FACULDADE DE ENGENHARIA

CAMPUS DE GUARATINGUET










MBA-PRO


ESTATSTICA

PARA A

TOMADA DE DECISO

Prof. Dr. Messias Borges Silva e Prof. M.Sc. Leandro Valim de Freitas

GUARATINGUET, SP Setembro de 2013

Unesp
Universidade Estadual Paulista
2

Prof. Dr. Messias Borges Silva

Engenheiro Industrial Qumico (EEL-USP-FAENQUIL)
Certified Quality Engineer (American Society for Quality-USA)
Ps-graduado em Cincias Trmicas (ITA)
Ps-graduado em Qualidade (USJT)
Mestre em Engenharia Mecnica (UNESP)
Doutor em Engenharia Qumica (UNICAMP)
Livre Docente em Engenharia da Qualidade (UNESP)
Esp. em Design of Experiments, Lean Enterprise, Lean Product Development
(Massachusetts Institute of Technology-MIT-USA)
Editor Chefe do livro Design of Experiments: Applications
Pesquisador Visitante da Harvard University (HARVARD-USA)
Professor da UNESP, USP e Ex-Diretor Geral da EEL-USP-FAENQUIL
Coordenador do Curso de Ps-graduao em Engenharia da Qualidade da EEL-USP
Consultor de empresas

Prof. M.Sc. Leandro Valim de Freitas

Engenheiro Qumico (EEL-USP)
Esp. em Design of Experiments (Massachusetts Institute of Technology-MIT-USA)
Ps-graduado em MBA Gesto da Produo (UNESP)
Mestre em Engenharia de Produo (UNESP)
Doutorando em Engenharia de Produo (UNNESP)
Editor Chefe do livro Multivariate Analysis in Management, Engineering and the
Sciences
Um dos autores dos livros Fuel Injection in Automotive Engineering e Design of
Experiments: Applications
Membro do Conselho Editorial do International Journal of Engineering Business
Management, International Journal of Manufacturing, Materials and Mechanical
Engineering, International Journal of Applied Management Sciences and Engineering e
Independent Journal of Management & Production
Concursado na PETROBRAS h 7 anos onde tem atuado como Supervisor de Otimizao
e Desenvolvimento de Produtos, Auditor Interno e Fiscal de Contratos
Professor Convidado de MBA da UNESP e Instituto de Ps-graduao IPOG
Instrutor de empresas na rea de DOE









3

Captulo 1: Uma breve reviso de Estatstica Descritiva


Fonte: Pedro Paulo Balestrassi (UNIFEI)

A essncia da cincia a observao. A cincia que se preocupa com a organizao,
descrio, anlise e interpretao dos dados experimentais denominada de Estatstica, um
ramo da Matemtica Aplicada. A palavra estatstica provm de Status.

1.1 Grandes reas

O diagrama seguinte mostra o contexto em que se situa o estudo da Estatstica, aqui
subdividido em Estatstica Descritiva e Estatstica Indutiva (ou Inferencial).

















A Estatstica Descritiva est relacionada com a organizao e descrio de dados
associada a clculos de mdias, varincias, estudo de grficos, tabelas, etc. a parte mais
conhecida. A Estatstica Indutiva o objetivo bsico da cincia. A ela est associada,
Estimao de Parmetros, Testes de Hipteses, Modelamento, etc.
No Clculo de Probabilidades, est a essncia dos modelos No-Determinsticos e
a corroborao de que toda inferncia estatstica est sujeita a erros.
A Amostragem o ponto de partida (na prtica) para todo um Estudo Estatstico.
Aqui pode se ter origem um problema bastante comum em Engenharia: Anlise profunda
sobre dados superficiais!

1.2 Medidas Estatsticas

As principais medidas estatsticas (ou simplesmente estatsticas) referem-se s
medidas de posio (locao ou tendncia central) ou s medidas de disperso (ou
variabilidade):


4

1.2.1 Medidas de Posio

Mostram o valor representativo em torno do qual os dados tendem a agrupar-se
com maior ou menor freqncia.

* Mdia Aritmtica simples (x )

x
x x x
n
x
n
n
i
i
n
=
+ + +
=
=

1 2
1

Usada em dados no agrupados em classes.


* Mdia Aritmtica ponderada (tambm x )

x
x p x p x p
p p p
x p
p
n n
n
i i
i
n
i
i
n
=
+ + +
+ + +
=
=
=

1 1 2 2
1 2
1
1

onde,

p
i
= peso da amostra x
i



Agora, para dados agrupados em classes, temos:

x
x n
n
n
x n x f
i i
i
n
i
i
n i i
i
n
i i
i
n
= = =
=
=
= =

1
1
1 1
1


A mdia aritmtica simples pode ser vista como a mdia ponderada com todos os
pesos iguais. Para efeito de nomenclatura sempre trataremos a mdia aritmtica simples ou
ponderada simplesmente por mdia (x ).

* Mediana (
~
x )

o valor do meio de um conjunto de dados, quando os dados esto dispostos em
ordem crescente ou decrescente.
Para dados no agrupados em classes:

Se n mpar
~
x
n
o
=
+ |
\

|
.
|
1
2
termo

5

Se n par
~
x
n n
=
|
\

|
.
| + +
|
\

|
.
|
2 2
1
2
o o
termo termo


Ex.:

{ } 35 36 37 38 40 40 41 43 46 40 , , , , , , , ,
~
= x

{ } 12 14 14 15 16 16 17 20
15 16
2
15 5 , , , , , , ,
~
, =
+
= x

* Mdia Mediana

A mdia muito sensvel a valores extremos de um conjunto de observaes,
enquanto a mediana no sofre muito com a presena de alguns valores muito altos ou
muito baixos. A mediana mais robusta do que a mdia.
Devemos preferir a mediana como medida sintetizadora quando o histograma do
conjunto de valores assimtrico, isto , quando h predominncia de valores elevados em
uma das caudas.

Ex.: { 200, 250, 250, 300, 450, 460, 510 }

x = 345 7 ,
~
x = 300

Tanto x como
~
x so boas medidas de posio.

Ex.: { 200, 250, 250, 300, 450, 460, 2300 }

x = 601
~
x = 300

Devido ao valor 2300,
~
x prefervel a x .


* A Mdia Aparada

obtida eliminando do conjunto as m maiores e as m menores observaes.
Geralmente, 2,5% s m s 5% dos dados. Esta eliminao corresponde, na realidade,
supresso dos valores extremos - muito altos ou muito baixos. Tal mdia representa um
valor entre x e
~
x .

Ex.: {200, 250, 250, 300, 450, 460, 2300}

x m ( ) = =
+ + + +
= 1
250 250 300 450 460
5
342

* A moda e a classe modal (m
o
)
6


o valor que representa a maior freqncia em um conjunto de observaes
individuais. Para dados agrupados temos a classe modal. Em alguns casos pode haver mais
de uma moda. Assim temos uma distribuio bimodal, trimodal, etc.

Ex.:

x
l
m
o


X x
i
n
i

10 | 20 15 2
20 | 30 25 4
30 | 40 35 10 Classe Modal
40 | 50 45 6
50 | 60 55 2


x
Distribuio
Bimodal
m
o I
m
o II


Obs.: A moda geralmente no fornecida em calculadoras.

1.2.2 Medidas de Disperso ou Variabilidade

Quase nunca uma nica medida suficiente para descrever de modo satisfatrio um
conjunto de dados. Torna-se ento necessrio estabelecer medidas que indiquem o grau de
disperso em relao ao valor central.

Nos seguintes conjuntos de dados, por exemplo:

A = { 3, 4, 5, 6, 7 }
B = { 1, 3, 5, 7, 9 }
C = { 5, 5, 5, 5 }
D = { 3, 5, 5, 7 }
E = { 3.5, 5, 6.5 }

7

Temos em todos eles a mesma mdia. A identificao de cada um desses conjuntos
de dados pela sua mdia nada informa sobre as diferentes variabilidades dos mesmas.
Algumas medidas que sintetizam essa variabilidade so:


* Amplitude (R):

Como anteriormente definida, R tem o inconveniente de levar em conta somente os dois
valores extremos, o maior e o menor deles.

* Desvio Mdio (DM(x)), Varincia (S
2
,Var(X) ou o
2
) e Desvio Padro (S,DP(X)
ou o):

Aqui o princpio bsico analisar os desvios das observaes em relao mdia
das observaes.
Em A = {3, 4, 5, 6, 7}, por exemplo, os desvios x
i
- x so: -2, -1, 0, 1, 2. fcil ver
que a soma dos desvios, identicamente nula e que portanto no serve como medida de
disperso:

( ) x x x x n x n x
i
n
i
n
i
n
1
1
1
1 1
0 = =
= = =


Duas opes para analisar os desvios das observaes so:

a) considerar o total dos desvios em valor absoluto ou;
b) considerar o total dos quadrados dos desvios.

Assim, para o conjunto A, teramos, respectivamente:


x x
i
i
= + + + + =
=

1
5
2 1 0 1 2 6 e

( ) x x
i
i
= + + + + =
=

2
1
5
4 1 0 1 4 10

Associando estas medidas mdia, temos:

DM(x)=
x x
n
i
i
n

1
que o desvio mdio.

S
2 =
( ) x x
n
i
i
n

2
1
que a varincia ( Var(x))

8


Sendo a varincia uma medida que expressa um desvio quadrtico mdio,
conveniente usar uma medida que expresse a mesma unidade dos dados originais. Tal
medida o desvio padro S (ou DP(x)), dada por:

S S =
2


O uso do DM(x) pode causar dificuldades quando comparamos conjuntos de dados
com nmero diferentes de observaes.

Ex.:
Em A = { 3, 4, 5, 6, 7 } temos:

DM(x) = 6/5 = 1.2 e
S
2
= 10/5 = 2

Em D = { 3, 5, 5, 7 } temos:

DM(x) = 1,0 e
S
2
= 2,0

Assim, podemos dizer que, segundo o Desvio Mdio, o Grupo D mais homogneo
(tem menor disperso) do que A, enquanto que ambos tem a mesma homogeneidade
segundo a varincia. O desvio mdio possui pequena utilizao em estatstica e em geral
vale 0.8 vezes o desvio padro


O clculo do desvio padro exige o clculo prvio da varincia e uma frmula
alternativa para S
2
dada por:

( )
S
x x
n
x
n
x
i
i
n
i
i
n
2
2
1
2
1
2
=

=
= =



Relacionados inferncia estatstica, alguns autores usam (n - 1) como divisor para
a varincia:

( )
S
x x
n
i
i
n
2
2
1
1
=

, e isto ser visto adiante (tendenciosidade).

Obs.: Muitas calculadoras cientficas possuem duas medidas para desvio padro. Uma
associada diviso por n (simbolizada geralmente por o ou o
n
) e outra associada diviso
por n - 1 (simbolizada geralmente por S ou o
n-1
). Verifique a simbologia usada pela sua
calculadora, caso voc possua uma!

Para dados agrupados em classes, a varincia dada por:
9


( )
( ) S
x x n
n
S x x f
i i
i
K
i i
i
K
2
2
1
2
2
1
=

=
=
=

ou

intuitivamente claro que a multiplicao de cada parcela (x
i
- x )
2
por n
i
significa
a repetio dos desvios quadrados (x
i
- x )
2
, n
i
vezes.

1.3 Histogramas

Fonte: Messias Borges Silva

Os dados obtidos de uma amostra servem como base para a deciso sobre uma
populao. Quanto maior for o tamanho da amostra maior ser a informao sobre a
populao.
Mas medida que aumenta o tamanho da amostra fica difcil o entendimento da
populao, se estes dados estiverem dispostos apenas em uma tabela.
Para facilitar ento o entendimento, construmos o histograma, que permitir
entender a populao de forma objetiva.

1.3.1 Como construir Histogramas

a) Construo da Tabela de Freqncias.

Exemplo: A Tabela 1 mostra as medidas de pH de 90 amostras de uma soluo cida.
Construir o histograma desses dados.
10

Tabela 1. Medidas de pH de 90 amostras de soluo cida

N
amostra
pH medido
1 10 2,510 2,517 2,522 2,522 2,510 2,511 2,519 2,532 2,543 2,525
11 20 2,527 2,536 2,506 2,541 2,512 2,515 2,521 2,536 2,529 2,524
21 30 2,529 2,523 2,523 2,523 2,519 2,528 2,543 2,538 2,518 2,534
31 40 2,520 2,514 2,512 2,534 2,526 2,530 2,532 2,526 2,523 2,520
41 50 2,535 2,523 2,526 2,525 2,532 2,522 2,502 2,530 2,522 2,514
51 60 2,533 2,510 2,542 2,524 2,530 2,521 2,522 2,535 2,540 2,528
61 70 2,525 2,515 2,520 2,519 2,526 2,527 2,522 2,542 2,540 2,528
71 80 2,531 2,545 2,524 2,522 2,520 2,519 2,519 2,529 2,522 2,513
81 90 2,518 2,527 2,511 2,519 2,531 2,527 2,529 2,528 2,519 2,521

11



N
amostra

pH medido
Mximo
Valor
Linha
Mnimo
Valor da
Linha
1 10 2,510 2,517 2,522 2,522 2,510 2,511 2,519 2,532 2,543 2,525 2,543 2,510
11 20 2,527 2,536 2,506 2,541 2,512 2,515 2,521 2,536 2,529 2,524 2,541 2,506
21 30 2,529 2,523 2,523 2,523 2,519 2,528 2,543 2,538 2,518 2,534 2,543 2,518
31 40 2,520 2,514 2,512 2,534 2,526 2,530 2,532 2,526 2,523 2,520 2,534 2,512
41 50 2,535 2,523 2,526 2,525 2,532 2,522 2,502 2,530 2,522 2,514 2,535 2,502
51 60 2,533 2,510 2,542 2,524 2,530 2,521 2,522 2,535 2,540 2,528 2,542 2,510
61 70 2,525 2,515 2,520 2,519 2,526 2,527 2,522 2,542 2,540 2,528 2,542 2,515
71 80 2,531 2,545 2,524 2,522 2,520 2,519 2,519 2,529 2,522 2,513 2,485 2,513
81 90 2,518 2,527 2,511 2,519 2,531 2,527 2,529 2,528 2,519 2,521 2,531 2,511
Maior
Valor
2,545
Menor
Valor
2,502
12

Passo 1: Calcular a Amplitude de R.

R = Maior valor Menor valor

R = 2,545 - 2.502
R = 0,043

Passo 2: Determinao dos intervalos de classe:


No exemplo: 0,043 + 0,002 = 21,5 22 intervalos
0,043 + 0,005 = 8,6 9 intervalos
0,043 + 0,01 = 4,3 4 intervalos

Portanto o intervalo de classe determinado 0,005

Passo 3 : Preparao da tabela de freqncia
Nesta tabela teremos as classes, ponto mdio, n de observaes, freqncia, etc.

13

Passo 4: Determinao dos Extremos de cada classe.
Primeiro determine o menor valor da 1 classe e adicione o valor calculado do
intervalo de classe(no exemplo 0,005). Ento o intervalo da 1 classe fica entre
2,5005 e 2,5055 de forma que a classe inclui o menor valor 2,502. O intervalo da
2 classe fica entre 2,5055 e 2,5105 e assim por diante.
Registrar esses intervalos na tabela.


Passo 5: Clculo do ponto mdio da classe.

Ponto mdio = Soma do valor superior e inferior da classe
2

Ponto mdio 1 classe = 2,5005 + 2,5055 = 2,503
2

Ponto mdio 2 classe = 2,5055 + 2,5105 = 2,508
2

Passo 6: Obteno da Freqncia
Verificar os valores observados dentro dos intervalos registrando o nmero de
vezes em que este valor apareceu.

Registrar os valores na tabela (vide tabela anterior).

1.3.2 Como construir graficamente o Histograma

Passo 1: Numa tabela quadrada, marcar no eixo vertical do lado esquerdo, a freqncia de
observaes e do lado direito a porcentagem. No eixo horizontal os intervalos de classes.

Passo 2: Em cada intervalo de classe, levantar um retngulo (barra) correspondente
freqncia de classes.

Passo 3: Nos espaos em branco, registrar dados informativos: tamanho de amostra, mdia,
desvio padro.





14



15


1.3.3 Tipos de Histogramas











a) Geral (simtrico) b) Combinado (Multi-modal)












c) Positivamente desviado d) Precipcio esquerda










e) Plat f) 2 Picos (Bimodal)


16








g) Pico Isolado


1.3.4 Interpretao do Histograma

a) Geral (simtrico): O valor mdio do histograma est enquadrado no centro da amplitude
dos dados. A freqncia maior no centro e torna-se gradualmente menor medida que nos
aproximamos dos extremos. Obs. Este tipo o que aparece na maior parte dos casos.

b) Combinado (multi-modal): Muitas classes possuem uma freqncia baixa. Obs. Este
tipo ocorre quando o nmero de unidades de dados includos nas classes varia de classe ou
quando existe uma tendncia particular em funo do arredondamento dos dados.

c) Positivamente Desviada (Negativamente Desviada): O valor mdio histograma est
localizado do lado esquerdo (direito) do centro da amplitude. A freqncia diminui um
tanto abruptamente em direo ao lado esquerdo (direito). assimtrica.

d) Precipcio esquerda (Precipcio direita): O valor mdio de histograma est
localizado longe do lado esquerda (direito) do centro da amplitude. A freqncia diminui
abruptamente do lado esquerdo e brandamente segue em direo ao lado direito (esquerdo).
assimtrica. Obs. Este tipo ocorre frequentemente quando 100% da classificao feita
com dados de processo de baixa capabilidade.

e) Plat: A freqncia em cada classe forma um plat pelo fato das classes possuirem mais
ou menos a mesma freqncia exceto para aqueles que esto no final. Obs. Este tipo ocorre
com mistura de diversas distribuies possuindo valores diferentes de mdias.

f) Dois Picos (Bimodal): A freqncia baixa no centro da amplitude dos dados e existe
um pico de cada lado. Obs. Este tipo ocorre quando duas distribuies com diferentes
valores de mdias so misturados.

g) Pico Isolado: Existe um pequeno pico isolado em adio ao tipo geral. Obs. Este caso
aparece quando existem pequenas incluses de dados oriundos de diferentes distribuies,
17

como no caso de anormalidade no processo, erro de medida ou incluso de dados oriundos
de diferentes processos.

1.3.5 Comparando Histogramas com Limites de Especificao

Se existe uma especificao devemos levantar linhas dos limites superior e inferior
de especificao (LSE) e (LIE) no histograma para comparar a distribuio com a
especificao. A partir da verificar se o histograma est bem localizado dentro dos limites.
Casos tpicos:

1) Histograma satisfaz as especificaes

a)







Manter a presente situao, desde que o histograma satisfaa amplamente as especificaes.



b)






A especificao satisfeita, mas no h margem de segurana. Portanto, melhor reduzir a
variao.

18

2) Histograma no satisfaz as especificaes










c) necessrio tomar as medidas para trazer a mdia para o centro da especificao.









d) Este requer ao para reduzir a variao.









e) Tomar as medidas descritas em c e d.










19

Captulo 2: Projeto de Experimentos

Projeto de Experimentos (DOE, Design of Experiments), ferramenta que vem
sendo utilizada para verificar o funcionamento de sistemas ou processos produtivos,
permitindo melhoria destes, reduo na variabilidade, e conformidade prxima do
resultado desejado, alm de reduo no tempo de processo e, consequentemente, nos
custos operacionais.
Podemos, brevemente, citar alguns benefcios do DOE:

- Larga aplicao em todas as reas;
- Mostra as variveis mais importantes do processo;
- Permite otimizao;
- Requer menor nmero de experimentos que os mtodos convencionais;
- Maior controle dos processos;
- Reduo significante dos custos;
- Reduo no tempo de desenvolvimento de um produto;
- Reduo na variabilidade dos produtos e maior aproximao com os requisitos
exigidos pelos clientes;

As etapas do DOE so divididas em:

- Planejamento;
- Execuo dos experimentos;
- Anlise dos dados;
- Experimento de confirmao;
- Concluso.

2.1 Definies

Experimento: Um conjunto planejado de operaes com o objetivo de
descobrir novos fatos ou confirmar ou negar resultados de investigaes anteriores.
20

Fator: (Varivel independente) Um fator uma das variveis controladas ou
no, que exercem influncia sobre a resposta que est sendo estudada no experimento. Um
fator pode ser quantitativo, isto , a temperatura em graus, o tempo em segundos. Um fator
pode, tambm, por exemplo, ser qualitativo, ter diferentes mquinas, diferentes operadores,
interruptor ligado ou desligado, catalisador A ou B.
Nvel: Os Nveis de um fator so os valores do fator examinado no
experimento. Para os fatores quantitativos, cada valor escolhido constituiu um nvel, isto ,
se o experimento deve ser conduzido em quatro temperaturas diferentes, ento o fator
temperatura possuiu quatro nveis. No caso dos fatores qualitativos, o interruptor
ligado ou desligado representa dois nveis para o fator interruptor; caso estejam sendo
utilizadas seis mquinas por trs operadores, ento o fator mquina tem seis nveis,
enquanto o fator operador tem trs nveis.
Tratamento: Um Tratamento um nvel atribudo a um fator nico durante
um experimento, por exemplo, a temperatura a 800 graus. Uma combinao de
tratamento o conjunto de nveis para todos os fatores num dado experimento. Por
exemplo, um experimento utilizando temperatura de 800 graus, mquina 3, operador A, e
interruptor desligado constituir-se-ia numa combinao de tratamento.
Unidades Experimentais: As Unidades Experimentais consistem em
objetos, materiais ou unidades aos quais se aplicam os tratamentos. Podem ser entidades
biolgicas, materiais naturais, produtos manufaturados etc.
Ambiente Experimental: O Ambiente Experimental compreende as
condies ambientais que podem vir a influenciar os resultados do experimento de modo
conhecido ou desconhecido.
Delineamento de Experimento: O plano formal para a conduo do
experimento chamado delineamento de experimento ou modelo experimental. Ele
inclui a escolha de respostas, fatores, nveis, blocos e tratamentos, alm da utilizao de
determinadas ferramentas chamadas agrupamento planejado, aleatorizao e replicao.
Aleatorizao: A seqncia de experimentos e/ou a atribuio de amostras a
diferentes combinaes de tratamento de maneira puramente casual denominada
Aleatorizao. Tal atribuio aumenta a probabilidade de que o feito de variveis
incontrolveis seja eliminado.
21

Tambm aprimora a validade das estimativas da varincia dos erros
experimentais e torna possvel a aplicao de testes estatstico de significncia, alm de
construo de intervalos de confiana. Sempre que possvel, a aleatorizao deve fazer
parte do experimento.
Replicao: A Replicao a repetio de uma observao ou medio de
forma a aumentar a preciso ou fornecer os meios para medir a preciso. Uma replicao
nica consiste de uma nica observao ou realizao do experimento. Proporciona uma
oportunidade para que se eliminem os efeitos de fatores incontrolveis ou de fatores
desconhecidos pelo experimentador e assim, com a aleatorizao, atua como ferramenta
diminuidora de tendncias. A replicao tambm ajuda a detectar erros graves nas
medies. Nas replicaes de grupos de experimentos, diferentes aleatorizao devem ser
aplicadas a cada grupo.

2.2 Experimentos Fatoriais (convencionais)

No passado, na realizao de experimentos que envolviam mais de um fator, e
cada fator com mais de um nvel, adotava-se o seguinte procedimento:
Escolhia-se um fator, o qual era experimentado variando o seu nvel, enquanto
os outros fatores tinham seus nveis fixados. Terminada a experimentao com o primeiro
fator escolhido, assumia-se para o mesmo o melhor valor desejado (mximo, mnimo, etc) e
repetia-se o procedimento com os outros fatores, um de cada vez.
Este processo no leva em considerao as eventuais interaes existentes entre
os fatores.
Para tentar suprir esta lacuna foram usados os Experimentos Fatoriais, que
passamos a detalhar.

2.2.1 Experimentos Fatoriais com K Fatores (cada fator com dois nveis)

Os delineamentos fatoriais 2
k
possuem ampla aplicao industrial. Tais
delineamentos permitem a avaliao em separado dos efeitos individuais e dos efeitos de
interao dos fatores num experimento no qual todos os fatores variam simultaneamente
num padro de tentativas cuidadosamente organizado.
22

Um experimento fatorial com fatores, cada um com dois nveis, conhecido
como o experimento fatorial 2
k
. O experimento consiste de 2
k
tentativas, uma tentativa em
cada combinao dos dois nveis dos fatores. Para identificar as tentativas individuais
utilizada, dentre outras, a seguinte notao:
- Os fatores so representados por letras
- Os nveis pelos sinais de mais (+) e de (-)
- O sinal de mais (+) representa o nvel inferior, a condio ou a ausncia de
fator.
Obs.: Os japoneses costumam utilizar o nmero 1 ao invs de (-) e o nmero 2 ao invs de
(+).

2.2.1.1 Experimentos Fatoriais com K Completos 2
3


Assim, se h 3 fatores a serem experimentados, teremos um fatorial de 2
3
com 8
experimentos, os fatores representados pelas letras A,B e C, e o planejamento do
experimento ser representado conforme a Tabela 1.

Tabela 1. Matriz Experimental 2
3

ENSAIO FATORES Resposta
A B C
1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +



23

2.2.2 Estimativa dos Efeitos Principais e Interaes

Os experimentos fatoriais 2
k
permitem a estimativa de todos os K efeitos
principais (efeitos de primeira ordem) de todas as interaes de dois fatores, de todas as
interaes de trs fatores, etc. Cada efeito estimado uma estatstica da forma Z
(+)
- Z
(-)
, ou
seja, expresso pela diferena entre as duas mdias, cada uma contendo 2
k-1
observaes.
Em um experimento 2
4
o analista seria, assim, capaz de estimar, alm da mdia
geral, quatro efeitos principais, seis interaes de dois fatores, quatro interaes de trs
fatores, e uma interao de quatro fatores, totalizando um total de 16 estatsticas.
Notavelmente, todas estas estatsticas so distintas (ortogonais) umas das
outras, isto , as magnitudes e sinais de cada estatstica no so de maneira alguma
influenciadas pelas magnitudes e sinais das demais.

Para o exemplo de 2
3
temos:

Exp. A B C Resposta
1 - - - Y1
2 + - - Y2
3 - + - Y3
4 + + - Y4
5 - - + Y5
6 + - + Y6
7 - + + Y7
8 + + + Y8


2.2.2.1 Estimativa dos Efeitos Principais

E = R
(+)
+ R
(-)


O maior resultado tem o maior efeito.
24







2.2.2.2 Estimativa dos Efeitos das Interaes

Lembrar que: - e + igual a - 1









Ento, o modelo matemtico pode ser escrito como:








25

Varivel reduzida:


Varincia (S
2
):


Desvio Padro (S):



Varincia Global (Sp
2
):



u
i
nmero de graus de liberdade

u = n 1

( n nmero de repeties )

2.2.2 Teste t

Testar a significncia de cada efeito calculado;



Critrio: t
calc
> t
tab
; o efeito significante
26

2.3 Cases

2.3.1 Experimento do Helicptero












Fonte: Fernando Branco Costa

Fatores Nvel Baixo ( - ) Nvel Alto ( + )

A-Comprimento da Asa 80mm 130mm
B- Comprimento da Haste 80mm 130mm
C-Largura da haste 20mm 40mm
D-Clip de papel sem com


Experimentos Fatores Tempo de vo
(segundos)
Tempo
Mdio
S
i
2
1 A B C D
.
.
16
27

2.3.2 Otimizao do Alcance utilizando o Projeto Experimental
Fatorial Completo 2
k


Processo: Arremesso de uma bola com o uso de uma catapulta.
Fator Nvel
(-) (+)
A Posio do dispositivo de arremesso Baixo Alto
B ngulo 150 180
C Posio do dispositivo de tenso Baixo Alto
D Turno A B

Resposta: Distncia (cm)

Experimento Fatores Distncia (cm)
A B C D 1 2 3 Mdia S
2
i

1 - - - - 487 460 529 492 1209
2 + - - - 590 566 550 552 172
3 - + - - 455 563 454 491 3924
4 + + - - 561 520 511 511 90
5 - - + - 595 613 598 595 306
6 + - + - 502 578 538 539 1445
7 - + + - 550 598 554 567 709
8 + + + - 641 600 601 614 577
9 - - - + 525 474 456 485 1281
10 + - - + 447 514 490 484 1152
11 - + - + 456 460 438 451 137
12 + + - + 425 496 448 476 632
13 - - + + 618 520 614 584 3076
14 + - + + 588 609 595 597 114
15 - + + + 566 657 560 561 21
16 + + + + 613 610 612 612 2
28

Tarefa: Executar os experimentos, calcular os efeitos principais e de interao,
fazer o teste t para testar a significncia dos efeitos dos fatores, propor um modelo
matemtico e test-lo.
Lembrando-se que:



Abaixo, os efeitos principais e das interaes:

EP
A
= 20 E
AB
= 16 E
BC
= 15 E
ABC
= 19
EP
B
= -55 E
AC
= -6 E
BD
= -6,5 E
ABD
= 0
EP
C
= 91 E
AD
= 2 E
CD
= 23,5 E
ACD
= 16
EP
D
= -14 E
BCD
= -7
E
ABCD
= -16,5


u = 3-1 = 2

S
2
p
= 2 (1209++2) / 2 (16) = 926

S
p
= \S
2
p
= 30,4

Teste t:

Agora testaremos a significncia de cada efeito calculado;


Critrio: t
calc
> t
tab
; o efeito significante
29

Da tabela de estatstica T, para o nvel de significncia de 95% e grau de liberdade
32!

t
A
= 0,66 < 2,04 No significante
t
B
= 0,18 < 2,04 No significante
t
C
= 2,99 > 2,04 Significante
t
D
= 0,46 < 2,04 No significante


t
tabelado 95%
= 2,04

Para todos os ts das interaes => no significantes!

Ajuste sugerido da Catapulta:

A
+
B
-
C
+
D
-


Em relao ao turno (D), pode se utilizar os dois na prtica, entretanto tomando-se
medidas para minimizar EP(D).
Entretanto, no experimento a maior mdia foi obtida com:

A
+
B
+
C
+
D
-
!




Efeito CD
450
500
550
600
650
A
l
c
a
n
c
e
nvel baixo 511 579
nvel alto 474 588
( - ) ( + )
C
30

Efeito AB
450
500
550
600
650
B
A
l
c
a
n
c
e
nvel baixo 539 534
nvel alto 517 553
( - ) ( + )
Efeito BC
450
500
550
600
650
C
A
l
c
a
n
c
e
nvel baixo 503 578
nvel alto 482 588
( - ) ( + )

Os grficos de interaes levam a: A
+
B
+
C
+
D
+











31

2.3.3 Atividade 1 em Grupo Fatorial 2
5
Reactor Example

Variable Low (-) High (+)
1-A Feed Rate (liters/min) 10 15
2-B Catalyst (%) 1 2
3-C Agitation Rate (rpm) 100 120
4-D Temperature (C) 140 180
5-E Concentration (%) 3 6

Calcular os efeitos principais e de interao e discutir os resultados. Gerar um relatrio
1 2 3 4 5
- - - - - 61
+ - - - - 53
- + - - - 63
+ + - - - 61
- - + - - 53
+ - + - - 56
- + + - - 54
+ + + - - 61
- - - + - 69
+ - - + - 61
- + - + - 94
+ + - + - 93
- - + + - 66
+ - + + - 60
- + + + - 95
+ + + + - 98
- - - - + 56
+ - - - + 63
- + - - + 70
+ + - - + 65
- - + - + 59
+ - + - + 55
- + + - + 67
+ + + - + 65
- - - + + 44
+ - - + + 45
- + - + + 78
+ + - + + 77
- - + + + 49
+ - + + + 42
- + + + + 81
+ + + + + 82
Variable % Reacted
32

2.4 Fatoriais Fracionados 2
k-p


So fraes de um fatorial completo 2
K
. So muito teis em etapas investigatrias
(exploratrias) quando se inicia o estudo do processo. Requerem um menor nmero de
experimentos, se comparados com os fatoriais completos.
Usualmente utilizados quando se tem muitos fatores para investigar e poucos
recursos para a execuo dos experimentos.

Ex.: Fatorial Fracionado 2
5-1
!
p => grau de reduo do fatorial!
*5 => fatores
*1 => grau de reduo 2
5-1
~ 2
4
=> 16 experimentos

Como montar a matriz fracionada?!

33

2.4.1 Atividade 2 em Grupo Fatorial Fracionado 2
7-4
Bottleneck at the Filtration Stage of na Industrial Plant

Vrias plantas qumicas operaram com sucesso por vrios anos em diferentes
localidades. Nas plantas antigas o tempo para completar um ciclo particular de filtrao foi
40 min, mas numa planta nova este ciclo demorou duas vezes mais, causando prejuzos.
Qual foi a causa desta demora ?
Uma reunio com tcnicos foi feita para tentar determinar as causas do problema.

Possibilidades:

1) Engenheiro da planta suspeitou da fonte de gua
Planta nova - reserva da cidade
Plantas velhas poos particulares
(Contedo mineral de gua pode afetar a filtrao)
2) Superintendente do processo suspeitou da origem da matria prima
Fonte deste material na planta nova era diferente do que as fontes das plantas antigas.
3) Qumico suspeitou do nvel de temperatura de filtrao. Temperatura na planta nova
era um pouco mais baixa do que nas outras plantas.
4) Presena de um dispositivo de reciclagem na planta nova que no existe nas plantas
antigas.
5) Velocidade de adio de soda custica. Estava mais alta na planta nova. O chefe dos
operadores sugeriu que esta velocidade seja diminuda para resolver o problema.
6) Tipo de pano de filtro. Um novo tipo foi usado na planta nova. O superintendente do
processo falou que seria relativamente simples de substituir este pano.
7) holdup time. Este tempo foi mais baixo na planta nova. O engenheiro de controle de
qualidade sugeriu que talvez este tempo fosse a causa do problema.
A pessoa responsvel por este estudo achou que provavelmente somente uma ou
duas destas condies foram responsveis pelo problema. A chance de que mais do que
duas variveis sejam significantes foi considerada remota.
34

Foi decidido usar um planejamento fatorial fracionado 2
7-4
que tem resoluo III
(efeitos principais e de interao de 2 ordem so misturados).

Fatores Nveis
(-) (+)
A Fonte de gua Reserva Poo
B Matria Prima Nova Velha
C Temperatura Baixa Alta
D Reciclagem Sim No
E Soda Custica Rpida Devagar
F- Pano de Filtro Novo Velho
G Hold up tima Baixo Alto


Exp A B C AB
D
AC
E
BC
F
ABC
G
Tempo de Filtrao (min)
1 68.4
2 77.7
3 66.4
4 81.0
5 78.6
6 41.2
7 68.7
8 38.7

Pedem-se :
a) calcular os efeitos dos fatores
b) discutir os resultado e fazer uma primeira proposta de ajuste do processo, com as
decises necessrias


35

2.4 Mtodo de Plackett-Burman

So experimentos fatoriais fracionados saturados.

N = 8 + + + +
N = 12 + + - + + + +
N = 20 + + + + + + + + + +
N = 24 + + + + + + + + + + + +

Permite investigar (N-1) fatores!

Matriz N = 12

Exp 1 2 3 4 5 6 7 8 9 10 11 Resposta
1 + + - + + + - - - + - 85
2 + - + + + - - - + - + 114
3 - + + + - - - + - + + 67
4 + + + - - - + - + + - 64
5 + + - - - + - + + - + 56
6 + - - - + - + + - + + 68
7 - - - + - + + - + + + 13
8 - - + - + + - + + + - 108
9 - + - + + - + + + - - 90
10 + - + + - + + + - - - 22
11 - + + - + + + - - - + 130
12 - - - - - - - - - - - 23

Resultado com 6 variveis reais e 5 variveis (fantasmas) ou inertes.

- a experincia 1 sempre traz os sinais da matriz inicial
- e a ltima experincia sempre teremos - para todos os fatores
36

2.4.1 Atividade 3 em Grupo Varivel resposta: dureza de um
material

Coluna Fator Varivel Nvel
- +
1 A Controle de Tenso Manual Automtico
2 B Mqina 1 2
3 C Vazo (gal/min) 10 20
4 D Mistura Simples dupla
5 E Temperatura (
o
C) 200 250
6 F Umidade (%) 20 80
7 G Fantasma
8 H Fantasma
9 I Fantasma
10 J Fantasma
11 K Fantasma















37

2.4.2 Atividade 4 em Grupo Junta de Vedao
Num problema industrial, deseja-se verificar exploratoriamente, a influncia de 6
variveis de processo (fatores) nas variveis resposta de uma Junta de Fibra (produto). Para
tal, optou-se por um Planejamento Plackett-Burman com N=12, sendo 6 variveis reais e
5 variveis inertes (fantasmas). As variveis esto descritas na tabela a seguir:

Fatores Nveis
(+) (-)
A Teor de Ligante Alto Baixo
B Fantasma * *
C Teor total de Fibras (%) Alto Baixo
D Cargas A B
E Teor de Fibras Orgnicas Alto Baixo
F Fibras Orgnicas A B
G Fantasma * *
H Fantasma * *
I Fantasma * *
J Fibras Inorgnicas A B
K Fantasmas * *

Variveis Respostas
1 Espessura
2 Densidade
3 Resistncia Trao
4 Compresso 5000 psi
5 Relaxao 5000 psi
6 Compresso 1000 psi
8 Flexibilidade
9 Reteno
10 Creep


Os resultados esto na tabela a seguir

A B C D E F G H I J K 1 2 3 4 5 6 7 8 9 10
1 1 1 -1 1 1 1 -1 -1 -1 1 -1 1,07 1,07 62 30 29 25 43 3,2 86 54
2 1 -1 1 1 1 -1 -1 -1 1 -1 1 1,2 0,95 41 42 26 29 47 4,8 86 50
3 -1 1 1 1 -1 -1 -1 1 -1 1 1 1,12 0,95 6 37 20 35 39 25,4 80 51
4 1 1 1 -1 -1 -1 1 -1 1 1 -1 1,23 0,91 12 44 31 44 50 9,6 84 74
5 1 1 -1 -1 -1 1 -1 1 1 -1 1 0,87 1,21 31 40 24 27 49 8 79 52
6 1 -1 -1 -1 1 -1 1 1 -1 1 1 1,1 1,14 52 37 33 32 46 8 95 73
7 -1 -1 -1 1 -1 1 1 -1 1 1 1 0,97 1,02 9 38 16 30 35 25,4 75 36
8 -1 -1 1 -1 1 1 -1 1 1 1 -1 1,11 1,05 42 39 25 31 47 6,4 88 48
9 -1 1 -1 1 1 -1 1 1 1 -1 -1 0,83 1,2 19 30 17 21 32 22,4 75 36
10 1 -1 1 1 -1 1 1 1 -1 -1 -1 1,02 1,05 28 33 28 29 47 8 80 45
11 -1 1 1 -1 1 1 1 -1 -1 -1 1 0,93 1,15 32 37 21 25 43 3,2 80 43
12 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 0,71 1,39 12 41 15 25 39 9,6 75 49
Fatores
Exp
Variveis Resposta


Pedem-se :
a) Efeitos principais do fatores sobre as 10 respostas
b) Testar a significncia dos efeitos ( teste t usar fantasmas para estimar S
p
2
)
c) Propor uma condio de ajuste do processo que atenda maior parte das necessidades
das variveis resposta. Deseja-se minimizar a varivel resposta 1 e maximizar as
demais.

















2.4 Mtodo de Taguchi: Engenharia Robusta

Ferramentas do Mtodo:

- Arranjos Ortogonais (Matrizes Experimentais)
- Analise de Varincia (ANAVA ou ANOVA)
- Razo Sinal/Rudo => S/N ou q

Condies Comuns:

- Maior--melhor => S/N = -10 log (E 1/y
2
)/n
- Menor--melhor => S/N = -10 log (E y
2
)/n
- Nominal--melhor => S/N = 10 log (y
2
)/(S
2
)

y => valor da resposta
n => n de repeties
S
2
=> varincia

Arranjos Ortogonais (Matrizes Experimentais)

Recebem a designao Ln, onde n representa o n de condies experimentais da
matriz.


Matrizes Experimentais
Convencionais
Arranjos Ortogonais
Nvel Alto + 3
Nvel Intermedirio 0 2
Nvel Baixo - 1

L
9
=> at 4 fatores !

2.4.1 Case: Taguchi

Efeitos dos fatores sobre (S/N) ou q


Exp.
Column Number and Fator Assigned
Observation
N
(dB)
1
Temperature
(A)
2
Pressure
(B)
3
Setling
(C)
4
Cleaning
(D)
1 1 1 1 1 -20
2 1 2 2 2 -10
3 1 3 3 3 -30
4 2 1 2 3 -25
5 2 2 3 1 -45
6 2 3 1 2 -65
7 3 1 3 3 -45
8 3 2 1 3 -65
9 3 3 2 1 -70

Clculo dos Efeitos :
Fator A

M
A1
= -20 - 10 - 30 = -20
3



M
A2
= -25 - 45 - 65 = -45
3

M
A3
= -45 - 65 - 70 = -60
3

Fator B


M
B1
= -20 - 25 - 45 = -30
3

M
B2
= -10 - 45 - 65 = -40
3

M
B3
= -30 - 65 - 70 = -55
3

Fator C


M
C1
= -20 - 65 - 65 = -50
3

M
C2
= -10 - 25 - 70 = -45
3

M
C3
= -30 - 45 - 45 = -40
3

Fator D


M
D1
= -20 - 45 - 70 = -45
3

M
D2
= -10 - 65 - 45 = -40
3

M
D3
= -30 - 25 - 65 = -40
3

Mdia: -41,67

A e B influenciam mais!
















A
1
B
1
C
2
D
3 ou 2
=> menor variabilidade possvel!

Anlise de Varincia (ANOVA)

Usaremos o exerccio anterior para mostrar como se monta uma Tabela de Anlise
de Varincia.
Soma Total dos Quadrados (STQ):

STQ = E (q
i
- q
mdio
)
2


q
mdio
= -41,67

STQ = (-20+41,67)
2
+ (-30+41,67)
2
+ .... + (-70+41,67)
2

STQ = 3800

Soma dos Quadrados dos Fatores (SQF)


Representao grfica
-70
-60
-50
-40
-30
-20
-10
0
1 2 3 1 2 3 1 2 3 1 2 3
A B C D


Fator A:

SQF(A) = 3 (m
A1
- q
mdio
)
2
+ 3 (m
A2
- q
mdio
)
2
+ 3 (m
A3
- q
mdio
)
2


Onde:

3 => n de condies experimentais no nvel i.
Assim:

SQF(A) SQF(B) SQF(C) SQF(D)
2450 950 350 50

Soma Quadrtica do Erro (SQerro)

SQ(Erro) = STQ - E SQF

SQ(Erro) = 3800 3800 = 0 (erro calculado) => deve-se estimar o erro!

TABELA ANOVA
Fonte de Variao SQF g.l SMQF F
Fator A 2450 2 1225 12,25
Fator B 950 2 475 4,75
Fator C * 350 * 2 175 -
Fator D * 50 * 2 25 -
ERRO (E*) 400 (E*) 4 100 -

Onde:

SMQF = SQF/g.l e F = SMQF/SMQF
ERRO

- => usados para estimar o erro!
Se F >= 2,0 => efeito significante!


Captulo 4: Relatrios Gerenciais

Fonte: Leandro Valim de Freitas

A seguir sero apresentadas as principais etapas para gerao de relatrios
gerenciais no software empresarial Minitab. Cada etapa ser explorada em detalhes na
sala de aula.

1. Etapa: Criar um experimento: Stat / DOE / Factorial / Create Factorial Design











Nessa etapa possvel escolher o nmero de nveis e fatores. Em seguida, entre na
opo Designs para determinar se trata de um experimento fatorial completo ou fracionado
e, se sero realizadas rplicas.











2. Etapa: Clculo dos efeitos, coeficientes e ANOVA. Stat / DOE / Factorial / Analyse
Factorial Design











Os relatrios sero reportados na Session:





3. Etapa: Gerao dos grficos dos efeitos dos fatores. Stat / DOE / Factorial /
Factorial Plots




































4.1 Case: Clula de Manufatura
Uma determinada clula de manufatura apresenta uma produo mdia diria de
197 engrenagens. Deseja-se aumentar essa produo com o menor custo possvel de
aquisio de equipamentos. As suas caractersticas atuais so apresentadas na tabela:

Fluxo Tempo de Movimentao
De Para Comando MOVE FOR
Depsito de Matria-Prima (dmp) torno 2 min
torno estao de inspeo 2 min
estao de inspeo esteira 1 min
esteira Depsito de Produto Acabado (dpa) 1 min
dpa Exit -

Tempos de Operao
Local Capacidade Comando WAIT
Dmp 20 -
torno 1 2 min
estao de inspeo 1 5 min
esteira inf -
Dpa 20 1 hora


Para tal, foi proposta uma simulao utilizando um planejamento fatorial completo
em ambiente Promodel Student Version.

a) Estruturar os processos no software de simulao;



b) Identificar as variveis de entrada e de sada.
c) Propor uma matriz experimental com intuito de maximizar a produo diria.
d) Rodar as simulaes.
e) Identificar a operao gargalo via Minitab.
f) Discutir a viabilidade econmica de aquisio de equipamentos.
g) Elaborar um relatrio gerencial.