ESTRUTURAÇÃO DE UMA EQUAÇÃO
DE PREVISÃO DE TEMPO DE
SECAGEM DE SEMENTES DE MILHO:
UMA ANÁLISE ESTATÍSTICA DAS
VARIÁVEIS DO PROCESSO POR MEIO
DE REGRESSÃO LINEAR MÚLTIPLA
Cleiber Donizete de Sousa (Unifran )
Matheus Silva Castro (Unifran )
Flavio Henrique De Oliveira Costa (Unifran )
TAIRON HENRIQUE GALHARDI (Unifran )
KAREN VILELA DE ABREU (Unifran )
Este trabalho analisa a relação entre as variáveis de maior
significância no processo de secagem de sementes de milho, para
obtenção de uma equação de previsão de tempo deste processo, para
tal foi utilizado o método de regressão linear múlltipla. O método de
pesquisa utilizado foi o de pesquisa aplicada com uma abordagem
quantitativa e objetivo exploratório. Avaliar a relação entre as
variáveis do processo e construir a equação de previsão dos tempos de
secagem foi o objetivo alcançado por este trabalho. A previsibilidade
dos tempos de processo são fundamentais ao planejamento da
produção, com dados exatos o sequenciamento da produção pode ser
otimizado. Palavras-chaves: regressão linear múltipla, previsão,
relação de variáveis.
Palavras-chaves: Secagem de sementes, tempo de processo, regressão
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
2
1. Introdução
No atual cenário altamente competitivo proporcionado pela evolução, globalização e
mudanças de cenários da economia mundial, estabelecem que empresas tenham compromisso
ainda maior com a melhoria contínua de seus produtos, processos e na eliminação sistemática
de desperdícios, proporcionando assim a satisfação de seus clientes nos aspectos de
desempenho que os nichos de mercados mais valorizam entre eles: produtos com qualidade,
baixo custo, velocidade, flexibilidade e confiabilidade de entrega (CORRÊA, GIANESI e
CAON; 2001).
Partindo destas exigências, empresas buscam novos conceitos e métodos para as auxiliarem
em sistemas de produção e melhorias de processos. A correta previsão do tempo de secagem
das sementes de milho evitará imprevistos no que se refere ao sequenciamento e planejamento
de produção.
O problema de sequenciamento consiste em determinar a ordem de produção dos lotes de
forma a minimizar os tempos de preparação. (JOHNSON e MONTGOMERY, 1974; HAX e
CANDEA, 1984; GRAVES et al., 1993; GERSHWIN, 1994; NAHMIAS, 1995 apud TOSO
e MORABITO, 2005). Ainda segundo Toso e Morabito (2005) o sequenciamento e
programação dos lotes são posteriores ao dimensionamento dos lotes [...] tarefa na qual é
imprescindível o conhecimento dos tempos de operação(secagem).
Por meio de um estudo estatístico objetiva-se avaliar a relação entre as variáveis de maior
significância no processo de secagem de sementes de milho, para obtenção de uma fórmula de
previsão de tempo deste processo.
Tendo em vista atender padrões de melhorias contínuas de processos e produção,
principalmente no que se refere a certificações. As empresas devem utilizar ferramentas
gerenciais que as auxiliem em sistemas e controle da produção, ajudando-as a enxergar
oportunidades em processos para reduzir custos. Tratando-se de investigação para melhorias
de sistemas de controle da produção, utilizando-se da Estatística destaca-se a ferramenta da
Regressão Múltipla, que é uma das ferramentas do pacote de Estatística que ajuda a
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
3
identificar, em mais de uma variável, as variáveis com maiores percentagens de contribuições
para auxiliar no controle de um processo ou formação de um produto.
2. Metodologia
É necessário explanar sobre os métodos científicos, discorrendo sobre as classificações e
ferramentas de pesquisas, para poder indicar quais os meios mais adequados ao propósito
deste trabalho. Segundo Cervo (1983), nas ciências entende-se por método, o conjunto de
processos que o espírito humano deve empregar na investigação e demonstração da verdade
ordenada de procedimentos, que por seus meios se mostram eficientes na busca do
conhecimento e saber. O método é um instrumento de trabalho na tentativa de descobrir a
realidade dos fatos, por meio de seleção dos processos mais adequados.
Lakatos e Marconi (1995) destacam que, não existe ciência sem este tipo de metodologia e
que mesmo não garantindo a obtenção do objetivo, a aplicação de uma metodologia científica
é um fator de segurança e economia, pois descreve o caminho a ser seguido, auxiliando na
decisão e detecção de erros pelo pesquisador.
Concernente aos tipos de pesquisa, Silva e Menezes (2000) as dimensões de análise são
classificadas em quatros partes:
Natureza;
Formas de Abordagens.
Objetivos;
Procedimentos Técnicos;
Este trabalho tem por natureza o método de pesquisa aplicada, este método objetiva gerar
conhecimentos para aplicação pratica, solucionando problemas reais que envolvem verdades e
interesses locais (SILVA e MENEZES, 2000; CERVO, 1983).
A forma de abordagem utilizada neste trabalho será a de pesquisa quantitativa, que segundo
Silva e Menezes (2000) considera aspectos mensuráveis, traduzindo em números opiniões e
informações para classificá-las e analisa-las, sendo necessária a aplicação de técnicas
estatísticas, o que se enquadra à necessidade deste trabalho.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
4
O objetivo utilizado pesquisa Exploratória, refere-se a bibliográfica, que visa proporcionar
maior familiaridade com problema de forma a torná-lo explícito, através da análise das
contribuições científicas e culturais do passado, a partir de referências teóricas publicadas.
Evolvem também entrevistas com pessoas que já tiveram experiência práticas com o
problema pesquisado e a análise de exemplos que facilitem a compreensão. Encarregam-se,
em geral, as formas de Pesquisas Bibliográficas e Estudos de Caso (GIL, 2008; CERVO,
1983).
3. Estudos de métodos e técnicas para a análise de relação entre variáveis
A seguir serão demonstrados alguns métodos e técnicas disponíveis à análise de relação entre
variáveis.
3.1 Modelos quantitativos
Com as técnicas de previsão quantitativas os resultados são mais objetivos que as técnicas
qualitativas que se baseiam fundamentalmente no julgamento subjetivo e pessoal enquanto os
modelos quantitativos utilizam dados históricos para calcular matematicamente extrapolações
de dados no futuro (HANKE e REITSCH, 1995).
Segundo Makridakis et al. (1998), o estudo com uso de técnicas quantitativas pode ser
aplicada quando existirem três condições:
Informações históricas, dados sobre o passado esteja disponível;
Estas mesmas informações possam ser quantificada em termos matemáticos;
Seja possível assumir que alguns aspectos do padrão que foi analisado no passado
continuarão.
Quanto ao processo há alguns passos básicos a serem seguidos para que a implementação
tenha êxito. Os passos a seguir são propostos por Makridakis et al. (1998):
Definição do problema;
Coleta de informações;
Ajuste dos dados;
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
5
Análise explanatória dos dados;
Escolha do método mais adequado.
De acordo com Hanke e Reitsch (1995) é importante considerar e analisar os seguintes
fatores:
Horizonte de previsão;
Disponibilidade de dados;
Custo de coleta, armazenamento e monitoramento de dados e custo de
desenvolvimento do modelo;
Complexidade da técnica, este é um dos aspectos mais importantes a ser considerado;
Precisão da técnica: após a escolha do método mais apropriado, ele será usado para
realizar previsões e deverá ser avaliado periodicamente.
O procedimento geral para estimar um padrão de relacionamento, seja causal ou de série
temporal, é através da aderência a uma forma funcional matemática qualquer de forma a
minimizar o componente de erro.
3.1 Modelos causais
Essas técnicas de modelos causais buscam descrever matematicamente as relações de causa e
efeito entre a variável que está sendo medida e seus fatores explicativos. A ferramenta básica
para análise de modelos causais é a análise de regressão. A premissa básica nesse tipo de
modelo é que as relações entre as variáveis independentes ou causais, e a variável dependente,
medidas no passado, se manterão no futuro(MONTGOMERY et al, 2006).
3.2 Métodos de regressão linear
Este item, se discutido a fundo, teria uma imensa complexidade, pois envolveria vários
conceitos estatísticos e matemáticos para a geração do modelo. O trabalho não se concentrará
na forma matemática de resolução dos problemas estatísticos, já que para isso será utilizado
softwares estatísticos tais como o Minitab, JMP e Excel.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
6
O modelo desenvolvido para estimar o tempo de secagem foi um modelo quantitativo de
previsão causal.
Independente da sofisticação matemática de um modelo existe sempre um risco de
modelagem. A confiabilidade de uma decisão tomada a partir de um modelo pode depender,
entre outros fatores da adequabilidade do modelo em descrever o fenômeno e da qualidade
dos dados utilizados para estimar o modelo(MONTGOMERY et al, 2006).
Segundo Makridakis et al (1998), a natureza dos dados pode ser seccionais e séries temporais.
3.3 Análises de regressão linear simples
Os modelos de regressão linear simples caracterizam-se por possuir apenas uma variável
explicativa. Embora este modelo possa ser utilizado em muitas aplicações, a hipótese de
apenas uma variável explicativa restringe muito o uso de modelos, muitas variáveis, como
exemplo as econômicas, são explicadas por mais de uma variável. (MONTGOMERY et al,
2006).
Sejam y e x duas variáveis representando alguma população. O objetivo é explicar y em
função de x, ou seja, como y varia de acordo com mudanças em x.
A regressão linear simples modela o relacionamento entre uma variável dependente y e uma
variável independente x de forma linear(MONTGOMERY et al, 2006).
3.4 Análises de regressão linear múltipla
Uma das técnicas estatísticas mais amplamente utilizadas a regressão múltipla apresenta
técnicas da estimação de parâmetros, estimação de intervalos de confiança, verificação da
adequação do modelo, construção do modelo, seleção de variáveis, autocorrelação nos erros e
multicolinearidade ou dependência não linear, entre as variáveis repressoras
(MONTGOMERY et al, 2006).
Para tanto se necessita da elaboração de um modelo que nada mais é do que uma
representação simplificada de um processo do mundo real. Considere a seguinte equação
relacionando y e x1 ,..., xk. Esta equação linear é y = ß0 + ß1 x1 + ß2 x2 + ... + ßk xk + u.
Esta equação é conhecida como modelo de regressão linear múltipla. Onde: ßi: são constantes
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
7
desconhecidas a serem determinadas y: variável dependente, variável explicada, variável
resposta, variável prevista, saída, efeito. xi: variáveis independentes, variáveis explicativas,
variáveis de controle, preditores, regressores, entradas, causas. u: erro, distúrbio ou ruído (A
variável u representa todos os outros fatores além de x1,...,xk que afetam a variável y; erros de
medição; forma funcional inadequada e inerente variabilidade nos agentes coletados como
variáveis preditores ou explicativas) (MONTGOMERY et al, 2006).
3.5 Teste de hipótese na regressão linear múltipla
Nos modelos de regressão linear múltipla, alguns testes de hipóteses em relação aos
parâmetros do modelo são úteis na medida da adequação do modelo. A seguir será descrito
um dos procedimentos importantes de teste de hipóteses. (MONTGOMERY et al, 2006).
Teste de Significância da Regressão: é um teste para se determinar se há, ou não, uma relação
linear entre a variável dependente Y e um subconjunto das variáveis independentes x1,
x2,...,xk. As hipóteses apropriadas são:
H0:β1= β2=... βk=0,
H1: βj ≠ 0 para pelo menos um j.
A rejeição de H0:β1= 0 implica que pelo menos uma das variáveis regressoras x1, x2,...,xk
contribui significativamente para o modelo. (MONTGOMERY et al, 2006).
Se H0:β1= 0 não for rejeitada, então isso indica que xj pode, possivelmente, ser retirada do
modelo (MONTGOMERY et al, 2006).
3.6 Medidas da adequação do modelo
Prosseguindo com a medida para adequação e validação do modelo uma das etapas
importante para construção é a determinação do Coeficiente de Determinação Múltipla,
denominado R2. (MONTGOMERY et al, 2006).
O R2 é uma medida da quantidade de redução na variabilidade de y que se obtém com o uso
das variáveis regressoras x1, x2,...,xk no caso da regressão deve-se ter entre 0 ≤ R2 ≤ 1. É
importante observar que um valor grande de R2 não implica que o modelo seja bom ou
adequado. O acréscimo de uma variável ao modelo causará, sempre, um aumento em R2
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
8
independente de a variável ser ou não estatisticamente significante. É possível que modelos
com grandes valores de R2 produzam predições pobres ou estimativas médias de respostas.
(MONTGOMERY et al, 2006).
Equação de definição do Coeficiente de Determinação Múltipla:
R2 = SQr/Syy = 1 – Sqe/Syy.
No entanto alguns estatísticos preferem usar o Coeficiente de Determinação Múltipla
Ajustado R2aj, Definido conforme equacionamento abaixo.
R2aj = 1- SQe/(n-p) / Syy (n-1)
Desta forma o acréscimo de uma variável ao modelo somente será adicionada se realmente for
significante na modelagem da resposta, do contrario aumentará a média quadrática para o
erro, indicando não ser significante ao modelo. O uso R2aj ajustado tem uma importância
fundamental na seleção de variáveis e na construção do modelo(MONTGOMERY et al,
2006).
Dando seguimento em medidas para adequação e validação do modelo a Análise dos
Resíduos também tem contribuição importante e fundamental no desempenho e julgamento
do modelo. A técnica de utilizar os resíduos contra variáveis que não estão presentes no
modelo, mas que são potenciais candidatas a inclusão no modelo são utilizadas com os
resíduos (MONTGOMERY et al, 2006).
Equação de definição dos resíduos:
iiiYYe ˆ
3.7 Problemas em regressão linear múltipla
Tem sido encontrado, com muita frequência, um grande número de problemas no uso de
regressão linear múltipla, neste item serão discutidos brevemente alguns destes problemas,
tais como: o efeito multicolinearidade e a autocorrelação.
A Multicolinearidade, um dos problemas da regressão linear múltipla, onde as variáveis
regressoras xj ou independentes são intercorrelacionadas. Quando essa intercorrelação é muito
grande pode existir a multicolinearidade. Esse problema pode ter sérios efeitos sobre as
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
9
estimativas dos coeficientes de regressão e sobre o uso ou aplicabilidade geral de um modelo.
Esses efeitos podem ser facilmente demonstrados por meio do VIF (Variance Inflation Factor)
(MONTGOMERY et al, 2006).
Verifica-se que VIFJ mede o quanto a variância do coeficiente é inflacionada por sua
colinearidade.
O VIF>10 é indicativo de problemas de multicolinearidade.
O envolvimento nos modelos de regressão de variáveis dependentes e independentes que são
orientadas no tempo podem não sustentar a hipótese de erros não correlacionados, essas
variáveis que exibem correlação ao longo do tempo são chamadas de variáveis
autocorrelacionadas ou autocorrelação(MONTGOMERY et al, 2006).
Como consequência os estimadores dos mínimos quadrados comuns dos parâmetros são
afetados, a média quadrática dos erros, MQE, pode subestimar a variância do erro, σ2
(MONTGOMERY et al, 2006).
Dois procedimentos podem ser usados para determinar se os termos do erro no modelo são
correlacionados. Neste trabalho será usado apenas o procedimento denominado teste de
Durbin-Watson.
Yt = β0+ β1X1+εt, t = 1,2,...,n,
onde t é o índice do tempo e os termos do erro são gerados de acordo com o processo.
εt = ρεt-1 + a1
A equação para o teste de hipótese é:
Os valores de D podem ser encontrados na tabela número 10 de Durbin-Watson abaixo
(MONTGOMERY et al, 2006).
Tabela 2 - Valores críticos do teste de Durbin-Watson.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
10
Fonte: Adaptado de Montgomery, D. C. et al. (2006)
4. Visão geral do setor e da empresa
Segundo Mapa (2007 a) apud Cordeiro, Perez e Guazzelli (2007) o Brasil possui 153 milhões
de hectares de terras cultiváveis, favorecido por boas condições climáticas e abundância de
terra e água o país apresenta um expressivo crescimento agrícola, o que apresenta um impacto
direto na economia visto que a agricultura representa 33% do PIB(Produto interno Bruto),
42% das exportações e 37% dos empregos gerados no país.
Segundo Cordeiro, Perez e Guazzelli (2007) a cultura do milho destina-se principalmente ao
mercado interno a produção brasileira de milho no ano de 2007 fora de 52 milhões de
toneladas no ano de 2007 ocupando uma área de 14 milhões de hectares.
A empresa atua no seguimento agropecuário industrial com pesquisa de desenvolvimento,
produção, logística de distribuição e vendas de sementes de milho, soja, algodão, sorgo, cana
de açúcar e hortaliças. Especificamente para sementes de milho, foco do estudo, tem uma fatia
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
11
de aproximadamente 45% do mercado nacional que segundo Cordeiro, Perez e Guazzelli
(2007) no ano de 2005/2006 fora de 259,927 toneladas.
Atua no país desde 1953, quando chegaram seus primeiros produtos no Brasil, atualmente a
empresa tem 43 unidades, são plantas de pesquisa, processamento de sementes, produção,
vendas, distribuição e escritórios administrativos. Em 1976 foi inaugurada a fábrica em São
José dos Campos de produção do glifosato, princípio ativo do Roundup (herbicida). Em 1981
o foco do negócio mundial passa a ser a biotecnologia e finalmente em 1996 com seguimento
de investimentos na biotecnologia faz aquisições das empresas de sementes de soja, milho,
sorgo e girassol.
Com o advento e autorização de produção de sementes geneticamente modificadas e o
aumento significativo do número de produtos no portfólio, identificar oportunidades no
processo de produção de sementes de milho, mais especificadamente por fases dos processos,
tem sido uma constante nos últimos tempos.
4.1 Obtenção e seleção dos dados
A empresa possui o sistema ISO 9001:2000 implementado, todos os processos da unidade tem
procedimentos operacionais para que os Operadores realizem as atividades e também registros
de informações (formulários) para que dados fiquem armazenados e possam gerar
informações para rastreabilidades no processo de qualidade e estudos.
No processo de secagem é utilizado um registro denominado SEM-PRO-FOR-SEC-002
Controle da Eficiência de Secagem onde são registrados diversos dados durante o processo de
secagem. Atualmente o registro está na revisão de número 08.
Atualmente o registro está dividido com informações do recebimento, secagem, debulha e
armazenagem, conforme disposto na tabela abaixo.
Tabela 03 - Informações registradas no formulário SEM-PRO-FOR-SEC-002.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
12
Fonte: retirada do formulário SEM-PRO-FOR-SEC-002
Segundo Marque e Marques (2005) na regressão linear múltipla é comum ocorrer
independentes com alta correlação o que resulta em coeficientes de regressão estimados com
baixa precisão sendo vantajoso em alguns casos o descarte de algumas variáveis com o intuíto
de aumentar os coeficientes de regressão estimados.
Alguns dados da tabela 2 serão utilizados para selecionar quais as variáveis que se tem
controle e melhor se adequam em um modelo de regressão linear múltipla para uso e seleção
das variáveis significante que vão compor o modelo de previsão do tempo de secagem.
Da coluna recebimento vão ser utilizados os dados secadores por possuírem diferenças de
aproveitamento do ar de secagem, quantidade de RW em toneladas de espigas por câmara e
altura da camada em metro, também por câmaras individuais.
Em relação a coluna secagem devem ser utilizados a maior umidade inicial, maior umidade de
fechamento ambas com unidades de medidas em porcentagens, horas ponto que são os
registros de quantas horas de secagem são necessárias para que a camada perca um ponto
percentual de umidade. Nesta mesma coluna está a variável resposta secagem que é o tempo
em horas que cada câmara leva para secar (perder umidade até chegar a porcentagem de
umidade desejada) a 13,0%.
Os dados utilizados para estudos e análises foram registrados durante períodos das safras de
Verão de 2011 e Inverno de 2012.
5. Análise dos dados
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
13
Com a seleção dos dados que se tem controle realizado no item 4.3, inicia-se a avaliação dos
dados, seleção das variáveis que tenha maior nível de significância para obtenção do modelo.
A primeira análise a ser realizada é a obtenção dos dados básicos de estatísticas.
Figura 1 – Dados das estatísticas básicas
Fonte: elaborada pelo autor
Pode se observar com os resultados básicos obtidos na figura 1, que a variável resposta
secagem tem valor do desvio padrão alto 28,06 o que denota uma grande variabilidade em
relação à média.
Em seguida serão analisadas as correlações da variável resposta com as variáveis preditores
quantidade de RW, maior umidade inicial e horas ponto. O objetivo do teste é conhecer a
relação para identificar uma forte relação ou não.
A correlação entre a variável resposta secagem e quantidade de RW é de 0,202 com um p-
valor de 0,0. O índice de correlação 0,202 indica considerável correlação.
A correlação entre a variável resposta secagem e maior umidade inicial é de 0,528 com um p-
valor de 0,0. O índice também indica forte correlação.
Finalmente, a correlação entre a variável resposta secagem e a variável horas-ponto é igual a
0, 863 também com p-valor de 0,0. É a variável que tem a maior correlação com a variável
resposta.
Abaixo segue a Figura 2 com os resultados das análises de correlação.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
14
Figura 2 – Resultados das análises de correlação
Fonte: elaborada pelo autor
Diante dos resultados de correlações, os dados devem ser analisados utilizando um
delineamento de superfície de resposta. Desta forma será analisada a adequação do modelo e
o nível de significância das variáveis regressoras para o modelo.
A figura 3 abaixo permite concluir que os resíduos são normalmente distribuídos, e que a
avaliação do desempenho de um modelo pode ser continuada.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
15
Figura 3 – Resultados gráficos da análise dos resíduos
1050-5-10
99,99
99
90
50
10
1
0,01
Residual
Pe
rce
nt
15010050
10
5
0
-5
-10
Fitted Value
Re
sid
ua
l
9630-3-6-9
80
60
40
20
0
Residual
Fre
qu
en
cy
550500450400350300250200150100501
10
5
0
-5
-10
Observation Order
Re
sid
ua
l
Normal Probability Plot Versus Fits
Histogram Versus Order
Residual Plots for Secagem
Fonte: elaborada pelo autor
Os resultados na figura 4 abaixo, expressa os resultados do modelo. Os termos na coluna P, de
P-value, que possuem valores menores que o nível de significância (α = 0,05) são
estatisticamente significativos, e podem ser adicionados ao modelo. Os termos não
significativos não altera o resultado do modelo, mas também não traz diferenças ao resultado,
ou seja, o R ajustado não aumenta mantendo variáveis não significativas no modelo.
Figura 4 – Resultados numéricos do modelo
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
16
Fonte: elaborada pelo autor
Pode-se concluir com os resultados da figura 5 abaixo, que os valores na coluna P, P-value,
destacados em vermelho são estatisticamente significativos e podem fazer parte do modelo,
das interações somente a última é significativa. Com um R ajustado de 98,88% (R-Sq(adj) e
um desvio padrão de 2,97681 essa é a variação não explicada ou o ruído existente no modelo.
O valor do R ajustado acima de 90% para prever o tempo de secagem permite utilizar o
modelo.
Figura 5 – Resultados do nível de significância das variáveis
Fonte: elaborada pelo autor
A figura 6 abaixo ilustra as variáveis que podem ser utilizados na equação para previsão do
tempo de secagem.
Figura 6 – Equação de utilização e seleção das variáveis para previsão do tempo de secagem
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
17
Fonte: elaborada pelo autor
A equação pode ser expressa como:
F (Tempo de secagem) = 18,5426 + 0,000134855*(Quantidade RW) – 1,02987*(Maior
Umidade Inicial) – 13,8139*(Horas-ponto) – 1,02337E-09*(Qtide RW*Qtide RW) +
0,0141559*(Maior Umidade Inicial * Maior Umidade Inicial) + 0,0362370*(Horas-
ponto*Horas-ponto) – 5,53850E-07*(Qtide RW*Maior Umidade Inicial) – 7,0336E-
06*(Qtide RW*Horas-ponto) + 1,08873*(Maior Umidade Inicial*Horas-ponto).
6. Conclusão
É possível concluir que avaliar a relação entre as variáveis do processo e construir a equação
de previsão dos tempos de secagem foi o objetivo alcançado por este trabalho. Para tanto, foi
construído um modelo de regressão linear múltipla para previsão do tempo de secagem e
avaliação das variáveis que tem maior significância para o modelo.
Em síntese, este trabalho mostrou que se faz necessário, para o caso objeto de estudo, analisar
as variáveis para prever uma resposta para o processo que venha auxiliar nas tomadas de
decisões das atividades diárias. Além disso, ficou clara também a importância de se conseguir
formas de registros de outras variáveis que podem melhorar o resultado da resposta. A
previsibilidade dos tempos de processo são fundamentais ao planejamento da produção, com
dados exatos o sequenciamento da produção pode ser otimizado.
Referência
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
18
CORDEIRO, A.; PEREZ, J.; GUAZZELLI, M.J. Impactos potenciais da tecnologia
Terminator na produção agrícola: Depoimento de Agricultores brasileiros. Florianópolis:
Pesquisa contratada ao Centro Ecológico pelo Grupo ETC,2007.
CERVO, A. L. Metodologia Científica: para uso dos estudantes universitários. São Paulo:
MacGraw-Hill, 1983.
CORRÊA, H. L.; GIANESI, I. G. N.; CAON, M. Planejamento, programação, e controle
da produção: MRPII/ERP: Conceitos, uso e implantação. São Paulo: Atlas, 2011.
GIL, A. C. Como Elaborar Projeto de Pesquisa. 4. ed. São Paulo: Atlas, 2008.
HANKE, J. E.; REITSCH A. G. Business Forecasting. Englewood Cliff. Prentice Hall,
1995.
LAKATOS, E. M.; MARCONI, M. A. Fundamentos de metodologia científica. São Paulo:
Atlas, 1995.
MARQUES J.M; MARQUES M.A.M. As componentes principais no descarte de variáveis
em um modelo de regressão múltipla. Revista FAE, Curitiba,PR, v.8 ,n.1, p. 93-101,
jan./jun., 2005.
MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting: methods
and applications. New York: Editora John Wiley & Sons, 1998.
MONTGOMERY, D. C.; HINES, W. W.; GOLDSMAN, D. M.; BORROR, C. M.;
Probabilidade e Estatística na Engenharia. Rio de Janeiro: LTC, 2006.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
19
MORABITO, R.; TOSO, E.A.V. Otimização no dimensionamento no dimensionament e
sequenciamento de lotes de produção: Estudo de caso numa fábrica de reações. Gestão &
Produção,São Carlos,SP, v.12, n.2, p.203-217, maio/ago. 2005
SILVA, E. L.; MENEZES, E. M. Metodologia da Pesquisa e elaboração de dissertação.
Florianópolis: Laboratório de Ensino a Distância da UFSC, 2000.