Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO Junho de 2010 ISSN 1413-9022 CCAADDEERRNNOOSS DDOO IIMMEE SSéérriiee EEssttaattííssttiiccaa –– VVoolluummee 2288 Análise de Modelos Matemáticos para o Problema Probabilístico de Localização-Alocação de Máxima Cobertura Vinícius Moreira Pontin; Ravilo Altoé Garcia; Pedro Bandeira Neto; Glaydston Mattos Ribeiro 1 Um Modelo de Previsão do Consumo Residencial de Energia Elétrica no Brasil Beatriz Helena Assis Mascarenhas de Oliveira; Jorge Machado Damázio; Rodrigo José Guerra Leone; Mihail Lermontov; Maria Augusta Soares Machado 15 A Importância dos Gráficos de Controle para Monitorar a Qualidade dos Processos Industriais: Estudo de Caso numa Indústria Metalúrgica Anderson Gomes dos Santos; Edivan Ferreira de Lacerda; Hélio Cavalcanti Albuquerque Neto; Weidson do Amaral Luna; Egidio Luíz Furlanetto 33 Estudo e Aplicação da Análise Multivariada de Dados para a Validação das Estruturas Físicas e Pedagógicas de Escolas Públicas do Sul do Paraná Antônio Carlos Machnicki; Anselmo Chaves Neto; Liliana Madalena Gramani 47 UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO apoio CADERNOS DO IME Série Estatística Publicação semestral, com circulação em junho e dezembro, do Instituto de Matemática e Estatística (IME), da Universidade do Estado do Rio de Janeiro (UERJ). Ricardo Vieiralves de Castro Reitor Maria Christina Paixão Maioli Vice-Reitora Maria Georgina Muniz Washington Diretora do Centro de Tecnologia e Ciência Sérgio Luiz Silva Diretor do Instituto de Matemática e Estatística Geraldo Magela da Silva Vice- Diretor do Instituto de Matemática e Estatística Normalização, divulgação e distribuição: Biblioteca do Centro de Ciências de Tecnologia A (CTC/A) da rede Sirius de Biblioteca da UERJ – ctca@uerj.br Editor: Prof. Dr. José Fabiano da Serra Costa - UERJ Corpo Editorial: Prof. Dr. Albert Cordeiro Geber de Melo - CEPEL Prof. Dr. Annibal Parracho Sant’Anna - UFF Prof. Dr. Carlos Alberto Nunes Cosenza - UFRJ Prof. Dra. Fernanda da Serra Costa – UERJ/CEPEL Prof. Dr. Fernando Antonio Lucena Aiube - PUC-RJ/PETROBRAS Prof. Dr. Helder Gomes Costa - UFF Prof. Dr. Jorge Machado Damázio - UERJ Prof. Dr. Luis Felipe Dias Lopes - UFSM Os artigos enviados para publicação deverão ser inéditos, com exceção de resumos ou teses, são de responsabilidade de seus autores, e não refletem, necessariamente, a opinião do IME. Sua reprodução é livre, em qualquer outro veículo de comunicação, desde que citada a fonte. EEddiittoorriiaall O Instituto de Matemática e Estatística (IME) e o Departamento de Estatística com o apoio do Centro de Tecnologia e Ciências (CTC) da Universidade do Estado do Rio de Janeiro (UERJ) têm trabalhado em conjunto no sentido de desenvolver a produção da revista Cadernos do IME - Série Estatística com qualidade e responsabilidade. Dessa forma, a partir de 2006, a Revista adotou um novo projeto gráfico e, a partir de 2008 passou a circular também em versão eletrônica on-line, além da versão impressa, como forma de ampliar a divulgação dos artigos, que se encontra disponível em: http://www.ime.uerj.br/cadernos/cadest/. O volume 28 da revista Cadernos do IME - Série Estatística relativo a junho de 2010, apresenta uma seleção de 04 artigos científicos abordando temáticas variadas. O primeiro artigo, de autoria de Pontin, Garcia, Bandeira Neto e Ribeiro, analisa o problema probabilístico de localização-alocação de máxima cobertura através de uma comparação de modelos matemáticos. O segundo artigo, de autoria de Oliveira, Damázio, Leone, Lermontov e Machado, nos apresenta através de uma abordagem econométrica, um modelo de previsão do consumo residencial de energia elétrica. O terceiro artigo, de autoria de Santos, Lacerda, Albuquerque Neto, Lurna e Furlanetto, apresenta um estudo de caso de qualidade da indústria metalúrgica, com aplicação de contrôle estatístico de processos. E o quarto artigo, de autoria de Machnicki, Chaves Neto e Gramani nos apresenta um estudo de análise multivariada de dados aplicado ao ensino público fundamental e médio, com a finalidade de identificar as variáveis que melhor se correlacionam, com o desempenho dos alunos e com a eficiência das escolas. Aproveitamos a oportunidade para agradecer aos revisores, consultores ad-hoc pertencentes ao corpo de avaliadores da revista Cadernos do IME - Série Estatística, que têm trabalhado com muito entusiasmo para o desenvolvimento da revista. Saudações Acadêmicas, José Fabiano da Serra Costa – Editor Junho de 2010 ISSN 1413-9022 CCAADDEERRNNOOSS DDOO IIMMEE SSéérriiee EEssttaattííssttiiccaa –– VVoolluummee 2288 Análise de Modelos Matemáticos para o Problema Probabilístico de Localização-Alocação de Máxima Cobertura Vinícius Moreira Pontin; Ravilo Altoé Garcia; Pedro Bandeira Neto; Glaydston Mattos Ribeiro 1 Um Modelo de Previsão do Consumo Residencial de Energia Elétrica no Brasil Beatriz Helena Assis Mascarenhas de Oliveira; Jorge Machado Damázio; Rodrigo José Guerra Leone; Mihail Lermontov; Maria Augusta Soares Machado 15 A Importância dos Gráficos de Controle para Monitorar a Qualidade dos Processos Industriais: Estudo de Caso numa Indústria Metalúrgica Anderson Gomes dos Santos; Edivan Ferreira de Lacerda; Hélio Cavalcanti Albuquerque Neto; Weidson do Amaral Luna; Egidio Luíz Furlanetto 33 Estudo e Aplicação da Análise Multivariada de Dados para a Validação das Estruturas Físicas e Pedagógicas de Escolas Públicas do Sul do Paraná Antônio Carlos Machnicki; Anselmo Chaves Neto; Liliana Madalena Gramani 47 ANÁLISE DE MODELOS MATEMÁTICOS PARA O PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA Vinícius Moreira Pontin Universidade Federal do Espírito Santo (CEUNES/UFES) vpontin@hotmail.com Ravilo Altoé Garcia Universidade Federal do Espírito Santo (CEUNES/UFES) raviloag@hotmail.com Pedro Bandeira Neto Universidade Federal do Espírito Santo (CEUNES/UFES) pedrobandeira@hotmail.com Glaydston Mattos Ribeiro Universidade Federal do Espírito Santo (CEUNES/UFES) Interuniversity Research Centre on Enterprise Networks, Logistics and Transportation - University of Montreal (CIRRELT/UofM) glaydstonribeiro@ceunes.ufes.br / Glaydston.Ribeiro@cirrelt.ca Resumo O Problema Probabilístico de Localização-Alocação de Máxima Cobertura (PPLAMC) é uma variação do problema de p-medianas que consiste em localizar facilidades (centros), maximizando o número de usuários atendidos (cobertos) e garantindo um bom nível de serviço. O nível de serviço está relacionado aos parâmetros de fila, ou seja, tempo de espera e quantidade de pessoas aguardando atendimento. Sabendo que os intervalos entre chegadas e atendimento variam segundo uma distribuição de probabilidade, os modelos de otimização combinatória do PPLAMC levam em consideração conceitos da Teoria de Filas. Sendo assim, este trabalho tem como objetivo avaliar modelos matemáticos para o PPLAMC utilizando instâncias disponíveis na literatura. Palavras-chave: PPLAMC, p-medianas, Teoria de Filas. CADERNOS DO IME – Série Estatística Universidade do Estado do Rio de Janeiro - UERJ Rio de Janeiro – RJ - Brasil ISSN 1413-9022 / v. 28, p. 01 - 14, 2010 Cadernos do IME – Série Estatística Análise de Modelos Matemáticos para o PPLAMC... 2 1. Introdução Problemas de Localização de Máxima Cobertura (PLMC) têm sido consideravelmente reportados na literatura. O PLMC busca localizar uma quantidade pré-definida de facilidades de tal maneira que se atenda ao maior número possível de indivíduos de uma população, consideradauma dada distância ou um tempo padrão do ponto de demanda. Segundo Corrêa et al (2009a), não se busca com este modelo atender toda a população, mas oferecer o máximo de atendimento com os recursos disponíveis. O conceito de cobertura está relacionado ao fato de se verificar se um ponto está dentro de uma dada distância ou de um dado tempo de deslocamento até a facilidade. A localização de hospitais, de serviços de atendimento de emergência ou de estações do corpo de bombeiros, e a distância ou o tempo de deslocamento entre os pontos de demanda e as facilidades, constituem fatores importantes para estabelecer o nível de serviço oferecido aos usuários. Em sistemas reais como os citados, as chegadas dos usuários aos centros de atendimento normalmente constituem processos estocásticos, gerando, em muitos casos, o surgimento de filas (FOGLIATTI & MATTOS, 2007). Da Teoria de Filas, um sistema básico de filas é definido por um processo de chegada, um processo de atendimento, um determinado número de servidores (atendentes), se existe ou não limitação de capacidade e pela disciplina de atendimento. Como os processos reais de atendimento apresentam estocacidade, Marianov & Serra (1998) propuseram modelos matemáticos de PLMC que consideram esta questão nas restrições de capacidade. Os autores definem um limite mínimo para a qualidade dos seus serviços que é refletida no tempo de espera e/ou na quantidade de pessoas que aguardam o atendimento. Corrêa et al (2009b) definiram a abordagem de Marianov & Serra (1998, 2001) como o Problema Probabilístico de Localização-Alocação de Máxima Cobertura (PPLAMC). De maneira resumida, o PPLAMC busca localizar uma dada quantidade de facilidades com um ou vários servidores, de modo que a população, a uma distância padrão do centro, seja servida adequadamente, isto é, que ninguém fique na fila por um período maior que um dado tempo limite, ou que um usuário, ao chegar ao centro, não encontre um número de outros clientes acima do previsto, com probabilidade maior ou igual a dado valor definido a priori. Cadernos do IME – Série Estatística Pontin, Garcia, Bandeira Neto & Ribeiro 3 Assim, este artigo apresenta uma comparação entre modelos matemáticos encontrados na literatura para o PPLAMC. O modelo de Marianov & Serra (1998) e suas variações, conforme os trabalhos de Cornuéjols & Thizy (1982) e de Murray & Gerrard (1997), são avaliados. Testes computacionais foram realizados com o CPLEX 10 (Ilog, 2006) aplicado às instâncias propostas por Marianov & Serra (1998), Corrêa e Lorena (2006) e Corrêa et al (2007). Espera-se com esse trabalho mostrar qual modelo matemático é mais adequado para o PPLAMC, comparando os tempos de resolução para cada caso e a qualidade das soluções, tendo em vista que Corrêa et al (2009b) encontraram a maioria das soluções ótimas. O restante do artigo está distribuído como segue. Na Seção 2 é apresentada uma breve revisão sobre o PPLAMC, bem como as formulações matemáticas de interesse: a proposta por Marianov & Serra (1998) e as suas variações obtidas a partir dos trabalhos de Cornuéjols & Thizy (1982) e Murray & Gerrard (1997). Na Seção 3 são apresentados os resultados computacionais obtidos. E por último, na Seção 4, são apresentadas as conclusões do trabalho que envolve a comparação dos modelos matemáticos. 2. Formulações matemáticas para o PPLAMC O estudo do PLMC teve origem no artigo de Church & Revelle (1974) como uma alternativa mais real, pois tanto o SCLP (Set Covering Location Problem) – onde se procura identificar e localizar o número mínimo de facilidades, para que nenhuma das distâncias entre um ponto de demanda e a facilidade mais próxima seja superior à distância crítica – quanto o problema dos p-centros (p-Center Problem) – em que p facilidades são localizadas de modo que as medidas de dissimilaridade (distância ou tempo) máxima de qualquer ponto de demanda até sua facilidade mais próxima sejam mínimas – requerem que todos os pontos de demanda devem ser cobertos. Sabendo que nem sempre é possível que todos os pontos de demanda sejam cobertos, devido a restrições de recurso, este modelo possui melhor aplicação do que os demais. Assim sendo, a formulação do PLMC tem como objetivo maximizar a cobertura dos pontos de demanda numa distância ou tempo desejados, localizando para tal um número especificado de facilidades. A Figura 1 ilustra um caso de problema de localização-alocação com três facilidades e um dado raio de cobertura (distância) da facilidade. O termo localização está relacionado ao fato de se definir efetivamente a localização da facilidade. Já o Cadernos do IME – Série Estatística Análise de Modelos Matemáticos para o PPLAMC... 4 termo alocação, está relacionado à questão de se definir a associação entre os pontos de demanda e as facilidades, ou seja, de se definir a que facilidade um dado ponto está associado. Figura 1 – O Problema da Localização de Máxima Cobertura Fonte: Côrrea et al (2009a). Conforme Lorena (2003), a modelagem matemática do PPLAMC foi desenvolvida como um problema do tipo p-medianas, sendo modificada para contemplar as variáveis de localização e alocação. Atualmente, Corrêa et al (2009a) fizeram testes com relaxações Lagrangianas para o PPLAMC. Os resultados encontrados foram interessantes, porém, com a técnica de Geração de Colunas proposta pelos mesmos autores (CORRÊA et al, 2009b), várias soluções ótimas foram encontradas para instâncias propostas na literatura. Seja I o conjunto dos pontos de demanda a serem alocados e Ni o conjunto de localizações candidatas que estão dentro de uma dada distância ou tempo do ponto i. Sabe-se que as alocações são representadas por variáveis binárias definidas Ii xij ∈∈∈∈∀∀∀∀ e iNj ∈∈∈∈ . Assim, tem-se xij = 1, se o ponto de demanda i for alocado ao centro j e xij = 0, caso contrário. As localizações, representadas pelas variáveis binárias yj, recebem valor igual a 1, se o centro j for selecionado e valor igual a 0, caso contrário. Dado o exposto, normalmente, todo ponto de demanda i é um potencial centro de atendimento j. Cadernos do IME – Série Estatística Pontin, Garcia, Bandeira Neto & Ribeiro 5 Assim, a formulação do PPLAMC proposta por Marianov & Serra (1998) pode ser escrita como segue: = ∑∑ ∈ ∈Ii Nj iji i xaMaxPPLAMCv )( (1) (PPLAMC) Sujeito a: ijij Nj e Iiyx ∈∈∈∈∈∈∈∈∀∀∀∀≤≤≤≤ (2) Iix iNj ij ∈∈∈∈∀∀∀∀≤≤≤≤∑∑∑∑ ∈∈∈∈ 1 (3) jxf Ii b jiji ∀−≤∑ ∈ +2 1 ϕφ (4a) jxf Ii jiji ∀−+≤∑ ∈ )1ln( 1 ϕ τ φ (4b) ∑∑∑∑ ∈∈∈∈ ==== Ii i py (5) {{{{ }}}} iijj Nj e Iix e y ∈∈∈∈∈∈∈∈∀∀∀∀∈∈∈∈ 10, (6) Sendo: - ai: população total do ponto de demanda i; - b : número máximo de usuários na fila com probabilidade de, no mínimo, αf; - τ : tempo máximo de espera na fila com probabilidade de, no mínimo, αf; - fi : taxa de chegadas dos usuários conforme um processo de Poisson; - φj: taxa média de atendimento em que o tempo médio de atendimento está exponencialmente distribuído; e - p : número de facilidades a serem localizados. A função objetivo descrita em (1) mostra que a população total coberta pelas p facilidades deve ser a maximizada. Já as restrições definidas em (2) indicam que só é possível alocar um ponto de demanda i a um centro j se houver um centro em j. As restrições descritas em (3) garantem que cada ponto de demanda deve ser alocado a, nomáximo, um centro, sendo que há a possibilidade de que um ponto de demanda não seja alocado a nenhum centro. A Figura 1 mostra que alguns pontos não foram alocados a nenhuma facilidade. Cadernos do IME – Série Estatística Análise de Modelos Matemáticos para o PPLAMC... 6 As restrições representadas por (4a) e (4b) dizem respeito à questão do comprimento máximo da fila e ao tempo máximo de atendimento, respectivamente, sendo que apenas uma delas é utilizada. As definidas por (4a) garantem que, com probabilidade ϕ, cada centro tenha no máximo b pessoas na fila, por outro lado, as definidas em (4b) garantem que, com probabilidade ϕ,, o tempo de atendimento em cada centro seja de no máximo τ. As restrições definidas em (5) garante que p centros serão selecionados, e as restrições descritas em (6) que todas as variáveis são binárias. As restrições descritas em (4a) e (4b) definidas por Marianov & Serra (1998) são para o modelo de fila M/M/1/∞/FIFO, no qual os intervalos entre chegadas estão exponencialmente distribuídos, o tempo de atendimento também está de acordo com uma distribuição exponencial, com apenas um servidor, sem limite de capacidade e a disciplina de fila é do tipo “o primeiro a chegar é o primeiro a ser atendido” (first in – first out). Os usuários de um ponto de demanda i chegam a um centro j com uma taxa de chegada fi conhecida. Como em um centro j, existe a possibilidade dos usuários virem de vários pontos de demanda i, é necessário levantar a taxa de chegada geral ao centro j. Considerando assim que as chegadas dos usuários de todos os pontos de demanda i acontecem de maneira superposta, a taxa de chegada ao centro j pode ser assim definida (MARIANOV & SERRA, 1998): ∑ ∈ = Ii ijij xfω . Para haver um equilíbrio no processo de atendimento dos centros, faz-se necessário que jj ωφ ≥ . Marianov & Serra (1998) e Corrêa & Lorena (2006) mostraram que o lado direito das equações (4a) e (4b) são constantes quando calculados para φj, ϕ, b e τ, definidos a priori. De modo simplificado, essas restrições podem ser reescritas, respectivamente, pelos dois conjuntos de restrições a seguir, em que 2 1+ −= bj j bZ ϕµϕφ e )1ln( 1 ϕ τ µφτϕ −+= j j Z . jZxf Ii j biji ∀≤∑ ∈ ϕφ (7a) jZxf Ii j iji ∀≤∑ ∈ φτϕ (7b) Cadernos do IME – Série Estatística Pontin, Garcia, Bandeira Neto & Ribeiro 7 Com o modelo (1)-(6) originalmente proposto, é possível derivar novos modelos conforme os trabalhos Cornuéjols & Thizy (1982) e Murray & Gerrard (1997). Esses novos modelos são apresentados a seguir. O primeiro modelo considera o complemento das variáveis de localização, ou seja, jj yy −= 1 conforme indicado por Cornuéjols & Thizy (1982). Com esta inclusão, obtém-se o seguinte modelo: = ∑∑ ∈ ∈Ii Nj iji CT i xaMaxPPLAMCv )( (8) (PPLAMCCT) Sujeito a: (3) e (7a) ou (7b), ijij Nj e Iiyx ∈∈∀≤+ 1 (9) ∑ ∈ −= Ii i pNy (10) { } iijj Nj e Iix e y ∈∈∀∈ 1,0 (11) em que iIi NN ∈∪= . Observe que o modelo obtido acima (PPLAMCCT) apresenta agora restrições conhecidas como restrições de adjacência ou de conflitos (Restrição 9). Essas restrições foram exploradas por Corrêa et al (2009a, 2009b) para obter grafos de conflitos e grafos de cobertura. Os autores puderam assim aplicar relaxações Lagrangianas e técnicas de decomposição que permitiram resolver instâncias, até então, consideradas difíceis na literatura. Essa estratégia de decomposição a partir de problemas modelados em grafos de conflitos, foi inicialmente proposta por Ribeiro (2007) em sua tese de Doutorado. O segundo modelo é obtido a partir de outra alteração feita no modelo definido por Marianov & Serra (1998). Essa nova alteração consiste em considerar as restrições de Balinski (2) e de capacidade (4a ou 4b) em uma única restrição conforme o trabalho de Murray & Gerrard (1997). Desta forma, uma nova formulação (PPLAMCMG) pode ser obtida, conforme mostrado a seguir: = ∑∑ ∈ ∈Ii Nj iji MG i xaMaxPPLAMCv )( (12) (PPLAMCMG) Sujeito a (3), (5), (6) i Ii jbiji NjyZxf ∈∀≤∑ ∈ ϕφ (13a) Cadernos do IME – Série Estatística Análise de Modelos Matemáticos para o PPLAMC... 8 i Ii jiji NjyZxf ∈∀≤∑ ∈ φτϕ (13b) As restrições (13a) substituem as restrições (2) e (7a), pois determinam que somente é possível alocar um ponto de demanda i a um centro j se houver um centro em j, como fazem as restrições (2), além de imporem restrições de capacidade, como fazem as definidas em (7a). De modo análogo, as restrições (13b) substituem as restrições (2) e (7b). Note que estas alterações reduzem o número de restrições. Com o objetivo de se avaliar qual dos três modelos mostrados é melhor, testes computacionais foram realizados com o auxílio do CPLEX 10. 3. Resultados computacionais Para os experimentos computacionais, como citado anteriormente, foram utilizadas as instâncias propostas por Marianov & Serra (1998), Corrêa & Lorena (2006) e Corrêa et al (2007). Os testes foram realizados no solver CPLEX 10 (ILOG, 2006) com as seguintes configurações: tempo máximo de processamento de 3600s ou 0,01% de Gap (veja Equação 14). Gap representa a diferença, em termos percentuais, entre os dois limitantes fornecidos pelo CPLEX durante o seu algoritmo de Branch-and- Bound: o limitante inferior e o limitante superior. O limitante inferior representa a melhor solução viável encontrada, ou seja, aquela solução que apresenta a maior função objetivo e que não viola nenhuma restrição do problema. Já o limitante superior representa o valor da função objetivo relaxada obtida durante o algoritmo de Branch- and-Bound. Resumidamente, um algoritmo de Branch-and-Bound utiliza a técnica “dividir para conquistar”, ou seja, dado um problema de maximização P de natureza inteira mista, este é dividido em um subconjunto de problemas que são resolvidos independentemente. As soluções independentes, quando consideradas juntas, podem violar algumas restrições de P, gerando uma solução inviável, mas por outro lado, a soma das funções objetivo dos subproblemas formam um limitante superior. Além disso, quando uma solução inviável é transformada em uma solução viável, por alguma heurística dentro do algoritmo de Branch-and-Bound, tem-se um limitante inferior. Busca-se assim, realizar e analisar várias divisões buscando o maior limitante inferior possível com gap igual a zero. Para maiores detalhes sobre a técnica de Branch-and- Bound, veja Wolsey (1998). Cadernos do IME – Série Estatística Pontin, Garcia, Bandeira Neto & Ribeiro 9 Um programa computacional foi elaborado para cada uma das formulações mostradas na Seção 2 com o objetivo de, dado uma instância do PPLAMC, fornecer um arquivo de entrada do modelo matemático para o CPLEX. Todos os experimentos foram realizados em um computador equipado com um Pentium IV 3.0 GHz com 1.0 GB de memória RAM. Tabela 1 – Resultados computacionais para as instâncias com 30 pontos para os três modelos matemáticos. Instância PPLAMC PPLAMCCT PPLAMCMG Limite Inferior Limite Superior GAP (%) Tempo (s) Limite Inferior Limite Superior GAP (%) Tempo (s) Limite Inferior Limite Superior GAP (%) Tempo (s) 30_2_0_0_85 3700 3700 0,00 0,14 3700 3700 0,00 0,67 3700 3718,06 0,49 3600 30_3_0_0_85 5390 5390 0,00 0,08 5390 5390 0,00 0,14 5390 5390,00 0,00 0,16 30_2_0_1_85 5100 5100 0,00 1,92 5100 5100 0,00 0,42 5100 5100,00 0,00 2,88 30_3_0_1_85 5390 5390 0,00 0,055390 5390 0,00 0,17 5390 5390,00 0,00 0,25 30_2_0_2_85 5210 5210 0,00 0,14 5210 5210 0,00 1,03 5210 5210,00 0,00 0,16 30_3_0_2_85 5390 5390 0,00 0,06 5390 5390 0,00 0,09 5390 5390,00 0,00 0,19 30_5_0_0_95 5330 5350 0,38 3600 5330 5350 0,38 3600 5330 5346,84 0,32 3600 30_6_0_0_95 5410 5470 1,11 3600 5410 5470 1,11 3600 5410 5410,00 0,00 0,39 30_3_0_1_95 5270 5270 0,00 65,31 5270 5280 0,19 307,60 5270 5270,00 0,00 77,84 30_4_0_1_95 5390 5390 0,00 2,17 5390 5390 0,00 4,84 5390 5390,00 0,00 0,03 30_2_0_2_95 4520 4520 0,00 1,22 4520 4520 0,00 2,81 4520 4539,56 0,43 3600 30_3_0_2_95 5390 5390 0,00 0,08 5390 5390 0,00 0,11 5390 5390,00 0,00 0,27 30_4_1_48_90 1920 1920 0,00 0,23 1920 1920 0,00 0,27 1920 1948,30 1,47 3600 30_5_1_48_90 2400 2400 0,00 0,23 2400 2400 0,00 8,05 2400 2435,37 1,47 3600 30_3_1_49_90 2160 2160 0,00 0,17 2160 2160 0,00 0,31 2160 2160,00 0,00 0,16 30_4_1_49_90 2880 2880 0,00 0,23 2880 2880 0,00 0,30 2880 2880,00 0,00 0,05 30_5_1_50_90 4700 4700 0,00 2,30 4700 4700 0,00 11,17 4700 4737,96 0,81 3600 30_6_1_50_90 5390 5390 0,00 204,89 5390 5390 0,00 10,55 5390 5390,00 0,00 0,12 30_5_1_40_85 3050 3050 0,00 2,05 3050 3050 0,00 3,73 3050 3086,40 1,19 3600 30_6_1_40_85 3610 3610 0,00 17,80 3610 3634 0,66 3600 3610 3684,78 2,07 3600 30_7_1_40_85 4060 4060 0,00 9,61 4060 4060 0,00 23,47 4060 4060,00 0,00 0,09 30_6_1_41_85 5330 5340 0,19 3600 5330 5340 0,19 3600 5330 5349,45 0,36 3600 30_7_1_41_85 5410 5410 0,00 61,59 5410 5470 1,11 3600 5410 5410,00 0,00 282,97 30_8_1_41_85 5470 5470 0,00 0,08 5470 5470 0,00 0,28 5470 5470,00 0,00 0,03 30_4_1_42_85 4600 4600 0,00 0,44 4600 4600 0,00 3,59 4600 4637,26 0,81 3600 30_5_1_42_85 5390 5390 0,00 7,09 5390 5390 0,00 3,00 5390 5390,00 0,00 43.89 Média 4533,08 4563,33 0,06 429,92 4533,08 4540,15 0,14 707,02 4533,08 4545,54 0,36 1454,62 As Tabelas 1 e 2 apresentam os resultados encontrados neste artigo. A primeira coluna dessas tabelas apresenta o nome da instância que indica os valores de cinco parâmetros, sendo eles: tamanho da instância, p, b, µ, ϕ e τ: Por exemplo, a instância 324_20_0_2_95 indica que são 324 pontos, 20 centros (facilidades), que a fila está restringida por tamanho (se o parâmetro fosse 1 a fila estaria restringida pelo tempo), Cadernos do IME – Série Estatística Análise de Modelos Matemáticos para o PPLAMC... 10 que existe um número máximo de duas pessoas na fila com probabilidade de pelo menos 95%. A coluna GAP nessas tabelas é calculada da seguinte maneira: 100××××==== Inferior Limitante Inferior) Limitante - Superior(Limitante GAP(%) (14) Tabela 2 – Resultados computacionais para as instâncias com 324 pontos para os três modelos matemáticos. Instância PPLAMC PPLAMCCT PPLAMCMG Limite Inferior Limite Superior GAP (%) Tempo (s) Limite Inferior Limite Superior GAP (%) Tempo (s) Limite Inferior Limite Superior GAP (%) Tempo (s) 324_10_0_0_95 21458 21460 0,01 73,05 21459 21460 0,00 70,44 21460 21466,25 0,03 3600,00 324_10_0_1_95 35359 35360,67 0,00 257,2 35359 35360,67 0,00 285,41 35360 35366,70 0,02 3600,00 324_10_0_2_95 45387 45390 0,01 319,19 45386 45390,53 0,01 203,47 45390 45395,60 0,01 3600,00 324_10_0_0_85 37177 37180,06 0,01 371,62 37178 37180 0,01 544,91 37177 37180,64 0,01 3457,00 324_10_0_1_85 51000 51000 0,00 346,03 50995 51000 0,01 367,17 50996 51007,61 0,02 3600,00 324_10_0_2_85 59735 59740,4 0,01 180,33 59736 59740,4 0,01 666,05 59672 59743,97 0,12 3600,00 324_10_1_40_85 27698 27700 0,01 326,12 27698 27700 0,01 279,09 27690 27703,68 0,05 3600,00 324_10_1_41_85 29359 29360 0,00 248,59 29358 29360 0,01 208,28 29360 29369,44 0,03 3600,00 324_10_1_42_85 30949 30951,18 0,01 430,61 30948 30950,38 0,01 390,52 30937 30955,89 0,06 3600,00 324_10_1_48_90 26918 26920 0,01 376,64 26918 26920 0,01 282,49 26908 26922,45 0,05 3600,00 324_10_1_49_90 28329 28330 0,00 320,86 28329 28330 0,00 510,12 28327 28332,19 0,02 3600,00 324_10_1_50_90 29678 29680 0,01 229,84 29679 29680 0,00 195 29679 29685,55 0,02 3600,00 324_20_0_0_95 42916 42920 0,01 3368,45 42916 42920 0,01 3341,45 42914 42932,51 0,04 3600,00 324_20_0_1_95 70714 70720,67 0,01 3353,7 70714 70720,67 0,01 557,48 70685 70733,40 0,07 3600,00 324_20_0_2_95 90772 90780,56 0,01 3283,08 90772 90780,56 0,01 2248,61 90771 90971,19 0,22 3600,00 324_20_0_0_85 74325 74360,06 0,05 3600,00 74350 74360,06 0,01 3600,00 74307 74361,28 0,07 3600,00 324_20_0_1_85 101928 102000 0,07 3600,00 101940 102000 0,06 3600,00 101614 102015,22 0,39 3600,00 324_20_0_2_85 119365 119480,4 0,10 3600,00 119253 119480,4 0,19 3600,00 119064 119487,93 0,36 3600,00 324_20_1_40_85 55387 55400 0,02 3600,00 55391 55400 0,02 3600,00 55363 55407,36 0,08 3600,00 324_20_1_41_85 58718 58720 0,00 902,44 58715 58720 0,01 1596,55 58704 58738,89 0,06 3600,00 324_20_1_42_85 61895 61901,18 0,01 1772,06 61895 61901,17 0,01 3290,03 61887 61911,77 0,04 3600,00 324_20_1_48_90 53835 53840 0,01 3574,97 53827 53840 0,02 3600,00 53823 53844,89 0,04 3600,00 324_20_1_49_90 56649 56660 0,02 3600,00 56642 56660 0,03 3600,00 56646 56664,39 0,03 3600,00 324_20_1_50_90 59355 59360 0,01 3244,34 59355 59360 0,01 3472,66 59344 59371,10 0,05 3600,00 Média 52871,08 52883,97 0,02 1707,47 52867,21 52883,95 0,02 1671,26 52836,58 52898,75 0,08 3594,04 Considere agora a Tabela 1 que reporta os resultados para instâncias de 30 pontos de demanda. Para essas instâncias, o CPLEX apresenta bons resultados, resolvendo otimamente 23 das 26 instâncias com o modelo original de Marianov & Serra (1998), e 20 das 26 instâncias com o modelo PPLAMCCT. Porém, com o modelo PPLAMCMG, o CPLEX resolveu otimamente 16 das 26 instâncias. Com esses resultados, percebe-se que a formulação original de Marianov & Serra (1998) parece ser a mais adequada. Observe ainda que o CPLEX, com o modelo de Marianov & Serra (1998), Cadernos do IME – Série Estatística Pontin, Garcia, Bandeira Neto & Ribeiro 11 utilizou um tempo de processamento médio menor quando comparado com os outros dois modelos. Avaliando agora a Tabela 2 que apresenta os resultados para instâncias de 324 pontos de demanda, pode-se perceber novamente que o modelo original de Marianov & Serra (1998) mostrou-se mais consistente do que as outras duas variações. O CPLEX, com o modelo PPLAMCMG, apresentou os piores limitantes superiores e inferiores. Consequentemente, o gap médio obtido foi inferior, em termos de qualidade, que os demais gaps médios. Analisando os tempos computacionais médios, percebe-se que os dois primeiros modelos avaliados apresentam valores semelhantes. Por outro lado, o último modelo apresenta um tempo médio bem superior, próximo do tempo limite estipulado nos experimentos que foi de 3600 s. 4. Considerações finais e conclusões Este trabalho apresentou comparações entre formulações matemáticas propostas para o Problema Probabilístico de Localização-Alocação de Máxima Cobertura (PPLAMC). O modelo proposto por Marianov & Serra (1998) foi avaliado juntamente com duas variações, conforme os trabalhos de Cornuéjols & Thizy (1982) e de Murray & Gerrard (1997). Para os testes computacionais, foram utilizadas instâncias propostas na literatura que possuem 30 e 324 pontos de demanda, com até 20 facilidades. Os experimentos mostraram que a formulação original de Marianov & Serra (1998) é mais eficiente do que as demais em termos de tempo de processamento, gaps e soluções. Em termos de solução, a formulação de Marianov & Serra (1998) gera, para as maiores instâncias (324 pontos), um limitante inferior médio melhor do que as demais formulações, ou seja, considerando a função objetivo, a formulação de Marianov & Serra (1998) gera soluções que atendem a um número maior de pessoas. Por outro lado, as duas variações da formulação original podem ser utilizadas para gerar, talvez, desigualdades válidasespecíficas para o PPLAMC. O solver de otimização utilizado nos experimentos computacionais foi o CPLEX 10. Esse aplicativo, por ser extremamente eficiente e bem avaliado pela comunidade científica, apresenta uma série de estratégias de solução que permitem ganhar tempo computacional durante o seu branch-and-bound. Uma destas estratégias é a criação de restrições de corte bem conhecidas como os cortes de clique e de Gomory, que Cadernos do IME – Série Estatística Análise de Modelos Matemáticos para o PPLAMC... 12 dependem, basicamente, da estrutura do modelo matemático. Acredita-se assim que a baixa performance do CPLEX com as duas últimas formulações esteja atrelada a esta geração automática de cortes, que não está sendo eficiente. Como o PPLAMC é um problema de grande complexidade, encontra-se em estudo uma metaheurística para o mesmo. Espera-se obter resultados tão bons quanto os apresentados por Corrêa et al (2009b), porém em um tempo computacional menor. Além disso, espera-se trabalhar com instâncias maiores como as propostas por García et al (2009). Agradecimentos Glaydston Mattos Ribeiro agradece ao Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPq (Processo 201509/2009-1) pelo suporte financeiro dado ao trabalho. Os autores agradecem aos revisores pelas ótimas sugestões fornecidas. Referências CHURCH, R. L.; REVELLE, C. The maximal covering location problem. Papers of the Regional Science Association, v. 32, n. 1, p. 101-118, 1974. CORNUÉJOLS, G.; THIZY, J. M. Some facets of the simple plant location polytope. Mathematical Programming, v. 23, n. 1, p. 50-74, 1982. CORRÊA, F. A.; CHAVES, A. A.; LORENA, L. A. N. Hybrid heuristics for the probabilistic maximal covering location-allocation problem. Operational Research: an International Journal, v. 7, n. 3, p. 323-343, 2007. CORRÊA, F. A.; LORENA, L. A. N. Aplicação da relaxação Lagrangeana e do algoritmo genético construtivo na solução do problema probabilístico de localização-alocação de máxima cobertura. Revista Gestão & Produção, v. 13, n. 2, p. 233-244, 2006. CORRÊA, F. A.; LORENA, L. A. N.; RIBEIRO, G. M. Novos limitantes Lagrangeanos para o problema probabilístico de localização-alocação de máxima cobertura utilizando grafos de cobertura. Revista Gestão & Produção, v. 16, n. 2, p.260-272, 2009a. CORRÊA, F. A.; LORENA, L. A. N.; RIBEIRO, G. M. A decomposition approach for the probabilistic maximal covering location-allocation problem. Computers & Operations Research, 36, 2729-2739, 2009b. FOGLIATTI M. C.; MATTOS, N. M. C. Teoria de Filas. Rio de Janeiro: Editora Interciência, 2007. GARCÍA, S.; LABBÉ, M.; MARÍN, A. Solving large p-median problems with a radius formulation. Journal on Computing, 2009. To appear. ILOG. Ilog Cplex 10.0: User's manual. França, 2006. 478 p. Cadernos do IME – Série Estatística Pontin, Garcia, Bandeira Neto & Ribeiro 13 LORENA, L. A. N. Análise espacial de redes com aplicações em sistemas de informações geográficas. Revista Produção, v. 3, n. 2, 2003. MARIANOV, V.; SERRA, D. Probabilistic maximal covering location-allocation models for congested systems. Journal of Regional Science, v. 38, n. 3, p. 401-424, 1998. MARIANOV, V.; SERRA, D. Hierarchical location-allocation models for congested systems. European Journal of Operational Research, v. 135, n.1, p. 195-208, 2001. MURRAY, A. L.;GERRARD, R. A. Capacitated service and regional constraints in location-allocation modeling. Location Science, v. 5, n. 2, p. 113-118, 1997. RIBEIRO, G. M. Relaxação Lagrangeana com divisão em clusters para alguns problemas de otimização modelados em grafos de conflitos. Tese de Doutorado em Computação Aplicada. Instituto Nacional de Pesquisas Espaciais. Disponível em http://www.lac.inpe.br/~lorena/pos-grad.html. 2007. WOLSEY, L. A. Integer programming. Estados Unidos: Wiley-Interscience, 1998. Cadernos do IME – Série Estatística Análise de Modelos Matemáticos para o PPLAMC... 14 ANALYSIS OF MATHEMATICAL MODELS FOR THE QUEUING MAXIMAL COVERING LOCATION- ALLOCATION PROBLEM Abstract The Queueing Maximal Covering Location-Allocation Problem (QMCLAP) is a variation of p-medians problems that consists of locating p facilities, maximizing the number of attended users and ensuring a good level of service. The level of service is related to the parameters of the queue, i.e., waiting time and number of people waiting for service. In this problem, intervals between arrivals and services vary according to probability distributions, so it is necessary take into account concepts of the Queuing Theory. Therefore, this paper aims to evaluate mathematical models for the QMCLAP using available instances in the literature. Key-words: QMCLAP, p-median, Queuing Theory. UM MODELO DE PREVISÃO DO CONSUMO RESIDENCIAL DE ENERGIA ELÉTRICA NO BRASIL Beatriz Helena Assis Mascarenhas de Oliveira IBMEC – RJ Centro de Pesquisas de Energia Elétrica (CEPEL) beatrizhelenadeoliveira@gmail.com Jorge Machado Damázio Universidade do Estado do Rio de Janeiro (UERJ) Centro de Pesquisas de Energia Elétrica (CEPEL) damazio@cepel.br Rodrigo José Guerra Leone Universidade Potiguar (UnP) r.leone@uol.com.br Mihail Lermontov Universidade Federal Fluminense (UFF) mihail@lermontov.com Maria Augusta Soares Machado IBMEC – RJ mmachado@ibmecrj.br Resumo O objetivo deste trabalho foi o desenvolvimento de um modelo previsão do consumo residencial de energia elétrica no Brasil. Dentre os métodos de previsão de demanda existentes, a metodologia adotada neste trabalho baseou-se na abordagem econométrica. O método aplicado consistiu na modelagem de um vetor autoregressivo e de um modelo de correção de erros vetoriais, utilizando-se os procedimentos de estimação e testes desenvolvidos por Johansen (1988 e 1991) e Johansen e Juselius (1990). Para o período analisado, as elasticidades preço e renda de longo prazo da demanda residencial de energia elétrica foram de –0,3912 e 0,9649 respectivamente. Palavras-chave: Previsão de consumo; Energia elétrica; Estimação. CADERNOS DO IME – Série Estatística Universidade do Estado do Rio de Janeiro - UERJ Rio de Janeiro – RJ - Brasil ISSN 1413-9022 / v. 28 p. 15 - 31, 2010 Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 16 1. Introdução A compreensão da importância dos modelos de previsão de consumo de energia elétrica requer uma breve explicação sobre o funcionamento do Setor Elétrico Brasileiro. Fortunato et al (2001) classifica os sistemas elétricos em três grandes grupos: hidrelétricos, termoelétricos e hidrotérmicos. Em alguns países, o aproveitamento de recursos hidrelétricos de porte, aliado à possibilidade de compra de energia de sistemas vizinhos, resulta em sistemas exclusivamente hidrelétricos. Em outros países, as condições geográficas impossibilitam a existência de potencial hidrelétrico, originando sistemas exclusivamente termoelétricos. Na maioria dos países, contudo, coexistem os dois tipos de geração, que caracterizam os sistemas hidrotérmicos. Isto porque a geração hidrelétrica está sempre exposta à possibilidade de estiagens recorrentes, quando a capacidade de geração fica sensivelmente diminuída, sendo então necessário recorrer à construção de grandes reservatórios que armazenam água durante os períodos de grandes chuvas para uso durante as estiagens e/ou ao acoplamento de usinas térmicas que são utilizadas quando a água armazenada pelo sistema hidrelétrico cai a níveismuito baixos. O sistema brasileiro de produção de energia elétrica é um sistema hidrotérmico, com forte predominância de geração hidrelétrica e grande capacidade de armazenamento de água. O imenso potencial hidrelétrico brasileiro enfatiza a necessidade do planejamento da expansão da geração, tendo em vista que os prazos de construção de usinas hidroelétricas são bem maiores que os de usinas termoelétricas. O planejamento da operação tem também maior importância, dada a necessidade de coordenação das produções hidro e térmicas no controle do esvaziamento dos reservatórios. Neste contexto, é necessário avaliar com antecedência as condições de atendimento da demanda pelo sistema gerador. Por isso, no planejamento da expansão e no planejamento da operação trabalha-se com modelos de previsão de consumo de energia elétrica. O objetivo principal1 deste trabalho é o desenvolvimento de um modelo de previsão do consumo residencial de energia elétrica no Brasil. Elasticidades preço e 1 Maiores detalhes podem ser encontrados em De Oliveira (2004). Cadernos do IME – Série Estatística Oliveira et al. 17 renda são também estimadas. Estas elasticidades indicam como o consumo residencial de energia elétrica reage às variações de preço e renda. 2. Revisão da Literatura 2.1. Modelos Top-Down e Bottom-Up Antes da primeira crise de petróleo, os modelos de planejamento energético se limitavam à determinação da oferta de energia. A demanda de energia era tratada como uma variável exógena e a oferta de energia era determinada por modelos de otimização (COSTA & FALLOT, 2002). As mudanças ocorridas após a crise de petróleo de 1973-1974 provocaram variações importantes na elasticidade-renda do consumo de energia, cujo comportamento anterior era praticamente constante. Dentre estas mudanças, cabe destacar: − crescimento do setor de serviços nos países desenvolvidos e transferência de indústrias intensivas em energia para os países em desenvolvimento; − substituição de fontes energéticas; − inovações tecnológicas. Estas mudanças levaram ao aprimoramento dos modelos existentes e ao desenvolvimento de novos modelos. A partir de então, o debate entre os especialistas em energia concentrou-se em duas correntes de modelos. De um lado, os modelos Top- Down (TD). Do outro lado, os modelos Bottom-Up (BU). A forma de representação do progresso técnico parece ser a principal diferença metodológica entre estas duas correntes de modelos (GRUBB et al, 1993, apud COSTA & FALLOT, 2002). Os modelos TD representam o progresso técnico de uma forma bastante agregada, enquanto que os modelos BU fazem uma representação altamente desagregada, com uma especificação tecnológica detalhada. Atualmente, verifica-se uma tendência no sentido de integrar estas duas correntes dentro de um mesmo modelo. O desenvolvimento de modelos denominados de híbridos tem sido possível, em consequência da identificação dos pontos fortes e fracos de cada corrente, além da não incompatibilidade entre as estruturas dos modelos (COSTA & AMERICANO, 1996). Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 18 2.2. Principais Artigos Nacionais Modiano (1984) analisou a evolução histórica do consumo e da tarifa média de energia elétrica das classes residencial, industrial, comercial e outros no período 1963/1981. Com o propósito de avaliar quantitativamente a resposta da demanda de energia elétrica à variações da renda real e da tarifa real para as quatro classes distintas de consumidores, foram especificados e testados econometricamente dois modelos convencionais de determinação da demanda, ambos pressupondo que a oferta é infinitamente elástica. O primeiro modelo supôs que o ajustamento do consumo à demanda fosse instantâneo. O segundo modelo admitiu o ajustamento parcial do consumo à demanda, tendo sido estimadas as elasticidades renda e elasticidades preço de curto e longo prazos. As equações foram estimadas pelo método de mínimos quadrados com correção para correlação serial pelo método de Cochrane-Orcutt. Araújo (1988) discutiu as relações entre modelos e o processo de planejamento, sistematizando as etapas do processo com ênfase na utilização de cenários e modelos nesse processo. Inicialmente, discutiu as ligações entre energia e sociedade, energia e desenvolvimento e introduziu conceitos básicos para o estudo de modelos como instrumentos de análise da realidade. Na segunda parte do trabalho, fez uma tipologia e análise dos principais enfoques, segundo finalidades, mantendo a divisão familiar entre modelos de demanda, oferta e integrados. Dentro desta divisão, distinguiu os diversos instrumentais utilizados, bem como a abrangência e outros aspectos relevantes. O ponto focal desta parte foram as hipóteses subjacentes e implicações dos modelos, buscando explicitar os conceitos envolvidos. Na terceira parte apresentou os métodos clássicos de previsão, seus pressupostos e aplicabilidade. Discutiu métodos de prospectiva também conhecidos como métodos de cenários. Em seguida, apresentou alguns dos principais procedimentos para construção de cenários, analisando a utilização do método como suporte de planejamento, introduzindo a questão do risco. No último capítulo concentrou-se no processo de planejamento propriamente dito, focando no uso de modelos: seu papel, limitações, a escolha de métodos adequados ao problema, integração entre análise e implementação, execução do estudo e a crítica dos mesmos e extração de conclusões válidas para elaboração de um plano. No final, retomou a discussão inicial, dando atenção a aspectos institucionais e à ligação entre a natureza do planejamento energético e a existência de um projeto global de desenvolvimento. Cadernos do IME – Série Estatística Oliveira et al. 19 Araújo (1992) realizou estudo econométrico da demanda de energia elétrica no Brasil para os setores industrial, residencial e outros consumos. A hipótese subjacente do estudo foi de que a demanda de eletricidade é mediada pelo estoque de equipamentos. No trabalho considera-se que, para cada categoria de usuários, variáveis renda e preços atuam sobre os estoques de equipamentos (através de compras de novos equipamentos e sucateamento dos velhos) e sobre o nível de sua utilização, a forma de atuação dependendo da categoria. No estudo foram feitas regressões nos logaritmos, obtendo-se elasticidades preço e elasticidades renda e foram testadas suas significâncias e a presença de autocorrelação serial nos resíduos. Sendo esta correlação significativa, prosseguiu com uma estimação em dois estágios. No caso do setor residencial, fez também a estimação de um modelo de defasagem distribuída. Vale mencionar que estas duas estimações correspondem a duas hipóteses distintas de como a inércia manifesta- se: a estimação em dois estágios supõe que a inércia aparece nos desvios entre a regressão (i.e., o valor esperado do consumo, dados preços e renda) e o valor observado; já a estimação por defasagem distribuída (modelo de ajuste parcial) implica em que o nível do consumo atual depende do consumo passado. Andrade e Lobão (1997) analisaram a evolução do consumo residencial de energia elétrica no Brasil no período 1963/1965 e estimaram as elasticidades renda e elasticidades preço de sua demanda agregada. Além de atualizar parte do estudo feito por Modiano (1984), foram aplicados métodos econométricos mais eficientes para analisar a sensibilidade da função demanda residencial deste serviço de utilidade pública. A equação para demanda residencial de energia elétrica foi estimada por três diferentes métodos.O primeiro a ser utilizado foi o método de mínimos quadrados ordinários (MQO) sob a hipótese do modelo linear geral. Entretanto, os autores argumentam que como se trata da estimação de um modelo de demanda, é provável que a hipótese de correlação nula entre regressor e erro, fortemente requerida neste contexto de estimação, poderia estar sendo violada devido à existência de uma eventual simultaneidade entre o consumo e a tarifa de energia elétrica. Por este motivo, apresentam uma estimação de variáveis instrumentais (VI), do tipo dois estágios, com o intuito de corrigir os possíveis vieses gerados pela estimação direta de MQO. O terceiro método aplicado consistiu na modelagem de um vetor autoregressivo sob a representação de um modelo de correção de erros, utilizando-se os procedimentos de Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 20 estimação e testes desenvolvidos por Johansen (1988 e 1991) e ainda Johansen e Juselius (1990). Schmidt e Lima (2002) estimaram as elasticidades, principalmente as preço e renda, de longo prazo da demanda por energia elétrica nas três classes de consumo: residencial, comercial e industrial. Os autores apresentam um modelo microeconômico a ser utilizado nas estimações e uma resenha referente a estudos sobre elasticidades a nível internacional e nacional. O método de estimação utilizado no trabalho também foi o de Johansen (1988 e 1991) e Johansen e Juselius (1990); isto é, o de cointegração, que requer a modelagem de um vetor autoregressivo, sob a representação de um modelo de correção de erro vetorial, para levar em consideração a não estacionariedade das variáveis do modelo. 3. Metodologia 3.1. Tipo de Abordagem Dentre os principais métodos de previsão de demanda existentes, a metodologia adotada neste trabalho baseou-se na abordagem econométrica. Convém lembrar que esta abordagem busca analisar a evolução temporal de uma variável dependente ou explicada, em função da evolução temporal de variáveis independentes ou explicativas. Mais especificamente, o modelo de previsão de demanda desenvolvido visa quantificar as relações existentes entre o consumo residencial de energia elétrica e o Produto Interno Bruto (PIB), a tarifa real média residencial de energia elétrica e o preço de eletrodomésticos. A estimação dos parâmetros foi feita através de método estatístico, utilizando-se as séries históricas anuais das variáveis do modelo. O método aplicado consistiu na modelagem de um vetor autoregressivo e de um modelo de correção de erros vetoriais, utilizando-se os procedimentos de estimação e testes desenvolvidos por Johansen (1988 e 1991) e Johansen e Juselius (1990). 3.2. Dados e Fontes Utilizados A Tabela 1 mostra os dados do consumo residencial de energia elétrica, do PIB, da tarifa média residencial de energia elétrica e do preço de eletrodomésticos no período 1980-2003. Cadernos do IME – Série Estatística Oliveira et al. 21 Tabela 1 – Variáveis do Modelo Ano Consumo Residencial GWh PIB R$ Milhões de 2003 Tarifa Média Residencia R$/MWh Preços de Eletrodomésticos 1980 23.184 968 371,28 330,37 10,31 1981 24.960 927 215,50 315,20 11,35 1982 27.066 934 911,39 293,33 11,76 1983 29.742 907 518,48 258,23 9,80 1984 30.923 956 524,48 233,42 8,45 1985 32.624 1 031 602,09 217,64 8,51 1986 35.747 1 108 869,09 188,53 7,89 1987 38.343 1 148 012,17 229,40 6,65 1988 40.536 1 147 323,36 212,61 8,87 1989 43.655 1 183 578,78 160,41 7,07 1990 47.951 1 132 093,10 206,10 5,92 1991 51.108 1 143 753,66 215,42 3,74 1992 51.901 1 137 536,44 238,13 3,35 1993 53.626 1 193 557,45 221,17 2,82 1994 55.954 1 263 414,82 201,83 2,24 1995 63.576 1 316 778,86 185,03 1,95 1996 69.051 1 351 786,61 232,88 1,72 1997 74.089 1 396 008,80 242,46 1,52 1998 79.339 1 397 850,36 245,82 1,38 1999 81.293 1 408 830,11 243,14 1,32 2000 83.614 1 470 264,51 244,38 1,20 2001 73.622 1 489 562,96 250,58 1,10 2002 72.661 1 518 264,12 257,56 1,08 2003 76.168 1 514 923,94 239,30 1,00 A fonte dos dados do consumo residencial foi o Banco Central (BC). A tarifa média residencial de energia elétrica foi deflacionada pelo IGP-DI. A fonte dos dados da tarifa média residencial foi o Instituto de Pesquisa Econômica Aplicada (IPEA) para o período 1980-1994 e ANEEL (1995-2003). A série do IGP-DI foi coletada no IPEA. A série do PIB a preços constantes de 2003 foi coletada no BC. A série dos preços de eletrodomésticos foi obtida deflacionando o IPA-OG-eletrodomésticos pelo IGP-DI. A fonte dos dados foi o IPEA. O Quadro 1 sintetiza os indicadores utilizados na modelagem e as fontes dos dados. Quadro 1 – Fontes dos Dados Indicadores Fontes Consumo Residencial de Energia Elétrica BC IGP-DI IPEA IPA-OG-eletrodomésticos IPEA PIB BC Tarifa Média Residencial de Energia Elétrica IPEA Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 22 Após transformar os dados brutos para índice em base fixa (1980-2003), o Gráfico 1 foi plotado para a visualização da evolução das variáveis do modelo. Gráfico 1 – Evolução das Variáveis do Modelo 4. Testes e Estimação do Modelo O modelo teórico foi construído utilizando-se a seguinte premissa: Toda quantidade de energia elétrica demandada pelos consumidores residenciais é efetivamente fornecida. Dito de outra maneira, de uma forma geral ou para grande parte dos consumidores, admite-se que a oferta do serviço seja infinitamente elástica. Com esta premissa, pode-se utilizar a quantidade consumida com uma boa aproximação para a quantidade demandada (ANDRADE & LOBÃO, 1997). Cabe destacar que, dada a premissa de oferta infinitamente elástica, na estimação do modelo não foram considerados os dados do período 2001-2003, pois houve racionamento de energia elétrica (restrição de oferta) nos anos de 2001 e 2002. A equação de demanda residencial de energia elétrica foi especificada da seguinte forma funcional (SCHMIDT & LIMA, 2002): δβα ⋅⋅⋅= tttt PEYPKC (4.1) em que: 0e0,0,0K <δ>β<α> Índice de Base Fixa (1980 = 100%) 0 50 100 150 200 250 300 350 400 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 Consumo PIB Tarifa Preços de Eletro Cadernos do IME – Série Estatística Oliveira et al. 23 onde: :C t consumo residencial de energia elétrica no tempo t; :Pt tarifa residencial de energia elétrica no tempo t; :Yt renda no tempo t; :PE t preço de eletrodomésticos no tempo t; Tomando logaritmo na equação (4.1), chega-se à seguinte equação linear para a demanda residencial de energia elétrica: tttt LogPELogYLogPLogKLogC δ+β+α+= (4.2) em que: 0e0,0,0K <δ>β<α> A escolha da forma funcional log-linear deveu-se ao fato de que as elasticidades são obtidas diretamente dos resultados da regressão e, diferentemente das formas lineares, são constantes e independentes dos valores assumidos pelas variáveis. Doravante, tttt PEeY,P,C representam, respectivamente, tttt LogPEeLogY,LogP,LogC Teoricamente, espera-se que o consumo reaja negativamente aos aumentos da tarifa residencial e do preço de eletrodomésticos e, positivamente, aos aumentos de renda. Os coeficientes δβα e, representam, respectivamente, as elasticidades da demanda residencial de energia elétrica com relação ao preço de energia elétrica, renda e preço de eletrodomésticos. Na estimação foram utilizados dados de séries temporais. Uma hipótese implícita na análise de regressão envolvendo dados de séries temporais é que tais dados são estacionários. 4.1. Teste de Raiz Unitária O teste de raiz unitária é umteste para detectar não-estacionariedade. Neste trabalho, o teste foi realizado utilizando-se o software Eviews. De acordo com Gujarati (2000), tem-se o seguinte modelo: t1tt uYY += − (4.3) onde: tu é o termo de erro estocástico que tem média zero, variância 2σ constante e é não- autocorrelacionado. Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 24 Conforme ainda Gujarati (2000), a equação (4.3) é similar a uma regressão de primeira ordem, ou AR(1), onde o valor Y no instante t é regredido sobre seu valor no instante )1( −t . Se o coeficiente da regressão de 1−tY for igual a 1, tem-se o problema da raiz unitária; ou seja, uma situação de não estacionariedade. A variável estocástica Y tem uma raiz unitária, se ao se aplicar a regressão t1tt uYY +ρ= − (4.4) obtém-se 1=ρ . A equação (4.4) pode ser reescrita como ttttt uYuYY +=+−=∆ −− 11)1( δρ (4.5) onde: )1( −= ρδ e ∆ é o operador de primeira diferença. Se δ for 0 , obtém-se: t1ttt u)YY(Y =−=∆ − (4.6) Ou seja, as primeiras diferenças da série temporal tY é uma série temporal estacionária. Convenciona-se chamar uma série temporal integrada de ordem d, ou I(d), se for necessário diferenciá-la d vezes para torná-la estacionária. Uma série é não estacionária se for integrada de ordem maior ou igual a 1. Pode-se verificar a estacionariedade de uma série temporal tY , aplicando (4.4) e testando a hipótese nula ^ ρ igual a 1 com base na estatística t . Neste caso, t é conhecida por estatística τ (tau) e seus valores críticos foram tabulados por Dickey e Fuller, utilizando-se simulações de Monte Carlo. O teste tau é conhecido como teste de Dickey-Fuller (DF). O teste de Dickey-Fuller é feito verificando-se a hipótese nula 0=δ nas seguintes regressões: t1tt uYY +δ=∆ − (4.5) t1t1t uYY +δ+β=∆ − (4.7) t1t21t uYtY +δ+β+β=∆ − (4.8) onde: t é a variável tempo ou tendência. Cadernos do IME – Série Estatística Oliveira et al. 25 Se o termo de erro tu é autocorrelacionado, utiliza-se termos de diferenças defasados - teste aumentado de Dickey-Fuller (ADF). t1t m 1i i1t21t YYtY ε+∆α+δ+β+β=∆ − = − ∑ (4.9) Com o objetivo de testar a ordem de integração das séries temporais das variáveis do modelo, foi realizado o teste ADF. Os resultados do teste foram os seguintes: Tabela 2 – Teste ADF nas Séries Temporais Variável Equação de Teste Defasagem Estatística de Teste Valor Crítico (MacKinnon) 1% 5% tC constante 1 -1,0885 -3,8315 -3,0300 tP sem constante e sem tendência 0 -0,5848 -2,6857 -1,9591 tY sem constante e sem tendência 1 2,2676 -2,6924 -1,9602 tPE constante 0 0,4443 -3,8085 -3,0207 Estes resultados indicam que a hipótese nula de que existe uma raiz unitária não pode ser rejeitada ao nível de significância de 5%; ou seja, todas as séries temporais podem ser consideradas não-estacionárias. Em seguida, foram realizados testes de raiz unitária nas primeiras diferenças (Tabela 3), tendo sido constatado que as séries diferenciadas uma vez podem ser estacionárias ao nível de significância de 5%. Foi concluído que todas as séries temporais podem ser consideradas como integradas de ordem 1; ou seja, I(1). Tabela 3 – Teste ADF nas Séries Temporais em Primeira Diferença Variável Equação de Teste Defasagem Estatística de Teste Valor Crítico (MacKinnon) 1% 5% tC constante 1 -3,3539 -3,8574 -3,0404 tP sem constante e sem tendência 0 -4,7617 -2,6924 -1,9602 tY sem constante e sem tendência 0 -2,4480 -2,6924 -1,9602 tPE constante 0 -4,7317 -3,8315 -3,0300 Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 26 4.2. Teste de Co-Integração Conforme mencionado anteriormente, uma hipótese implícita na análise de regressão envolvendo dados de séries temporais é que tais dados são estacionários. Uma vez constatado que as séries temporais das variáveis do modelo são não-estacionárias, o método estatístico utilizado neste trabalho consistiu na modelagem de um vetor autoregressivo e de um modelo de correção de erros vetoriais, utilizando-se os procedimentos de estimação e testes desenvolvidos por Johansen (1988 e 1991) e Johansen e Juselius (1990). No caso de modelagem de séries temporais não- estacionárias, este método é o que fornece o tratamento estatístico mais adequado para estimar a função de demanda de longo prazo e para realizar previsões do consumo de energia elétrica (ANDRADE & LOBÃO, 1997). Engle e Granger (1987) apontaram que uma combinação linear de duas ou mais séries não-estacionárias pode ser estacionária. Se tal combinação linear existir, as séries não estacionárias são co-integradas. A combinação linear estacionária é chamada de equação de co-integração e pode ser interpretada como uma relação de equilíbrio de longo prazo entre as variáveis. Dado que todas as séries temporais das variáveis do modelo têm a mesma ordem de integração, foi realizado o teste de co-integração para testar a existência de vetores de co-integração. Para a realização do teste de co-integração, é necessário que se defina a ordem do modelo VAR que será especificado. Utilizando o critério de Schwarz, concluiu-se que o modelo VAR deve ser especificado com apenas 1 defasagem das variáveis. Em seguida, utilizando o software EViews, foram realizados o traçoteste λ e o maxteste λ . O traçoteste λ indicou a existência de 2 vetores de co-integração ao nível de significância de 5% e, apenas 1 vetor de co-integração ao nível de significância de 1%. Tabela 4 – traçoTeste λ Nº Vetores de Co-integração Eigenvalue Estatística de Teste Valor Crítico (r) 1% 5% 0r = 0,9560 90,31 45,58 39,89 1r ≤ 0,5812 27,85 29,75 24,31 2r ≤ 0,4039 10,44 16,31 12,53 3r ≤ 0,0047 0,09 6,51 3,84 Cadernos do IME – Série Estatística Oliveira et al. 27 O maxteste λ , por sua vez, indicou a existência de apenas 1 vetor de co- integração aos nivéis de significância de 1% e 5%. Tabela 5 – maxTeste λ Nº Vetores de Co-integração Eigenvalue Estatística de Teste Valor Crítico (r) 1% 5% 0r = 0,9560 62,46 28,82 23,80 1r ≤ 0,5812 17,41 22,99 17,89 2r ≤ 0,4039 10,35 15,69 11,44 3r ≤ 0,0047 0,09 6,51 3,84 Os dois testes de co-integração indicam que as variáveis são co-integráveis, identificando a existência de um vetor de co-integração ao nível de significância de 1%. A relação de co-integração é dada pelo seguinte vetor normalizado: Tabela 6 – Vetor Normalizado tC tP tY tPE 1,000 0,3912 -0,9649 0,2784 Então, a relação de longo prazo entre as variáveis do modelo fica estimada pela seguinte equação de co-integração: tttt PE2784,0Y9649,0P3912,0C −+−= (4.10) A equação (4.10) indica que a elasticidade-preço de longo prazo da demanda residencial de energia elétrica é –0,3912, o que significa que um aumento de 1% da tarifa residencial de energia elétrica causará uma redução de 0,3912% no consumo residencial de energia elétrica. Da mesma forma, os coeficientes 0,9649 e –0,2784 representam, respectivamente, a elasticidade-renda de longo prazo da demanda residencial de energia elétrica e a elasticidade preço de eletrodomésticos de longo prazo da demanda residencial de energia elétrica. 4.3. Modelo de Correção de Erros Vetoriais Com a finalidade de realizar previsões, foi estimado o modelo de correção de erros vetorias (MCEV). O MCEV é um VAR restrito utilizado em séries não- estacionárias co-integráveis. O MCEV possui uma relação de co-integração em sua especificação, que restringe o comportamento de longo prazo das variáveis, permitindo ajustes na dinâmica de curtoprazo. O termo de co-integração é conhecido como erro de Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 28 correção, na medida em que os desvios do equilíbrio de longo prazo são corrigidos gradualmente através de uma série de ajustes parciais de curto prazo. A equação de co-integração (4.10) foi utilizada para derivar o erro de correção defasado: 1t1t1t1t1t PE2784,0Y9649,0P3912,0Cu −−−−− +−+= (4.11) Em seguida, foram testadas diversas especificações para tC∆ , acrescentando uma constante e as variáveis tP∆ , tY∆ , tPE∆ e 1tC −∆ . Como a variável de interesse é o consumo residencial de energia elétrica, só foi estimado um MCEV para esta variável. O melhor resultado obtido foi o seguinte: Tabela 7 – Estimação do MCEV Variável Coeficiente Desvio Padrão Estatística t Prob. Constante -0,0516 0,0192 -2,6915 0,0167 1tu − -0,3348 0,0575 -5,8268 0,0000 1tC −∆ 0,4157 0,1460 2,8467 0,0122 tPE∆ -0,0615 0,0290 -2,1189 0,0512 R2 = 0,7264 0,7264 F teste = 13,28 (0,0002) LM teste = 3,3208 (0,1901) Jarque-Bera teste = 0,6131 (0,7360) White teste = 3,6173 (0,7283) Nota: Os valores entre parênteses representam o p-value. Os coeficientes são significativos e não existem indícios de que os resíduos não sejam normalmente distribuídos (Jarque-Bera teste), homocedásticos (White teste) e não-autocorrelacionados (LM teste). Cabe ressaltar que a primeira diferença da variável preço )P( t∆ e a primeira diferença da variável renda )Y( t∆ não se mostraram significativas e por isso não fazem parte da equação do MCEV. Desta maneira, o modelo pode ser estimado com a equação (4.12), que representa as dinâmicas de curto e longo prazos para o consumo residencial de energia elétrica: t1t1tt PE0615,0C4157,0u3348,00516,0C ∆−∆+−−=∆ −− (4.12) Cadernos do IME – Série Estatística Oliveira et al. 29 O MCEV indica que a velocidade de ajustamento em relação ao equilíbrio de longo prazo é –0,3348; ou seja, 33,5% do desequilíbrio de curto prazo em relação à trajetória de longo prazo são corrigidos a cada período. Isto significa que o ajuste total dos desvios do equilíbrio de longo prazo levaria cerca de 3 anos. 5. Considerações Finais Este trabalho objetivou o desenvolvimento de um modelo de previsão do consumo residencial de energia elétrica no Brasil, importante ferramenta para o planejamento da expansão e o planejamento da operação do Setor Elétrico Brasileiro. Além disso, buscou contribuir para estimações de elasticidades preço e renda de longo prazo da demanda residencial de energia elétrica. O método aplicado consistiu na modelagem de um vetor autoregressivo (VAR) sob a representação de um modelo de correção de erros vetoriais, utilizando-se os procedimentos de estimação e testes desenvolvidos por Johansen (1988 e 1991) e ainda Johansen e Juselius (1990). Esta metodologia foi utilizada por Andrade e Lobão (1997) e Schmidt e Lima (2002), que analisaram a evolução do consumo residencial de energia elétrica no Brasil e estimaram as elasticidades preço e renda da demanda residencial de energia elétrica para diferentes períodos. Cabe destacar que neste trabalho foram utilizadas as séries temporais do consumo total de energia elétrica e do PIB, diferenciando-se do adotado nos dois trabalhos mencionados que utilizaram as séries temporais do consumo por consumidor de energia elétrica e o PIB per capita. Por isso, as elasticidades preço e renda da demanda residencial de energia elétrica estimadas neste trabalho não são comparáveis com as encontradas anteriormente. Por ultimo, vale ressaltar ainda que, dado que a restrição de oferta provocada pelo racionamento de energia elétrica de 2001-2002 viola a hipótese básica do trabalho de que a oferta do serviço seja infinitamente elástica, a estimação do modelo foi realizada com base nas observações do período 1980-2000. Para este período, as elasticidades preço e renda de longo prazo da demanda residencial de energia elétrica foram de –0,3912 e 0,9649 respectivamente. Cadernos do IME – Série Estatística Um Modelo de Previsão do Consumo... 30 Referências ANDRADE, T. A.; LOBÃO, W. J. A. Elasticidade Renda e Preço da Demanda Residencial de Energia Elétrica no Brasil. In: Texto para Discussão nº 489, IPEA, p. 1-20, 1997. ARAÚJO, J. L. R. H. Modelos de Energia para Planejamento. Tese (Concurso de Professor Titular), COPPE/UFRJ, 1984. ARAÚJO, J. L. R. H. Estudo Econométrico da Demanda de Energia Elétrica no Brasil, Relatório Final, IE/UFRJ, 1992. COSTA, R. C.; FALLOT, A. Top-down Versus Bottom-Up: Coupling Both Modelling Approaches for a Prospective Study on Biofuels. Comprehensive Economic and Spatial Bio-Energy Modelling. 48 ed. Chania: CIHEAM (Centre International de Hautes Etudes Agronomiques Méditerranéenes), 2002. COSTA, R. C.; AMERICANO, B. B. “Modelos Top-Down e Bottom-Up: Reflexões sobre o Planejamento Energético”. In: Congresso Brasileiro de Energia, Rio de Janeiro, 1996. DE OLIVEIRA, B. H. A. M. (2004), “Um Modelo de Previsão do Consumo Residencial de Energia Elétrica no Brasil”. Monografia de Final do Curso de MBA Executivo em Finanças, IBMEC/RJ. ENGLE, R. F.; GRANGER, C. W. J. Co-integration and Error Correction: Representation, Estimation, and Testing. In: Econometrica, Vol. 55, No. 2, p. 251-276, 1987. FORTUNATO L. A. M.; ARARIPE NETO, T. A.; ALBUQUERQUE, J. C. R.; PEREIRA, M. V. F. Introdução ao Planejamento da Expansão e Operação de Sistemas de Produção de Energia Elétrica 1a. ed. Niterói: Atlas, 2001. GUJARATI, D. N. Econometria Básica, São Paulo: MAKRON Books, 2000. JOHANSEN, S. Statistical Analysis og Cointegrating Vectors. In: Journal of Economic Dynamics and Control, Vol. 12., p. 231-254, 1988. JOHANSEN, S. Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models. In: Econometrica, Vol. 59, No. 6, p. 1551-1580, 1991. JOHANSEN, S.; JUSELIUS, K.. Maximum Likelihood Estimation and Inference on Cointegration – With Applications to the Demand for Money. In: Oxford Bulletin of Economics and Statistics, Vol. 52, No. 2, p. 169-210, 1990. MODIANO, E. M. Elasticidade Renda e Preços da Demanda de Energia Elétrica no Brasil. In: Texto para Discussão nº 68, Departamento de Economia da PUC, p. 1-19, 1984. SCHMIDT, C. A. J.; LIMA, M. A. Estimações e Previsões da Demanda por Energia Elétrica no Brasil. In: Documento de Trabalho nº 16, Ministério da Fazenda. Secretaria de Acompanhamento Econômico – SEAE, p. 1-31, 2002. Cadernos do IME – Série Estatística Oliveira et al. 31 A FORECASTING MODEL FOR RESIDENTIAL ELECTRICAL ENERGY CONSUMPTION IN BRAZIL Abstract The objective of this work was to develop a model to predict the residential electrical energy consumption in Brazil. Among the methods of demand forecasting in existence, the methodology adopted was based on an econometric approach. The method applied was based on the modeling of an autoregressive vector and an error correction vector, using the estimation procedures and tests developed by Johansen (1988 and 1991) and Johansen and Juselius (1990). For the period analyzed, the price and income elasticities of demand for long-term residential electricity were -0.3912 and 0.9649 respectively. Key-words: Forecast; Electrical energy; Estimation. 32 A IMPORTÂNCIA DOS GRÁFICOS DE CONTROLE PARA MONITORAR A QUALIDADE DOS PROCESSOS INDUSTRIAIS: ESTUDO DE CASO NUMA INDÚSTRIA METALÚRGICA Anderson Gomes dos Santos Universidade Federal de Campina Grande (UFCG) andersongsantosufcg@gmail.com Edivan Ferreira de Lacerda Universidade Federal de Campina Grande (UFCG)edvan.ferreira@yahoo.com.br Hélio Cavalcanti Albuquerque Neto Universidade Federal de Campina Grande (UFCG) heliocnt@hotmail.com Weidson do Amaral Luna Universidade Federal de Campina Grande (UFCG) weidson.a.l@gmail.com Egidio Luíz Furlanetto Universidade Federal de Campina Grande (UFCG) elfurlanetto@terra.com.br Resumo Em um cenário competitivo, as empresas buscam a qualidade nos seus produtos. Para isto, é necessária a análise do empreendimento para avaliar o desempenho dos processos até o produto final, emergindo assim a importância do CEP para detectar e diminuir a variabilidade, garantido maior conformação além de redução do custo, tornando-se importante ferramenta para a competitividade. Este artigo exploratório, analisa o CEP em uma empresa metalúrgica. No inicio, por gráficos, foi possível verificar causas especiais, após a eliminação dessas, o processo passou a estar sob controle, porém, houve necessidade de ajuste da média do processo. Finalmente, foram sugeridas medidas para que a empresa mantivesse seu sistema produtivo sob controle. Palavras-chave: Controle Estatístico Processo, Qualidade, Metalúrgica. CADERNOS DO IME – Série Estatística Universidade do Estado do Rio de Janeiro - UERJ Rio de Janeiro – RJ - Brasil ISSN 1413-9022 / v. 28 p. 33 - 46, 2010 Cadernos do IME – Série Estatística A Importância dos Gráficos de Controle... 34 1. Introdução Acompanhar as constantes alterações de mercado sem perder qualidade e mantendo a eficácia no atendimento ao cliente tem sido hoje um grande desafio para as empresas e corporações. Para tal, é necessário desenvolver produtos inovadores, que possuam um padrão de qualidade e que consigam satisfazer as necessidades dos clientes, gerando vantagem competitiva frente às demais empresas. Entretanto, a qualidade não deve ser atrelada apenas ao produto final, mas sim a todo o processo produtivo e administrativo, visto que cada produto imperfeito trás consigo desperdício de matéria-prima, tempo e energia. Quanto a isto, Shiba et al (1997) colocam a participação de cada etapa do processo como pilar na construção de uma filosofia organizacional orientada à qualidade total - Total Quality Management. Para os autores, ao invés de simplesmente realizar o trabalho que lhe foi designado, cada etapa do processo deverá procurar satisfazer da melhor forma possível seu cliente interno ou externo. Nesse sentido, Montgomery (2004) afirma que o Controle Estatístico de Processo (CEP) é extremamente útil, já que é uma poderosa coleção de ferramentas para a coleta, análise e interpretação de dados, com o objetivo de melhorar a qualidade por meio da eliminação de causas especiais, podendo ser utilizado para a maioria dos processos. Shiba et al (1997) ainda afirmam ser este um método pelo qual se possa atingir elevado percentual de qualidade sem rejeições, desde que sejam desenvolvidos formas padronizados de correções e de feedback em cada etapa ao longo do processo. Assim sendo, o presente artigo propõe-se a analisar, por meio do CEP, a fabricação de um dos componentes da linha de produtos de uma indústria metalúrgica usados na montagem de dobradiças e maçanetas de fechaduras. O estudo pôde detectar variações em suas dimensões, evidenciando a necessidade da elaboração da carta de controle, além de fornecer medidas mitigadoras para que a empresa mantenha o processo sob controle. 2. Fundamentação teórica 2.1 Causas de variabilidade do processo Segundo Costa et al (2008), a expressão variabilidade do processo está relacionada às diferenças existentes entre as unidades produzidas em um mesmo processo. Se esta variabilidade for grande, as alterações entre as unidades serão Cadernos do IME – Série Estatística Gomes, Ferreira, Cavalcanti & Furlanetto 35 facilmente observadas, contudo, se esta variação for pequena, as diferenças serão praticamente imperceptíveis. Desta forma, é possível afirmar que os processos são passíveis de causas especiais, os quais são problemas ou modos de operação anormal no processo que podem ser eliminados. Estatisticamente estas causas ocasionam um efeito de deslocamento na centralidade (tirando a média do valor-alvo) da variável X e/ou alteram a sua dispersão. Alguns exemplos de causas especiais são: − Ajuste incorreto da máquina ou desregulagem provocada pelo tempo de uso; − Lote de matéria-prima fora das especificações; − Operador mal treinado ou desmotivado. Quando uma causa especial é detectada, ela deve ser imediatamente investigada com o objetivo de intervir para eliminá-la. Para isto, utilizam-se as cartas, ou gráficos de controle, que são capazes de identificar a presença destas causas nos processos. 2.2 Cartas ou gráficos de controle De acordo com Galuch (2002), apud Barros (2008), os gráficos de controle analisam o comportamento do processo permitindo uma atuação de forma preventiva, efetuando ações corretivas no momento em que ocorrerem desvios, mantendo-o dentro de condições pré-estabelecidas. Ainda desempenham um papel importante na aceitação do produto, pois o CEP verifica a estabilidade e homogeneidade do produto ou serviço. Segundo Costa (1994), o método baseia-se na retirada de amostras aleatórias de tamanho n a cada h hora, devem ser coletadas para posterior cálculo da média e da amplitude amostral e assim investigar se o processo está ou não sob controle estatístico. Um processo está sob controle estatístico quando estiver isento de causas especiais, ou seja, se na carta de controle elaborada, todos os pontos estiverem inseridos entre os Limites Superior (LSC) e Inferior de Controle (LIC), não apresentando nenhuma tendência. Segundo Souza (2002), tendência é quando se encontra uma ascendência ou descendência de sete ou mais pontos no gráfico do processo. 2.2.1 Condições para a construção e uso dos gráficos de controle: estimativa da variabilidade do processo Para a construção dos gráficos de controle é necessário conhecer o desvio- padrão ( S ) do processo. Dependendo do caso em estudo, é preciso apenas estimar a média, ou avaliar se a estimativa desta está suficientemente próxima do valor alvo Cadernos do IME – Série Estatística A Importância dos Gráficos de Controle... 36 estabelecido para a conformidade. Estes parâmetros devem ser avaliados durante o período em que o processo permanecer isento de causas especiais de forma que se garanta uma construção correta dos gráficos. Segundo Costa et al (2008), existem quatro formas de se estimar a variabilidade de um processo ( aS , bS , cS e dS ), entretanto, segundo os autores as duas últimas são consideradas mais confiáveis, pois baseiam-se na dispersão dos valores encontrados entre as amostras, sendo insensíveis a causas especiais que possam alterar a média do processo e, portanto, no presente estudo a opção será por elas. As Equações 1 e 2 apresentam o modelo matemático necessário para o cálculo destes estimadores. 4C S Sc − = (1) Onde: − − S é o desvio-padrão médio do processo; − 4C é o fator relacionado ao tamanho dos subgrupos. 2d R Sd − = (2) Onde: − − R é a amplitude média do processo; − 2d é o fator relacionado ao tamanho dos subgrupos. 2.2.2 Gráficos de controle por variáveis contínuas Nos casos em que a variável a ser observada seja contínua, depois de eliminadas as causas especiais, é necessário construir os gráficos da média amostral ( −X ), o da amplitude ( R ) e o do desvio-padrão ( S ). Neste processo são utilizados um dos gráficos para medir a dispersão ( R ou S ) e outro para detectar a centralidade do processo ( − X ). 2.2.2.1 Gráfico da média amostral − X Observadas as amostras de tamanho n , calcula-se as médias de cada amostra, e posteriormente, plota-se um gráfico no qual tem como parâmetros
Compartilhar