Unesp Universidade Estadual Paulista

FACULDADE DE ENGENHARIA
CAMPUS DE GUARATINGUET

MBA-PRO

ESTATSTICA PARA TOMADA DE DECISO

Prof. Dr. Messias Borges Silva e Prof. Dr. Ubirajara Rocha Ferreira

GUARATINGUET, SP Novembro de 2011

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) Professor convidado University of Massachusetts e Colorado State University Professor da UNESP, USP e Ex-Diretor Geral da EEL-USPFAENQUIL Coordenador do Curso de Ps-graduao em Engenharia da Qualidade da EEL-USP Consultor de empresas

Prof. Dr. Ubirajara Rocha Ferreira

Bacharelado em Matemtica (IME/USP, SPaulo) Mestrado em Matemtica (IME/USP, SPaulo) Doutorado em Cincias (ITA, SJCampos) Ps Doutorado em Otimizao de Sistemas (Vanderbilt University e Syracuse University, EUA) Visiting Scholar na Vanderbilt University e Syracuse University, EUA Coordenador do MBA em Logstica Internacional da UNESP

PROGRAMAO 1234Introduo Fundamentos Estatsticos Planejamento de Experimentos Avaliao 1a. aula (Ubirajara) 2a aula (Ubirajara) 3a. a 9a. aulas (Messias) 10a. aula (Messias)

Estatstica para Tomada de Deciso

UMA BREVE REVISO DE ESTATSTICA DESCRITIVA

Do que trata a Estatstica 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.

- 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).

Estatstica Descritiva

Amostragem

Clculo de Probabilidade

Estatstica Indutiva

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 ! .

- 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):

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 )

xi x1 + x 2 + L + x n i =1 x= = n n Usada em dados no agrupados em classes .

Mdia Aritmtica ponderada (tambm x )
x p + x 2 p2 + L + x n p n x= 1 1 = p1 + p2 + L + p n

xp
i =1 n i

p
i =1

onde,
i

pi = peso da amostra xi

Agora, para dados agrupados em classes, temos:

x
x=
i =1 n i =1

ni =
i

1 n

x
i =1

i ni = x i f i i =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: o n + 1 termo Se n mpar ~ x = 2

n n termo + + 1 termo 2 2 Se n par ~ x= 2

o o

Ex.:

x = 40 {35, 36, 37, 38, 40, 40, 41, 43 ,46} ~ 15 + 16 x= = 15,5 {12, 14, 14, 15, 16, 16, 17, 20} ~ 2

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 } ~ = 300 x = 345,7 x ~ 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% m 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 } 250 + 250 + 300 + 450 + 460 x (m = 1) = = 342 5 A moda e a classe modal (mo) 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.:

mo X | | | | | xi 15 25 35 45 55 ni 2 4 10 6 2

10 20 30 40 50

20 30 40 50 60

Classe Modal

Distribuio Bimodal

mo I

mo II

Obs.: A moda geralmente no fornecida em calculadoras.

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 } 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 (S2,Var(X) ou s2) e

Desvio Padro (S,DP(X) ou s): 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 xi - 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:

( x1 - x ) = x1 - x = n x - n x 0
i =1 i =1 i =1

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

i =1 5 i =1

xi - x = 2 + 1 + 0 + 1 + 2 = 6
i

(x

- x ) = 4 + 1 + 0 + 1 + 4 = 10
2

Associando estas medidas mdia, temos:

DM(x)=
n i =1

xi - x n - x)
2

que o desvio mdio.

S2

= i =1

(x

que a varincia ( Var(x))

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 = S2 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 S2 = 10/5 = 2 Em D = { 3, 5, 5, 7 } temos: DM(x) = 1,0 e S2 = 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 S2 dada por:

(x
n

S2 =

i =1

- x)

x
=
i =1

2 i

- x2

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

(x
n

S2 =

i =1

- x)

n-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 s ou sn) e outra associada diviso por n - 1 (simbolizada geralmente por S ou sn-1). Verifique a simbologia usada pela sua calculadora, caso voc possua uma! Para dados agrupados em classes, a varincia dada por:

( x - x)
S2 =
i =1 i

ni ou S2 =

( x - x)
i =1 i

fi

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

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 - COMO CONSTRUIR HISTOGRAMAS a) Construo da Tabela de Freqncias.

Exemplo: A Tabela a seguir mostra as medidas de 90 amostras de uma soluo cida. Construir o histograma desses danos.

TABELA

N amostra 1 10 11 20 21 30 31 40 41 50 51 60 61 70 71 80 81 90 2.510 2.527 2.529 2.520 2.535 2.533 2.525 2.531 2.518 2.517 2.536 2.523 2.514 2.523 2.510 2.515 2.545 2.527 2.522 2.506 2.523 2.512 2.526 2.542 2.520 2.524 2.511 2.522 2.541 2.523 2.534 2.525 2.524 2.519 2.522 2.519

medidas 2.510 2.512 2.519 2.526 2.532 2.530 2.526 2.520 2.531 2.511 2.515 2.528 2.530 2.522 2.521 2.527 2.519 2.527 2.519 2.521 2.543 2.532 2.502 2.522 2.522 2.519 2.529 2.532 2.536 2.538 2.526 2.530 2.535 2.542 2.529 2.528 2.543 2.529 2.518 2.523 2.522 2.540 2.540 2.522 2.519 2.525 2.524 2.534 2.520 2.514 2.528 2.528 2.513 2.521

N amostra 1 10 11 20 21 30 31 40 41 50 51 60 61 70 71 80 81 90 2.510 2.527 2.529 2.520 2.535 2.533 2.525 2.531 2.518 2.517 2.536 2.523 2.514 2.523 2.510 2.515 2.545 2.527 2.522 2.506 2.523 2.512 2.526 2.542 2.520 2.524 2.511 2.522 2.541 2.523 2.534 2.525 2.524 2.519 2.522 2.519

medidas

Mximo Mnimo Valor Valor da Linha Linha 2.519 2.521 2.543 2.532 2.502 2.522 2.522 2.519 2.529 2.532 2.536 2.538 2.526 2.530 2.535 2.542 2.529 2.528 2.543 2.529 2.518 2.523 2.522 2.540 2.540 2.522 2.519 2.525 2.524 2.534 2.520 2.514 2.528 2.528 2.513 2.521 2.543 2.541 2.543 2.534 2.535 2.542 2.542 2.5485 2.531 Maior Valor 2.545 2.510 2.506 2.518 2.512 2.502 2.510 2.515 2.513 2.511 Menor Valor 2.502

2.510 2.512 2.519 2.526 2.532 2.530 2.526 2.520 2.531

2.511 2.515 2.528 2.530 2.522 2.521 2.527 2.519 2.527

Passo 1: Calcular a Amplitude de R. R = Maior valor Menor valor R = 2,545 R = 0,043 - 2.502

Passo 2: Determinao dos intervalos de classe: Dividir a amplitude de R por uiii nmero (1, 2, 5, 10, 20, 0.1, 0.2, 0.5, etc), de forma a obter de 5 a 20 intervalos de classe de mesma largura. No exemplo: 0,043 + 0,002 = 21,5 0,043 + 0,005 = 8,6 0,043 + 0,010 = 4,3 22 intervalos 9 intervalos 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.

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. Exemplo: freqnci 1 a notao / 2 // 3 /// 4 //// 5 6

Registrar os valores na tabela (vide tabela anterior) 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.

- TIPOS DE HISTOGRAMAS

a) Geral (Simtrico)

b) Combinado (Multi-modal)

c) Positivamente desviado

d)Precipcio esquerda

e) Plat

f) 2 Picos (Bimodal)

g) Pico Isolado

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

- DIAGRAMA PARA DETERMINAO DO NMERO DE CLASSES DE FREQNCIA

3- COMPARANDO HISTOGRAMAS COM LIMITES DE ESPECIFICAO Se existe um 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.

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.

PROJETO DE EXPERIMENTOS

Permite-nos entender melhor os processos e com isso nos ajuda a tomar decises mais consistentes.

Outros Nomes: PROJETO DE EXPERIMENTOS DELINEAMENTO DE EXPERIMENTOS ECONOMETRIA QUIMIOMETRIA DESIGN OF EXPERIMENTS

Benefcios do DOE
Larga aplicao em todas as reas Mostra as variveis mais importantes do processo Permite a 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

Etapas do DOE
Planejamento Execuo dos experimentos Anlise dos dados Experimento de confirmao Concluso

Definies
Fatores : so as variveis (independentes) do processo que podem ser controladas. Ex: temperatura, presso, agitao, etc Resposta : so as variveis de sada do processo (dependentes). Ex: rendimento, resistncia, vida til, etc Nvel : os nveis de um fator so os valores do fator examinado. Ex : temperatura ( 273K e 373K ) Replicao : a repetio de um experimento ou observao

Interpretao
Clculo dos Efeitos dos Fatores Anlise de Varincia Grficos Tridimensionais e de Contorno

Grfico Tridimensional
3D Surface Plot (TAGUCHI.STA 32v*18c) z = 4.489e3-1.629e3*x-4.492e3*y+851.417*x*x-270.5*x*y+1.246e3*y*y

-574.348 -256.895 60.557 378.009 695.461 1012.913 1330.366 1647.820 1965.270 2282.720 2600.175 2917.627 3235.080 3552.530 3869.984 4187.436

Grfico Tridimensional
3D Surface Plot (TAGUCHI.STA 32v*18c) z = 2.335e3-3.199e3*x+3.937e3*y+904.167*x*x-335.625*x*y-656.833*y*y 1964.870 2184.126 2403.380 2622.636 2841.890 3061.147 3280.400 3499.657 3718.913 3938.170 4157.423 4376.680 4595.934 4815.190 5034.444 5253.700

6500 Espessura 5500 4500 3500 2500 S0 Silano S0_M50 S0_M100 T0_M25 T0

T0_P25 Temperatura

Grfico de Contorno
3D Contour Plot (TAGUCHI.STA 32v*18c) z = 4.489e3-1.629e3*x-4.492e3*y+851.417*x*x-270.5*x*y+1.246e3*y*y S0 -574.348 -256.895 60.557 378.009 695.461 1012.913 1330.366 1647.820 1965.270 2282.720 2600.175 2917.627 3235.080 3552.530 3869.984 4187.436

SILANE

S0_M50

S0_M100 T0_M25 T0 TEMPERAT T0_P25

Anlise de Varincia
Analysis of Variance (taguchi.sta) Mean = 3621.94 Sigma = 1207.08 SS 592961. 4042231. 7744105 3632181. 6610248 401897. 68022. 1523430. 154808. df 1 2 2 2 2 2 2 2 2 MS 592961. 2021115. 3872053. 1816090. 3305124 200949. 34011. 761715. 77404. F 7.66058 26.11120 50.02383 23.46244 42.69956 2.59610 .43940 9.84075 p .109510 .036885 .019599 .040879 .022884 .278079 .694736 .092245

SED_1 {2}TEMPERAT {3}PRESSURE {4}NITROGEN {5}SILANE {6}SETT_TIM {7}UNUSED_2 {8}CLEANING Residual

EXPERIMENTOS FATORIAIS COMPLETOS 2K

Matriz Experimental Fatorial Completo (2k ) k fatores 2 nveis

+ -

nvel alto nvel baixo

Para o exemplo de 22 temos: Exp. 1 2 3 4 Para o exemplo de 23 temos: Exp. 1 2 3 4 5 6 7 8 A + + + + B + + + + C + + + + Resposta Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 A + + B + + Resposta Y1 Y2 Y3 Y4

Efeitos Principias E = R(+) + R(-) O maior resultado tem o maior efeito. EPA = [ (Y2+Y4+Y6+Y8) / 4 ] [ (Y1+Y3+Y5+Y7) / 4 ]= X(A) EPB = [ (Y3+Y4+Y7+Y8) / 4 ] [ (Y1+Y2+Y5+Y6) / 4 ]= X(B) EPC = [ (Y5+Y6+Y7+Y8) / 4 ] [ (Y1+Y2+Y3+Y4) / 4 ]= X(C)

Efeitos das Interaes Lembrar que: - e + igual a + !

EAB = [ (Y1+Y4+Y5+Y8) / 4 ] [ (Y2+Y3+Y6+Y7) / 4 ] = X(AB) EAC = [ (Y1+Y3+Y6+Y8) / 4 ] [ (Y2+Y3+Y4+Y5) / 4 ] = X(AC) EBC = [ (Y1+Y2+Y7+Y8) / 4 ] [ (Y3+Y4+Y5+Y6) / 4 ] = X(BC) EABC = [ (Y2+Y3+Y5+Y8) / 4] [ (Y1+Y4+Y6+Y7) / 4 ] = X(ABC)

Modelo Matemtico
Resposta = Mdia + EPA(A) + EPB(B) + EPC(C) + EAB(AB) + EAC(AC) + EBC(BC) + EABC(ABC) 2 2 2 2 2 2 2

Este modelo pode ser usado para predizer o valor da varivel resposta, simulando-se qualquer situao experimental dentro da regio delimitada. Exemplo: Fator A Presso de Impacto B Velocidade de Impresso C Configurao do Cartucho Exp 1 2 3 4 5 6 7 8 A + + + + B + + + + Impressora Nvel (-) (+) 2 4 10 20 1 2

C AB AC BC ABC Rendimento - + + + - + + - + + - + + + + + + + + + + + + +

Reduo de varivel: VR = Valor Ponto mdio D 2 Varincia (S2): S2 = [ ( m - x ) 2 ] (n-1) Desvio Padro (S): Sp = S2p Varincia Global (Sp2): Sp2 = u1S12 + u2S22 + . . . + ugSg2 u1 + u2 + . . . + ug ui nmero de graus de liberdade u=n1 ( n nmero de repeties ) Teste t: Testar a significncia de cada efeito calculado; tcalc = Efeito Sp Critrio: tcalc > ttab ; o efeito significante

Exerccio Otimizao do Alcance Utilizando o Projeto de Experimentos Fatorial Completo 2k.

Objetivo: Utilizar o Projeto de Experimentos como ferramenta de estudo e otimizao de um processo. Processo: Arremesso de uma bola com o uso de uma catapulta. Fator A Posio do dispositivo de arremesso B - ngulo C Posio do dispositivo de tenso D Turno Resposta: Distncia (cm) Fatorial Completo: 24 Matriz Experimental: (-) Baixo 150 Baixo A Nvel (+) Alto 180 Alto B

Experimento 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Fatores A B C D - - - + - - - + - + + - - - + + - + - + + + + + - - - + + - - + - + - + + + - + - - + + + - + + - + + + + + + +

1 487 590 455 561 595 502 550 641 525 447 456 425 618 588 566 613

Distncia (cm) 2 3 Mdia 460 529 492 566 550 552 563 454 491 520 511 511 613 598 595 578 538 539 598 554 567 600 601 614 474 456 485 514 490 484 460 438 451 496 448 476 520 614 584 609 595 597 657 560 561 610 612 612

S2i 1209 172 3924 90 306 1445 709 577 1281 1152 137 632 3076 114 21 2

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: Varincia: S2 = [ ( m - x ) 2 ] (n-1)

Abaixo, os efeitos principais e das interaes: EPA = 20 EPB = -55 EPC = 91 EPD = -14 EAB = 16 EAC = -6 EAD = 2 EBC = 15 EBD = -6,5 ECD = 23,5 EABC = 19 EABD = 0 EACD = 16 EBCD = -7 EABCD = -16,5

Varincia Global: u = 3-1 = 2

Sp2 = u1S12 + u2S22 + . . . + ugSg2 u1 + u2 + . . . + ug

S2p = 2 (1209++2) / 2 (16) = 926 Sp = S2p = 30,4 Teste t: Agora testaremos a significncia de cada efeito calculado; tcalc = Efeito Sp Critrio: tcalc > ttab ; o efeito significante

Da tabela de estatstica T, para o nvel de significncia de 95% e grau de liberdade 32! tA tB tC tD = = = = 0,66 0,18 2,99 0,46 < < > < 2,04 2,04 2,04 2,04 No significante No significante Significante No significante

ttabelado 95% = 2,04 Para todos os ts das interaes => no significantes! Ajuste sugerido da Catapulta:

A+B-C+DEm 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- !
650

Efeito CD

Alcance

600

550

500

450

(-) nvel baixo nvel alto 511 474

(+ ) 579 588

Efeito AB
650 600

Alcance

550

500

450

(-) nvel baixo nvel alto 539 517

(+) 534 553

Efeito BC
650 600

Alcance

550

500

450

(-) nvel baixo nvel alto 503 482

(+) 578 588

Os grficos de interaes levam a:

A+B+C+D+

Exerccio Fatorial 25: Reactor Example Variable Feed Rate (liters/min) Catalyst (%) Agitation Rate (rpm) Temperature (C) Concentration (%) Low (-) 10 1 100 140 3 High (+) 15 2 120 180 6

1 2 3 4 5

1 + + + + + + + + + + + + + + + +

Variable 2 3 4 - - - - + - + - - + - + + + + + - - + - - + + - + + - + - + + - + + + + + + + + - - - - + - + - - + - + + + + + - - + - - + + - + + - + - + + - + + + + + + + +

% Reacted 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

FATORIAIS FRACIONADOS 2K-P So fraes de um fatorial completo 2K. 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 25-1 ! p => grau de reduo do fatorial! *5 => fatores *1 => grau de reduo Como montar a matriz fracionada?!

25-1 ~ 24 => 16 experimentos

EXERCCIO: TABLE 12.2: Analysis of a half-fractional of the full 25 design: a 25-1 fractional factorial design, reactor example.
Exp. A B C D (A*B*C*D RESPOSTA ) E + + + + + + + +

(17) (2) (3) (20) (5) (22) (23) (8) (9) (26) (27) (12) (29) (14) (15) (32)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

+ + + + + + + +

+ + + + + + + +

+ + + + + + + +

+ + + + + + + +

Exemplo 2 temos 5 fatores e disponibilidade de fazermos 8 experimentos: (25-2 ~ 23 => 8 ) Exp. 1 2 3 4 5 6 7 8 A + + + + B + + + + C + + + + (A*B*C) D + + + + (A*B) E + + + + RESPOSTA 56 61 94 65 49 56 54 82

Baseado nos efeitos calculados no fatorial fracionrio e comparando com os dados calculados no fatorial completo teremos: EP2 = 20,5 EP2 = 19,5 e E1345 = 1,0 Tem-se que: EP2 = EP2 + E1345 Ou ainda: EP5 = -6,25 e EP5 = -6,25 e E1234 = 0,0 Logo: EP5 = EP5 + E1234 Se considerarmos E>2 desprezveis, vem: EP ~ = EP => uma boa estimativa! 2K-P ~ = 2K

EXERCCIO: Bottleneck at the Filtration stage of an industrial plant.

Varivel 1 2 3 4 5 6 7 Fonte de gua Matria prima Temperatura Reciclagem Soda custica Pano de filtro Holdup time Ensaio 1 2 3 4 5 6 7 8 1 + + + + (-) (+) reserva poo nova velha baixa alta sim no rpida devagar novo velho baixa alta 2 + + + + 3 + + + + 4 + + + + 5 + + + + 6 + + + + 7 Tempo de filtrao 68,4 + 77,7 + 66,4 81,0 + 78,6 41,2 68,7 + 38,7

MTODO DE PLACKETT-BURMAN So experimentos fatoriais fracionados saturados. Matriz inicial: 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 12 1 + + + + + + 2 + + + + + + 3 + + + + + + 4 + + + + + + 5 + + + + + + 6 + + + + + + 7 + + + + + + 8 + + + + + + 9 + + + + + + 10 + + + + + + 11 + + + + + + RESPOSTA 85 114 67 64 56 68 13 108 90 22 130 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

Varivel Resposta : DUREZA

Coluna 1 2 3 4 5 6 7 8 9 10 11 fATOR A B C D E F G H I J K Controle de Tenso Mqina Vazo (gal/min) Mistura Temperatura (oC) Umidade (%) Fantasma Fantasma Fantasma Fantasma Fantasma manual 1 10 simples 200 20 N vel + Automtico 2 20 dupla 250 80

PLACKETT-BURMAN (Papelo de Vedao)

Exerccio : Fatorial Fracionado Plackett- Burman 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 abaixo : Fatores A- Teor de Ligante (%) B- Fantasma C- Teor total de Fibras (%) D- Cargas E- Teor de Fibras Orgnicas F- Fibras Orgnicas G- Fantasma H- Fantasma I- Fantasma J- Fibras Inorgnicas K- Fantasma Nveis (+) (-) alto Baixo alto A alto A Baixo B Baixo B

Respostas 1- Espessura 2- Densidade 3- Resistncia trao 4- Compresso 5000 psi 5- Relaxao 5000 psi 6- Compresso 1000 psi 7- Relaxao 1000 psi 8- Flexibilidade 9- Reteno 10- Creep

Os resultados esto na tabela a seguir

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

Pedem-se : a) Efeitos principais do fatores sobre as 10 respostas b) Testar a significncia dos efeitos ( teste t usar fantasmas para estimar Sp2) 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.

MTODO DE TAGUCHI Arranjos Ortogonais (Matrizes Experimentais) Analise de Varincia (ANAVA ou ANOVA) Razo Sinal/Rudo => S/N ou h

CONDIES COMUNS: Maior--melhor => S/N = -10 log (S 1/y2)/n Menor--melhor => S/N = -10 log (S y2)/n Nominal--melhor => S/N = 10 log (y2)/(S2)

y => valor da resposta n => n de repeties S2 => varincia ARRANJOS ORTOGONAIS (Matrizes Experimentais) Recebem a designao Ln, onde n representa o n de condies experimentais da matriz. Matrizes Experimentais Convencionais + 0 Arranjos Ortogonais 3 2 1

Nvel Alto Nvel Intermedirio Nvel Baixo L9 => at 4 fatores !

EXERCCIO: MATRIX EXPERIMENT

Efeitos dos fatores sobre (S/N) ou h Column Number and Fator Assigned 1 2 3 4 Temperature Pressure Setling Cleaning (A) (B) (C) (D) 1 1 1 1 1 2 2 2 1 3 3 3 2 1 2 3 2 2 3 1 2 3 1 2 3 1 3 3 3 2 1 3 3 3 2 1

Exp.

1 2 3 4 5 6 7 8 9

Observation N (dB) -20 -10 -30 -25 -45 -65 -45 -65 -70

Clculo dos Efeitos :

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

A1B1C2D3 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 QADRADOS (STQ) STQ = S (hi - hmdio)2 hmdio = -41,67 STQ = (-20+41,67)2 + (-30+41,67)2 + .... + (-70+41,67)2 STQ = 3800 SOMA DOS QUADRADOS DOS FATORES (SQF) Fator A: SQF(A) = 3 (mA1 - hmdio)2 + 3 (mA2 - hmdio)2 + 3 (mA3 - hmdio)2 Onde: 3 => n de condies experimentais no nvel i. Assim: SQF(A) 2450 SQF(B) 950 SQF(C) 350 SQF(D) 50

SOMA QUADRTICA DO ERRO (SQ(ERRO)) SQ(Erro) = STQ - S SQF SQ(Erro) = 3800 3800 = 0 (erro calculado) => deve-se estimar o erro! TABELA ANOVA Fonte de Variao Fator A Fator B Fator C Fator D ERRO Onde: SMQF = SQF/g.l e F = SMQF/SMQFERRO => usados para estimar o erro! Se F >= 2,0 => efeito significante! SQF 2450 950 * 350 * 50 (S*) 400 g.l 2 2 *2 *2 (S*) 4 SMQF 1225 475 175 25 100 F 12,25 4,75 -

EXERCCIO: DESIGN FOR QUALITY

Standard Order 1 2 3 4 5 6 7 8 9 1 (A) 1 1 1 2 2 2 3 3 3 Factor 2 (B) 1 2 3 1 2 3 1 2 3 3C 1 2 3 2 3 1 3 1 2 Observed response values 150,7 150,7 150,7 157,7 146,0 164,6 87,8 90,2 47,5 169,3 155,3 148,3 78,4 61,8 30,4 164,6 129,7 132,1 76,0 80,8 129,7 209,5 219,0 150,7 216,6 150,7 136,7 Mdia 128,07 159,20 81,85 156,88 64,82 149,10 80,22 167,62 160,48 S/N 35,45 43,34 36,79 43,22 33,93 42,62 36,45 43,32 43,22

167,0 153,0 90,2 150,7 97,1 173,9 47,5 125,1 155,3

122,7 169,3 104,1 160,0 52,3 164,6 78,4 132,1 155,3

26,6 164,6 71,3 157,7 68,9 129,7 68,9 169,3 148,3

BIBLIOGRAFIA: 1)MONTGOMERY, D.C. Design and Analysis of Experiments, Wiley, 6th edtion,2005. 2) BOX, G.E.; HUNTER, W.G.; HUNTER, J.S. Statistic for Experimenters, John Wiley & Sons, New York, 1978. 3) TAGUCHI, G.; WU, YU-IN. Introduction to off-Line Quality Control. Central Japan Quality Control Association. Meieki Nakamura-Ku Magaya, Japan, 1979. 4) BRUNS, R.E. et al Como Fazer Experimentos, Editora UNICAMP, 2003 5) COX, D.R. Planning of Experiments , Wiley 1976. 6) COX, G.M.; COCHRAN, W.G. Experimental Desing. Wiley 1976. 7) GREG, B.; HOWES R.; Six Sigma , McGraw-Hill, 2006 8) COSTA NETO, Pedro Luiz O., Probabilidade e Estatstica, Edgard Blucher