No âmbito industrial, constantes desenvolvimentos de produto e processo implicam quase que todo o tempo no acréscimo do controle estatístico de variáveis de entrada ou variáveis resposta, o que implica em custos, tempos e recursos da empresa. Técnicas estatísticas auxiliam a tomada de decisão para a otimização destas variáveis, encontrando correlações existentes com a finalidade de que somente as variáveis que são realmente necessárias sejam monitoradas, uma destas técnicas é 
chamada por algumas literaturas de análise de multicolinearidades ou Multivariate Analysis.
Palavras chave: Variáveis, correlações, multicolinearidades.
- INTRODUÇÃO
Naturalmente monitoramento de processos e produtos geram dados históricos que são por muitas vezes analisados a fim de identificar regressores, por meio de regressões lineares, ou então determinar variáveis a serem monitoradas em um processo. Para que ambas sejam executadas de maneira otimizada e correta, a análise de multicolinearidades deve ser realizada previamente para identificar correlações entre estas variáveis.
- ANÁLISE DE DADOS
Alguns softwares disponíveis no mercado auxiliam e agilizam estas análises, um destes utilizados como exemplo, o JMP permite comparar infinitas variáveis em uma única tela e enquanto tabelas auxiliam a tomada de decisão com base em correlações ou testes estatísticos.
Os testes estatísticos são baseados no teste de hipóteses, permitindo um cálculo de p-value, onde a hipótese nula é de que a correlação entre duas variáveis seja zero. A análise de correlações é estimada por diversos cálculos diferentes, a depender da qualidade e distribuição dos dados em questão. O software possui uma opção Defa
ult que define automaticamente o método de calculo adequado.
A análise de correlação pode ser realizada primeiramente de forma qualitativa, onde elipses mostram o contorno de 95% de distribuição normal dos pontos plotados, onde elipses estreitas mostram correlações fortes enquanto elipses mais distorcidas mostram dados aleatórios.
Figura 1 – Análise qualitativa dos dados
Em situações onde o limiar entre uma correlação existente é de difícil visualização os métodos numéricos auxiliam de forma prudente. Conforme anteriormente falado por meio da força das correlações ou testes estatísticos. Figura 2 – Análise qualitativa dos dados
Um ponto importante a ser considerado é que quando se utiliza dados históricos para a análise de regressões lineares, esta análise prévia irá definir e identificar correlações que não devem ser utilizadas juntas como regressores. A utilização de duas varáveis correlacionadas como regressores irá influenciar na estimativa dos betas da regressão, o que trará além do erro os desperdícios de recursos.
- CONCLUSÃO
Portanto, análises prévias definem quais as variáveis do processo realmente devem ser manipuladas ou mensuradas para o controle ou futuras pesquisas por meio de experimentações. Além de estimativas erradas, a identificação de variáveis correlacionadas no processo permite uma otimização e direcionamento correto dos recursos da empresa.
A busca por novos conhecimentos e técnicas deve ser cada vez mais difundido no cenário industrial, por meio de pesquisas e também pelo estreitamento da relação entre teoria e prática. Este segundo pode ser alcançado muitas vezes na existência de um convívio próximo e parceiro entre universidades e empresas, onde a contribuição é de mutuo benefício.
Nota do Blog Gestão e Resultados: A WEG desenvolve sob coordenação da Fundação Espírito-santense de Tecnologia – FEST e o Centro Tecnológico da UFES, o curso “In Company” – Pós Graduação em Engenharia da Produção.
REFERÊNCIAS
MONTGOMERY, DOUGLAS C., Introduction to Statistical Quality Control, Sixth Edition, Chapter 11, Arizona State University, 2009.
RENCHER, ALVIN C., Methods of Multivariate Analysis, Second Edition, Brigham Young University, 2002.
SAS Institute Inc., JMP® 13 Multivariate Methods, Second Edition. Cary, NC: SAS Institute Inc. 2017.
Autor: André Caron Zanezi, Controle da Qualidade – WEG Equipamentos Elétricos, Linhares ES.