5. Conclusão
5.5. Sugestões para trabalhos futuros
Com o término da dissertação, nota-se a possibilidade de trabalhos futuros:
Comparar indicadores obtidos com a simulação do novo leiaute com os indicadores reais da nova célula;
Criar o modelo de simulação utilizando o leiaute da empresa para manter a escala e avaliar possíveis alterações nos resultados;
Utilizar a programação simplificada para avaliar a redução no tempo da simulação;
Realizar um estudo para criar o diagrama homem x máquina de todas as operações para utilizar o comando USE do ProModel® avaliar a quantidade de mão de obra.
Referências Bibliográficas
90
REFERÊNCIAS BIBLIOGRÁFICAS
ABDULMALEK, F.A.; RAJGOPAL, J. Analyzing the benefits of lean manufacturing and value stream mapping via simulation: A process sector case study. International Journal of
Production Economics, v.107, n.1, p.223-236, 2007.
ALEISA, E.; AL-AHMAD, M.; TAHA, A.M. Design and management of a sewage pit through discrete-event simulation. Simulation: Transactions of the Society of Modeling and
Simulation International, v.87, n.11, p.989-1001, 2011.
ALTUGER, G., CHASSAPIS, C. Manual assembly line operator scheduling using hierarchical preference aggregation. In: Proceedings of the Winter Simulation Conference, Baltimore, MD, USA, 2010.
ALTUNTAS, S.; SELIM, H. Facility layout using weighted association rule-based data mining algorithms: Evaluation with simulation. Expert Systems with Applications, v.39, n.1, p.3-13, 2012.
ASKIN, R.G.; ESTRADA, S. Investigation of Cellular Manufacturing Practices, in
Handbook of Cellular Manufacturing Systems. Hoboken: John Wiley & Sons, 2007, 762p.
AZADEH, A.; MOGHADDAM, M.; ASADZADEH, S.M.; NEGAHBAN, A. An integrated fuzzy simulation-fuzzy data envelopment analysis algorithm for job-shop layout optimization: The case of injection process with ambiguous data. European Journal of Operational
Research, v.214, n.3 , p.768-779, 2011.
BANKS, J.; CARSON II, J. S.; NELSON, B. L.; NICOL, D. M. Discrete-event Simulation. 4th. ed. New Jersey: Prentice-Hall, 2005.
BANKS, J. Handbook of simulation. New York: Wiley-Interscience, 2008, 849p.
BANKS, J.; CARSON II, J.S.; NELSON, B.L.; NICOL, D.M. Discrete-event system
simulation. New Jersey: Pearson, 2010, 622p.
BAYKASOĞLU, A.; GÖÇKEN, M. Capability-based distributed layout and its simulation based analyses. Journal of Intelligent Manufacturing, v.21, n.4, p.471-485, 2010.
BERTRAND, J. W. M.; FRANSOO, J. C. Modelling and Simulation: operations management research methodologies using quantitative modeling. International Journal of Operations &
Production Management, v.22, n.2, p.241-264, 2002.
BLOOMFIELD, R.; MAZHARI, E.; HAWKINS, J.; SON, Y.J. Interoperability of manufacturing applications using the Core Manufacturing Simulation Data (CMSD) standard information model. Computer & Industrial Engineering, v.62, n.4, p.1065-1079, 2012.
BOUCHERIE, R.J.; HANS, E.W.; HARTMANN, T. Health care logistics and space: accounting for the physical build environment. In: Proceedings of the Winter Simulation
Referências Bibliográficas
91
CANEN, A.G.; WILLIAMSON, G.H. Facilities Emerald Article : Facility leiaute overview : towards competitive advantage Facility layout overview : towards competitive advantage.
Facilities, v.14, n.10, p.5-10, 1996.
CARON, F.; MARCHET, G.; PEREGO, A. Integrated Manufacturing Systems Emerald Article : Layout design in manual picking systems : a simulation approach Layout design in manual picking systems : a simulation approach. Integrated Manufacturing Systems, v.11, n.2, p.94-104, 2000.
CHEN, H.M.; HUANG, P.H. 3D AR-based modeling for discrete-event simulation of transport operations in construction. Automation in Construction, v.33, p.123-136, 2013. CHWIF, L.; MEDINA, A.C. Modelagem e Simulação a eventos Discretos: Teoria e
Aplicações. São Paulo: Bravarte, 2010, 309p.
FLEURY, A. Planejamento do projeto de pesquisa e definição do modelo teórico. In: CAUCHICK MIGUEL, P.A. Metodologia de pesquisa em engenharia de produção e gestão de operações. Rio de Janeiro: CAMPUS, 2010, 226p.
GARRIDO, J.M. Object oriented simulation: a modeling and programming perspective. Boston: Springer-Verlag, 2009, 431p.
GEIGER, C.D.; HASE, R.; TAKOUDIS, C.G.; UZSOY, R. Alternative facility layouts for semiconductor wafer fabrication facilities. IEEE Components, Packaging, and Manufacturing
Technology Society, v.20, n.2, p.152–163, 1997.
GEN, M.; LIN, L.; ZHANG, H. Evolutionary techniques for optimization problems in integrated manufacturing system: State-of-the-art-survey. Computer & Industrial Engeneering, v.56, n.3 , p. 779-808, 2009.
GHOTBODDINI, M.M.; RABBANI, M.; RAHIMIAN, H. A comprehencisve dynamics cell formation design: Bender’s decomposition approach. Expert Systems with Applications, v.38, n.3, p.2478-2488, 2011.
GOLDMANS, D. Simulation output analysis. In: Proceedings of the Winter Simulation
Conference, Arlington, VA, USA, 1992.
HAMERI, A.P. Production flow analysis - Cases from manufacturing and service industry.
International Journal of Production Economics, v.129, n.2, p.233-241, 2011.
HARREL, C.; GHOSH, B.K.; BAWDEN, R. Simulation using ProModel. London: McGraw- Hill, 2003, 752p.
HASAN, M.A.; SARKIS, J.; SHANKAR, R. Agility and production flow layouts: An analytical decision analysis. Computer & Industrial Engineering, v.62, n.4, p.898-907, 2012.
Referências Bibliográficas
92 HEILALA, J.; MONTONEN, J.; JÄRVINEN, P.; KIVIKUNNAS, S.; MAANTILA, M.; SILLANPÄÄ, J.; JOKINEN, T. Developping simulation-based decision support systems for customer-driven manufacturing operation planning. In: Proceedings of the Winter Simulation
Conference, Baltimore, MD, USA, 2010.
HILLIER, F.S.; LIEBERMAN, G.J. Introdução à pesquisa operacional. Porto Alegre: Mc Graw Hill bookman, 2010, 828p.
HWANG, J.; LAMBERT, C.U. The interaction of major resources and their influence on waiting times in a multi-stage restaurant. International Journal of Hospitality Management, v.27, n.4 , p.541-551, 2008.
ISMAIL, H.S.; TEY, V.S.; WANG, L.; POOLTON, J. A UML approach for the design of reconfigurable manufacturing simulation models. In: International Conference on Industrial
Engineering and Engineering Management, Cidade de Singapura, Singapura, 2011.
JAHANGIRIAN, M.; ELBADI, T.; NASEER, A.; STERGIOULAS L.K.; YOUNG, T. A Review Simulation in manufacturing and business. European Journal of Operational
Research, v.203, n.1, p.1-13, 2010.
JERBI, A.; CHTOUROU, H.; MAALEJ, A.Y. Comparing functional and cellular layouts using simulation and Taguchi method. Journal of Manufacturing Technology Management, v. 21, n. 5, p. 529-538, 2010.
JITHAVECH, I; KRISHNAN, K.K. A simulation-based approach for risk assessment of facility layout designs under stochastic product demands. The International Journal of
Advanced Manufacturing Technology, v.49, n.1-4, p.27-40, 2010.
JOHANSON, B.; KAISER, J. Turno lost production into profit – discrete event simulation applied on resetting performance in manufacturing systems. In: Winter Simulation
Conference, Proceedings... San Diego, CA, USA, 2002.
JOHNSON, N.L.; KITCHEN, J.O. Some notes on tables to facilitate fitting SB curves.
Biometrika, v.58, n.1, p.223–226, 1971.
KLEIJNEN, J.P.C. Verification and validation of simulation models. European Journal of
Operational Research, v.82, p.145-162, 1995.
KRAJEWSKI, L.; RITZMAN, L; MALHOTRA, M. Administração de Produção e
Operações. São Paulo: Prentice Hall, 2009, 615p.
KRISHNAN, K.K.; MIRZAEI, S.; VENKATASAMY, V.; PILLAI, V.M. A comprehensive approach to facility layout design and cell formation. The International Journal of Advanced
Manufacturing Technology, v.59, n.5-8, p.737-753, 2012.
KULAK, O.; POLAT, O.; GUJJULA, R.; GÜNTHER, H.O. Strategies for improving a long- established terminal’s performance: a simulation study of a Turkish container terminal.
Referências Bibliográficas
93 KUMAR, S.; PHROMMATHED, P. Improving a manufacturing process by mapping and simulation of critical operations. Journal of Manufacturing Technology Management, v.17, n.1, p.104-132, 2006.
KURKIN, O.; ŠIMON, M. Optimization of Layout Using Discrete Event Simulation. IBIMA
Business Review Journal, v.2011, p.1-10, 2011.
LAW, A.M. Simulation modeling & analysis. New York: McGraw-Hill, 2007, 768p.
LAW, A.M.; KELTON, W.D. Simulation modeling & analysis. Singapore: McGraw-Hill, 1991, 759p.
LEAL, F. Análise do efeito interativo de falhas em processos de manufatura através de
projetos de experimentos simulados. 2008. 237 f. Tese de Doutorado em Engenharia
Mecânica - Universidade Estadual Paulista, Guaratinguetá, SP, 2008.
LÖFGREN, B.; TILLMAN, A.M. Relating manufacturing system configuration to life-cycle environmental performance: discrete-event simulation supplemented with LCA. Journal of
Cleaner Production, v.19, n.17-18, p.2015-2024, 2011.
MACHADO, D.V.C. Inserção da Simulação Computacional no Planejamento Hierárquico
de Cadeias de Suprimento das Organizações. Dissertação de Mestrado em Engenharia de
Produção, UFRJ, Rio de Janeiro/RJ, 2006, 120p.
MAHDAVI, I; SHIRAZI, B.; PAYDAR, M.M. A flow matrix-based heuristic algorithm for cell formation and layout design in cellular manufacturing system. The International Journal
of Advanced Manufacturing Technology, v.39, n.9-10, p.943-953, 2008.
MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR.
Desenvolvimento da Produção – Estatísticas – Anuário Estatístico. Disponível em:
http://www.mdic.gov.br/sitio/interna/interna.php?area=2&menu=1479. Acesso em:
21/02/2011
MOBINI, M.; SOWLATI, T.; SOKHANSANJ, S. Forest biomass supply logistics for a power plant using the discrete-event simulation approach. Applied Energy, v.88, n.4 , p.1241-1250, 2011.
MONTEVECHI, J.A.B.; COSTA, R.F.S.; MARINS, F.F.; LEAL, F.; PINHO, A.F.; MARINS, F.A.S.; JESUS, J.T. Combined use of modeling techniques for the development of the conceptual model in simulation projects. In: Proceedings of the Winter Simulation
Conference, Miami, FL, USA, 2008.
MONTEVECHI, J.A.B.; PINHO, A.F. de; LEAL, F.; MARINS, F.A.S. Application of design of experiments on the simulation of a process in an automotive industry. In: Proceedings of
the Winter Simulation Conference, Washington, D.C., USA, 2007.
MONTEVECHI, J.A.B.; PINHO, A.F. de; LEAL, F.; COSTA, R.F.S.; Oliveira, M.L.M. Conceptual modeling simulation projects by mean adapted IDEF: an application in a brazilian
Referências Bibliográficas
94 tech company. In: Proceedings of the Winter Simulation Conference, Baltimore, MD, USA, 2010.
MONTGOMERY, D.C.; RUNGER, G.C. Estatística aplicada e probabilidade para
engenheiros. Rio de Janeiro: LTC, 2009, 490p.
MOON, Y.B.; PHATAK, D. Enhancing ERP system’s functionality with discrete event simulation. Industrial Management & Data System, v.105, n.9, p.1206-1224, 2005.
MOONEY, C.Z. Monte Carlo Simulation. Thousand Oaks: SAGE Publications, 1997, 103p. MORABITO, R.; PUREZA, V. Modelagem e simulação. In: CAUCHICK MIGUEL, P.A. Metodologia de pesquisa em engenharia de produção e gestão de operações. Rio de Janeiro: CAMPUS, 2010, 226p.
NYLUND, H.; ANDERSSON, P.H. Simulation of service-oriented and distributed manufacturing systems. Robotics and computer-integrated manufacturing, v. 26, n. 6, p. 622- 628, 2010.
PATEL, V.; ASHBY, J.; MA, J. Discrete event simulation in automotive final process system. In: Winter Simulation Conference, Proceedings... San Diego, CA, USA, 2002.
PEGDEN, C.D.; SHANNON, R.E.; SADOWSKI, R.P. Introduction to simulation using
SIMAN. New York: McGraw-Hill, 1995, 636p.
PHILLIPS, D.T.; RAVINDRAN, A.; SOLBERG, J. Operations research: principles and
practice. New York: John Wiley & Sons, 1976, 585p.
POTTER, A.; YANG, B.; LALWANI, C. A simulation study of dispatch bay performance in the steel processing industry. European Journal of Operational Research, v.179, n.2, p.567- 578, 2007.
PROMODEL. User guide. USA: ProModel Corporation, 2011, 645p.
QIN, W.; HUANG, G. Q. A two-level genetic algorithm for scheduling in assembly islands with fixed-position layouts. Journal of Systems Science and Systems Engineering, v.19, n.2, p.150–161, 2010.
RENNA, P.; AMBRICO, M. Evaluation of cellular manufacturing configurations in dynamic conditions using simulation. The International Journal of Advanced Manufacturing
Technology, v.56, n.9-12, p.1235-1251, 2011.
RYAN, J.; HEAVEY, C. Process modeling for simulation. Computers in Industry, v.57, n.5, p.437-450, 2006.
ROBINSON, S.; BROOKS, R.J. Independent verification and validation of an industrial simulation model. Simulation,v.86, n.7, p.405-416, 2010.
Referências Bibliográficas
95 ROBINSON, S.; RADNOR, Z.J.; BURGESS, N.; WORTHINGTON, C. SimLean: Utilising simulation in the implementation of lean in healthcare. European Journal of Operational
Research, v.219, n.1, p.188-197, 2012.
ROTHER, M.; SHOOK, J. Aprendendo a enxergar. São Paulo: Lean Institute Brasil, 2003, 102p.
SANDANAYAKE, Y.G.; ODUOZA, C.F.; PROVERBS, D.G. A systematic modeling and simulation approach for JIT performance optimization. Robotics and Computer-Integrated
Manufacturing, v.24, n.6, p.735-743, 2008.
SARGENT, R.G. Verification, validation and accreditation of simulation models. In:
Proceedings of the 2000 Winter Simulation Conference, Orlando, FL, USA, 2000.
SATOGLU, S.I.; SURESH, N.C. A goal-programming approach for design of hybrid cellular manufacturing system in dual resource constrained environments. Computers & Industrial
Engineering, v.56, n. 2, p.560-575, 2009.
SHARDA, B.; AKIYA, N. Selecting make-to-stock and postponement policies for different products in a chemical plant: A case study discrete event simulation. International Journal
Production Economics, v.136, n.1 , p.161-171, 2012.
SHYSHOU, A.; GRIBKOVSKAIA, I.; BARCELO, J. A simulation study of the fleet sizing problem arising in offshore anchor handling operations. European Journal of Operational
Research, v.209, n.1 , p. 230-240, 2010.
SILVA, A.L.; CARDOZA, E. Critical analysis of layout concepts: functional layout, cell layout, product layout, modular layout, fractal layout, small factory layout. In: International
Conference on Industrial Engineering and Operations Management, São Carlos, SP, Brazil,
2010.
SLACK, N; CHAMBERS, S.; JOHNSTON, R. Operations Management. Harlow: Prentice Hall, 2010, 686p.
SPRENGER, R.; MÖNCH, L. A methodology to solve large-scale cooperative transportation planning problems. European Journal of Operational Research, v.223, n.3 , p.626-636, 2012.
SÜER, G.A.; HUANG, J.; MADDISETTY, S. Design of dedicated, shared and remainder cells in a probabilistic demand environment. International Journal of Production Research, v.48, n.19, p.5613-5646, 2010,
TAKO, A.A.; ROBINSON, S. Model development in discrete-event simulation and system dynamics: An empirical study of expert modellers. European Journal of Operational
Referências Bibliográficas
96 THAMMATUTTO, C.; CHAROENSIRIWATH, C. Improving production efficiency through lean flexible cellular manufacturing simulation. In: International Conference on Quality and
Reliability, Banguecoque, Tailândia, 2011.
TOMPKINS, J.A.; WHITE, J.A.; BOZER, Y.A.; TANCHOCO, J.M.A. Facilities Planning. New York: John Wiley, 2010, 864p.
TORGA, B.L.M. Modelagem, simulação e otimização em sistemas puxados de manufatura. 2007. 139 f. Dissertação de Mestrado em Engenharia de Produção - Universidade Federal de Itajubá, Itajubá, MG, 2007.
ZHU, Z.; HEN, B.H.; TEOW, K.L.; Estimating ICU bed capacity using discrete event simulation. International Journal of Health Care Quality Assurance, v.25, n.2, p.134-144, 2012.
YAMAMOTO, H.; QUDEIRI, J.A.; JAMALI, M.A. Concurrent production engineering system for buffer size and flexible transfer line layout design. Journal of Systems Science and
Systems Engineering, v.17, n.2, p.187-203, 2008.
YAZICI, H.J. Simulation modeling of a facility layout in operations management classes.
Simulation & Gaming, v.37, n.73, p.73-78, 2006.
WANG, Q.; OWEN, G.W.; MILEHAM, A. R. Comparison between fixed- and walking- worker assembly lines. Journal of Engineering Manufacture, v.219, n.11, p.845-848, 2005. WEB OF KNOWLEDGE. Product Access – Web of Knowledge. Disponível em:
http://wokinfo.com. Acesso em: 13/11/2013
WOMACK, J.P.; JONES, D.T. A mentalidade enxuta nas empresas Lean Thinking. Rio de Janeiro: Campus, 2004, 408p.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
97
Anexo A – Análise do Tamanho de Lote dos Produtos a
serem simulados
A Figura A.1 apresenta o diagrama box-plot para o Produto 2, que corresponde a 22,2% do que será produzido no novo leiaute. Os outliers identificados não foram retirados da amostra por caracterizarem lotes de produção menores, fato esse muito comum para atender as necessidades do cliente.
Figura A.1 – Análise de Outliers para o tamanho de lote do Produto 2
A Figura A.2 apresenta um diagrama de correlação. Pela análise do diagrama, os valores estão dispersos de maneira aleatória.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
98 Por fim, os dados da amostragem de tamanho de lote para o Produto 2 passaram por alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados melhor se ajustavam. As Figuras A.3, A.4, A.5 e A.6 mostram ao todo 16 tipos diferentes de distribuição e o resultado do p-value para cada uma delas.
Figura A.3 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 2
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
99
Figura A.5 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 2
Figura A.6 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 2 Conforme apresentado pelas Figuras de A.3 a A.6, o único teste de aderência com p-
value maior do que 0,05 foi para a Distribuição Normal. Será essa a distribuição adotada para
representar os dados da amostra de tamanho de lote do Produto 2.
A Figura A.7 apresenta o diagrama box-plot para o Produto 3, que corresponde a 16,2% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
100
Figura A.7 – Análise de Outliers para o tamanho de lote do Produto 3
A Figura A.8 apresenta um diagrama de correlação. Pela análise do diagrama, os valores estão dispersos de maneira aleatória.
Figura A.8 – Análise de dispersão do tamanha de lote para o Produto 3
Por fim, os dados da amostragem de tamanho de lote para o Produto 3 passaram por alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados melhor se ajustavam. As Figuras A.9, A.10, A.11 e A.12 mostram ao todo 16 tipos diferentes de distribuição e o resultado do p-value para cada uma delas.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
101
Figura A.9 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 3
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
102
Figura A.11 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 3
Figura A.12 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 3 Conforme apresentado pelas Figuras de A.9 a A.12, o teste de aderência com maior p-
value foi o da Transformada de Johnson. Será essa a distribuição adotada para representar os
dados da amostra de tamanho de lote do Produto 3.
A Figura A.13 apresenta o diagrama box-plot para o Produto 4, que corresponde a 11,9% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
103
Figura A.13 – Análise do Outliers do Produto 4
A Figura A.14 apresenta um diagrama de correlação. Pela análise do diagrama, os valores estão dispersos de maneira aleatória.
Figura A.14 – Análise de dispersão do tamanha de lote para o Produto 4
Por fim, os dados da amostragem de tamanho de lote para o Produto 4 passaram por alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados melhor se ajustavam. As Figuras A.15, A.16, A.17 e A.18 mostram ao todo 16 tipos diferentes de distribuição e o resultado do p-value para cada uma delas.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
104
Figura A.15 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 4
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
105
Figura A.17 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 4
Figura A.18 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 4 Conforme apresentado pelas Figuras de A.15 a A.18, o teste de aderência com maior
p-value foi o da Transformada de Johnson. Será essa a distribuição adotada para representar
os dados da amostra de tamanho de lote do Produto 4.
A Figura A.19 apresenta o diagrama box-plot para o Produto 5, que corresponde a 7,4% do que será produzido no novo leiaute. Não foi identificado nenhum outlier na amostra.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
106
Figura A.19 – Análise de Outliers do Produto 5
A Figura A.20 apresenta um diagrama de correlação. Pela análise do diagrama, os valores estão dispersos de maneira aleatória.
Figura A.20 – Análise de dispersão do tamanha de lote para o Produto 5
Por fim, os dados da amostragem de tamanho de lote para o Produto 5 passaram por alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados melhor se ajustavam. As Figuras A.21, A.22, A.23 e A.24 mostram ao todo 16 tipos diferentes de distribuição e o resultado do p-value para cada uma delas.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
107
Figura A.21 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 5
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
108
Figura A.23 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 5
Figura A.24 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 5 Conforme apresentado pelas Figuras de A.21 a A.24, o teste de aderência com maior
p-value foi o da Transformada Box-Cox. No entanto, como o software ProModel® não aceita
esse tipo de distribuição, a Transformada de Johnson (com segundo maior p-value) que será essa a distribuição adotada para representar os dados da amostra de tamanho de lote do Produto 5.
A Figura A.25 apresenta o diagrama box-plot para o Produto 6, que corresponde a 6,4% do que será produzido no novo leiaute. Os outliers identificados não foram retirados da amostra por caracterizarem lotes de produção menores, fato esse muito comum para atender as necessidades do cliente.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
109
Figura A.25 – Análise de Outliers do Produto 6
A Figura A.26 apresenta um diagrama de correlação. Pela análise do diagrama, os valores estão dispersos de maneira aleatória.
Figura A.26 – Análise de dispersão do tamanha de lote para o Produto 6
Por fim, os dados da amostragem de tamanho de lote para o Produto 6 passaram por alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados melhor se ajustavam. As Figuras A.27, A.28, A.29 e A.30 mostram ao todo 16 tipos diferentes de distribuição e o resultado do p-value para cada uma delas.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
110
Figura A.27 – Análise I da distribuição de ajuste para o tamanho de lote do Produto 6
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
111
Figura A.29 – Análise III da distribuição de ajuste para o tamanho de lote do Produto 6
Figura A.30 – Análise IV da distribuição de ajuste para o tamanho de lote do Produto 6 Conforme apresentado pelas Figuras de A.27 a A.30, o teste de aderência com maior
p-value foi o da Transformada de Johnson. Será essa a distribuição adotada para representar
os dados da amostra de tamanho de lote do Produto 6.
A Figura A.31 apresenta o diagrama box-plot para o Produto 7, que corresponde a 6,1% do que será produzido no novo leiaute. Os outliers identificados não foram retirados da amostra por caracterizarem lotes de produção menores, fato esse muito comum para atender as necessidades do cliente.
Anexo A – Análise do Tamanho de Lote dos Produto a serem simulados
112
Figura A.31 – Análise de Outliers do Produto 7
A Figura A.32 apresenta um diagrama de correlação. Pela análise do diagrama, os valores estão dispersos de maneira aleatória.
Figura A.32 – Análise de dispersão do tamanha de lote para o Produto 7
Por fim, os dados da amostragem de tamanho de lote para o Produto 7 passaram por alguns Testes de Aderência para verificar a qual distribuição de probabilidade os dados melhor se ajustavam. As Figuras A.33, A.34, A.35 e A.36 mostram ao todo 14 tipos diferentes