1 Introdução

Ao analisarmos o ramo da engenharia de produção, a qualidade e a produtividade são essenciais para garantir um bom funcionamento das operações industriais que funcionem corretamente com êxito e eficiência. A coleta de dados tem como intuito averiguar a quantidade de produtos produzidos, a duração do ciclo de fabricação e qualidade dos produtos produzidos em diferentes indústrias (automotiva, tecnologia, alimentícia, vestuário e medicamentos). Neste relatório, contém informações relevantes para nosso levantamento de dados, bens ele como: foco na relação entre o número de carros produzidos por dia, tempo de produção e como a qualidade do produto afeta a produtividade

Importando a base de dados

library(readr)
DBP <- read_csv("Dados_Problema_1_Engenharia_Producao.csv")

Visualizando os dados

library(rmarkdown)
paged_table(DBP)

2 Tratamento dos dados

2.1 Varíavel Frabicados por dia

Importância: Esta variável fornece uma medida direta da produtividade diária,influenciando a capacidade de atender a demanda do mercado.

Criando objeto com os dados de interesse

#VARIAVEL FABRICADOS POR DIA 
pfd <-(DBP$`Produtos Fabricados por Dia`)

2.1.1 Análise exploratoria de dados

2.1.1.1 Diagrama de Ramo-e-Folhas

O diagrama de ramo-e-folhas oferece uma visualização rápida da distribuição dos dados de produção diária.

 stem(pfd)
## 
##   The decimal point is 2 digit(s) to the right of the |
## 
##   0 | 5677789
##   1 | 000000123444
##   1 | 555667888
##   2 | 0011222444444
##   2 | 566667999
##   3 | 0011112222234
##   3 | 5566667788999
##   4 | 0001112244444
##   4 | 56788999
##   5 | 000

2.1.1.2 Tabela de Distribuição de Frequência

library(fdth)
tdf <- fdt(pfd,breaks = "FD")
print(tdf)
##       Class limits  f   rf rf(%)  cf cf(%)
##    [50.49,140.382) 18 0.18    18  18    18
##  [140.382,230.274) 17 0.17    17  35    35
##  [230.274,320.166) 25 0.25    25  60    60
##  [320.166,410.058) 21 0.21    21  81    81
##   [410.058,499.95) 19 0.19    19 100   100

2.1.1.3 Histograma

O histograma apresenta em barras justapostas a distribuição de frequências da produção diária.

# Exemplo de histograma
hist((pfd), breaks=10, col='pink', border = "black", main='Histograma de Produção Diária', xlab='Produção Diária', ylab='Frequência')

2.1.2 Medidas de Tendência Central e Variabilidade

library(psych)
describe(pfd)
##    vars   n   mean     sd median trimmed    mad min max range  skew kurtosis
## X1    1 100 283.68 128.31    297  284.05 151.23  51 495   444 -0.08    -1.16
##       se
## X1 12.83

2.1.2.1 Medidas de Tendência Central

  • Média: 284 produtos/dia
  • Mediana: 297 produtos/dia
  • Moda: 320 produtos/dia

A produção média obsevarda das 100 amostras diárias foi de 284 produtos/dia, sendo que a metade dos dias(50 dias) a produção foi de até 297 produto/dia, e, que a produção diária mais comum(produção modal) é de 320 produto/dia.

2.1.2.2 Medidas de Variabilidade

  • Amplitude: 444 produtos (495 - 51)
  • Variância: 16463 produtos
  • Desvio Padrão: 129 produtos
  • Coeficiente de Variação: 129/284 = 0.46 produtos

2.1.3 Análise de Assimetria

  • Coeficiente de Assimetria de Pearson: -0.08

2.1.4 Boxplot

boxplot(pfd, 
        main = "Boxplot de Quantidade", 
        ylab = "Quantidade", 
        col = "cyan",
        horizontal = TRUE)

Nota-se que a maior parte da produção, está entre aproximadamente 180 á 397 carros por dia

2.2 Varíavel Tempo de ciclo de produção

Importância: O tempo de ciclo de produção é uma métrica crucial para avaliar a eficiência do processo produtivo. Um tempo de ciclo menor geralmente indica uma operação mais eficiente e produtiva.

Criando um vetor com os dados

  tcp <-as.numeric(DBP$`Tempo de Ciclo de Produção (minutos)`, dec='.')

2.2.1 Análise exploratoria de dados

2.2.1.1 Diagrama de Ramo-e-Folhas

stem(tcp)
## 
##   The decimal point is at the |
## 
##   0 | 5566778889
##   1 | 0000012234
##   1 | 55566666788889999
##   2 | 000011134444
##   2 | 67778888999
##   3 | 023444
##   3 | 5777888999
##   4 | 0001111222444
##   4 | 55566778999

2.2.1.2 Tabela de distribuilção de frequencia

library(fdth)
tdf2<- fdt(tcp, breaks = "FD")
print(tdf2)
##   Class limits  f   rf rf(%)  cf cf(%)
##  [0.5148,1.41) 20 0.20    20  20    20
##   [1.41,2.305) 25 0.25    25  45    45
##    [2.305,3.2) 16 0.16    16  61    61
##    [3.2,4.094) 18 0.18    18  79    79
##  [4.094,4.989) 21 0.21    21 100   100

2.2.1.3 Histograma

hist((tcp),col = 'gray',border = "black",main = 'Histograma de Produção Diaria',xlab = 'Produção Diária', ylab = 'Frequência')

2.2.2 Medidas de Tendência Central e Variabilidade

Obsevação os dados que sâo separados de forma decimal por ponto, para a análise estão separados por ponto

library(psych)
describe(tcp)
##    vars   n mean   sd median trimmed  mad  min  max range skew kurtosis   se
## X1    1 100 2.67 1.32   2.66    2.66 1.67 0.52 4.94  4.42 0.09    -1.31 0.13

2.2.2.1 Medidas de Tendência Central

  • Média: 2,67 minutos/produto
  • Mediana: 2,66 minutos/produto
  • Moda: 3,78 minutos/produto

A tempo médio obsevardo das 100 amostras diárias foi de 2,67 minutos/produto, sendo que a metade dos dias(50 dias) o tempo foi de até 2,66 minutos/produto, e, que o tempo diário mais comum(tempo modal) é de 3,78 minutos/produto

2.2.2.2 Medidas de Variabilidade

  • Amplitude: 4,42 minutos (4,94 - 0,52)
  • Variância: 1,74 minutos
  • Desvio Padrão: 1,32 minutos
  • Coeficiente de Variação:1.32/2.67 = 0.50 minutos

2.2.3 Análise de Assimetria

  • Coeficiente de Assimetria de Pearson: 0,09

2.2.4 Boxplot

boxplot(tcp, 
        main = "Boxplot de Tempo", 
        ylab = "Tempo", 
        col = "green",
        horizontal = T)

Obsevar-se que a maioria de tempos(minutos) amostrais estão entre aproximadamente 1,6 e 3,6 minutos

2.3 Varíavel Setor de Produção

Criando vetor com os dados

setor <- DBP$`Setor de Produção`

2.3.1 tabela contagem

 tabela_setor <- table(setor)
print(tabela_setor)
## setor
##    Alimentos   Automotivo  Eletrônicos Farmacêutico       Têxtil 
##           26           25           11           13           25

Com base na tabela o setor que se faz mais produtivo é o de alimentos com 26 produtos fabricados, seguido por automotivo e têxtil com 25 carros cada, farmacêutico com 13 e por fim eletrônicos com 11

2.3.2 tabela porcentagem

tabela_setor_prop<- table(setor)|>
  prop.table()
print(tabela_setor_prop)
## setor
##    Alimentos   Automotivo  Eletrônicos Farmacêutico       Têxtil 
##         0.26         0.25         0.11         0.13         0.25

Observa-se que as maiores porcetagem se mostra nos setores de alimentos, automotivo e têxtil com 26% e 25% respectivamente,e os setores farmacêutico e eletrônico com 13% e 11% respectivamente.

2.3.3 Gráfico em pizza

pizza_setor <- pie(tabela_setor_prop)

O setor mais produtivo é o de alimentos, seguindo do automotivo juntamente do têxtil, e por fim o setor farmacêutico e de eletrônicos como menos produtivos.

2.3.4 Gráficos em barras

library(ggplot2)
barplot(tabela_setor, col = "yellow")

Inferi-se que o setor de alimento,o automotivo e o de têxtil apresenta barra semelhantes , e o setor farmacêutico tem barra maior que o setor de eletrônicos sendo a menor de todas.

2.4 Váriavel Qualidade de Produção

qp <- DBP$`Qualidade do Produto`

2.4.1 tabela contagem

tabela_qualidade <- table(qp)
print(tabela_qualidade)
## qp
##       Boa Excelente   Regular      Ruim 
##        31        22        24        23

Nota-se que mais da metade das avaliações são boas ou excelentes

2.4.2 tabela porcentagem

tabela_qualidade_prop <- table(qp)|>
  prop.table()
print(tabela_qualidade_prop)
## qp
##       Boa Excelente   Regular      Ruim 
##      0.31      0.22      0.24      0.23

Observa-se que a MAIORES porcetagens se mostra nas avaliações boas e regulares com 31% e 24% respectivamente,e as avaliações ruim e excelente com 23% e 22% respectivamente.

2.4.3 Gráfico em pizza

pizza_qualidade <- pie(tabela_qualidade_prop)

Obsevou-se que a maioria das avaliações estão em caráter de avaliação boa, seguido por regular, ruim e excelente.

2.4.4 Gráficao em barra

barplot(tabela_qualidade,col= "red")

Nota-se que o gráfico apresenta a barra da avaliação boa como maior doque as demais, sendo a menor a avaliação excelente.

2.5 Análise conjuta dos dados

Na maioria dos casos não possível ver relações entre as dados,mas é possível analisa-lás unidas,cruzandos os dados,com fins usuais foi feita uma analise grafica dos dados tabelados de amplas as variáveis de interesse

2.5.1 Cruzando Setor de Produção com Qualidade de Produção

2.5.1.1 Tabela de dados cruzados

#Dados cruzados CONSIDERANDo 2 VARIÁVEIS COM UMA SENDO LINHA E OUTRA SENDO COLUNA 
dadoscruzados <- table(setor,qp)
print(dadoscruzados)
##               qp
## setor          Boa Excelente Regular Ruim
##   Alimentos      8         7       6    5
##   Automotivo     6         7       5    7
##   Eletrônicos    4         2       3    2
##   Farmacêutico   6         2       3    2
##   Têxtil         7         4       7    7

De acordo com a tabela é possível identificar que o setor com a melhor avaliação foi o de alimentos obtendo 7 em sua avaliação de excelência juntamente com 8 avaliações boas, e o pior por sua vez é o setor Têxtil com 7 avaliações ruins e 7 regular

2.5.2 Boxplot de Produtos Frabicados por Dia por Setor de Produção

boxplot( pfd ~ setor, 
        main = "Boxplot de Quantidade por Setor", 
        xlab = "Setor", 
        ylab = "Quantidade", 
        col = "purple")

noto-se que a linha mediana do setor de alimentos, farmacêutico e têxtil estão entre 250 e 300 produtos e o setor automotivo e de eletrônico entre 300 e 400 produtos, que o setor eletrônico tem o menor boxplot

2.5.3 Boxplot de Tempo de Ciclo de Produção (minutos) por Setor de Produção

boxplot( tcp ~ setor, 
        data = DBP, 
        main = "Boxplot de Tempo por Setor", 
        xlab = "Setor", 
        ylab = "Tempo", 
        col = "orange")

Demonstrou que o tempo mediano do setor eletrônico é maior em relação aos demais setores , e o setor de Alimentos, Farmacêutico e Têxtil, se mostraram com o tempo mediano relativamente semelhante

3 Conclusão

Diante disso, as informações adquiridas no relatório foram de suma importância para o entendimento das percepções a respeito dos detalhes sobre o desempenho da produção e sua evolução ao longo dos anos. Uma vez que os produtos fabricados por dia variam entre 495 a 51, o que sugere uma ampla uma ampla faixa de produtividade diária. Mas a média de produção de carros é de 284. Já a média do tempo de produção dos produtos é de 2,67 minutos/carros, com o desvio padrão de 1,32 minutos/carros e com a variância 1,74 minutos/carro. A distribuição dos dados -0,08 apresenta uma simétrica. Com isso conseguimos analisar que a simetria tem variância . E por fim, a qualidade do produto implica nessa percepção, ao levantar os dados, destacou-se que 31% descreveu-se como boa, 22% excelente, 24% regular e 23% ruim. Vale ressaltar que ao se tratar de qualidade de produtos as indústrias devem se atentar para que não haja uma grande perda de clientes.

3.1 Recomendações

  1. Melhoria da Eficiência: Isso pode incluir a análise de técnicas de trabalho, condições ambientais, disponibilidade de recursos e habilidades da equipe. Após identificar esses fatores, deve-se implementar essas práticas também nos dias de produção mais baixa para uniformizar e otimizar a eficiência ao longo do tempo.
  2. Monitoramento Contínuo: Introduzir um sistema de monitoramento contínuo que permita rastrear a produtividade em tempo real. Esse sistema ajudará a identificar rapidamente quaisquer variações ou anomalias na produção, permitindo ajustes imediatos nos processos operacionais. A capacidade de responder prontamente a mudanças pode prevenir perdas de eficiência e manter a produção consistente.
  3. Qualidade do Produto: Realizar uma análise detalhada para entender a relação entre a qualidade do produto final e a produtividade da equipe. Isso envolve estudar como variações na qualidade podem afetar a produção. Com base nessa análise, implementar melhorias na qualidade que não só atendam aos padrões de excelência, mas que também contribuam para uma produtividade mais elevada e constante.

4 Anexos

  • Anexo 1: Diagrama de Ramo-e-Folhas
  • Anexo 2: Tabela de Distribuição de Frequência
  • Anexo 3: Histograma
  • Anexo 4: Cálculos Detalhados de Medidas de Tendência Central e Variabilidade
  • Anexo 5: Cálculo do Coeficiente de Assimetria de Pearson
  • Anexo 6: Boxplot