Doe Parte II

Como fazer um DOE com sucesso
Parte II: Anlise e interpretao de resultados

(http://www.statistical.com.br/artigos.asp)
Carlos H. Domenech
Em 50 palavras ou menos
Se o planejamento foi feito com esmero,

a anlise dos resultados simples e
direta, e compreende anlises grficas e
numricas.
O Minitab tem ferramentas para anlise,

adequao do ajuste, visualizao da
superfcie e otimizao de vrias
respostas simultaneamente.
Introduo
Na parte I deste artigo, Conceituao e Planejamento, descrevemos porque o planejamento
estatstico de experimentos (DOE) a forma mais eficiente de extrair informao de um processo.
Vimos que os ingredientes de um DOE com sucesso so:
Variao simultnea dos fatores controlados;

Aumento do domnio experimental (range) destes fatores;
Verificao de pr-requisitos tais como: estabilidade mnima do processo e sistema de
medio adequado;
Utilizao de dispositivos para tratamento de fatores no controlados, tais como
randomizao, blocagem, repetio dos ensaios do plano fatorial e repetio do ponto central
ao longo da matriz.
Mencionamos tambm que o nmero mnimo de ensaios requerido para determinar a significncia
dos efeitos 16 (excluindo os pontos centrais).
Na primeira parte do presente artigo ilustra-se passo a passo a anlise dos resultados de um
DOE utilizando o Minitab 14. Os dados analisados fazem parte do exemplo do reator,
apresentado na parte I. Os fatores controlados, respostas, objetivos e matriz de ensaios
encontram-se na Figura 1. Como ser discutido no artigo, a matriz de ensaios da Figura 1
adequada para ajustar a resposta Rendimento, mas no para ajustar o Custo, porque esta
resposta apresenta curvatura. Neste ltimo caso sero adicionados pontos axiais para constituir
um plano composto, adequado para modelos com termos quadrticos.
Fatores controlados (x)
x1: proporo de aditivos
x2: temperatura reao
x3: tempo reao
Respostas (y)
Rendimento
Custo
Objetivo
Maximizar
(mdia atual = 140)
Minimizar: < 10,2
Run Bloco
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
1
1
1
x1
x2
x3
0,5
1,0
0,5
1,5
0,5
1,0
1,5
1,5
1,0
1,5
0,5
1,0
0,5
0,5
1,5
1,5
1,0
0,5
0,5
1,5
1,5
1,0
180
185
180
190
190
185
180
180
185
190
190
185
190
190
180
180
185
180
180
190
190
185
3,0
3,5
4,0
3,0
3,0
3,5
3,0
4,0
3,5
4,0
4,0
3,5
4,0
3,0
3,0
4,0
3,5
4,0
3,0
4,0
3,0
3,5
Rendimento Custo
168,8
136,1
160,8
133,4
150,5
140,7
121,1
116,8
139,2
136,2
142,7
137,8
142,6
148,3
117,7
117,0
141,3
161,3
162,9
132,7
127,8
138,7
14,9
9,7
15,4
10,6
12,1
7,9
9,1
12,0
8,6
13,0
12,5
8,9
12,2
11,3
9,4
13,4
9,2
15,9
16,1
12,5
10,6
9,2
Figura 1 Fatores controlados, respostas, matriz de ensaios e resultados do

exemplo do reator
M. I. Domenech Consultores. Rua Lord Cockrane, 616/Sala: 609/610 Ipiranga- So Paulo- SP- 04213-001. Brasil
Tel.: (55-11) 6161-3043; Telefax (55-11) 272-8282. HP: www.Statistical.com.br. Email: mi.domenech@statistical.com.br
2
Etapas para analisar os resultados de um DOE no Minitab
Na Figura 2 h um resumo muito utilizado por Histo DOE, nosso amigo Black Belt, para orient-lo
na anlise dos planos fatoriais e na confirmao dos resultados. Exemplificaremos os passos 1 a
7 utilizando os dados da Figura 1.
Passos
Procedimento no Minitab
1) Avalie erros grosseiros de execuo e/ou digitao
Graph\Time Series Plots\With Groups

Series = <resposta>, Categorical variable = CenterPt
2) Faa grficos de efeitos principais e interao
Stat\DOE\Factorial\Factorial Plots...
Boto Setup, boto Setup\Options... p/ interaes
3) Inicie o ajuste do modelo. Grfico de Pareto dos

efeitos
Stat\DOE\Factorial\Analyze Factorial Design...

Boto: Terms = up through order 2, Graphs... = Pareto, alpha = 0,10
4) Simplifique o modelo
Stat\DOE\Factorial\Analyze Factorial Design...

Boto: Terms, Storage... = Fits
5) Faa anlise de valores ajustados e resduos.

Se for necessrio transforme os dados
Grfico de valores ajustados em Graph\ScatterPlot...\Simple

Grfico de resduos: Stat\DOE\Analyze Factorial Design\Graphs:
= Four in One
6) Se o modelo for adequado, faa grficos de

contorno e superfcie de resposta
Stat\DOE\Factorial\Contour/Surface (Wireframe) Plots...

Boto: Setup, Setup\Settings...
7) Utilize ferramentas de otimizao
Stat\DOE\Factorial\Overlaid Contour Plot...

Stat\DOE\Factorial\Response Optimizer...
Botes: Contours..., Settings... e Setup...
8) Faa ensaios de confirmao

9) Conclua e tome decises para otimizar o processo
ou para realizar novos ensaios em uma nova regio
Figura 2 Passos para a anlise de um fatorial no Minitab 14

1) Verificar a estabilidade do processo e pontos extremos
Os grficos de tendncia da Figura 3 permitem verificar se h pontos extremos e se o processo
permaneceu estvel durante a realizao dos ensaios (os resultados dos pontos centrais
deveriam variar bem menos que os pontos do plano fatorial). Pela inspeo dos grficos concluise que o processo esteve aproximadamente estvel e que o Custo, aparentemente, apresenta
efeitos quadrticos (os pontos centrais esto todos dispostos na parte inferior do grfico).
Time Series Plot of Rendimento
Time Series Plot of Custo
170
C enterPt
0
1
C enterPt
0
1
16
15
160
13
Custo
Rendimento
14
150
140
130
12
11
10
9
120
110
7
2
10
12
Index
14
16
18
20
22
10
12
14
16
18
20
22
Index
Figura 3 Grficos de tendncia do Rendimento e Custo
3
2) Visualizar os efeitos principais e interaes
Os grficos da Figura 4 do uma primeira noo da importncia relativa do efeito dos fatores e de
suas interaes, assim como da presena de efeitos quadrticos. Por exemplo, a proporo de
aditivos A/B (x1) o fator mais importante quando se considera o Rendimento, assim como a
interao x1 x2. O grfico de efeitos principais do Custo mostra que deve existir curvatura para
esta resposta, j que a mdia dos pontos centrais (ponto vermelho) no est posicionada prxima
da reta.
Main Effects Plot (data means) for Rendimento
x1
Main Effects Plot (data means) for Custo
x2
Point Type
C orner
C enter
x1
14
x2
Point Type
C orner
C enter
12
140
Mean of Custo
Mean of Rendimento
150
130
0,5
1,0
x3
1,5
180
185
190
150
10
0,5
1,0
1,5
180
185
190
x3
14
12
140
10
130
3,0
3,5
4,0
3,0
3,5
4,0
Interaction Plot (data means) for Rendimento

180
185
190
160
140
x1
x1
0,5
1,0
1,5
Point Ty pe
Corner
Center
Corner
x2
180
185
190
Point Ty pe
Corner
Center
Corner
x3
3,0
3,5
4,0
Point Ty pe
Corner
Center
Corner
120
160
140
x2
120
160
140
x3
120
0,5
1,0
1,5
3,0
3,5
4,0
Figura 4 Grficos de efeitos principais e interaes

3) Ajuste do modelo usando regresso mltipla
O experimento utilizado (dois nveis com pontos centrais) permite ajustar equaes do tipo:
y = 0 + 1 x1 + 2 x2 + 3 x3+ 12 x1x2 + 13 x1x3 + 23 x2x3 + resduos
onde os coeficientes do tipo i medem a importncia dos fatores considerados individualmente,
enquanto que os coeficientes do tipo ij medem a importncia da interao entre os fatores xi e xj.
A interao tripla (x1x2x3) raramente significante. Histo DOE decidiu mostrar somente o modelo
para o Rendimento, j que ao realizar o ajuste do Custo confirmou a presena de efeito
quadrtico. A Figura 5 tem um grfico de Pareto que mostra a importncia relativa dos termos da
equao de regresso mltipla. Os termos direita da linha vermelha so estatisticamente
significantes com 90% de confiana.
Pareto Chart of the Standardized Effects

(response is Rendimento, Alpha = ,10)
1,77
Factor
A
B
C
Term
AB
Name
x1
x2
x3
AC
C
B
BC
0
10
15
20
25
Standardized Effect
Figura 5 Pareto dos efeitos para o Rendimento

A partir da Figura 6 pode-se concluir quais so os termos que devem ser mantidos no modelo, se
h efeito de bloco e se o fenmeno apresenta curvatura. Proceda da seguinte forma:
a) Elimine primeiro os termos no significantes com P maior que 0,10. Observe que se um fator
no significante (P > 0,10), mas h uma interao significante (P 0,10) contendo este
fator, o mesmo no pode ser excludo do modelo (caso de x2 no exemplo). Se no houver
efeito de curvatura e/ou de bloco (considere para isto P > 0,05), retire os termos do modelo.
b) Em uma segunda rodada (Passo 4) elimine os termos no significantes considerando P >
0,05.
Factorial Fit: Rendimento versus Block; x1; x2; x3
Estimated Effects and Coefficients for Rendimento (coded units)
Term
Effect
Coef
Constant
140,04
Block
-0,83
x1
-29,40 -14,70
x2
-1,53
-0,76
x3
-2,55
-1,28
x1*x2
15,90
7,95
x1*x3
3,22
1,61
x2*x3
1,10
0,55
Ct Pt (curvatura) -1,07
SE Coef
0,5713
0,4872
0,5713
0,5713
0,5713
0,5713
0,5713
0,5713
1,0939
T
245,14
-1,70
-25,73
-1,33
-2,23
13,92
2,82
0,96
-0,98
P
0,000
0,113
0,000
0,205
0,044
0,000
0,014
0,353
0,345
Termos no
a significantes
Figura 6 Significncia de efeitos principais, interaes, bloco e curvatura
5) Anlise de adequao do modelo

Aps retirar os termos no significantes conveniente verificar se o modelo representa bem o
fenmeno em estudo. As anlises que podem ser feitas so:
a) Verificar se o coeficiente de determinao ajustado superior a 75%, o que indicar que os
fatores no experimento explicam uma boa porcentagem da variao observada. Neste caso o
R2 ajustado foi igual a 97% (Figura 7).
b) Se o modelo representa bem o fenmeno, o teste de falta de ajuste (Lack of Fit) no deveria
ser significante (no significante implica P > 0,05, Figura 7).
c) O diagrama de disperso dos valores ajustados pelo modelo (Fits) versus os valores do
Rendimento deveria mostrar pontos agrupados em torno de uma reta a 45o. Quanto maior o
R2 ajustado, mais agrupados estaro os pontos em torno da reta (Figura 8).
d) Os resduos calculados pela diferena entre os valores de Rendimento e os valores da reta
de regresso (Fits) deveriam apresentar comportamento sob controle (sem pontos extremos,
grfico 3 da Figura 9), normalidade (pontos vermelhos em torno da reta, grfico 1) e
variabilidade constante (faixa de variao dos resduos com largura constante, grficos 2 e 3).
Factorial Fit: Rendimento versus x1; x2; x3

Estimated Effects and Coefficients for Rendimento (coded units)
Term
Constant
x1
x2
x3
x1*x2
x1*x3
Effect
Coef
139,75
-14,70
-0,76
-1,28
7,95
1,61
-29,40
-1,53
-2,55
15,90
3,23
S = 2,40805
SE Coef
0,5134
0,6020
0,6020
0,6020
0,6020
0,6020
R-Sq = 98,00%
T
272,20
-24,42
-1,27
-2,12
13,21
2,68
P
0,000
0,000
0,223
0,050
0,000
0,016
Coeficiente de
determinao
ajustado > 75%
R-Sq(adj) = 97,37%
Analysis of Variance for Rendimento (coded units)

Source
Main Effects
2-Way Interactions
Residual Error
Curvature
Lack of Fit
Pure Error
Total
DF
3
2
16
1
2
13
21
Seq SS
3492,75
1052,84
92,78
5,00
22,06
65,71
4638,37
Adj SS
3492,75
1052,84
92,78
5,00
22,06
65,71
Adj MS
1164,25
526,42
5,80
5,00
11,03
5,05
F
200,78
90,78
P
0,000
0,000
0,86
2,18
0,370
0,152
No h falta
de ajuste
Figura 7 Anlise do modelo final do Rendimento
Scatterplot of FITS1 vs Rendimento

170
160
FITS1
150
140
130
120
110
120
130
140
150
Rendimento
160
170
Figura 8 O modelo representa bem o fenmeno em estudo
Residual Plots for Rendimento
Normal Probability Plot of the Residuals

99
90
Residual
Percent
50
10
1
Residuals Versus the Fitted Values
0
-2
-4
-5,0
-2,5
0,0
2,5
5,0
120
130
Residual
Histogram of the Residuals
160
3,6
Residual
Frequency
150
Residuals Versus the Order of the Data

4
3
4,8
2,4
1,2
0,0
140
Fitted Value
0
-2
-4
-4
-2
0
Residual
8 10 12 14 16 18 20 22
Observation Order
Figura 9 Grficos de resduos
6
6) Explorao do modelo ajustado
A Figura 10 pode ser utilizada para otimizar o Rendimento: o mximo obtido para x1 e x2
mnimos (Rendimento > 160).
Surface Plot of Rendimento vs x2; x1
Contour Plot of Rendimento vs x2; x1

190
Rendimento
120
130
140
150
188
186
165
x2
Rendimento
Hold Values
x3 = 3
150
120
130
140
150
160
160
Hold Values
x3 = 3
184
135
<
>
182
190
120
0,5
185
1,0
1,5
x1
180
x2
180
0,50
0,75
1,00
1,25
1,50
x1
Figura 10 Grficos de superfcie de resposta e curvas de contorno
Histo DOE est satisfeito com o avano do projeto j que o experimento permitir superar
amplamente o rendimento atual que prximo de 140. Mas ele lembra que h outra resposta que
no est sendo considerada, o Custo, que deveria ser mantido abaixo de 10,2. Como a matriz de
ensaios no adequada para modelos com parte quadrtica, Histo DOE adicionar os pontos
axiais indicados em vermelho no terceiro plano da Figura 11. Esta parte da matriz constitui o
bloco 3 direita da Figura 11. Como Histo DOE teve que rodar estes oito experimentos adicionais
para o Custo, ele aproveitou para obter tambm os resultados de Rendimento. A anlise do plano
composto realizada de forma similar do plano fatorial, porm utiliza-se para isto o
procedimento do Minitab denominado Response Surface.
Rendimento
k>5
Custo
k5
Planejamentos
fatoriais fracionrios
Planejamentos
fatoriais completos
k5
Planejamentos central
composto
Identificao das
variveis mais
importantes
Compreenso de efeitos
principais e interaes
Desenvolvimento de
modelo de predio
para otimizao
Run Bloco
23
24
25
26
27
28
29
30
3
3
3
3
3
3
3
3
x1
x2
x3
1,0
1,0
1,0
0,5
1,0
1,5
1,0
1,0
190
185
180
185
185
185
185
185
3,5
3,5
3,5
3,5
3,0
3,5
4,0
3,5
Rendimento Custo
136,9
136,8
136,8
153,5
137,9
130,1
138,9
140,3
10,1
9,9
11,8
12,6
8,5
9,8
9,8
9,2
Figura 11 Evoluo da estratgia experimental e matriz axial para Custo
7
7) Utilizao de ferramentas de otimizao
desejo
Rendimento
Depois de ajustar o modelo quadrtico para o Custo, Histo DOE utilizou a ferramenta de
otimizao do Minitab, denominada funo desejo. Para utilizar este procedimento, deve-se
especificar as funes-objetivos para cada resposta. No exemplo do reator as funes para o
Rendimento e Custo encontram-se na Figura 12a. No Minitab a funo desejo denomina-se
Response Optimizer e utiliza um procedimento numrico que procura satisfazer conjuntamente
as funes-objetivos de todas as respostas de interesse. Na Figura 12b observa-se que nas
condies: Proporo A/B = 0,84, Temperatura = 186 C e Tempo = 3 horas o modelo prev um
rendimento = 145 e custo = 9.
Optimal
Hi
D
Cur
0,93070 Lo
desejo
Custo
140
146
Rendimento
x1
1,50
[0,8404]
0,50
x2
190,0
[185,6534]
180,0
x3
4,0
[3,0]
3,0
Rendimento
Maximum
y = 145,2782
d = 0,87969
Custo
Minimum
y = 9,0184
d = 0,98467
0
9
10,2
Custo
a) Funes desejo do Rendimento e Custo
b) Sada do Response Optimizer do Minitab
Figura 12 Funo desejo para otimizar conjuntamente o rendimento e custo do reator
8) Confirme os resultados do modelo

Histo DOE j teve algumas experincias desagradveis e sabe que antes de sair comemorando e
soltando rojes, deve-se confirmar as previses do modelo. O prximo passo ento realizar
mais um ensaio em carter de pilotagem colocando o processo nas condies timas e medir as
respostas para confirmar os resultados.
Outras aplicaes do DOE

Exemplo na otimizao de um processo de celulares
Um exemplo interessante que combinou ferramentas de DOE, simulao e Lean foi conduzido
por Sandro Prazeres do grupo de Engenharia Industrial da Motorola do Brasil. O projeto foi
realizado durante um perodo de aumento da produo e permitiu evitar a contratao de mo de
obra adicional em valores prximos a 96.000 US$/ano. O DOE foi realizado, neste caso, para
otimizar o nmero de bancadas de montagem manual, nmero de bancadas de testes de
interface e nmero de pessoas nos testes de placa e phasing (Figura 13). A resposta do
experimento, um fatorial completo a dois nveis, foi o nmero de celulares concludos por hora por
operador e foi obtida usando um simulador de processos denominado Simul8.
Mapa inicial
A: montagem placa
B: montagens
especficas de placa
C: montagem
telefone
Etapa 1: eliminar
setor B
A: montagem placa
B: montagens
especficas de placa
C: montagem
telefone
Etapa 2: otimizar
setor C DOE
A: montagem placa
C: montagem
telefone
Fatores
controlados
no DOE
x1: 2 ou 3
x2: 2 ou 3
x3: 1 ou 2
x1: No bancadas
montagem manual
x2: No bancadas de
testes de interface
Qual o melhor processo?
x3: No pessoas em
teste placa e phasing
Placa
Phasing
Resposta
Objetivo
Unidades por
hora por
Maximizar
operador:
UPH/DL
Simul8
Figura 13 DOE realizado para otimizar a produo de celulares em uma clula de produo
Exemplo de otimizao de gastos em propaganda
Um exemplo que sai do mbito tradicional de aplicao do DOE em ambiente produtivo foi
coordenado por Ackoff na rea de marketing da empresa Anheuser-Busch. Como resultado dos
estudos realizados no perodo de 1962 a 1968, os gastos em propaganda foram reduzidos de
1,89 US$ a 0,80 US$/barril, enquanto que as vendas aumentaram de 7,5 para 14,5 milhes de
barris e o market share pulou de 8,14 a 12,94%. Os experimentos foram realizados para
determinar a relao entre as vendas de cerveja versus o capital gasto em propaganda, o
momento de realizar o gasto e o tipo de mdia utilizado. As anlises realizadas mostraram quo
complexas e pouco intuitivas podem ser estas relaes.
O estudo iniciou-se porque no ano de 1961 o presidente da Anheuser-Busch foi abordado pelo
vice-presidente de marketing com uma solicitao de 15 MUS$ para gastos em propaganda e
mais um adicional de 1,2 MUS$. O vice-presidente defendeu o gasto com base no aumento de
vendas que ele achava que iria acontecer.
Um dos experimentos realizados pelo pessoal de Ackoff foi um fatorial com trs fatores, cada um
a trs nveis. Os fatores controlados foram: x1 = mudana percentual dos gastos em propaganda
em relao ao atual, x2 = gastos em pessoal de vendas e x3 = gastos em materiais nos pontos de
vendas. Diferentes reas de vendas foram designadas aos 27 ensaios e foi medida a
percentagem de mudana nas vendas durante um perodo de 12 meses. Pela anlise dos
resultados encontrou-se que no havia interao entre nenhum dos fatores do experimento e que
x2 e x3 estavam prximos do timo. Em relao a x1 foi encontrada uma inconsistncia, com um
mnimo em zero (Figura 14a). A teoria que se tinha sobre o efeito da propaganda no consumo
estava baseada na curva estmulo-resposta da Figura 14b. Uma pequena quantidade de
propaganda quase no tem efeito nas vendas, mas quando a quantidade aumenta aparece o
efeito desejado. Se o estmulo continua aumentando, o efeito diminui e se chega a um patamar,
seja porque se satura o pblico ou porque o consumidor no tem mais capacidade de compra.
Um aumento ainda maior na propaganda teria um efeito negativo sobre o consumidor. O
problema desta teoria era que no explicava o formato em V obtido no experimento!
Neste ponto entrou em cena um outro componente que deve estar presente em todo
experimentador: o raciocnio tcnico que tenta explicar a resposta observada. A teoria formulada
foi que existiria uma segmentao do mercado em duas populaes, cada uma com sua curva
estmulo-resposta, porm separadas horizontalmente (Figura 14c). Nesse caso a resposta
agregada das duas populaes teria um formato de V. Haveria um grupo de consumidores que
so sensibilizados mais rapidamente e que chegam tambm mais rapidamente ao ponto de
saturao.
9
Curva Estmulo - Resposta
12
8
4
Ponto super-saturao
Ponto saturao
Populao total
Resposta
Resposta
Mudana % em vendas
16
Segmento 1
Segmento 2
Ponto
crtico
0
-50
+50
x1: Mudana % em propaganda
Estmulo (x1)
a) Resultado do DOE para x1 b) Curva Estmulo-Resposta
Estmulo (x1)
c) Segmentao do mercado
Figura 14 O resultado do DOE gera um resultado que vai contra o esperado

pela curva Estmulo-Resposta, mas explicado pela segmentao do mercado
Para testar a hiptese de segmentao do mercado foram realizados novos ensaios nos
seguintes nveis de x1: -100%, -50%, -25%, 0%, +50%, +100% e +200%. Os resultados obtidos
confirmaram a segmentao, que deu base para sugerir a reduo de propaganda como forma de
aumentar as vendas, conforme fora previsto pelo modelo. Muitos outros experimentos realizados
permitiram chegar aos resultados mencionados na apresentao deste caso.
Outros exemplos de DOE fora do mbito produtivo podem ser encontrados no artigo clssico de
Koselka (1996) ou na compilao realizada por Anderson (2004).
Concluses
Ao longo das partes I e II vimos como o DOE uma ferramenta poderosa dentro da caixa de
ferramentas do Black Belt. O DOE tem a vantagem de gerar conhecimento com uma velocidade
infinitamente maior obtida por outros mtodos. Quando bem utilizado pelos especialistas do
processo, este conhecimento pode-se traduzir no aumento do rendimento, na reduo de
variabilidade e no lanamento mais rpido de novos produtos.
O sucesso na aplicao do DOE no chega automaticamente. Como foi visto na parte I, o
planejamento tem um papel muito importante. Questes como repetio dos ensaios,
randomizao, medio adequada e largura do domnio experimental no podem ser
desconsideradas. Se o planejamento foi realizado com cuidado e os ensaios conduzidos com
esmero, a anlise dos experimentos muito simples e os resultados colhidos, muito promissores.
Referncias bibliogrficas
Domenech, Carlos (2004). Como fazer um DOE com sucesso. Parte I: Conceituao e
planejamento. Falando de Qualidade. Banas, N ??????, p. ?????.
Ackoff, Russel L. (1978). The Art of Problem Solving. New York: Wiley.
Koselka, Rita (1996). The new mantra: MVT. Forbes, 11/3/96. p. 114-118.
Anderson, Mark J. (2004). Achieving Breakthroughs in Non-Manufacturing Processes via
Design of Experiments (DOE). Stat-Ease, Inc.
Carlos Domenech diretor da M. I. Domenech, empresa de mtodos avanados e solues

Lean Seis Sigma. Mestre em estatstica (IME/USP). Trabalhou durante 10 anos na Rhodia.
Certificado pela Motorola (Texas) como instrutor de Black Belt. Especializao em DOE no Centro
da Tecnologia da DuPont - Wilmington. Se tiver comentrios sobre o artigo escreva a
mi.domenech@statistical.com.br.

Doe Parte II

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Doe Parte II

Enviado por

Direitos autorais:

Formatos disponíveis

Como fazer um DOE com sucesso

Parte II: Anlise e interpretao de resultados

Se o planejamento foi feito com esmero,

O Minitab tem ferramentas para anlise,

Variao simultnea dos fatores controlados;

Figura 1 Fatores controlados, respostas, matriz de ensaios e resultados do

1) Avalie erros grosseiros de execuo e/ou digitao

Graph\Time Series Plots\With Groups

2) Faa grficos de efeitos principais e interao

3) Inicie o ajuste do modelo. Grfico de Pareto dos

Stat\DOE\Factorial\Analyze Factorial Design...

Stat\DOE\Factorial\Analyze Factorial Design...

5) Faa anlise de valores ajustados e resduos.

Grfico de valores ajustados em Graph\ScatterPlot...\Simple

6) Se o modelo for adequado, faa grficos de

Stat\DOE\Factorial\Contour/Surface (Wireframe) Plots...

7) Utilize ferramentas de otimizao

Stat\DOE\Factorial\Overlaid Contour Plot...

8) Faa ensaios de confirmao

Figura 2 Passos para a anlise de um fatorial no Minitab 14

Time Series Plot of Custo

Figura 3 Grficos de tendncia do Rendimento e Custo

Main Effects Plot (data means) for Custo

Interaction Plot (data means) for Rendimento

Figura 4 Grficos de efeitos principais e interaes

Pareto Chart of the Standardized Effects

Figura 5 Pareto dos efeitos para o Rendimento

Figura 6 Significncia de efeitos principais, interaes, bloco e curvatura

5) Anlise de adequao do modelo

Factorial Fit: Rendimento versus x1; x2; x3

Analysis of Variance for Rendimento (coded units)

Figura 7 Anlise do modelo final do Rendimento

Scatterplot of FITS1 vs Rendimento

Figura 8 O modelo representa bem o fenmeno em estudo

Residual Plots for Rendimento

Normal Probability Plot of the Residuals

Residuals Versus the Fitted Values

Histogram of the Residuals

Residuals Versus the Order of the Data

Figura 9 Grficos de resduos

Contour Plot of Rendimento vs x2; x1

Figura 10 Grficos de superfcie de resposta e curvas de contorno

Figura 11 Evoluo da estratgia experimental e matriz axial para Custo

a) Funes desejo do Rendimento e Custo

b) Sada do Response Optimizer do Minitab

Figura 12 Funo desejo para otimizar conjuntamente o rendimento e custo do reator

8) Confirme os resultados do modelo

Outras aplicaes do DOE

Qual o melhor processo?

x1: Mudana % em propaganda

a) Resultado do DOE para x1 b) Curva Estmulo-Resposta

Figura 14 O resultado do DOE gera um resultado que vai contra o esperado

Carlos Domenech diretor da M. I. Domenech, empresa de mtodos avanados e solues

Você também pode gostar