Simpósio de Engenharia de Produção

Universidade Federal de Goiás – Regional Catalão

28 a 30 de agosto, Catalão, Goiás, Brasil

ANÁLISE PONDERADA DE CAPABILIDADE MÚLTIPLA DOS

PARÂMETROS DO PROCESO DE ALVENARIA DE BLOCOS
CERÂMICOS
Maíza Biazon de Oliveira, Universidade Federal de Goiás, biazonmaiza@gmail.com
Bruno Rocha Cardoso, Universidade Federal de Goiás, engebrunorocha@gmail.com
Núbia Rosa Silva, Universidade Federal de Goiás, nubiasrosa@gmail.com

Resumo: Diante da necessidade de atender os diversos critérios e requerimentos dos clientes, assim
como o atendimento de especificações e normas de qualidade, necessita-se de métricas e técnicas
que mensurem de forma múltipla e correlacionada as características de qualidade do processo e
produto. De forma a otimizar a tomada de decisão, e obter dados confiáveis para isto, esta pesquisa
propõe a validação e comprovação de um método estatístico multivariado ponderado (WPC), para
avaliação de índices de desempenho, Pp e Ppm, diante de métodos da literatura baseados na análise
de componentes principais (PCA). Esta pesquisa faz uso de processo controlado experimentalmente
para obtenção das características de qualidade: comprimento, largura e altura. Para validação do
método proposto, assim como os métodos da literatura, faz-se uso do intervalo de confiança
univariado como critério. Nota-se que por meio da análise estatística, o método proposto apresenta
valores dentro dos limites de especificação do intervalo de confiança univariado, comprovando
assim a validade do método, e apresenta-se mais eficiente que os métodos baseados no PCA, que em
sua maioria não atendem as especificações do intervalo de confiança.

Palavras-chave: Análise multivariada, Método dos componentes principais ponderados,

Alvenaria, Indíces de desempenho, Qualidade

1. INTRODUÇÃO

O setor cerâmico é um segmento fundamental para a construção civil, com uma significativa
demanda por produtos cerâmicos, sendo estes, pisos, soleiras, tijolos, blocos, placas cerâmicas e
outros (Silva, 2009). Dentre os produtos supracitados, no processo de alvenaria nota-se o uso
acentuado de blocos cerâmicos maciços, embora existam outras alternativas (Dias et al., 2016).
Também é observado que as indústrias de blocos cerâmicos são responsáveis por produzir cerca de 4
bilhões de peças/mês (ANICER, 2015). No entanto, segundo Jobim (2001), para os presidentes dos
Sindicatos da Indústria da Construção Civil (SINDUSCONs) o bloco cerâmico é o material com
maior índice de insatisfação. Cerca de 41% dos consumidores consideram que a qualidade dos
produtos fornecidos para as edificações seja insuficiente aos requisitos normativos e expectativas das
empresas.
O significativo nível de insatisfação se correlaciona com o inadequado processo de controle da
qualidade da produção dos blocos cerâmicos, a maioria das obras não possui processo documentado
de controle de qualidade e quando o possuem, estes são distintos dos requisitos da Associação
Brasileira de Normas Técnicas (ABNT) NBR 15270 (2017) (ROMANO; BACK; OLIVEIRA, 2001).
Visando reduzir o problema da ineficiência dos níveis de qualidade, o segmento ceramista
necessita de inovações tecnológicas e adesão de novas técnicas que forneçam subsídios para reduzir
a perda nos índices de qualidade do produto final (ROCHA; PALMA, 2012). Reforçando essa
necessidade, Dias et al., 2016, afirmam que com o intuito de se manterem com vantagem competitiva
no mercado, faz-se fundamental a adoção de práticas e técnicas de avaliação e melhoria da qualidade,
além do investimento em desenvolvimento tecnológico e capacitação de mão de obra.
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

Diante desse cenário, faz-se de extrema importância o uso do controle da qualidade dos
parâmetros de alvenaria para se alcançar a superfície de acabamento ideal, que está diretamente ligado
ao atendimento das especificações do processo conforme a necessidade do cliente final. Portanto,
necessita-se do auxílio de métricas de controle estatístico do processo (CEP) que avaliem a
capacidade do processo em atender estes requerimentos, tanto do processo quanto do cliente. Dentre
as métricas de avaliação do processo tem-se os métodos univariados e multivariados de capabilidade
de processos.
A capabilidade univariada e multivariada de processos certifica de forma estatística, por meio de
índices de capabilidade ou desempenho, quão capaz o processo é de atender uma característica de
interesse do cliente ou processo (JOHNSON, 2014). Em relação as métricas multivariadas, em
conformidade com Liu (2016), dentre as técnicas conhecidas na literatura, têm-se a análise de
componentes principais (PCA) do universo univariado que reflete medidas multivariadas por meio
dos métodos PCAM, PCAX e PCAW. O PCA não possui fácil análise e interpretação devido a
avaliação linear dos escores de componentes principais, este reflete métricas multivariadas por meio
dos métodos de literatura (Liu, 2016). Em contrapartida, tem-se a técnica componentes principais
ponderados (WPC), pouco abordada na literatura, que segundo Salmasnia e Kazemzadeh (2012),
utiliza a ponderação correlacionada de todas as respostas do processo. Ademais, este método
transforma as diversas variáveis do processo e um componente ponderado sem que haja perda de
informação no decorrer da análise múltipla (PEREIRA, 2017).
De acordo com Pearn e Kotz (2009), os processos, em sua maioria, possuem mais de uma
característica de interesse associada, no entanto, a maioria das avaliações de qualidade limitam-se a
análise de apenas uma característica de interesse, tornando a análise ineficiente. A vista disso, faz-se
necessário que a avaliação das respostas de um processo não seja quantificada apenas de forma
univariada, mas que se avalie o processo diante das diversas caraterísticas de qualidade fornecidas
pelo mesmo (Pearn e Kotz, 2009). Logo, o WPC contribui como nova metodologia para avaliação
dos processos, nesse caso de alvenaria, diante de abordagens convencionais que não ponderam de
forma correlacionada as características de interesse.
Devido a pouca abrangência em estudos voltados para análise multivariada e a necessidade de
avaliação múltipla do processo, este estudo tem como objetivo a avaliação da capabilidade das
múltiplas respostas do processo de produção de tijolos cerâmicos por meio do método WPC. De
forma específica, estimar os parâmetros do processo experimental de produção de blocos maciços,
avaliar os índices de capacidade e desempenho do método de componentes principais ponderados
(WPC) e dos métodos da literatura PCAM, PCAX e PCAW baseado no PCA. Ademais, visa-se
validar o método por meio de intervalos de confiança univariado e confrontar sua eficácia com os
métodos convencionais da literatura. Coelho, Oliveira e Peruchi (2014) e Oliveira et al. (2016)
comprovaram a eficácia do método WPC para dados obtidos, respectivamente, de Scagliarini (2011)
e dados simulados do processo de torneamento de aço ABNT 52100. Neste trabalho deseja-se
comprovar se é possível manter a eficácia do método para o processo experimental controlado das
características e qualidade do processo de produção de blocos cerâmicos maciços de alvenaria.

2. REFERENCIAL TEÓRICO

O processo industrial pode ser classificado como um conjunto de atividades que agregam valor às
entradas (inputs), transformando-as em saídas (output), envolvendo, feedback, endpoints e
transformações, de forma que atendam às necessidades e expectativas do cliente (GONÇALVES,
2000).
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

Em relação ao processo industrial de alvenaria, especificamente o de produção de blocos

cerâmicos, segundo Silva (2017), o setor possui impacto significativo na economia, representando
uma participação de 1,0% no Produto Interno Bruto (PIB) do Brasil. Ainda para Silva (2017) e para
ANICER (2015) este segmento encontra-se na maioria dos estados brasileiros, com aproximadamente
6.900 olarias e cerâmicas. Além disso, sabe-se que a produção das cerâmicas está dividida em 63%
de tijolos e blocos, 36% de telhas e 1% de tubos, sendo que a produção de blocos representa 4,8% do
faturamento da indústria de construção civil. Embora a produção de blocos cerâmicos possua uma
representatividade na economia, nota-se que o setor deixa a desejar em relação ao atendimento das
especificações de qualidade (BETINI, 2007; SILVA, 2009).
De acordo com Knowles (2011), visando aumentar a confiabilidade e controle dos processos e
produtos, o controle estatístico do processo (CEP) vem sendo empregado como medida para reduzir
os problemas associados ao mau gerenciamento do processo. Uma vez que, melhora a gestão
empresarial na maioria dos âmbitos, proporciona mais qualidade aos produtos, reduz custos, melhora
a qualidade e incrementa os lucros (KNOWLES, 2011).
Em conformidade com Hair et. al (2009), uma abordagem advinda do CEP trata-se da análise
estatística univariada e multivariada de dados. A técnica univariada mensura a capacidade do
processo em relação a uma única característica de interesse, enquanto a multivariada quantifica a
capacidade por meio de múltiplas respostas do processo (HAIR et. al 2009).
Segundo Mohanty (2016), dentre os métodos multivariados, tem-se o método de Análise de
Componentes Principais (PCA) da relação univariada que reflete respostas multivariadas por meio do
auxílio de métodos multivariados de literatura PCAM, PCAX e PCAW. O PCA faz a combinação
linear das características originais múltiplas de cada componente principal ortogonal (WAN; WANG;
ZHAO, 2016). Os escores de componentes principais e os limites de especificação inferior (LEI) e e
superior (LES) padronizados do método PCA podem ser obtidos, respectivamente, conforme
(JOHNSON, 2014), pelas Eqs. (1), (2) e (3).
𝑃𝐶𝑒𝑠𝑐𝑜𝑟𝑒 u′𝑇 x (1)
LEIPCi = u′i LEI (2)
LESPCi = u′i LES (3)

O PCA é obtido pelo produto entre os autovalores e as características de interesse analisadas

(JOHNSON, 2014). Ainda para Johnson (2014), os escores de componentes principais que assumiram
formas multivariadas por meio de métodos da literatura PCAM, PCAX e PCAW.
Os métodos de literatura tratam-se, conforme Coelho, Oliveira e Peruchi (2014), dos PCAM,
PCAX e PCAW baseados na análise de componentes principais e geram a capabilidade do processo
em termos multivariados. Os métodos PCAM, PCAX e PCAW foram quantificados por Wang e Chen
(1998), Perakis e Xekalaki (2012) e Scagliarini (2011) e são mensurados, respectivamente, pelas Eqs.
(4), (5) e (6).

1/𝑘
PCAM = MPp = (∏ki=1 Pp;PCi ) (4)
∑k
i=1 λi Pp;PCi
PCAX = MXPP = ∑k
(5)
i=1 λi
1/ ∑k
i=1 λi
λ
PCAW = MWPp = (∏ki=1 Pp;PC
i
i
) (6)

Tratando-se da avaliação do desempenho, em conformidade com Montgomery (2009) e Pearn e

Kotz (2006), os índices de desempenho Pp e Ppm são obtidos por meio da relação entre os limites de
especificação do processo superior (LES), inferior (LEI), valor alvo (T) média (µ) e desvio padrão
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

(σ) tanto para estimativas univariadas como multivariadas, que podem ser obtidos conforme a Eqs.
(7) e (8), respectivamente.
LES−LEI
Pp = 6σ (7)
LT
LES−LEI
Cpm /Ppm = (8)
6√σLT 2 +(µ−T)2

Em contrapartida aos métodos de literatura, ainda para Wan, Wang e Zhao (2016), tem-se o
método de Componentes Principais Ponderados (WPC) proposto por Wang (2005), que utiliza a
média geométrica para a avaliação ponderada das múltiplas respostas do processo de forma
correlacionada. O WPC é calculado pela Eq. (9), assim como seus limites pelas Eq. (10) e (11).

λ
WPC = ∑m i
i=1 [∑m λ (PCi )] (9)
k=1 k
LIEWPCS = LEI′ Uλ (10)
LSEWPCS = LES ′ Uλ (11)

Em conformidade com Peruchi et al. (2012), as especificações do intervalo de confiança

univariado podem ser estimadas pelas Eqs. (12) e (13) para os índices de desempenho Pp e Ppm.

̅ − t N−1,α⁄2 s
LIIC = M (12)
√N
s
̅
LSIC = M + t N−1,α⁄2 (13)
√N

Antes de efetuar qualquer análise estatística de desempenho ou capabilidade, faz-se necessário

que os dados brutos obedeçam um comportamento de distribuição normal. Quando isso não ocorre,
faz-se necessário o uso de uma transformação de dados para obter a normalidade destes (MARCÍLIO,
2017). Dentre as transformações, tem-se a transformação de Johnson, Eq. (14), que inclui valores
nulos e negativos (YEO E JOHNSON, 2000).

Y = γ + ητ(x; ε, λ ) = δg(x) (14)

Onde Y trata-se da variável normalmente ajustada, as variáveis γ,η,ε,e λ são obtidas por meio de
estimativas de uma família de curvas SU, SB e SL, desde que, sigam respectivamente os limites -
∞< x <∞, ε<x<ε+ λ, ε<x<∞. A variável x trata da observação a ser transformada. A função g(x),
dependendo do uso, pode assumir distribuições limitadas, não limitadas, arcseno e lognormal. A
transformação é obtida por meio de um melhor ajuste de Z, a função mais adequada é selecionada por
meio do cálculo do valor-p para cada dado transformado (AIAG, 2005; MARCÍLIO, 2017;
MONTGOMERY e RUNGER,2011; PEARN e KOTZ, 2006; YEO e JOHNSON, 2000).

3. PROCEDIMENTOS METODOLÓGICOS

Em conformidade com Prodanov e Freitas (2013), esse estudo caracteriza a abordagem do

problema como quantitativa, visto que, as variáveis de uma ocorrência serão tratadas de forma
estatística. Ainda para Prodanov e Freitas (2013), no que diz respeito aos procedimentos técnicos,
esta pesquisa enquadra-se em experimental, uma vez que visa a análise da influência de variáveis
conhecidas e controladas (PRODANOV; FREITAS, 2013). Ademais, devido a necessidade de
comprovar a eficácia do método multivariado WPC, esta pesquisa classifica-se em relação a seus
objetivos como explicativa pois investiga, mensura, registra e analisa fatores que influenciam uma
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

ocorrência de um determinado fenômeno (PRODANOV; FREITAS, 2013). Ainda em conformidade

com Prodanov e Freitas (2013), este estudo enquadra-se quanto a sua natureza em básica, por propor
o uso de uma nova metodologia para análise de processos de fresa.
Para o desenvolvimento do presente estudo, foi proposta uma sequência estruturada de etapas com
o objetivo de avaliar e validar o método de componentes principais ponderados. A etapas encontram-
se listadas a seguir:

✓ Etapa 1: Definição do processo e seu output a ser analisado;

✓ Etapa 2: Seleção das características de qualidade;
✓ Etapa 3: Definição dos parâmetros do sistema de medição;
✓ Etapa 4: Mensurações do processo experimental;
✓ Etapa 5: Estimativa dos escores de componentes principais PCs;
✓ Etapa 6: Obtenção dos autovalores, autovetores e percentual de explicação;
✓ Etapa 7: Cálculo dos limites de especificação do processo análogo aos limites de
especificação de engenharia do processo;
✓ Etapa 8: Quantificação da capacidade do processo;
✓ Etapa 9: Comparação e validação dos métodos por meio do intervalo de confiança
univariado.

Inicialmente, a Etapa 1 resume-se na definição de qual processo e qual produto do processo serão
analisados. Posteriormente, na Etapa 2, definem-se quais serão as características de qualidade do
output do processo que serão tratadas estatisticamente.
Tratando-se de uma análise experimental, faz-se fundamental para validação dos dados e do
sistema de medição analisado definir diversos parâmetros da mensuração. Para tanto, realiza-se a
Etapa 3, onde define-se a quantidade de operadores que realizam as mensurações, o número de
repetições, a quantidade de peças e o instrumento de medição. A Etapa 4, refere-se a coleta de dados
das características de qualidade.
A partir da Etapa 5 inicia-se o tratamento estatístico dos dados. Primeiramente, na Etapa 5, para
ambos métodos PCA e WPC, gerando os escores de componentes principais e escores ponderados,
respectivamente. Para o conjunto de mensurações das características de qualidade, com o auxílio
dos escores de componentes principais e matrizes de variância-covariância gera-se na Etapa 6 os
autovalores, autovetores e o percentual de explicação do processo.
Diante dos limites de especificação de engenharia do processo, são definidos o limite de
especificação superior e inferior e desvio padrão na Etapa 7, que posteriormente servirão de fonte de
dados para obtenção dos índices de capabilidade. Na Etapa 8, são estimados os índices de capacidade
e desempenho em termos multivariados dos métodos da literatura PCAM, PCAX e PCAW e do
método proposto WPC.
Em relação a Etapa 9, utilizou-se o intervalo de confiança univariado como critério de validação
dos métodos. Defende-se nessa etapa, que os valores dos índices obtidos pelos diversos métodos
multivariados tratados aqui, devem estar dentro dos limites do intervalo de confiança univariado e
quanto mais próximos os valores da média ou mediana possível.

4. DISCUSSÕES E RESULTADOS

Visando verificar a eficácia do método, o processo analisado trata-se do processo de produção de

tijolos cerâmicos de alvenaria, Etapa 1. As características de qualidade mensuradas foram largura
(Y1), altura (Y2) e comprimento (Y3) de tijolos cerâmicos de alvenaria, Etapa 2. Para realização das
medições, foram utilizadas 13 peças, 3 repetições e 5 operadores e como instrumento de medição
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

utilizou-se o paquímetro da marca Digimess com exatidão de ±0,05mm e capacidade de 200mm/8’’,

Etapa 3. E desse experimento controlado foram obtidas experimentalmente um total de 117
mensurações, Etapa 4.
As 117 mensurações realizadas para as características Y1, Y2 e Y3, com auxílio de um paquímetro
para 3 repetições e 5 operadores encontram-se na Tab. 1.

Tabela 1: Características da qualidade Y1, Y2 e Y3 das dimensões do tijolo (Fonte: Dados da pesquisa).
Y1 Y2 Y3 Nº Y1 Y2 Y3 Nº Y1 Y2 Y3
1 89,8 40,9 189,1 14 89,6 41,05 190,1 27 89,8 41,75 189,4
2 90,9 40,25 189,1 15 90,85 40,5 190,5 28 90,7 40,3 190,2
3 88,1 39,8 187,55 16 88,8 40,4 188,9 29 88,9 40 189
4 90,9 40,3 189,15 17 89,8 40,2 189,2 30 90,45 39,3 190,25
5 88,55 40,55 187,9 18 88,4 41,4 188,55 31 88,9 41 189,15
6 88,75 38,9 187,8 19 88,7 38,7 187,75 32 88,55 39,25 188,55
7 90,7 39,4 189,65 20 89,4 40,25 188,35 33 90,9 39,4 190,1
8 89,45 40,35 189,65 21 89,1 40 191,1 34 90,85 38,6 190,35
9 89,4 41 186,2 22 91 41,95 187,85 35 89,8 39,65 188,1
10 91,35 41 188,3 23 90,4 41,6 189,8 36 91,1 42,45 187,7
11 90 42,6 190 24 91,4 42,45 192,3 37 92,2 43,1 191,25
12 89,15 39,55 190,75 25 89,35 40,15 191,1 38 88,45 40,4 186,95
13 91 37,3 183,9 26 90,65 36,9 183,95 39 90 37,65 183,9

Tornando possível a análise multivariada dos dados para validação do método WPC, foram
adotadas como especificações de engenharia as especificações padronizadas das dimensões do tijolo
de alvenaria estabelecidas pela norma NBR15270:2017. Essas estimativas obtidas na norma
encontram-se na Tab. (2).

Tabela 2: Especificações de largura (𝐘𝟏 ), altura (𝐘𝟐 ) e comprimento (𝐘𝟑 ) (Fonte: Dados da pesquisa).
Variáveis LEI T LES
𝐘𝟏 35 40 45
𝐘𝟐 85 90 95
𝐘𝟑 185 190 195

4.1. Análise dos Componentes Principais

Com o auxílio dos limites de especificação de engenharia, as características, a matriz de variância-

covariância e a Eq. (1), foram gerados os escores de componentes principais, Etapa 5. Assim como
seus respectivos autovalores (λ), autovetores (U) e percentual de explicação (%PC) para cada
componente principal, Etapa 6. Esses valores encontram-se na Tab. (3).

Tabela 3: Análise dos componentes principais para Y1, Y2 e Y3 (Fonte: Dados da pesquisa).
Autovalor Autovetores (U)
PCs %PC
(λ) Y1 Y2 Y3
PC1 4,5151 0,1099 -0,4729 0,8742 0,679
PC2 1,1563 0,4868 -0,7412 -0,4621 0,174
PC3 0,9769 0,8665 0,4764 0,1488 0,147
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

Seguindo o passo a passo proposto, faz-se necessário a obtenção dos limites de especificação em
termos de escores de componentes principais, Etapa 7. Para tanto, a padronização dos limites de
especificação de engenharia em termos de escores componentes principais para a obtenção dos
índices multivariados de literatura PCAM, PCAX e PCAW baseados no método univariado PCA,
fez-se o uso das Eqs. (1), (2) e (3). Essas especificações em termos de escores encontram-se na Tab. (4).

Tabela 4: Especificações do processo utilizando PCA (Fonte: Dados da pesquisa).

LEIPCA TPCA LESPCA
205,5394 212,8558 220,1722
8,5801 4,89154 1,2030
18,8398 21,6442 24,4486

Com auxílio dos limites de especificação padronizados para PCi e as Eqs. (7) e (8) para os índices
Pp e Ppm, respectivamente, além do uso da transformação Johnson Eq. (14) para obtenção da
normalidade do vetor de dados do primeiro escore de componente principal Pc1 foram obtidos os
índices de desempenho, Etapa 8. Estes encontram-se expostos na Tab. (5) para cada vetor de escore
de componente principal.

Tabela 5: Estimativas univariadas utilizando PCA (Fonte: Dados da pesquisa).

PCA𝐏𝐩 PCA𝐏𝐩𝐦
PC1 0,113 0,025
PC2 1,144 0,095
PC3 0,552 0,014

As estimativas de desempenho dos métodos de literatura multivariadas PCAM, PCAX e PCAW

baseados nas estimativas univariadas dos PCA foram obtidas por meio dos dados da Tab. (5) e das
Eqs. (4), (5) e (6), respectivamente, conforme a Etapa 8. Essas estimativas de desempenho para
métodos de literatura encontram-se na Tab. (6).

Tabela 6: Índices multivariados de acordo com a literatura (Fonte: Dados da pesquisa).

Índices Multivariados
Índices PCAM PCAX PCAW
Pp 0,415 0,357 0,213
Ppm 0,032 0,036 0,029

4.2. Análise dos Componentes Principais Ponderados (WPC)

Assim como para os demais métodos, faz-se necessário a padronização dos limites de
especificação, nesse caso, em termos de ponderação multivariada, Etapa 7. Com o auxílio da Tab. (2)
e as Eqs. (9), (10) e (11) obteve-se os limites de especificação em termos multivariados, Tab. (7).

Tabela 7: Especificações multivariadas do processo utilizando WPC (Fonte: Dados da pesquisa).

𝐋𝐄𝐈𝐖𝐏𝐂𝐬 𝐓𝐖𝐏𝐂𝐬 𝐋𝐄𝐒𝐖𝐏𝐂𝐬
143,82 148,56 153,30
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

Como o método de componentes principias ponderados, leva em consideração todos os

escores de componentes principais e sua ponderação na análise das estimativas de desempenho, faz-
se apenas necessário obter os limites de especificação em termos multivariados, Tab. (7), para obter
os índices de desempenho por meio das Eqs. (7) e (8), Etapa 8. Para esse caso específico, fez-se o uso
da transformação de dados, Eq. (14) de Johnson com a curva SU para obtenção da normalidade dos
dados. Os índices de desempenho multivariados são apresentados na Tab. (8) e Fig. 1.

Tabela 8: Estimativas de desempenho multivariadas (Fonte: Dados da pesquisa).

Índices Multivariados WPC

Pp Ppm
0,850 0,430

Figura 1: Estimativas multivariadas para índices Pp e Ppm (Fonte: Imagem da pesquisa).

Como essa pesquisa visa validar o método proposto WPC e demonstrar sua eficácia em relação aos
demais métodos estatísticos sob o processo de tijolos cerâmicos de alvenaria, como critério de
validação foram obtidos o intervalo de confiança univariados por meio das Eqs. (12), (13), Etapa 9.
Para que os métodos da literatura quanto pelo método proposto para avaliação de índices de
desempenho sejam validados faz-se necessário que os índices obtidos por cada método se encontrem
dentro do intervalo de confiança univariado.

Tabela 9: Índices Multivariados e Intervalo de Confiança (Fonte: Dados da pesquisa).

IC Univariado Índices Multivariados
Ind. Mediana LIEic LSEic WPC PCAM PCAX PCAW
Pp 1,205 0,869 1,619 0,850 0,415 0,357 0,213
Ppm 0,034 0,033 0,735 0,430 0,032 0,036 0,029

Nota-se que para o índice Pp nenhum método se mostrou eficaz, no entanto, o método proposto
WPC foi o que mais se aproximou das especificações do intervalo de confiança, Ppwpc= 0,850 com
ICPp = [0,869; 1,619]. Já em relação ao índice Ppm, nota-se que o método proposto atendeu as
especificações, Ppmwpc= 0,430 e com ICPpm = [0,033; 0,735], enquanto os métodos de literatura
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

PCAM e PCAW apresentaram-se ineficazes, com exceção do método PCAX que ficou dentro do
limite do intervalo de confiança.

5. CONSIDERAÇÕES FINAIS

Como o intuito dessa pesquisa, por meio do uso das técnicas estatísticas do universo multivariado,
era comprovar a eficácia da análise multivariada, especificamente o método WPC pouco abordado
em relação a métodos de literatura, nota-se que o objetivo foi alcançado. Além disso, nota-se que os
valores dos índices obtidos pelo WPC sejam melhores que os índices obtidos pelos outros métodos,
uma vez que, o método proposto pondera a correlação das características de qualidade, uma vez que
se aproximaram mais do valor alvo do intervalo de confiança, Ppwpc= 0,850 com ICPp = [0,869; 1,619]
e Ppmwpc= 0,430 e com ICPpm = [0,033; 0,735].
No mais, observa-se que o método de componentes principais ponderados (WPC) é mais fácil de
se utilizar pois avalia-se em uma única vez a capabilidade para correlação de escores ponderados
enquanto os demais métodos multivariados fazem a avaliação de cada conjunto de escores principais.
Diante disso, a técnicas de literatura podem não considerar uma correlação significativa das
características no momento de se estimar os parâmetros de capacidade estatística do processo.
Espera-se que estre estudo contribua na repercussão da técnica multivariada, auxiliando os
gestores a avaliarem a capabilidade do processo diante dos diversos parâmetros e requisitos do
processo e do cliente. Incrementando assim, na qualidade percebida do processo e produtos. Uma vez
que, quando o processo atende as especificações pré-estabelecidas, ou seja, apresenta-se capaz,
consequentemente reduz-se a variabilidade do processo incrementando na qualidade que, por sua vez,
é inversamente proporcional a variabilidade.
No âmbito acadêmico a pesquisa contribui para a discussão da possibilidade de implementação
das técnicas multivariadas em outras áreas de atuação, além do controle estatístico do processo e a
gestão de desenvolvimento de processo e produtos, para avaliação das diversas características de
processos, produtos e serviços. Contribuindo dessa forma, como um método de avaliação, controle
e posterior melhoria processo.

6. REFERÊNCIAS

BETINI, D. G. Inovação na tecnologia de produtos de cerâmica vermelha com uso de chamote em

São Miguel do Guamá. 2007.113p. (Dissertação de Mestrado) - Programa de Pós-Graduação em
Engenharia Civil, Universidade Federal do Pará, Belém, 2007.
COELHO, Débora Alves; OLIVEIRA, Maíza Biazon de; PERUCHI, Rogério Santana. Análise de
processos multivariados: aplicada aos índices de desempenho. 2016.
DIAS, Lilian Lima et al. Desenvolvimento de um novo produto cerâmico para pavimentação de
passeios e áreas públicas. Ambiente Construído, v. 16, n. 4, p. 155-165, 2016.
GONÇALVES, José Ernesto Lima. As empresas são grandes coleções de processos. Revista de
administração de empresas, v. 40, n. 1, p. 6-9, 2000.
HAIR, Joseph F. et al. Análise multivariada de dados. Bookman Editora, 2009.
JOHNSON, Richard Arnold et al. Applied multivariate statistical analysis. New Jersey: Prentice-
Hall, 2014.
JOBIM, M. S. S. Principais Problemas Enfrentados pelas Empresas. Universidade de Santa Maria.
Santa Maria. 2001.
KNOWLES, Graeme. Quality management. Bookboon, 2011.
LIU, Weifeng et al. Large-scale paralleled sparse principal component analysis. Multimedia Tools
and Applications, v. 75, n. 3, p. 1481-1493, 2016.
 Simpósio de Engenharia de Produção
Universidade Federal de Goiás – Regional Catalão
28 a 30 de agosto, Catalão, Goiás, Brasil

MARCÍLIO, B. F. F. M, Verificação de premissas da Contabilidade ambiental em emergia: hierarquia

de energia, transformidade e robustez. Programa de mestrado e doutorado em engenharia de
produção. 2017. Tese de doutorado. Universidade paulista.
MOHANTY, Saumya Darsan et al. Optimization of Multiple Surface Roughness Characteristics of
Electric Discharge Machined D2 Steel with the help of a Tool Produced by Rapid Prototyping
using Weighted Principal Component Analysis and Taguchi Method. Imperial Journal of
Interdisciplinary Research, v. 2, n. 11, 2016.
MONTGOMERY, D. C. Introduction to statistical quality control. 6th ed. John Wiley & Sons, Inc.,
2009. p. 363.
PEARN, W. L.; KOTZ, Samuel. Encyclopedia and handbook of process capability indices: a
comprehensive exposition of quality control measures. 2006.
PEREIRA, Robson Bruno Dutra et al. Multivariate robust modeling and optimization of cutting forces
of the helical milling process of the aluminum alloy Al 7075. The International Journal of
Advanced Manufacturing Technology, p. 1-25, 2017.
PERUCHI, R. S.; PAIVA, P. A.; BALESTRASSI, P. P.; DIAZ, G. A. Simulated analysis for
multivariate gr&r study. In: International Conference on Industrial Engineering and Operations
Management. 2012, 12 p.
RAY, Amitava et al. Optimization of process parameters of green electrical discharge machining
using principal component analysis (PCA). The International Journal of Advanced
Manufacturing Technology, v. 87, n. 5-8, p. 1299-1311, 2016.
ROCHA, A.F., PALMA, M.A.M. Innovation management and competitive capacity: A non-
parametric analysis in the red ceramic sector of Campos dos Goytacazes, RJ Brazil. Scopus,
2012.
ROMANO, Fabiane Vieira; BACK, Nelson; OLIVEIRA, Roberto de. A importância da modelagem
do processo de projeto para o desenvolvimento integrado de edificações. In: WORKSHOP DE
GESTÃO DO PROCESSO DE PROJETO NA CONSTRUÇÃO DE EDIFÍCIOS, São Carlos.
2001.
SALMASNIA, Ali; KAZEMZADEH, Reza Baradaran; NIAKI, Seyed Taghi Akhavan. An approach
to optimize correlated multiple responses using principal component analysis and desirability
function. The International Journal of Advanced Manufacturing Technology, v. 62, n. 5-8, p. 835-
846, 2012.
SILVA, Denilson Costa; DE ARAÚJO ICHIHARA, Jorge. BALANCEAMENTO DE LINHAS DE
PRODUÇÃO DE UMA EMPRESA DE CERÂMICA VERMELHA DE SÃO MIGUEL DO
GUAMÁ ATRAVÉS DE SIMULAÇÃO DE EVENTOS DISCRETOS. REVISTA PRODUÇÃO
E ENGENHARIA, v. 8, n. 1, p. 679-695, 2017.
SILVA, A. V. Análise do processo produtivo dos tijolos cerâmicos no estado do Ceará – da extração
da matéria-prima à fabricação. Trabalho de Conclusão de Curso (Graduação em Engenharia
Civil), 2009.
WAN, Xiaodong; WANG, Yuanxun; ZHAO, Dawei. Multi-response optimization in small scale
resistance spot welding of titanium alloy by principal component analysis and genetic algorithm.
The International Journal of Advanced Manufacturing Technology, v. 83, n. 1-4, p. 545-559,
2016.
YEO I-K, Johnson R. A new family of power transformations to improve normality or symmetry.
Biometrika. 2000; 87: 954-959.

7. DIREITOS AUTORAIS
Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu
trabalho.