.W. & REYNOLDS JR, M.R. EWMA control charts for monitoring the mean of autocorrelated process.
Journal of Quality Technology. Vol. 31, n.2, p.166-188, 1999b.
LU, C.W. & REYNOLDS JR, M.R. Cusum charts for monitoring an autocorrelated process. Journal of
Quality Technology. Vol. 33, n.3, p.316-334, 2001.
LUCAS, J. M.; SACCUCCI, M. S. Exponentially weighted moving average control schemes: properties and
enhancements. Technometrics. Vol.32, n.1, p.1-12, 1990.
REYNOLDS JR, M.R. & ARNOLD, J.C. Variable sampling interval X charts in the presence of correlation.
Journal of Quality Technology. Vol. 28, p.12-30, 1996.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
13
VANBRACKLE, L. N.; REYNOLDS, M. R. Jr. EWMA and CUSUM Control Charts in the Presence of
Correlation. Communications in Statistics-Simulation and Computation, Vol.26, n.4, p.979-1008, 1997.
VASILOPOULUS, A.V. & STAMBOULIS, A.P. Modification of control chart limits in the presence of data
correlation. Journal of Quality Technology. Vol. 10, p.20–30, 1978.
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
14
APÊNDICE A – Tempo Esperado até o Sinal (TES)
Tabela A.1 – TES (gráfico de EWMA);
h=0,333 (20 min.), n=1;=0,05; e
L
0,0 0,5 0,9 0,5 0,9
3,030 3,776 4,271 5,746 7,155
0,0 500,00 500,00 500,00 500,00 500,00
0,5 12,23 3 ,36 189,51 98,34 342,66
1,0 4,32 10,34 60,49 26,02 172,29
1,5 2,58 5,53 27,40 11,99 90,29
2,0 1, 4 3,72 15,93 7,28 52,82
2,5 1,42 2 80 10,78 5,11 33,67
3,0 1,16 2,23 7,99 3,89 23,48
4,0 0,85 1,59 5,18 2,66 13,44
5,0 0,67 1,24 3,80 2,01 8,97
Tabela A.2 – TES (gráfico de EWMA);
h=1,000 (60 min.), n=3; =0,05; e
L
0,0 0,5 0,9 0,5 0,9
2,615 2,820 2,766 4,015 4,187
0,0 500,00 500,00 500,00 500,00 500,00
0,5 12,85 36,91 163,25 70,42 275,63
1,0 5,51 13,58 57,98 23,60 121,44
1,5 3,48 8,17 30,84 13,32 65,01
2,0 2,54 5,81 20,21 9,08 41,04
2,5 2,00 4,48 14, 6 6,84 28,88
3,0 1,65 3,66 11,72 5,50 21,95
4,0 1,23 2,66 8,18 3,94 14,53
5,0 0,96 2,10 6,27 3,08 10,73
Tabela A.3 – TES (gráfico de EWMA);
h=1,3333 (80 min.), n=4; =0,05; e
L
0,0 0,5 0,9 0,5 0,9
2,500 2,53 2,551 3,411 3,577
0,0 500,00 500,00 500,00 500,00 500,00
0,5 13,44 40,87 174,14 66,20 262,68
1,0 5,93 15,81 65,07 23,73 115,41
1,5 3,77 9,59 35,71 13,82 63,03
2,0 2,77 6,86 23,84 9,62 40,94
2,5 2,19 5,32 17,75 7,37 29,47
3,0 1,81 4,34 14,05 5,96 22,79
4,0 1,34 3,17 9,91 4,31 15,45
5,0 1,00 2,50 7,60 3,36 11,62
Tabela A.4 – TES (gráfico de EWMA);
h=1,6667 (100 min.), n=5; =0,05; e
L
0,0 0,5 0,9 0,5 0,9
2,400 2,413 2,414 3,074 3,185
0,0 500,00 500,00 500,00 500,00 500,00
0,5 13,97 45,41 183,27 67,28 287,49
1,0 6,27 18,03 72,26 25,26 113,34
1,5 4,01 11,03 40,40 15,02 63,41
2,0 2 94 7,91 27,28 10,58 41,89
2,5 2,33 6,16 20,52 8,14 30,71
3,0 1,93 5,03 16,27 6,61 24,03
4,0 1,39 3,68 11,54 4,80 16,52
5,0 1,03 2,91 8,90 3,76 12,53
Tabela A.5 – TES (gráfico de X );
h=1,3333 (80 min.), n=4;e
L
0,0 0,5 0,9 0,5 0,9
3,004 3,004 3,004 2,997 2,993
0,0 500,00 500,00 500,00 500,00 500,00
0,5 58,39 239,13 439,88 246,03 442,98
1,0 7,79 75,68 319,51 81,54 327,11
1,5 2,01 27,09 212,51 30,77 221,89
2,0 0,92 11,30 138,34 13,46 147,49
2,5 0,70 5,41 90,71 6,62 98,85
3,0 0,67 2,92 60,53 3,56 67,48
4,0 0,67 1,20 28,69 1,33 33,51
5,0 0,67 0,77 14,78 0,78 18,03
XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Inovação Tecnológica e Propriedade Intelectual: Desafios da Engenharia de Produção na Consolidação do Brasil no
Cenário Econômico Mundial Belo Horizonte, MG, Brasil, 04 a 07 de outubro de 2011.
15