XXIV Encontro Nac. de Eng.

de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

Estudo sobre o efeito da Autocorrelao de Modelos AR(1) no Controle Estatstico de Processo

Fernando de Jesus Moreira Junior (UFRGS) fmjunior@ufrgs.br Carla Schwengber ten Caten (UFRGS) tencaten@producao.ufrgs.br

Resumo Este trabalho apresenta um estudo sobre o efeito da autocorrelao em sries que apresentam um comportamento auto-regressivo de primeira ordem AR(1) no Controle Estatstico de Processo (CEP). Para tanto, foram realizadas simulaes de sries temporais em determinados nveis de correlao em modelos AR(1), e analisados os resultados obtidos. Palavras chave: Autocorrelao, Modelos Auto-Regressivos de Primeira Ordem, Controle Estatstico de Processo. 1. Introduo Os Grficos de Controle (Grficos de Shewhart), ferramentas surgidas no advento do Controle Estatstico de Processo (CEP), tm sido amplamente utilizados nos dias de hoje. Essa tcnica, criada originalmente por Shewhart, na dcada de 20 nos Estados Unidos, foi sendo aperfeioada com o passar do tempo e, por sua eficcia na monitorao de processos, passou a ser utilizada nos mais diversos ramos. Para Deming (1990), essa a maneira mais fcil de examinar os dados para questionar o estado de controle estatstico que produziu esses dados. As suposies necessrias para a implantao de um grfico de controle (ou carta de controle) so que as observaes a serem monitoradas devem ser independentes e normalmente distribudas. Entretanto, muitas vezes na prtica essas suposies no so atendidas ou verificadas. Segundo Montgomery (1997), quando a suposio de normalidade violada leve ou moderadamente, esses grficos de controle funcionam razoavelmente bem, entretanto quando a suposio de independncia dos dados violada, ou seja, a srie apresenta autocorrelao (ou correlao serial), o grfico de controle no funciona corretamente, podendo indicar muitos falsos alarmes, isto , indicando possveis causas especiais quando na verdade so causas comuns, e no identificando causas especiais reais. Para que esses dados possam ser utilizados no CEP, necessrio primeiro tratar da questo da autocorrelao e, depois, ento, aplicar o CEP tradicional. Uma forma conveniente para o tratamento da autocorrelao a utilizao de modelos ARIMA (Auto-Regressivo Integrado e de Mdia Mvel). O ajuste de um modelo ARIMA adequado gera resduos independentes e normalmente distribudos, que podem ser monitorados com as tcnicas tradicionais de CEP. Moreira (2003) apresenta uma coletnea de diversas tcnicas para o tratamento de dados autocorrelacionados. Este trabalho apresenta um estudo sobre o efeito da autocorrelao de modelos AutoRegressivos de Primeira Ordem, AR(1), no Controle Estatstico de Processos em grficos de controle para valores individuais e para amplitude mvel. Para tanto, foram realizadas simulaes de modelos AR(1) em CEP com autocorrelao positiva e negativa, forte e moderada. Os resultados so apresentados no item 3. 2. Modelos Auto-Regressivos de Primeira Ordem: AR(1) Os modelos AR(1), Auto-Regressivos de Primeira Ordem, so relativamente simples e

ENEGEP 2004

ABEPRO

1705

XXIV Encontro Nac. de Eng. de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

bastante encontrados na prtica, principalmente em indstrias qumicas. Montgomery e Mastragelo (1991) apresentam um estudo onde um parmetro crtico de um processo qumico possui comportamento descrito por um modelo AR(1) com uma forte correlao positiva. No CEP tradicional, as observaes xt podem ser modeladas pela equao xt = + t , onde (2.1)

a mdia do processo (mdia constante), e t um erro aleatrio (independente e normalmente distribudo com mdia zero e desvio padro ).
Em um processo AR(1), as observaes xt so modeladas atravs da equao xt = + xt 1 + t onde e so constantes desconhecidas e ( 1 < < 1) . Esse processo possui mdia (1 ) e desvio padro 1 2 (2.2)

12

A caracterstica fundamental de um processo AR(1) se resume no fato da observao atual estar correlacionada com a primeira observao anterior., ou seja, h uma correlao significativa na primeira defasagem (ou no primeiro lag), isto , entre xt e xt-1. Como xt-1 tambm est relacionada com xt-2, h indiretamente uma correlao na segunda defasagem, entre xt e xt-2. Entretanto, no caso de sries AR(1), essa correlao est implcita na primeira defasagem. Essa seqncia de correlaes em sucessivas k defasagens pode ser expressa graficamente pelo Grfico de Correlograma da FAC (Funo de Autocorrelao). A FAC definida por
k = k cov( xt , xt k ) = var( xt ) 0
nk t =1

(2.3)

e estimada por rk = k = 0

(x

x )( xt k x )
.
i

(x
i =1

(2.4)

x)

Esse coeficiente de correlao tambm pode ser obtido atravs da regresso simples xt = k x t k + t . (2.5)

Um outro Grfico de Correlograma apresenta a Funo de Autocorrelao Parcial (FACP). Denotada por kk., a FACP, semelhantemente a FAC, mede a correlao entre as observaes que esto k perodos afastados, entretanto remove o efeito das correlaes intermedirias, ou seja, a correlao entre xt e xt-k depois de remover a influncia de xt-1, xt-2, ...xt-k+1. Esse coeficiente de correlao obtido atravs da regresso mltipla xt = k1 xt 1 + k 2 xt 2 + ... + kk xt k (2.6)

Em um processo AR(1), o comportamento da FAC semelhante a uma queda exponencial, quando > 0; e semelhante a uma queda exponencial alternando entre valores positivos e negativos, quando < 0. J a FACP apresenta apenas um pico significativo na primeira

ENEGEP 2004

ABEPRO

1706

XXIV Encontro Nac. de Eng. de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

defasagem: positivo se > 0, e negativo se < 0. As figuras 1 e 2 apresentam esses padres de comportamento. Nota-se que esse valor significativo o mesmo da FAC.

Fonte: (Adaptado de Fischer, 1982)

Figura 1 Padres de comportamento dos Grficos dos Correlogramas da FAC e da FACP, respectivamente, para > 0

Fonte: (Adaptado de Fischer, 1982)

Figura 1 Padres de comportamento dos Grficos dos Correlogramas da FAC e da FACP, respectivamente, para < 0

Fischer (1982) apresenta padres de correlogramas da FAC e da FACP para diversos modelos ARIMA. Outras tcnicas para a identificao dos Modelos ARIMA podem ser encontradas em Toloi e Morettin (1985). Enquanto que as verdadeiras observaes possuem o comportamento descrito pela equao 2.2, o modelo para o ajuste dos dados dado pela equao
x + t = x 1 t 1

(2.7)

Nota-se que a varivel independente no estimada, mas obtida das observaes originais. Esse fato permite que as previses s possam ser obtidas um passo a frente, ou seja, no possvel fazer uma previso maior que um perodo.
e sejam adequados (no tendenciosos), das equaes Considerando que os estimadores 2.2 e 2.7 obtemos os erros ou resduos t t = xt x (2.8)

Se o Modelo for adequado aos dados, esses resduos sero independentes e normalmente distribudos. Dessa forma as tcnicas tradicionais de CEP podem ser aplicadas aos resduos, e os grficos de controle funcionaro corretamente para a deteco de causas especiais.
3. Simulao dos Modelos AR(1)

Para analisar o efeito da autocorrelao de Modelos AR(1) no CEP, foram realizadas 8 simulaes descritas na tabela 1. O erro utilizado nas simulaes possua distribuio normal com mdia igual a zero e desvio padro igual a 1 unidade. O valor do termo constante foi escolhido de tal forma que a mdia terica das sries fosse igual a 10 unidades. Para cada um dos modelos simulados, obteve-se o Grfico de Controle dos valores individuais e da amplitude mvel, para as observaes originais e para os resduos, para tamanhos de amostra de amplitude mvel igual a 2. Entretanto, esse trabalho apresenta apenas os grficos de controle dos casos considerados crticos que so os modelos 1-a e 2-a (autocorrelao

ENEGEP 2004

ABEPRO

1707

XXIV Encontro Nac. de Eng. de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

positiva sem a presena de causas especiais), e 3-b e 4-b (autocorrelao negativa com a presena de causas especiais). Esses grficos so apresentados n as figuras 3, 4, 5 e 6. Para o ajuste dos modelos AR(1), foi utilizado o mtodo dos mnimos quadrados atravs de regresso simples. Os grficos de correlograma da FAC e da FACP so apresentados nas figuras 7, 8 9 e 10.
Modelo Simulado AR(1) 1-a) xt = 0,9 xt 1 + 1 + t 1-b) xt = 0,9 xt 1 + 1 + t 2-a) xt = 0,5 xt 1 + 5 + t 2-b) xt = 0,5 xt 1 + 5 + t 3-a) xt = 0,5 xt 1 + 15 + t 3-b) xt = 0,5 xt 1 + 15 + t 4-a) xt = 0,9 xt 1 + 19 + t 4-b) xt = 0,9 xt 1 + 19 + t Presena de Causas Especiais No Sim No Sim No Sim No Sim Tabela 1 Modelos AR(1) Simulados Grau da Autocorrelao Positiva e forte Positiva e forte Positiva e moderada Positiva e moderada Negativa e moderada Negativa e moderada Negativa e forte Negativa e forte

Segundo Ribeiro e ten Caten (2001), quando monitora-se os valores individuais no pode-se levar em considerao o teorema do limite central. Umas das conseqncias disso a presena de correlao nos pontos da carta de amplitude mvel. Devido a esse fato, os grficos de controle para a amplitude mvel no sero analisados.

16,00 15,00 14,00 13,00 12,00 11,00 10,00 9,00 8,00 7,00 6,00 17 25 33 41 49 57 65 73 81 89 97 1 9 Dados LIC LSC LC

3,00 2,00 1,00 0,00 17 25 33 41 49 57 65 73 81 89 97 1 9 -1,00 -2,00 -3,00 Dados LIC LSC LC

Figura 3 Grficos de Controle para as observaes e os resduos do Modelo 1-a, respectivamente

13,00 12,00 11,00 10,00 9,00 8,00 7,00 6,00 1 9 17 25 33 41 49 57 65 73 81 89 97

2,80 1,80
Dados LIC LSC LC

0,80 -0,20 -1,20 -2,20 -3,20

Dados LIC 17 25 33 41 49 57 65 73 81 89 97 LSC LC 1 9

Figura 4 Grficos de Controle para as observaes e os resduos do Modelo 2-a, respectivamente

ENEGEP 2004

ABEPRO

1708

XXIV Encontro Nac. de Eng. de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

16,00 15,00 14,00 13,00 12,00 11,00 10,00 9,00 8,00 7,00 6,00 1 9 17 25 33 41 49 57 65 73 81 89 97 Dados LIC LSC LC

4,00 3,00 2,00 1,00 0,00 -1,00 -2,00 -3,00 -4,00 17 25 33 41 49 57 65 73 81 89 97 1 9 Dados LIC LSC LC

Figura 5 Grficos de Controle para as observaes e os resduos do Modelo 3-b, respectivamente

25,00 20,00 15,00 10,00 5,00 0,00 1 9 17 25 33 41 49 57 65 73 81 89 97 Dados LIC LSC LC

4,00 3,00 2,00 1,00 0,00 -1,00 -2,00 -3,00 -4,00 17 25 33 41 49 57 65 73 81 89 97 1 9 Dados LIC LSC LC

Figura 6 Grficos de Controle para as observaes e os resduos do Modelo 4-b, respectivamente

1,0

1,0

,5

,5

0,0

0,0

-,5 Intervalo Conf

-,5 Intervalo Conf

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

FACP

FAC

Coeficiente

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Coeficiente

Defasagem

Defasagem

Figura 7 Grficos de Correlograma da FAC e da FACP respectivamente para o Modelo 1-a

ENEGEP 2004

ABEPRO

1709

XXIV Encontro Nac. de Eng. de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

1,0

1,0

,5

,5

0,0

0,0

-,5 Intervalo Conf.

-,5 Intervalo Conf.

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

FACP

FAC

Coeficiente

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Coeficiente

Defasagem

Defasagem

Figura 8 Grficos de Correlograma da FAC e da FACP respectivamente para o Modelo 2-a

1,0

1,0

,5

,5

0,0

0,0

-,5 Intervalo Conf.

-,5 Intervalo Conf.

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

FACP

FAC

Coeficiente

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Coeficiente

Defasagem

Defasagem

Figura 9 Grficos de Correlograma da FAC e da FACP respectivamente para o Modelo 3-b

1,0

1,0

,5

,5

0,0

0,0

-,5 Intervalo Conf.

-,5 Intervalo Conf.

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

FACP

FAC

Coeficiente

-1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Coeficiente

Defasagem

Defasagem

Figura 10 Grficos de Correlograma da FAC e da FACP respectivamente para o Modelo 4-b

4. Anlise dos Resultados

Considerando o modelo simulado 1, correlao positiva e forte (figura 3), pode-se observar uma forte tendncia de comportamento do modelo em assinalar diversas causas especiais. Entretanto, muitas dessas causas (ou at mesmo todas) podem no ser causas especiais, como mostra o grfico de resduos da figura 3. O modelo pode tambm no assinalar verdadeiras
ENEGEP 2004 ABEPRO 1710

XXIV Encontro Nac. de Eng. de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

causas especiais. Os grficos de correlograma da FAC e da FACP (figura 7) mostram que o modelo ideal para o ajuste do modelo simulado 1 realmente um AR(1) com > 0. Observando o modelo simulado 2, onde a correlao positiva e moderada (figura 4), tambm percebe-se uma tendncia de comportamento em assinalar vrias causas especiais, entretanto em menor quantidade que o modelo 1. Da mesma forma todas ou quase todas podem no ser causas especiais, como verificado nos grficos de resduos da figura 4. Um fato interessante constatado pelo grfico de correlograma da FAC (figura 8) mostra que a partir do lag 2 os coeficientes no so significativos. Isso indica que o modelo tambm pode ser ajustado adequadamente por um modelo de Mdia Mvel de Primeira Ordem, MA(1), que no abordado nesse estudo. Pode-se observar que o correlograma da FACP tambm possui apenas o primeiro lag significativo. Isso permite tambm a utilizao do CEP tradicional, sem problemas de autocorrelao, se o intervalo de amostragem fosse duplicado, ou seja, em vez de coletar a cada perodo de tamanho t, coletar a cada perodo 2t. Quanto ao modelo simulado 3, cuja correlao negativa e moderada (figura 5), nota-se uma tendncia de comportamento em no assinalar causas especiais, mesmo que elas existam. O grfico de resduos da figura 5 aponta causas especiais existentes que no foram assinaladas pelo modelo. Semelhantemente ao modelo simulado 2, o grfico de correlograma da FAC (figura 9) pode indicar que um modelo MA(1) tambm seja adequado, pois a correlao no lag 2 levemente significativa. Finalmente, para o modelo simulado 4, onde a correlao negativa e forte (figura 6), observa-se uma tendncia clara em no assinalar causas especiais. Como pode-se verificar no grfico de resduos da figura 8, esse modelo no consegue assinalar as causas especiais, tratando-as como causas comuns. Outra caracterstica marcante desse modelo o fato de oscilar em torno da mdia, geralmente alternando dentre valores acima e abaixo da mdia, tambm observado no modelo simulado 3, mas no to evidente quanto neste. Os grficos de correlogramas desse modelo (figura 10) sugerem claramente que a srie pode ser ajustada por um modelo AR(1) com < 0.
4. Concluses

Atravs desse estudo, baseado em simulaes de modelos AR(1) com o intuito de analisar o efeito da autocorrelao desses modelos no desempenho do CEP, foi possvel obter diversas concluses. Quando um modelo AR(1) possui autocorrelao positiva, quanto mais forte essa correlao, maior a tendncia do modelo em apontar supostas causas especiais que so falsos alarmes. medida que essa correlao for diminuindo, continuaro surgindo alarmes falsos, entretanto com menor intensidade. Quando a correlao prxima de zero, geralmente ela no ser significativa, isto , os dados podero ser considerados independentes e o CEP poder ser aplicado normalmente. Quando um modelo AR(1) possui autocorrelao negativa, quanto mais forte essa correlao, maior a tendncia do modelo em no apontar causas especiais, ou seja, misturar as causas especiais com causas comuns. medida que a intensidade dessa correlao for diminuindo, essa tendncia vai enfraquecendo. Semelhantemente ao AR(1) com > 0, quando a correlao prxima de zero, geralmente ela no ser significativa. medida que a correlao na primeira defasagem for se aproximando de zero, tanto para correlao positiva quanto negativa, o comportamento do correlograma da FAC tende a cair exponencialmente mais rapidamente. Em muitos casos, somente a correlao da primeira defasagem torna-se significativa, o que implica que o modelo tambm pode ser ajustado adequadamente por um MA(1). Poderia se pensar em um ARMA(1,1), entretanto esse ajuste
ENEGEP 2004 ABEPRO 1711

XXIV Encontro Nac. de Eng. de Produo - Florianpolis, SC, Brasil, 03 a 05 de nov de 2004

no vivel, pois nesse caso o efeito dos dois termos (do termo AR e do termo MA) se anula e eles passam a no serem significativos. No caso em que ambos os correlogramas da FAC e da FACP possuem somente o primeiro lag, poderia se utilizar CEP tradicional sem precisar ajustar por algum modelo se o intervalo de amostragem fosse duplicado. Dessa forma, a autocorrelao no seria constatada nos grficos de controle. Quando a autocorrelao fraca, prxima de zero, geralmente ela no significativa, e as tcnicas de CEP tradicional podem ser utilizadas.
Referncias
DEMING, W.E. (1990) - Qualidade: A revoluo da Administrao. 1 Edio. Editora Marques Saraiva. Rio de Janeiro. FISCHER, S. (1982) - Sries Univariantes de Tempo metodologia de Box & Jenkins. FEE. Porto Alegre. MONTGOMERY, D.C. (1997) - Introduction to Statistical Quality Control. 3 Edio. John Wiley & Sons. New York. MONTGOMERY, D.C. & MASTRAGELO, C.M. (1991) - Some Statistical Process Control Methods for Autocorrelated Data. Journal of Quality Technology, v. 23, n. 3, p. 179-193. MOREIRA, F.J.J. (2003) - Monografia (Graduao em Estatstica) Controle Estatstico de Processo para Dados Autocorrelacionados. Departamento de Estatstica, Instituto de Matemtica, Universidade Federal do Rio Grande do Sul. RIBEIRO, J.L.D. & CATEN, C.S.T. (2001) - Controle Estatstico do Processo. FEENG/UFRGS. Porto Alegre. TOLOI, C.M.C. & MORETTIN, P.A. (1985) - Previso de Sries Temporais. Atual Editora. So Paulo.

ENEGEP 2004

ABEPRO

1712