This work presents an alternative model for statistical control of the process when we have autocorrelated data. The traditional methods suggest the control chart as the most appropriate tool to be used for the identification of the two different sources of variation for all types of processes. The prediction models based on time series play an important role when the main purpose is to control those processes that produce series of autocorrelated data. Box -Jenkins models deal specifically with those situations of autocorrelated data and this brings up its importance as a prediction model in time series analysis.A case study conducted in a chemical industry is presented as an example of one application of the suggested model, once it deals with an autocorrelated process in which the initial data extend its influence on subsequent data for a certain period o time. The main variable of interest in this case study is the contamination of iron in the final product. This variable has been evaluated since the beginning of the process attempting to control the contamination of iron in the product in a level such that its utilization does not cause any damage to the customer. With this adjusted model the purpose is to control the residuals (predicted – observed) which should remain inside the interval determined by the control limits with mean zero.
O controle estatístico de processos, quando aplicado a dados provenientes de processos químicos, em geral, pode identificar uma série muito grande de alarmes falsos, devido à interdependência das observações. Uma alternativa para solucionar esse problema, é ajustar um modelo de séries temporais aos dados e fazer o controle do processo nos resíduos do modelo ajustado. Neste trabalho é analisada uma série de observações provenientes de uma indústria de fabricação de alumínio, para o qual, o controle estatístico do processo é feito por meio da análise dos resíduos de um modelo de sériestemporais, devido à presença de autocorrelações significativas nos dados interferindo no controle usual do processo. Mostra-se também que os modelos de séries temporais reduzem significativamente a presença de alarmes falsos no processo.
