Apostila DOE1

.--..
c
w I
o
Q
.._.
c
o
+-'
u
ro
.....
a;
-.
â
:::s
cn +-'
c
...
o
c
o
Cl..
:::J
.....
l!J
t
~~
~~
~a::
(I)
~
·-E...
(I)
a.
><
w
(I)
-a
...o
(I)
........
e
a.
oooooooooooonoooooooonononnonooononooooooonnoooo-~
. .
looooooooooooooooooooooooououuuuuuuuuuuuuuuuvvv~v~
.)
)
INTRODUÇÃO AO PROJETO DE EXPERIMENTOS
n
C!
r)
)
~)
)
)
r)
)
~)
) PROJETO DE EXPERIMENTOS
)
~)
o (DESIGN OF EXPERIMENTS - DOE)

:J
J
~)
,r
~
] Abril 2009
)
J
J o
')
)
)
'
o
)
_)
)
J
J
o
C)
'
J
~ In-terAc-tion
J ~ Plexus
)
J
Rua Geraldo Flausino Gomes 61, 12° andar
)
04575-060- São Paulo- SP
)
Tel/ Fax: 011-3528-2222
) e-mail: treinamento@iaction-plexus.com.br
J site: www.iaction-plexus.com.br
)
_)
)
J
J Plexus Training Systems™ 1
) © 2009 lnteraction Plexus rev. 02
o
o
o
o
o
Perfil do Treinamento o
o
o
()
PARTE I - Introdução ao Projeto de Experimentos 3 ()
PARTE 11 - Experimento Completo 18 ü
PARTE 111 - Experimento Fracionado 29 o
PARTE IV- Experimento em Blocos Balanceados 46 ()
PARTE V- Otimização de Respostas 58
PARTE VI - Identificação e Contorno de Ruídos (Robust Design) 85 o
PARTE VIl - Experimentos com Réplicas 126 o
PARTE VIII- Fatoriais Gerais 141 o
Finalizando nosso estudo u
Apêndice A- Diagrama de Correlação 151 o
Apêndice B -Análise de regressão
Apêndice C - Análise de Superfície de Resposta
156
172
o-)
(
Apêndice D- Taguchi 192
~
()
o
o o
o
o o
o
o
o
o
()
o
()
o
o
"
'~
o
c
c
c
c
~
'~
c
c
c
c
c
Plexus Training Systems™
c
2 G,)
© 2009 lnteraction Plexus rev, 02 tf"
J
)
)
=)
_)
)
)
)
)
)
)
)
)
J
J
.)
J
)
-)
-)
PARTE I
~
)
)
~)
o INTRODUÇÃO AO PROJETO
o
)
)
)
DE EXPERIMENTOS (DOE)
)
)
)
)
)
)
)
)
)
_)
)
)
)
)
)
J
)
)
)
)
)
Plexus Training Systems™ 3
)
© 2009 lnteraction Plexus rev. 02
o
G
INTRODUÇÃO AO PROJETO DE EXPERIMENTOS 0
o
Uma grande empresa do setor automobilístico vem apresentando um alto o
grau de insatisfação de seus clientes em relação ao motor por eles o
fabricado. Após algumas análises nas manutenções realizadas foi
descoberto que a maior causa dos problemas apresentados era o tempo
o
de lubrificação por óleo sintético. Dessa forma criou-se a seguinte meta: o
reduzir em 65% esse tempo de lubrificação até o final do ano. o
Em grupos, imaginem-se sendo a equipe da empresa responsável por
o
ü
esse assunto. Ao deparar-se com esse problema, como vocês trabalhariam
a fim de alcançar a meta estipulada, ou seja, descobrir a melhor forma de
o
reduzir o tempo de lubrificação? Comentem em forma de fluxograma os
o
passos necessários para a solução deste problema. o
o
o
o
o
u
o
o
~ ()
o ()
o
o o
o
o
o
o
o
o
o
o
G
"
'~
c
c
c
c
('
,,
.~
~
c
c
c
c
c
(
Plexus Training Systems ™
© 2009 lnteraction Plexus
4
rev. 02
cf"
)
)
)
~)
')
-) Roteiro para um experimento
)
') com sucesso
)
) Para usar a abordagem estatística no planejamento e na análise de um
') experimento é necessário que as pessoas envolvidas na experimentação
~) tenham, antecipadamente, uma idéia clara do que será estudado e da
forma como os dados serão coletados. Para elaborarmos um roteiro do
o procedimento usualmente recomendado, usaremos uma analogia do
:) tempo de lubrificação do motor através do tempo de dissolução de um
.] efervescente em água.
'.')
:)
'J Experimento:
:)
')
Desejamos saber como seria o meio mais apropriado para que o
.J
l ~ efervescente se dissolva mais rápido. Para isso temos os seguintes
o
' fatores:
.) Ao lado há a analogia feita para nosso problema em estudo.
)
)
.)
)
o Tempo de efervescência
Temperatura da - Quente (aproximadamente

Tempo de lubrificação
Temperatura do óleo
.:) 60°C)
água
:J - Natural (temperatura
J ambiente)
:) Quantidade de - Copinho de café (50ml) Nível do óleo
-) água - Copinho de gelatina (70ml)
"_) Saturação -Com açúcar (10g) Pureza do óleo
-Sem açúcar
:)
.,.J Agitação -Agitação com palito de Tipo de bombeamento
sorvete: 1vez/segundo do óleo
J - Sem agitação
J
J
=)
)
)
I
._/
.)
)
-)
J
)
Plexus Training SystemsTM 5
J © 2009 lnteraction Plexus rev. 02
)
o
o
INTRODUÇÃO AO PROJETO DE EXPERIMENTOS ()
o
Façam os experimentos e anotem os resultados na tabela abaixo: o
o
o
Fatores e níveis Variável · o
Experimento Temperatura Quantidade
Saturação Agitação
resposta
o
1
da água
Natural
de água
50ml C/Açúcar C/Agitação
(Tempo)
5S o
2 Natural 50ml C/Açúcar S/Agitação \'l.JJ o
3 Natural 50ml S/Açúcar C/Agitação 'I:]_ :t c, o
4 Natural 50ml S/Açúcar S/Agitação q '1, \ o
5 Natural 70ml C/Açúcar C/Agitação 3~ 11 o
6 Natural 70ml C/Açúcar S/Agitação 1/ . Lj I o
7 Natural 70ml S/Açúcar C/Agitação 31. ao o
8 Natural- 1 70ml +I S/Açúcar S/Agitação IY o'l u
9 60° c+\ 50ml-1 C/Açúcar C/Agitação 31.n o
60° c
10
11 60° c
50ml
50ml
C/Açúcar
S/Açúcar
S/Agitação ;)\ ')0
C/Agitação il lll
o
12 60° c 50ml S/Açúcar S/Agitação \1.10':l
o
o
~ 13 60° c
60° c
70ml C/Açúcar C/Agitação a\~\
o
o
14 70ml C/Açúcar S/Agitação :l\.IQ~
15 60° c 70ml S/Açúcar C/Agitação l(),l-1.\ o
16 60° c 70ml S/Açúcar S/Agitação J5 ~t -- ()
o o
()
o
Quais conclusões poderiam ser tomadas diante dele?
c
c
- ·\)A f\..À ~'íf/.o '50 fJ ~E::I~ \]0
u
,r
'--'
r'...
c
c
c
c
c
c
c-
e
c
c
c
(_
c
c(
Plexus Training Systems TM 6 (
© 2009 lnteraction Plexus rev. 02 f
)
)
)
~)
) Em sua equipe descreva brevemente o significado dos conceitos utilizados
) nos projetos de experimento e identifique seu correspondente no
~) experimento realizado.
)
Conceito O que é? No nosso exemplo
)
) Objetivo - [1\..:::"D\ IZ () ~?;:>-
) 'l
~)
"DE:. <;:'Ns I<VÇ.,C0VC!.t) .
I
)
)
'/
I
.) Variável Resposta
) f- \fcMí'o 1!é
J A
)
té.~\'(.\/<::oCE:f\J0iA-
l
~
~)
(..OJVDi~S
o
) Si'\O AÇ,
Fatores
)
(dvl G vb o '1GS\<:;;.
lI
o
)
) DE::f<.Á -sv~MG--nDo·
) '
J "
- ')l,t>.-Rp-..1'\L.-rfoS
) Níveis
) iJ~)I\JJ\W)'.:, PAR/t
\I
) CPc1JA f'A'flO~·
I
)
)
_)
0 GU6 JJJfWb<-CÍA
J Ruídos
fv'O 0..\"bf(1 M&iiiO
)
) \\ JIAI\Sc.A f'AA.)Do o
) r-<~vt-Tr!J/o ..
r
J
)
_)
)
~)
)
)
)
)
)
)
)
I
o
o
()
o
ETAPA 1: IDENTIFICAÇÃO DOS OBJETIVOS o
o
DO EXPERIMENTO o
o
Faça uma reunião com todas as pessoas que possam contribuir para a
definição clara dos objetivos do experimento a ser realizado. Deve ser
o
utilizado todo o conhecimento disponível, isto é, as informações já o
publicadas sobre o assunto, a experiência prática do grupo e os resultados ü
dos experimentos similares já realizados. o
o
Expresse as informações sobre o problema em termos quantitativos, ou
seja, dando valores.
o
ü
<)
Repare que ao fazermos isto, respondemos a seguinte pergunta: ü
o:.
,,
o Quais são os objetivos do experimento? \J
()
o
~ o
o o
o
o o
o
o
o
o
o
o
o
o
o
c
c
c
u
c
c
~-=
c
c
c
c
( '
~
Plexus Training Systems'M

c
8 ~
f:
J
)
}
:)
)
ETAPA 2: SELEÇÃO DA VARIÁVEL RESPOSTA
)
<"-)
) Variável resposta (efeito) é aquela que se deseja melhorar ao realizar um
) experimento. São as características de produto que estão em questão
) relacionados com o problema. Devem ser sempre quantitativas.
~)
Utilize uma variável resposta que realmente forneça informações sobre o

J problema em estudo. Determine o método de medição da variável
J resposta, a escala de medida a ser utilizada e a exatidão dessas medidas.
)
)
) Nesta etapa respondemos as perguntas:
)
) o Quais variáveis respostas deverão ser consideradas?
J o Como as variáveis respostas serão medidas?

)
~
) o O sistema de medição é confiável?
)
)
o
o
)
)
)
)
)
-
)
J
)
)
.)
)
.)
'
,_)
J
J
)
J
)
_)
)
)
)
.)
_)
Plexus Training Systems TM 9
)
)
o
-
INTRODUÇAO AO PROJETO DE EXPERIMENTOS
o
0
o
ETAPA 3: ESCOLHA DOS FATORES E SEUS o
o
NÍVEIS ü
o
Fatores
o
Dentre todas as variáveis (causas) que possam afetar a variável resposta o
identificamos as mais críticas através do conhecimento técnico da equipe. o
Essas variáveis são denominadas fatores do experimento. o
o
Fator Fator
o
-------- Variável o
Resposta ()
o
Fator o
o
Níveis o
o
~ Representa as possíveis condições ou faixa de valores que um ()
o determinado fator pode assumir. Por exemplo, num experimento foi

identificado como fator a temperatura ambiente. A equipe então resolveu
( 'l
o
·"
o escolher dois níveis distintos para este fator: 0°C (representando o valor
mínimo do ambiente de trabalho) e 35°C (representando o valor máximo do
ambiente de trabalho)
(j
(;
t:
'-'
Variáveis de ruído c
c
São variáveis conhecidas que podem afetar as variáveis respostas de um
experimento e que, na prática, não há como controlar ou não há interesse
c
em se controlar durante o processo produtivo.
c
Cuidados especiais devem ser tomados durante o experimento para evitar c
que essas variáveis mascarem o impacto dos fatores de interesse. c
c
Variáveis perturbadoras c,·,
\>
São variáveis desconhecidas que podem afetar os resultados do
experimento. A melhor maneira de diminuir o efeito das variáveis
c
perturbadoras é tornar aleatório o experimento.
l
c
(
c
(
(
(
(
c
Plexus Training Systems ™ 10
c(
© 2009 lnteraction Ptexus rev. 02 (
j
)
)
')
) 3.11DENTIFICANDO FATORES
)
) Usando o conhecimento técnico e a experiência da equipe, identifique
) fatores com níveis que possam sofrer variações controláveis e fatores que
provavelmente interferem na nossa variável resposta, mas não podem ser
)
controlados durante a realização do experimento (ruído).
J
J Os fatores podem ter vários níveis possíveis (variáveis que podem ser
J medidas) ou apenas dois níveis (atributos, fator ausente e fator presente).
')
) Planeje a forma de controle dos níveis de fatores variáveis escolhidos e
determine o método de medição dos níveis desses fatores, a escala e a
J exatidão dessas medidas.
)
) Identificar dentro da faixa de variação de cada fator o número de níveis de
) cada fator. Comumente são escolhidos dois níveis para cada fator,
) chamados de nível alto e baixo, representados na tabela de experimentos
) por +1 e -1 respectivamente.
J
~
o
)
)
Nesta etapa respondemos as seguintes perguntas:
)
)
)
J
o o Quais fatores serão considerados no experimento?
o Quais os níveis dos fatores?

)
)
.J
)
J
J
J
,)
)
'-
)
)
)
~
)
I
j
)
I
/
)
)
)
)
)
o
o
0
'jh
ETAPA 4: PLANEJAMENTO DO EXPERIMENTO o
o
Identificado o objetivo do experimento, a variável resposta, os fatores com o
seus níveis e as variávies de ruído, necessitamos planejar os experimentos o
a ser realizados. Daí surgem algumas perguntas: o
o
o Qual seria o procedimento apropriado para cada fator?
o
o Será que aqueles cujos níveis variam podem ser analisados da
o
mesma forma que aqueles que não são controláveis ou aqueles que
u
os níveis serão sempre constantes? o
o
o O que fazer para identificar se esses fatores causam ou não o
impacto significativo no experimento? o
o
Faça um fluxograma planejando as etapas do experimento e os cuidados
o
necessários em cada uma delas. n
o
~ o
o o
o
o o
o
o
c
c
u
c
(' ~i
o
(J
c
c
c
c
c
c
c
c
c
(
(
c
Plexus Training Systems'" 12
c(
(
J
)
)
J
) 4.1 PRINCÍPIOS BÁSICOS
)
~) Aleatorização:
\ /
O termo aleatorização se refere ao fato de não existir nenhum tipo de
) preferência na escolha do material experimental, das diversas condições
) de experimentação e da ordem que os ensaios individuais do experimento
') serão realizados.
J A aleatorização permite que os efeitos de fatores não-controlados
J (variáveis de ruído), que afetam a variável resposta e que podem estar
j presentes durante a realização do experimento, sejam balanceados entre
] todas as medidas. Este balanceamento evita possíveis confundimentos na
avaliação dos resultados.
'_)
) Réplicas:
)
J São repetições do experimento feitas com amostras idênticas e sob as
) mesmas condições experimentais.
As réplicas permitem avaliar se a variabilidade presente nos dados
~
)
) coletados é devida somente ao erro experimental ou se existe influência
)
) o prática dos outros fatores em estudo. Se estas condições forem influentes,
o responsável pela pesquisa poderá determinar qual é a condição mais
)
)
)
o favorável, de acordo com seus interesses.
Blocos:
) São conjuntos homogêneos de unidades experimentais, ou seja, em um

) único bloco reúnem-se todas as variáveis de ruído, submetendo todos os
fatores às mesmas condições experimentais, eliminando confundimentos
J ou conclusões erradas.
y
Permitem avaliar com maior eficiência os efeitos dos fatores de interesse,
) controlando e avaliando sistematicamente a variabilidade resultante das
J variáveis de ruído.
:)
J
J
J
J
J
_)
)
J'
)
)
)
)
j
)
)
o
INTRODUÇÃO AO PROJETO DE EXPERIMENTOS g
t'\
\\j
4.2PLANEJAMENTO o
o
if Escolha um método que nos ajude a eliminar o efeito de fatores não o
controláveis (variáveis de ruidos) e que simplifique a análise de resultados. o
v Determine as influências exercidas pelas possíveis limitações de
o
1-)
tempo, custo, material, mão-de-obra, equipamentos e por condições \.
externas, tais como fatores climáticos. o
o
v Determine o percentual dos recursos (orçamentos, tempo, etc) o
disponíveis para o desenvolvimento do estudo completo. Muitas vezes o
deve-se fazer um experimento inicial como um meio para aprendizagem da o
forma de condução de estudo e escolha dos níveis. Portanto, devem
sobrar recursos para cumprir os objetivos finais do trabalho, não devendo
o
então ser feito um investimento de mais de 25% ou 30% dos recursos
o
totais neste experimento iniciaL o
o
v Determine o método de aleatorização a ser utilizado e a ordem da n
coleta dos dados. o
~ o
o v Determine com base nas especificações de engenharia ou conceitos
técnicos o quanto uma diferença obtida entre os resultados do experimento
o
o
o será considerada significativa sob o ponto de vista prático.
v Considere a possíveis variações decorrentes do procedimento de

amostragem (verifique aleatorização e escolha de amostras ao longo da
f)
()
o
faixa de variação do processo) e da precisão dos métodos de medição o
(realize estudos que comprovem a eficácia do sistema de medição utilizado o
- MSA).
o
v Determine o número mínimo de réplicas a serem realizadas, de modo a
o
garantir precisão e confiabilidade nos dados que a amostragem nos revela, o
levando, assim, em consideração a variância correta do erro experimentaL o
o
)
v Prepare um roteiro que detalhe os passos a serem seguidos durante a c
realização do experimento. Esse roteiro deve incluir o detalhamento dos
métodos, materiais e equipamentos a serem utilizados, bem como das
c-,
(~
precauções a serem tomadas durante a coleta e o registro dos dados. Isso ()
minimiza a ocorrência de erros.
c
(
v Sensibilize as pessoas envolvidas sobre a importância do experimento ~
que será realizado. C'

•,/
o
ü
(J
c
(~
~
CJ
Plexus Training Systems TM 14 ~
© 2009 lnteraction Plexus rev. 02 (;
J
)
_!
~)
) ETAPA 5: REALIZAÇÃO DO EXPERIMENTO

)
') Execute o procedimento de coleta dos dados de acordo com o que foi
) planejado anteriormente.
) Monitore o progresso do experimento, registrando dados auxiliares (datas,
) número de ordem dos ensaios, dados omissos, ensaios adicionais) e
] quaisquer modificações que tenham sido feitas no planejamento
experimental inicial.
)
)
J ETAPA 6: ANÁLISE DE DADOS
.)
l
_.,
Execute um processo de revisão dos dados, .com o objetivo de detectar
) possíveis erros de registro e omissões. Utilize métodos gráficos para
) representação dos dados e empregue os métodos estatísticos apropriados
) para a análise dos dados do experimento.
J Verifique a adequação do modelo matemático adotado. Deve ser feito um
exame crítico do modelo adotado e das suposições a ele associadas.
J
) ~
)
o ETAPA 7: INTERPRETAÇÃO DE RESULTADOS
o
)
)
Considere todos os dados coletados no experimento, durante a execução
)
da fase de interpretação dos resultados.
) Estabeleça as conclusões somente a partir dos resultados obtidos pelo
) experimento que foi realizado. Evite fazer extrapolações para outras
I condições que não tenham sido incluídas no estudo.
) Detalhe a análise dos dados em termos gráficos e numéricos, para tornar
> mais clara a interpretação dos resultados.
Estabeleça os resultados em termos de suas probabilidades associadas,
.J
as quais irão medir a confiabilidade das conclusões obtidas.
J Avalie a significância prática das conclusões, além de avaliar a
)
•.
significância estatística.
c.) Interprete as conclusões obtidas sob o ponto de vista técnico e traduza seu
.) significado para as aplicações de interesse.
J Registre as possíveis limitações impostas pelos dados ou pelos métodos
J de análise utilizados.
)
~J
)
,)'
)
)
)
)
.)
) rev. 02
© 2009lnteraction Plexus
(J

o
()
(J
ETAPA 8: ELABORAÇÃO DO RELATÓRIO o

o
,; Descreva claramente o trabalho realizado, mostrando a importância do o
problema e o significado prático dos resultados obtidos. Inclua, se o
relevantes, resultados anteriores. o
o
,/ Utilize gráficos e tabelas para apresentar os dados.
o
,; Apresente informações suficientes para que os leitores possam verificar
o
os resultados e estabelecer suas próprias conclusões.
o
o
,; Expresse as conclusões sob a forma de um sumário. o
o
,; Faça recomendações sobre as conclusões obtidas. Estas o
recomendações podem, por exemplo, incluir a necessidade de realização o
de uma nova série de experimentos, já que a experimentação é um
processo iterativo, onde um experimento responde algumas questões e
o
simultaneamente coloca outras. Isto é, à medida que o experimento
n
~ avança, alguns dos fatores iniciais podem ser abandonados, outros fatores D
o
o adicionados, as faixas de variação dos fatores podem ser alteradas, e, em
alguns casos, novas variáveis respostas podem ser empregadas.
r-
c.)
o
o ,; Minimize o uso da terminologia estatística desnecessária e expresse as
informações do modo mais simples possível.
(I
(]
o
c
c
o
G
()
o
o
c
(~
c
c
c
c
(
c
c
(~
c
c
f
16 (
© 2009 lnteraction Plexus rev. 02 (
j
)
)
:)
') Agora que já vimos como é feito um bom planejamento para análise de um
) experimento, compare com o fluxograma da equipe e com as conclusões
~) obtidas após a realização do experimento do sonrisal e comente:
) 1) Quais as vantagens e desvantagens do DOE.
)
J
J
J
J
)
)
2) Quais diferenças podemos apontar na execução de um experimento por
)
tentativa e erro, ou seja, ir experimentando até descobrir a condição mais
) apropriada de trabalho, e outro usando os princípios do DOE?
)
)
)
-)
) ~
)
o
o
)
)
) 3) Será que sempre devemos usar o DOE para chegar em conclusões
J confiáveis? Quando ele se torna necessário?
)
)
)
)
)
J
)
) 4) Finalmente, como podemos definir DOE? Para que ele realmente serve?
J
)
J
)
J
)
)
)
)
)
)
)
! © 2009 lnteraction Plexus rev. 02
)
(J
EXPERIMENTO COMPLETO
o
O
o
o
o
o
o
u
n
~'
D
o
o
o
o
o
u
()
\)
r)
\
PARTE 11 o
~ ()
o EXPERIMENTO COMPLETO
'
f~)
o
Q u
(l
o
('
c
o
G
,,
"'c
c
c
c
c
c
c
c
c
(
c
(
c
(

c(
_)
')
)
')
)
'j
RESOLVENDO UM EXPERIMENTO COMPLETO
)
) Uma empresa de cosméticos recebeu uma certa quantia para informatizar
) o laboratório químico. Fazendo uma pesquisa de mercado, observou que
l havia alguns hardwares que encareciam muito o preço final do
~) computador. Sabendo que seriam necessários muitos equipamentos de
alta capacidade e tecnologia, como saber qual decisão poderia ser tomada
J diante dessa observação?
)
)
)
) 1 OBJETIVO DO EXPERIMENTO
'
,.I
Observar qual hardware afeta mais o preço final do produto.
J
,~~1
')
~
] 2 VARIÁVEL RESPOSTA
)
)
) o Preço do computador
)
)
) o 3 FATORES DE INTERESSE
)
Foram identificados 4 fatores com dois níveis cada um, a seguir:
)
J A Processador Pentium ou Athlon
:; B HD 20MB ou 40MB
) c Memória 128MB ou 256MB
:) D -----
DVD-ROM Com ou Sem Gravador de DVD
)
.)
)
J
)
)
~)
)
_)
)
)
)
J
_,'i
0
EXPERIMENTO COMPLETO g
o
4 PLANEJAMENTO DO EXPERIMENTO o
()
O experimento foi feito com nk ensaios, onde n é o número de níveis dos o
ensaios e k é a quantidade de fatores. Logo foram feitos 24 = 16 ensaios ou
unidades experimentais em ordem aleatória (StdOrder).
o
ü
f~)
o
StdOrder RunOrder Processador HD Memória DVD-ROM Preço o
2 1 Pentium 20 128 C/Gravador u
14 2 Pentium 20 256 S/Gravador o
4
3
3
4
Pentium
Atlhon
40
40
128
128
C/Gravador
C/Gravador
o
,~-~
\)
1 5 Atlhon 20 128 C/Gravador
16 6 Pentium 40 256 S/Gravador
n
11 7 Atlhon 40 128 S/Gravador o
7 8 Atlhon 40 256 e/Gravador (_}
6 9 Pentium 20 256 C/Gravador o
~
8 10 Pentium 40 256 C/Gravador D
5 11 Atlhon 20 256 C/Gravador
n
o 9
12
12
13
Atlhon
Pentium
20
40
128
128
S/Gravador
S/Gravador
o
o
o 10
15
13
14
15
16
Pentium
Atlhon
Atlhon
20
40
20
128
256
256
S/Gravador
S/Gravador
S/Gravador
Ci
o
o
c
r
~
c
c
c
c
c
c
c
r·
,_
c
c
c
c
c
(
(
c
(
Plexus Training Systems TM 20 c

(
)
·)
J
·J 5 REALIZAÇÃO DO EXPERIMENTO
~)
J Para o estudo é feita uma codificação dos níveis dos fatores. Ela é feita em
-) "nível baixo" e "nível alto". Quando os níveis são quantitativos é comum
considerar o nível baixo o menor valor. No caso de níveis qualitativos a
)
atribuição é arbitrária. Dessa forma nossa tabela fica assim:
)
] Processador- Pentium (alto) I Athlon (baixo)
) HD- Com 20mb (baixo) ou 40mb (alto)
) Memória- Pentes de 128 (baixo) ou 256mb (alto)
·•:J DVD-ROM- Com (baixo) ou Sem (alto) Gravador de OVO
)
.
r\
•'
StdOrder RunOrder Processador HD Memória DVD-ROM Preço
)
2 1 1 -1 -1 -1 3400
) 14 2 1 -1 1 1 2330
C> 4 3 1 1 -1 -1 3680
.') 3 4 -1 1 -1 -1 2950
~) 2800
~
1 5 -1 -1 -1 -1
') 16 6 1 1 1 1 2530
)
o 11
7
7
8
-1
-1
1
1
-1
1
1
-1
1700
3170
o
! 9 1 1 3580
6 -1 -1
) 8 10 1 1 1 3780
-1
) 5 11 -1 -1 1 -1 3280
) 9 12 -1 -1 -1 1 1550
) 12 13 1 1 -1 1 2430
) 10 14 1 -1 -1 1 2150
15 15 -1 1 1 1 1830
)
13 16 -1 -1 1 1 1730
)
r)
_)
)
)
)
)
)
'
)
)
)
)

© 2009 Jnteraction Plexus rev. 02
'U
o
()
·•
oi
,
6 ANÁLISE DE DADOS (
;I
OI
6.1 CÁLCULO DOS EFEITOS DOS FATORES E INTERAÇÕES: o
A Processador Pentium(+1) ou Athlon(-1)
o
()
B
c
HD
Memória
20MB(-1)
128MB(-1)
ou
ou
40MB(+1)
256MB(+1)
o
D DVD-ROM Com(-1) ou Sem Gravador dE)_ DVD(+1_l _ o
- - ·-
o
o
6.1.1 Efeito principal de cada Fator o
o
Efeito A= (média dos y com A= +1)- (média dos y com A= -1) o
(cálculo genérico) o
Por exemplo, calculemos o efeito principal do fator Processador (A)
o
Média dos y+ = (3400 + 2330 + 3680 + 2530 + 3580 + 3780 + 2430 +
o
2150)/8 = 23880/8 = 2985 o
(J
~
Média dos y- = (2950 + 2800 +1700 + 3170 + 3280 + 1550 + 1830 +
1730) /8 = 19010/8 = 2376,25 n
o Efeito principal de A = 2985-2376,25 = 608,75 o
u
o Isso significa que quando mudamos o processador de Athlon (A= -1) para
Pentium (A= +1) o preço aumenta em média R$ 608,75.
Analogamente, fazemos os efeitos principais (das variáveis principais) de

o
(J
c
B, C e D. c
r
'-·
Efeito principal de B = 156,30 c
Efeito principal de C= 196,20 z-
Efeito principal de D = -1298,70 c
(
Quando o sinal negativo aparece, entende-se que nos expressamos de
(_
maneira contrária na codificação "nível alto" e "nível baixo". Logo, a
(
interpretação desse valor é que quando mudamos de Com gravador de
DVD para Sem gravador de DVD o preço reduz em média R$ 1.298,70. c
(
(
(
(
(
(
(

)
)
-)
) 6.1.2 Efeito da interação entre fatores
:)
J Efeito A8 =(média dos y com A8 = +1)- (média dos y com A8 = -1),
) onde A8 é o resultado do produto entre o sinal de A e de 8 em cada
) experimento
(cálculo genérico)
)
J Para verificarmos qual o efeito de interação entre os fatores devemos
) montar uma tabela do produto de A8 para identificarmos o sinal do fator de
) interação:
)
') Sinal do fator
r) Processor (A) HD (8) de interação Preço
() 1 -1 -1 3400
1 -1 -1 2330
)
1 1 1 3680
·~) -1
-1
1
-1
-1
1
2950
2800
~
J 1 1 1 2530
.) -1 1 -1 1700
)
) o -1
1
1
-1
-1
-1
3170
3580
)
)
) o 1
-1
-1
1
1
-1
-1
1
1
1
1
1
3780
3280
1550
2430
) 1 -1 -1 2150
) -1 1 -1 1830
-1 -1 1 1730
J
!
Por exemplo, calculemos o efeito da interação entre os fatores
)
Processador (A) e HD (8).
)
) Média dos y+ = (3680 + 2800 + 2530 + 3780 + 3280 + 1550 + 2430 +
) 1730) /8 = 2722,5
) Média dos y- = (3400 + 2330 + 2950 + 1700 + 3170 + 3580 + 2150 +
) 1830) /8 2638,75 =
) Efeito da interação de A8 = 2722,5-2638,75 = 83,75
)
O valor do efeito de interação não tem interpretação prática. Só avaliamos
)
sua magnitude.
)

\J
( ,,J
EXPERIMENTO COMPLETO ()
Oi
Analogamente, calculamos os efeitos das outras interações· ()
- - -- - - · -
Efeito principal de AC -56,3 I ()

Efeito principal de AO 48,8 !
o
Efeito principal de BC -58,7 ('-
>o.j
Efeito principal de 80
Efeito principal de CO
26,2
-48,8
o
Efeito principal de ABC 18,7
o
Efeito principal de ABO -26,2
o
Efeito principal de ACO 48,7 o
Efeito principal de BCO 26,3 o
Efeito principal de ABCO -26,3 o
· - - - -
o
o
o
6.1.3 Efeito de cada fator e das interações calculado pelo MINITAB C)
Estimated Effects and Coefficients for Price {coded units)

o
o
o
~ Term Effect Coe f
o Constant 26 801 6 (_)

Processar 608,7 304,4 o
HD 156,3 78,1 (j
o Memory
DVD-ROM
Processor*HD
Processor*Memory
196,2
-1298,7
83,8
-56,3
98,1
-649,4
41,9
-28,1
Ç)
ü
o
Processor*DVD-ROM
(~
48,8 24,4
HD*Memory -58,7 -29,4 c
HD*DVD-ROM 26,2 13,1 u
Memory*DVD-ROM -48,8 -24,4 ~c_
Processor*HD*Memory 18,7 9,4 (.'
Processor*HD*DVD-ROM -26,2 -13,1
r:
Processor*Memory*DVD-ROM
HD*Memory*DVD-ROM
48,7
26,3
24,4
13,1
c
Processor*HD*Memory*DVD-ROM -26,3
(
-13,1
c
(
Até aqui, quais conclusões poderiam ser feitas através desses cálculos? C
Condizem ou não com a realidade? (
c
(
(
(
(
(

J EXPERIMENTO COMPLETO
)
')
) 7 INTERPRETAÇÃO DE RESULTADOS (usando Minitab)
:)
J 7.1 ANÁLISE GRÁFICA DA SIGNIFICÂNCIA DOS EFEITOS:
')
7.1.1 Gráfico de Pareto
J
J
J Pareto Chart of the Effects
(response is Price, Alpha = ,05)
J
:) 188
·. Factor Name
) DI·
' ,, . J A Processar
')
A
c : .. . 'i
I B
c
HD
Memory
I) BI • I D DVD-ROM
n
AB1-
BC
r-r-1
t-
i.)
í) ~
..
E AC
CD,J-
AD ,_r
') ACD,)-
BCD,.
u ABCD,.
) ~ BD'
J
) o ABD'
ABC
' '
o
'
o 200 400 600 800 1000 1200 1400
) Effect
.) lenth's PSE = 73,125
.'
')
)
) Interpretação:
.J
! Os efeitos significativos são aqueles cujas barras igualam ou ultrapassam
a linha vertical.
)
.J Quando nenhum efeito é significativo, a linha não aparece no gráfico. No
) exemplo, os fatores que se mostraram significativos foram o DVD-Rom (D),
.,
) Processador (A) e o Pente de Memória (C).
)
\
./
J
)
)
)
)
)
)
)

C~:
EXPERIMENTO COMPLETO Q"
0,
7.1.2 Gráfico da Probabilidade Normal

""'CJ
()
o
Norrral Probability Plot of the Effects
(response is Price, Alpha = ,05) o
~TT----,----,--~----,----,---.--,-.----,--~ o
EffectType
e Not Significant
o
95j-:" .• A. • Significant o
S() -:-- ·~·-·-+ -·--:- Factor Name
A Processar o
oo+:·- .... : ...
...c 70+:· -~--- '--- +-·----
B
C
HD
Memory
o
-- D DVD-ROM
o
ê ~j-· o
~ :t ,--· --
o
20-h
••
o
10·-
5 •o·
u
o
1~--~---.----~--.---~--.---~---r--~ o
-1500 -1000 -500 o 500 t-
u
~ Effect
o
o L.enth's PSE = 73,125
o
u
o Interpretação:
Os pontos que representam os efeitos significativos aparecem distantes da

Cl
o
o
linha que os aproxima de uma distribuição Normal. c
('.
Logo, no exemplo, vemos que os mesmos fatores, Processador, Pente de c
Memória e DVD-Rom, sem interação, são os significativos. e
"-..
c
r
(
r
\
c
(
(
(
(
(
(
\

)
)
)
:)
) 7.1.3 Análise Gráfica dos Efeitos Significativos:
)
J Main Effects Plot (data means) for Price
)
Processor Memory
J 3500
J
')
)
)
Cll
3000
2500
/
~
..- -
j
) .·~ '"""
'õ
'""" Pentium 128 256
~ """j ~
) DVD-ROM
)
) 3000
--
)
) 25001 ~
)
)
~ 2000"'-----,------ ~~-__j
o
OGravador S/Gravador
)
)
)
)
I o Lembrando que-
A
B
Processador
HD
Pentium(+1)
20MB(-1)
ou
ou
Athlon(-1)
40MB(+1)
'j c Memória 128MB(-1) ou 256MB(+1)
) D DVD-ROM Com(-1) ou Sem Gravador de DVD(+1)
)
I Após essa análise, ficou a critério da comissão organizadora estabelecer
) quais hardwares entrariam na montagem dos computadores. Concluímos
que que o DVD-ROM sem o gravador de DVD e o processador Athlon
J seriam os mais apropriados. O outro fator, pente de memória, por
)
-, apresentar uma significância menor do que os outros dois fatores, ficou
j mantido o de 256mb, já que seria interessante para o uso futuro do
J laboratório químico. O HD, por questão também de conveniência, foi o de
) 40mb.
)
) A melhor opção seria utilizar Processador Athlon (A= -1), memória ram de
)
256mb (C = +1), HD de 40mb (B = +1) e apenas leitor de DVD sem
gravador (D = +1 )_
)
)
)
)
)
)
)
)
-)
()
o
0
o
7.2 CÁLCULO DA VARIÁVEL RESPOSTA MÉDIA o
()
Variável Resposta Média = média dos experimentos + l: [(efeito dos fatores o
significativos+2) x Nível do fator significativo ideal]
o
()
o
No nosso exemplo, como os fatores significativos foram o tipo de u
processador (A= -1) e o tipo de leitor de DVD (D = +1), temos: o
o
Taxa média do preço = média das observações + (efeito de A+2) x nível o
de A+ (efeito de 0+2) x nível de D, onde: o
()
média dos (3400 + 2330 + 3680 + 2530 + 3580 + 3780 + 2430 + 2150
experimentos + 2950 + 2800 +1700 + 3170 + 3280 + 1550 + 1830 +
o
1730) + 16 = 2680,625
o
o
efeito de A + 608,75 o
o
~
efeito de D - 1298,70
o
o Taxa média do preço= 2680,6 + [304,4 x (-1)] + [(-649,40) x (+1)] =
=R$ 1726,80
o
o
o o
Cl
o
/'\
Agora façam, com o auxílio do Minitab, a análise de dados e interpretação \.._.-
dos resultados do experimento com o sonrisal, baseado nos dados obtidos c

dos experimentos. (lembre-se de que o experimento é uma analogia ao u
tempo de lubrificação do motor). (J
u
o
0
u
c
c
c
c
c
c
('
-·
c
c
c
(
c
(
Plexus Training Systems '" 28 ~
N
"' o
"' ,;
oc
<(
z
oQ i"
Q
o <C
<(
a::
u.. z
o
o1-
z
w -
u
:E
a::
w
a.
X
w
--w ~u.
1-
~ o
<( 1-
a. z
w
:E
-w
Ir:
~
fJ)
E
.s
fJ)
>.
rn iL
""'
•t;
~
~
X
"c
o
t5
D. ·e
f-
e!
$
><
w
fJ)
>< o
"
;;:
E
:s om
N
@
HOG
'"'
Ç
EXPERIMENTO FRACIONADO (_~
(' j
Uma indústria possui uma prensa para o uso de operações de rebitagem. o

Querendo melhorar ao máximo a qualidade de seus produtos, uma das
metas estabelecidas estava em assegurar que seus rebites suportassem
o
uma força de extração de pelo menos 300N. No entanto, a produção seria
o
muito comprometida se a prensa ficasse inabilitada por mais de uma hora, o
ou seja, havia o tempo suficiente para realizar no máximo 8 experimentos. o
o
Quatro fatores fundamentais devem ser analisados·
o
Diâmetro do Rebite
Diâmetro do furo na placa
10mm ou 9,5mm
10,2mm ou 10,7mm
o
Comprimento livre do rebite 20mm ou 19mm
o
Largura da Placa de Apoio + 9,8mm ou 10,3mm o
Suporte o,,
u
Como parte da equipe responsável por atingir essa meta, o que fazer para o
solucionar o problema, ou seja, descobrir a melhor combinação de
dimensional para assegurar a capabilidade da característica força de
u
\.)
extração.
o
o,,
~
Obs.: Considere este número limitado de experimentos, já que não é
possível realizar um experimento completo (2 4 16 experimentos). Existem =
o
I'v "
limitações nas conclusões? .,

C/
(J
o <Pr"'"'"' tf• %>6 it"'!•m

o
(_)
C\ J
c,,
\.
\PÍa.ct~- tf• apoio c:

r-
Suport• \
'ICl~a.rra de forro
c
r
c
(
c
(
(
(
(
(
I
\

)
J
EXPERIMENTO FRACIONADO
)
J
)
J Roteiro para um experimento
J
) fracionado
)
-) As etapas genéricas do experimento fracionado de nada diferem de um
-) experimento completo, pois devemos:
J 1) Identificar os objetivos do experimento;
)
) 2) Selecionar a variável resposta;
)
..,
) 3) Escolher os fatores e seus níveis;
)
) 4) Planejamento dos Experimentos;

')
5) Realização dos Experimentos;
J
~
) 6) Análise de Dados;
)
)
) o 7) Interpretação de Resultados;
..)
)
.,
)
o 8) Elaboração do Relatório.
Num experimento fracionado, devido a limitação da quantidade de ensaios,

a etapa de planejamento dos experimentos deve sofrer algumas alterações
j
e basear-se em outros princípios, os quais veremos a seguir.
." J
J
~)
)
.J
:J
)
J
J
J
)
.J
)
J
)
)
)
J
)
)
)
,..,,
~J
c
------------------------~EX~P~E-R~IM_E_N~T~O~F~R~A~C-!O_N_A_D~0.__ 0
(y
1 PORQUE USAR UM EXPERIMENTO FRACIONADO o
o
Diante de muitos casos podemos deparar com a seguinte questão: O que o
fazer caso tenhamos um grande número de fatores a testar e exista algum
tipo de restrição para realizar os ensaios?
o
o
O que devemos fazer é sempre manter um equilíbrio entre o conhecimento o
que o experimento poderá gerar e o custo da aquisição desse o
conhecimento e, para isso, usamos experimentos fracionados. n
O "X" da questão está em saber escolher exatamente quais informações o
poderão ser perdidas sem prejudicar nossa confiança na conclusão final. o
Sabemos, a principio, que os efeitos principais dos fatores (A, B e C), bem
com os efeitos de interação de segunda ordem (AB, AC, BC) são
o
informações muito importantes, não podendo ser em hipótese alguma
o
descartadas. Já os efeitos de interação de ordem superior (terceira ordem o
em diante- ABC ... ) são geralmente informações desprezíveis. o
o
Isso é possível de ser afirmado devido ao que denominamos o,_
Confundimento.
~
\.J
o
o Quando são feitos os cálculos dos efeitos, por exemplo, muitas vezes
encontramos codificações que são relacionadas aos mesmos fatores. Na
prática, isso indica que não podemos distinguir o efeito de um fator de
(!
u
Q outro fator ou da interação de outros fatores. o
(;
Vejamos um caso: o
c
Ensaio A B c AB AC BC ABC c
1 1 -1 -1 -1 -1 1 1 lJ
2 -1 1 -1 -1 1 -1 1
3 -1 -1 1 1 -1 -1 1
c
4 1 1 1 1 1 1 1
u
c
c
Observe os níveis (sinais) do fator A e da interação BC nos experimentos c
acima. c
c
Como distinguiríamos os efeitos do fator A e da interação BC, ou seja, qual
é o verdadeiro responsável se um dos dois der significativo ?
c
c
Isso é visto em mais fatores? l
(
Que relação podemos perceber nisso? C
c
c
c
c
(
Plexus Training SystemsrM 32 {
(
)
J EXPERIMENTO FRACIONADO
)
)
) 2 CONFUNDIMENTO E RESOLUÇÃO DO EXPERIMENTO
)
J
) Uma regra para lembrar conceito de resolução de um experimento é a
)
regra dos dedos da mão:
v' Experimentos de Resolução 111: Os efeitos principais não estão
J confundidos entre si, mas estão confundidos com interações entre dois
) fatores.
J
) v' Experimentos de Resolução IV: Os efeitos principais estão
) confundidos com interações entre três fatores. Interações entre dois fatores
) estão confundidas entre si.
)
v' Experimentos de resolução V: Os efeitos principais estão confundidos
)
com as interações entre quatro fatores. As interações entre dois fatores
)
estão confundidas com as interações entre três fatores.
)
J
Nomenclatura completa dos experimentos fatoriais fracionados é 2
~
) k-p
R
)
)'
) o R é a resolução do experimento, k é o número de fatores e p está ligado
efetivamente à fração efetivamente realizada.
)
.,
) o Exemplo: realizar a quarta parte de um fatorial 25 com resolução 111:
25 x 2-2 =2 5-2 7 25-2

111
)
)
J
)
)
J
)
)
)
J
)
)
J
)
)
)
J
.,
.J
)
)
)
)
0
o
'\)
o
3 ESCOLHENDO O TIPO DE FATORIAL o
o
3.1 TABELA DE SINAIS ALGÉBRICOS PARA A VERIFICAÇÃO DO o
CONFUNDIMENTO E ESCOLHA DOS ENSAIOS o
o
[1]
A B AB C AC BC ABC
+ + +
D AD BD ABD CD ACD BCD ABCD
o
+ + + + ü
a + - + + + + + + o
b - + + + + + + + ()
ab + + + + + + + o
c + + + + + + + o
ac + + + + + + + ()
bc - + - + - + + + + + o
abc + + + + + + + o
d --+-++ + + + + o
ad + - - - - + + + + + + o
~ bd - + - - + + + - + + + ü
n
o
\_)
abd + + + + + + +
(J
cd - - + + + + + + +
o
o acd
bcd
abcd + +
+ -
- +
-
-
+
+
+
+
+
-
+
+
+
+
+
+++++++
+
- +
+
+
+
+
+ +
o
o
o
A tabela nos mostra uma pré-análise dos efeitos dos fatores vistos em um o
experimento Fatorial Completo 24 (16 experimentos para 4 fatores). A o
primeira coluna, com letras minúsculas, refere-se aos níveis altos o
presentes em cada ensaio. c
u
Por exemplo:
c
Imaginem que esses fatores sejam A-Temperatura (nível alto = 100°C;
o
nível baixo = 60°C), B-Pressão (nível alto = 2 atm; nível baixo = 1atm), C- c
Altura (alto = 100m; baixo = 50m) e O-Ventania (nível alto = com vento; c
nível baixo = sem vento). Esses níveis, quando codificados assumem c
sinais, sendo +1 para o nível alto e -1 para o nível baixo. (J
(i J
Neste caso, a primeira linha da tabela ( [1] ) representa o ensaio em que

todos os níveis apresentavam-se com o valor baixo, assim completa-se as
c
células correspondentes a esse ensaio colocando o sinal "-" nos fatores
ç
principais A B C e D e nos fatores de integração faz-se a multiplicação dos c
sinais de cada um dos fatores pertencentes (AB =A(-) x B(-) = (+)). c
c
(
(~
·~

cc
© 2009 lnteraction Plexus rev. 02 ( •
)
J
J
)
) A segunda linha corresponde ao ensaio em que apenas o fator A
) apresenta-se com o nível alto, logo, em nosso exemplo, seria o ensaio feito
) a 100°c (alto), 1atm (baixo), 50m (baixo) de altura e num local sem vento
) (baixo). Completa-se a tabela da mesma maneira, a célula correspondente
à coluna do fator A receberá o sinal "+", as células correspondentes aos
l
demais fatores principais B C e D receberão o sinal "-" e os fatores de
J integração receberão o sinal resultante da multiplicação dos fatores
) pertencentes.
)
) Verifiquem que há uma coluna central que possui metade de suas células
) com valores positivos e a outra metade com valores negativos. Perceba
) também que a última linha possui apenas sinais positivos, esse efeito
) (ABCD) é denominado gerador de um experimento feito à meia-fração, já
.
)
que ela foi obtida considerando os tratamentos que possuem sinal + na
coluna ABCD, ou seja, com uma relação de definição !(identidade) =
J ABCD. Pode-se ainda usar a meia-fração alternativa (ou complementar),
) =
usando a relação de definição I -ABCD.
)
Verifique que as células que pintadas na tabelas mostram como o efeito
~
)
desses dois tipos de interação irão se confundir, ou seja, o efeito será o
J
)
) o mesmo. A escolha de qual é o efeito mais significativo depende de
conceitos totalmente técnicos. Vejamos o caso das colunas BC e AD, elas
)
)
) o possuem exatamente oito células correspondentes com sinais iguais e oito
células com sinais contrários, sendo que as iguais estão na mesma linha
dos sinais positivos da coluna geradora.
)
)
J
)
)
~>
r)
)
_/
J
J
I
·~
)
J
..
)
.,
)
)
)
)
)
)
P!exus Training Systems™ 35
)
)
o
o
()
o
Organizando de uma maneira mais clara os efeitos, podemos analisar o
melhor os casos: o
o
[1]
~ I ~ A+C B+C A~C D AO BD ABD
- + + -
111 ACD ,~, ABCD
- +
o
o
ab + - - - - - - - - + + o
ac - + + - - - - + + - + o
bc + + - + - - + - + + + o
ad - - - + + + + - - - + o
bd + - + - + + - + - + + o
cd - + - - + + - - + - + o
abcd + + + + + + + + + + + o
a + - - -
- + + - - + + + + o
b - + - - + - + - + - + + - +
o
c - - + + - - + - + + - - + +
u
d - - + - + + - + - - + - + +
o
~
()
abc + + + + + + +
o
o abd
acd
+ +
+ -
+
-
- - -
+ + -
-
-
+
+
+
+
+
-
+
- + +
o
()
o "
bcd - + - + - + - + - + - +
Vejam que agora existem dois blocos distintos de confundimento, um dos

efeitos principais com a interação de terceira ordem e outro com a os
- +
o
()
o
,,
efeitos de interação de segunda ordem interagindo entre-si: o

o
A= BCD u
B =ACD c
C =ABD
D=ABC
o
AB = CD
o
AC = BD o
AD= BC <J
o
Ao fazer o experimento escolhe-se apenas um dos lados da igualdade, C
diminuindo pela metade o número de ensaios sem perder a garantia da O
eficácia. Consequentemente a resolução deste experimento é IV. C
c
c
c
c
c..:
(
c
(:
Plexus Training Systems™ 36 (
f
)
)
J
)
) RESOLVENDO UM EXPERIMENTO
) FRACIONADO
)
)
A secretaria da educação resolveu analisar qual seria o melhor processo
)
~)
para o ensino. Como seria inviável analisar as 32 combinações dos 5
fatores selecionados, resolveu-se utilizar o Experimento Fracionado a meia
) fração.
J
)
.)
Observar qual o melhor processo de ensino.
')
)
..
-~
)
) 2 VARIÁVEL RESPOSTA
J
Média das notas dos alunos
~
)
)
)
) o
)
)
)
o 3 FATORES DE iNTERESSE
'J A Qualificação do Graduado(-1) ou Mestre(+1)

) Professor
B Método de Teórico(-1) ou Prático(+1)
J ensino
)
)
c Ambiente 10 alunos(-1) ou 50 alunos(+1)
D Idade do aluno Adolescente(-1) ou Adulto(+1)
J E Escola Pública( -1) ou Particular( +1)
)
-,
.J
)
J
J
)
J
j
)
-
)
)
)
)
)
Plexus Training Systems '" 37
)
r'\
'U
o
O
o,_
4 PLANEJAMENTO DO EXPERIMENTO FRACIONADO o
c
O experimento foi feito com nk·t ensaios, onde n é o número de níveis dos (!"\
"-'
ensaios e k é a quantidade de fatores. Logo deveriam ser feitos 25 = 32
ensaios se fosse possível um experimento completo. Como não foi
o
possível adotou-se um experimento fracionado de 1/2 (meia fração), ou
o
seja, 16 experimentos ou unidades experimentais em ordem aleatória o
(coluna Std) com os resultados citados abaixo. ()
o
Os confundimentos (coluna Conf.) terão resolução IV, pois poderemos o
confundir o efeito de um fator com a interação de outros 4 e o efeito da
interação de 2 fatores com a interação de 3 fatores.
o
()
Gerando a tabela no Minitab observamos no experimento 1 a coluna
o
Confundimento "Conf. = a" significa que o experimento foi realizado com o o
Cí
=
fator A no nível superior (A +1 = mestre) e os demais fatores no nível 'U
inferior (B = C =D = E = -1, ou seja, teórico, 1O alunos, adolescente, ')
\_
,.,
pública). Repare que não há nenhum experimento complementar a este, 1{.)
o
~
ou seja, com "Conf = bcde" que seriam estes mais fatores nos níveis altos
e A no nível baixo, e que portanto se o efeito A for significativo, deve-se n
o avaliar o significado prático de na realidade ser a interação BCDE.

Analogamente no experimento 2 se o efeito da interação ACD for
''
o
o
o significativo deve-se avaliar o significado prático de na realidade ser a
interação BE. Repare que não há nenhum experimento complementar a
este, ou seja, com "Conf = be" que seriam estes mais fatores nos níveis
altos e ACD no nível baixo.
o
u
o
o
Std Run Conf. Qualificação Método Ambiente Idade Escola Média ()
2 1 a Mestre Teórico 10
14 2 acd Mestre Teórico 50
adolescente
adulto
Pública
Pública
o
4 3 abe Mestre Prático 10 adolescente Particular
c
3 4 b Graduado Prático 10 adolescente Pública o
1 5 e Graduado Teórico 10 adolescente Particular o
16 6 abcde Mestre Prático 50 adulto Particular '!
c._,
11 7 bde Graduado Prático 10 adulto Particular c
7 8 bce Graduado Prático 50 adolescente Particular o
6
8
9
10
ace
abc
Mestre
Mestre
Teórico
Prático
50
50
adolescente
adolescente
Particular
Pública
c
5 11 c Graduado Teórico 50 adolescente Pública
ü
9 12 d Graduado Teórico 10 adulto Pública c
12 13 abd Mestre Prático 10 adulto Pública c
10 14 ade Mestre Teórico 10 adulto Particular c
15 15 bcd Graduado Prático 50 adulto Pública c
13 16 cde Graduado Teórico 50 adulto Particular c
c
c
(..-
cc
)
)
)
)
) 5 REALIZAÇÃO DO EXPERIMENTO
)
')
Std Run Conf. Qualificação Método Ambiente Idade Escola Média
!
2 1 a Mestre Teórico 10 adolescente Pública 6,9
)
14 2 acd Mestre Teórico 50 adulto Pública 5,9
J 4 3 abe Mestre Prático 10 adolescente Particular 7,5
J 3 4 b Graduado Prático 10 adolescente Pública 6,5
) 1 5 e Graduado Teórico 10 adolescente Particular 6,2
) 16 6 abcde Mestre Prático 50 adulto Particular 7,3
) 11 7 bde Graduado Prático 10 adulto Particular 8
) 7 8 bce Graduado Prático 50 adolescente Particular 7,1
"~i
6 9 ace Mestre Teórico 50 adolescente Particular 6,2
8 10 abc Mestre Prático 50 adolescente Pública 6
)
5 11 c Graduado Teórico 50 adolescente Pública 4,9
") 9 12 d Graduado Teórico 10 adulto Pública 6,2
') 12 13 abd Mestre Prático 10 adulto Pública 7
J 10 14 ade Mestre Teórico 10 adulto Particular 7
~
) 15 15 bcd Graduado Prático 50 adulto Pública 6,5
) li 13 16 cde Graduado Teórico 50 adulto Particular 6,
J
) o
)
)
) o
')
)
)
')
)
J
J
)
")
'·
J
J
)
')
)
'
)
)
)
)
J
)
) rev. 02
)
(f\
\t)
o
O
o
6 ANÁLISE DE DADOS o
o
6.1 CÁLCULO DOS EFEITOS DOS FATORES E INTERAÇÕES PELO 0
MINITAB ()
A saída do minitab é a seguinte: o

ü
Fractional Factorial Design ü
o
Factors: 5 Base Design: 5; 16 Resolution: V o
Runs: 16 Replicates: 1 Fraction: 1/2 o
Blocks: 1 Center pts (total): o ()
Design Generators: E = ABCD
o
o
Factoria/ Fit: Média versus Qualificação; Método; Ambiente; Idade; Escola o
(I
"
Estimated Effects and Coefficients for Média (coded units) o
o
~ Term Effect Coe f (l
o Constant
Qualificação 0,3000
6,5750
0,1500
c
o
o Método
Ambiente
Idade
Escola
Qualificação*Método
0,8250
-0,6750
0,3250
0,6750
0,4125
-0,3375
0,1625
0,3375
(]
u
c
/'
-0,3750 -0,1875 \__,
Qualificação*Ambiente
Qualificação* Idade
-0,0750
-0,1750
-0,0375
-0,0875
c
(~
Qualificação*Escola
Método* Ambiente
-0,1250
0,1500
-0,0625
0,0750
c
Método* Idade 0,1000 0,0500 u
Método* Escola 0,3000 0,1500 c
Ambiente*Idade 0,0500 0,0250 c
Ambiente*Escola 0,1500 0,0750 c
Idade*Escola -0,0000 -0,0000
c
(
c
c
c
(
c
c
(
c
c
Plexus Training Systems TM 40 çc
(
)
')
)
)
) Alias Structure (Confundimentos)
)
) I + ABCDE AD + BCE
) AE + BCD
A + BCDE BC + ADE
J B + ACDE BD + ACE
)
C + ABDE BE + ACD
J D + ABCE CD + ABE
-) E + ABCD CE + ABD
) AB + CDE DE + ABC
~) AC + BDE
J
J Quando o sinal negativo aparece, entende-se que nos expressamos de
-i
maneira contrária na codificação "nível alto" e "nível baixo". Logo, a
) interpretação desse valor para o ambiente com 10 alunos(-1) e 50
~)
alunos(+1) é que a média reduz em média 0,67 pontos quando passamos
J de uma sala com 10 alunos para uma sala de 50 alunos.
~
)
)
)
o Até aqui, quais conclusões poderiam ser feitas através desses cálculos?
Condizem ou não com a realidade?
o
)
)
J
)
)
)
J
)
)
\
-~
-)
-
_)
J
J-
)
J
-
)
)
j
-)
)
)
J
)
)
j
)
Gj
o
O
f\
7 INTERPRETAÇÃO DE RESULTADOS (usando Minitab) ()
o
7.1 ANÁLISE GRÁFICA DA SIGNIFICÂNCIA DOS EFEITOS: ff'
\Ll

o
o
o
~ )
Pareto Chart of the Effecls ~.,.,
(response is Média, Alpha = ,OS)

o
o
Factor Name
A Qualificação o
B
C
Método
Ambiente o
D
E
Idade
Esrola o
u
..E
~
o
CJ
()
o
~ Cl.,
o Ci
u
o
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
Bfect o
Lenth's PSE = 0,225 c
c
c
(
Interpretação: c
Os efeitos significativos são aqueles cujas barras igualam ou ultrapassam
c
a linha vertical.
c
'
\~
Quando nenhum efeito é significativo, a linha não aparece no gráfico. No c

exemplo, os fatores que se mostraram significativos foram o Método (B), \..__
Ambiente (C) e a Escola (E). c
Como o confundimento destes fatores seriam com interações de 4 ordem,
c
(
ou seja, ACDE, ABDE e ABCD, respectivamente, conclui-se na prática que
realmente o confundimento pode ser desprezado e trata-se realmente de
c
identificar os fatores B, C e E como significativos. c
(
(_
c
c
(
(
(
© 2009 lnteraction Plexus rev. 02 {
)
)
)
)
J 7.1.2 Gráfico da Probabilidade Normal
'
I
~
_)
Norrml Probability Plot of the Effects
I (response is Média, Alpha = ,OS)
)
~"~----~----~--~----~----~--~-----n
EffectType
) e Not Significant
-· -•B-
J I
• Significant
90 T-··- -
J 95l'
00
I
L__ ••
•E·i Factor Name
A QualifiCãção
') B Método
.w
c 70 ~--· :-- _l c Ambiente
)
)
ê SOe
I :_/-
r~·
-:- _J -- j ---- D
E
Idade
Escola
60l' -;.•
:r----, ------------ --···--+-
)
..
l
)
&
10-j: . •
.•
--------;1'•
--
--- --- +
s~t •·c-
J
) tk---~r---------.----------.----~----r
-0,5 0,0 0,5 1,0
~
)
Effect
)
)
) o Lenth's PSE = 0,225
)
)
)
o Interpretação:
) Os pontos que representam os efeitos significativos aparecem distantes da

) linha que os aproxima de uma distribuição Normal.
)
) Logo, no exemplo, vemos que os mesmos fatores, Método (B), Ambiente
(C) e a Escola (E), sem interação, são os significativos.
)
J
)
'·
.J
:J
J
)
)
)
)
J
)
)
)
)
)
) rev. 02
)
,.,
\..!.J
o
0
o
7.1.3 Análise Gráfica dos Efeitos Significativos: o
o
o
Main Effects Plot {data means) for Média
o
o
o
o
o
·''
( '•
o
50 o
o
o
()
fJ
o
o
~ o
o o
o
o Lembrando que·
A Qualificação do Graduado(-1) ou Mestre( +1)
o
o
o
Professor o
B Método de Teórico( -1) ou Prático(+ 1) o
ensino o
c Ambiente 1O alunos(-1) ou 50 alunos(+1) c
D Idade do aluno Adolescente(-1) ou Adulto(+1) u
E Escola Pública(-1) ou Particular(+1) -----
o
Após essa análise, a melhor opção seria utilizar Método Prático (B = +1),
u
()
Ambiente com 10 alunos (C= -1), Escola Particular (E= +1).
c
Como a qualificação do professor não tem efeito significativo a secretaria ( -~
~
de edução pode contratar professores apenas graduados (A= -1), pois o u

custo da hora aula deles é menor que os com mestrado. c
A secretaria também pode misturar alunos adolescentes com adultos (D =
c
+1 ou -1), pois esta decisão não criará turmas heterogêneas e pode
c
otimizar os recursos disponíveis para a edução. c
c
c
c
c
(
Plexus Training Systems TM 44 t;C
~
© 2009 lnteraction Plexus rev. 02 i[
)
)
:J
')
') 7.2 CÁLCULO DA VARIÁVEL RESPOSTA MÉDIA
:!
:) Variável Resposta Média= média dos experimentos+ L [(efeito dos fatores
) significativos-72) x Nível do fator significativo ideal]
)
J
()
No nosso exemplo, como os fatores significativos foram o Método Prático
) (B = +1), Ambiente com 10 alunos (C = -1), Escola Particular (E = +1),
.) temos:
.)
., média dos 6,5750
' !
D experimentos
) efeito de B (+1) 0,4125
)
efeito de C (-1) -0,3375
efeito de E (+1) 0,3375
:)
:)
~
) Média das médias de notas = 6,5750 + [0,4125 x (1) + (-0,3375) x (-1) +
) 0,3375 X (1)] = 7,6625
J
) o
)
)
)
o Agora façam para o estudo da força de arrancamento da rebitagem, com o
auxílio do Minitab:
-)
..
) 1) O planejamento dos experimentos a serem realizados.
J 2) A análise de dados e interpretação dos resultados do experimento com
J a rebitagem, baseado nos dados fornecidos pelo instrutor.
)
._)
=)
-
J
,,''\
J
)
)
J
)
~
)
)
)
-)
J
)
Plexus Training SystemsT" 45
)
)
íD
EXPERIMENTO EM BLOCOS BALANCEADOS
o
0
o
o
o
o
,,
\/
o
()
o
o
o
o
()
()
o
o
u
o
PARTE IV o
~ CJ
o EXPERIMENTO EM BLOCOS u
o
o BALANCEADOS o
[1
u
C'
c
C'
(J
c
( ~'1
c
c
c
('
'>
c
c
c
l
(
c
c
(
c
c
c
(
(
)
)
J
) Após analisarem calmamente outros fatores que afetavam a capacidade de
) fixação dos rebites (FORÇA DE ARRANCAMENTO), verificou-se que havia
dois lotes de fornecedores de rebites diferentes que não podiam ser
)
alterados. É um fator conhecido, que afeta a variável resposta, mas não
) existe uma maneira capaz de controlá-lo, ou seja, os materiais podem ser
) fornecidos por estes dois fornecedores. É sabido que a dureza superficial
) do rebite de um fornecedor é maior que a de outro, porém ambas dentro do
) especificado em desenho. Isso pode afetar as conclusões? Por quê?
) Lembrando do quatro fatores fundamentais analisados·
) Diâmetro do Rebite 1Omm ou 9,5mm
) Diâmetro do furo na placa 10,2mm ou 10,7mm
) Comprimento livre do rebite 20mm ou 19mm
) Largura da Placa de Apoio + 9,8mm ou 10,3mm
I) Suporte
)
Como parte da equipe responsável por atingir essa meta, o que fazer para
)
solucionar o problema, ou seja, descobrir a melhor combinação de
J dimensional para assegurar a capabilidade da característica força de
~
) extração, independente do fabricante do rebite.
)
)
) o
)
)
)
o
)
)
)
)
)
)
)
-)
J
J
)
)
J
)
_)
)
)
)
)
)
) rev. 02
)
o
o
0
o
o
Roteiro para um experimento o
o
em blocos balanceados ,-,
~~
o
As etapas genéricas do experimento em blocos balanceado de nada o
diferem de um experimento completo, pois devemos: é '
'--'
o
1) Identificar os objetivos do experimento; ,_,
(~
2) Selecionar a variável resposta; o

o
3) Escolher os fatores e seus níveis; o
o
4) Planejamento dos Experimentos; o
5) Realização dos Experimentos;
o
o
o
~ 6) Análise de Dados;
()
o 7) Interpretação de Resultados; o
o
Q 8) Elaboração do Relatório.
Num experimento em blocos balanceados, devido a influência dos fatores

ü
()
de ruído não ser controlável, a etapa de planejamento dos experimentos

C'
(\
~-!
deve sofrer algumas alterações e basear-se em outros princípios, os quais
veremos a seguir. C1
()
c
(l
o
(i
-~
c
u
,-.
~,
c
c
c
c
c
c
c
c
c
(
Plexus Training Systems'" 48 (
)
)
) EXPERIMENTO EM BLOCOS BALANCEADOS
J
) 1 PORQUE USAR UM EXPERIMENTO EM BLOCOS
) BALANCEADOS
)
) Diante de muitos casos podemos deparar com a seguinte questão: O que
fazer caso tenhamos fatores de ruído que podem prejudicar o desempenho
,.)
da variável resposta? Lembre-se de que os ruídos são exemplos de fatores
)
que podem influenciar a variável resposta, porém não são controláveis.
)
) Por exemplo, num experimento a temperatura ambiente pode afetar a
) varaiável resposta, porém não é possível ou viável climatizar o local de
] produção. Nesta situação utilizamos os experimentos em dois blocos: um
) com o ruído temperatura no nível alto e outro com temperatura no nível
) baixo. O resultado obtido do experimento é qual nível dos diversos fatores
deve ser escolhido para que, independente da temperatura, otimize-se o
'I desempenho da variável resposta.
)
)
~)
~
)
)
)
) o
)
)
)
o
)
)
)
-)
)
,-)
J
~-
i
-./
J
J
)
J
)
.,
J
)
)
)
)
.)
)
)
o
o
Ü
ot'i
2 PLANEJANDO OS EXPERIMENTOS EM BLOCOS \L_,
()
(,)
O ruído não deve ser encarado como um fator a mais, pois não pode ser (\
controlado, e sim como um bloco de experimentos a serem repetidos em
duas condições diferentes (2 níveis ddo ruído). Se existe 2 ou mais ruídos
o
podem-se adotar o planejamento com vários blocos ou com os 2 blocos o
extremos dos ruídos. ü
o
o
2.1 EXPERIMENTO EM VÁRIOS BLOCOS o
o
O número de blocos em que os memos experimentos devem ser repetidos
é o dobro do número de fatores de ruídos, ou seja, de 2" blocos, onde n é o
o
número de blocos. o
o
Por exemplo, num experimento completo com 4 fatores e 2 fatores de o
ruído, temperatura (X) e umidade ambiente (Y), devemos realizar 16 o
ensaios para cada combinação de nível alto e baixo de X e Y, totalizando o
~ 64 ensaios (ver tabela abaixo). o
o FATORES
A B c D
BLOCOS
Temperatura (X) Umidade (Y)
I
o
o/-,
Q 2 = 16 Experimentos
4
(completo)
+i +1
c
'-'
24 = 16 Experimentos +1 -1 c
(completo) c
24 = 16 Experimentos -1 +1 c
(completo) (~
24 = 16 Experimentos -1 -1 c
(completo)
c
c
c
c
c
c
c
c
l
c
c
c
c
c
c
(
J
)
)
)
) 2.2 EXPERIMENTO COM OS 2 BLOCOS EXTREMOS DOS RUÍDOS
)
..
) Os dois blocos em que os memos experimentos devem ser repetidos

) representam as condições melhores (+1) e piores (-1) de cada ruído,
reduzindo assim a quantidade total de experimentos a ser realizada.
'I Este método só pode ser aplicado se existe o conhecimento técnico de

) quais níveis, para cada ruído, são os melhores e piores, ou seja, os níveis
) de ruído que melhoram ou pioram o resultado da variável resposta,
) respectivamente.
)
Por exemplo, num experimento completo com 4 fatores e 2 fatores de
J
') ruído, temperatura (X) e umidade ambiente (Y), devemos realizar 16
., ensaios em dois blocos: X e Y no nível alto e X e Y no nível baixo,
)
totalizando 32 ensaios (ver tabela abaixo), metade dos ensaios
1 necessários se não houvesse o conhecimento técnico dos níveis de ruído
...
) melhores e piores.
:J
I
~
) FATORES BLOCOS
) A B c D Temperatura (X) Umidade (Y)
)
) o 24 = 16 Experimentos
(completo)
+1 +1
)
)
li o 24 = 16 Experimentos
(completo)
-1 -1
O prazo de término dos experimentos em blocos pode ser

) significativamente maior do que experimentos onde os ruídos não são
considerados, pois por tratarem-se de variáveis que não são controláveis,
) a equipe deve "esperar" que as condições de níveis alto e baixo de cada
ruído manifestem-se.
-J
)
Por outro lado, realizar experimentos sem considerar ruídos, pode levar a
)
conclusões que não ocorram no dia-a-dia devido a atuação dos mesmos.
) Daí a importância dos experimentos em blocos.
J
J
)
)
)
)
)
)
)
ü
IT)
EXPERIMENTO EM BLOCOS BALANCEADOS "
0
o
RESOLVENDO UM EXPERIMENTO EM o
BLOCOS BALANCEADO ()
(;)
")
Um médico verificou que muitos de seus pacientes que o procuravam para "-
('
tratamento de sinusite não reagiam da maneira esperada usando certos '-''
medicamentos. Levantando certas hipóteses o médico preferiu fazer o
análises do comportamento obtido em seus pacientes. o
o
É sabido da necessidade de medicamento para o tratamento (fator o
significativo). Foram então verificados 4 tipos (níveis) de medicamentos o
diferentes. No entanto, sabe-se que esses mesmos medicamentos são
produzidos por 5 diferentes laboratórios (ruídos). Para avaliar os efeitos
o
()
que os tipos de medicamentos teriam na melhora do paciente, o médico
decidiu realizar o experimento em blocos. o
( '\)
o
()
1 OBJETIVO DO EXPERIMENTO o
~ c
o Observar qual o melhor tratamento para sinusite.
c
()
o 2 VARIÁVEL RESPOSTA
(J
,.,
'\.. __ _,
c
Porcentagem de melhora do paciente. c
c
c:
c
3 FATORES DE INTERESSE
c
Foi identificado o fator medicamento em quatro níveis: c
c
FATOR NiVEIS c
MEDICAMENTO A c
B
c
c
D
c
c
"
(
'~
'-
c
c
r
\._
í,,
c
(
Plexus Training SystemsT" 52 (
j '
)
?
')
1_, 4 PLANEJAMENTO DO EXPERIMENTO EM BLOCOS
)
') Foram identificados quatro fatores de ruído:
--,
/
RUÍDO
')
LABORATÓRIO 1
)
LABORATÓRIO 2
) LABORATÓRIO 3
) LABORATÓRIO 4
) LABORATÓRIO 4
J
)
) Ordem Bloco Medicamento Melhora(%)
,., 4 1 A
)
3 1 B
)
2 1 c
) 1 D
1
J 8 2 A
~
) 6 2 B
) 5 2 c
)
) o 7
12
2
3
D
A
)
)
)
o 9
10
11
14
3
3
3
4
B
c
D
A
) 15 4 B
) 13 4 c
) 16 4 D
) 20 5 A
17 5 B
)
19 5 c
_) 18 5 D
)
-
)
)
1
-
)
-/
)
'
'
)
J
)
J
)
)
..\ Plexus Training Systems™ 53
.J
)
o
o
_ _ _ _ _ _ _ _ _;;;;;EX;,;P;..;E;;;;;R:.:::I::.:M:,:E;.:.N.:.;T;.;;O;..E;;;.M;.;.;.;;B;.;;l;.;;O;;.;C;;.;O;;.;S;..;;;,B;;.;A;;;;;lA;.;;.;.;N,;;C.;;E.:.;A:;;;D.;O;.;;S;.__f,)
c,,
5 REALIZAÇÃO DO EXPERIMENTO ·.;__)
/{'
·..; ...I
C_,'i
Ordem Bloco Medicamento Melhora(%)
o
4
3
1
1
A
B
77,7
81,6
.ri) ~
2 1 c 80 C'
1 1 D 81 o
,~)
8 2
o'
A 80,3
6 2 B 81,6
5 2 c 78,8 o
7 2 D 86,7
o
12
9
3
3
A
B
85
86,8
or·
'~)
10 3 c 82
11 3 D 86 o
14 4 A 82 o
15 4 B 80,2 o
c o
~
13 4 75,3
16 4 D 77,7 o
o 20
17
5
5
A
B
80
80,8
CJ
/'
u
o 19
18
5
5
c
D
77
83,9 c
()
c
(' ~ '
c
c:
c
c
c
É'
\,_,
c
c
c
('
'-•
c' '
'---
c
c
cr·
'-...
,r
',.
(
(
Plexus Training SystemsT• 54 (
)
)
')
~)
) 6 ANÁLISE DE DADOS
)
') 6.1 CÁLCULO DOS EFEITOS DOS FATORES E INTERAÇÕES PELO
) MINITAB
)
Neste exemplo não é necessário pois utilizamos apenas 1 fator. Se fossem
) mais o cálculo seria idêntico aos experimentos anteriores.
)
:) 7 INTERPRETAÇÃO DE RESULTADOS (usando Minitab)
)
) 7.1 ANÁLISE GRÁFICA DA SIGNIFICÂNCIA DOS EFEITOS:
)
7 .1.1 Gráfico de Pareto
)
')
)
/ mais o gráfico seria traçado de forma idêntica aos experimentos anteriores.
)
~) 7.1.2 Gráfico da Probabilidade Normal
~
) li
)
o mais o gráfico seria traçado de forma idêntica aos experimentos anteriores.
o
)
)
)
)
)
)
~)
:)
)
)
:J
:J
---,
_)
J
:)
)
_)
.)
)
)
J Plexus Training Systems rM 55
o
o
EXPERIMENTO EM BLOCOS BALANCEADOS O
o
o
Neste caso substituímos esta análise gráfica por um gráfico comparativo o
das médias de cada nível do fator medicamento e um grafico do efeito dos o
blocos na melhora do paciente.
o
o
Main Effects Plot(clata means) for Melhora o
Medicamento Bloco o
85 o
o
84 o
E 83
o
o
.c o
"ai o
...:ll:o 82
o
c
..
Gl
81 o
:ll:
o
~ li I 80
o
o 11 I 79 o
o
o \I I
78
A B c D 1 2 3 4 5
o
()
o
Como podemos ver, o melhor medicamento é o D. Provavelmente não ()
existe uma diferença significativa entre A. B e D e podemos adotar o
qualquer um dos três tipos. Para ter certeza disso mais adiante o
utilizaremos cálculos de análise de variância. c
()
O conceito de bloco nos implica que não há como controlar as variáveis de
ruído contidas nele causadoras da alta variabilidade dos laboratórios. Por c
isso, o melhor a se fazer é conduzir estudos em parceria com esse c
laboratórios visando à redução de variabilidade entre os lotes de c
medicamentos. c
c
c
c
c
c
c
c
c
(
c
(
)
)
)
-)
_) 7.2 CÁLCULO DA VARIÁVEL RESPOSTA MÉDIA
)
) Neste exemplo a fórmula para variável de resposta média não é necessário
) pois utilizamos apenas 1 fator. Se fossem mais o cálculo seria idêntico aos
experimentos anteriores.
)
) A variável de resposta média no nosso exemplo a a média aritimética dos
) 20 experimentos.
J
) Mais adiante iremos voltar para o nosso estudo da força de arrancamento
) do rebite e realizar um experimento em blocos.
)
)
-~
)
J
)
J
li
~
)
o
-I
)
)
)
)
11 o
)
J
)
j
)
J
J
)
)
)
J
)
)
J
)
~
)
'
)
)
o
-
OTIMIZAÇAO DE RESPOSTAS
oO
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
PARTE V o
~ o
o OTIMIZAÇÃO DE RESPOSTAS o
o
o o
()
o
()
o
o
o
o
o
ü
o
o
o
o
o
c
()
o
c
c
c
c
c
Plexus Training Systems TM 58 c:
© 2009 lnteraction Plexus rev. 02 C
/
)
OTIMIZAÇÃO DE RESPOSTAS
)
J
n
) Voltando ao nosso exemplo da prensa de rebites, imaginem agora que
) exista uma nova condição na escolha dos melhores fatores para alcançar a
meta estipulada. Continuamos tendo que obter fatores que proporcionem
.)
uma força de extração superior a 300N, mas agora, não devem interferir no
') rendimento mínimo diário da máquina e, para isso, o tempo ideal de
) rebitagem não pode ser superior a 5 segundos.
J
) Lembrando dos quatro fatores fundamentais devem ser analisados·
') Diâmetro do Rebite 10mm ou 9,5mm
Diâmetro do furo na placa 10,2mm ou 10,7mm
)
Comprimento livre do rebite 20mm ou 19mm
)
Largura da Placa de Apoio + 9,8mm ou 10,3mm
) Suporte
.)
,--1
~) Como vocês chegariam num ponto ideal para satisfazer ambas condições?
)
.)
J
~
J
J
) o
J
) 11 o
.)
)
~)
J'
J
)
~)
-,
j
.·,
,j
\
---'
:J
J
J
)
:J
J
J
)
)
IJ
-
o
O
o
o
Roteiro para Otimização de o
o
Respostas o
o
As etapas genéricas de realização dos experimentos necessários para o
otimizar variáveis de resposta de nada diferem de um experimento
completo, pois devemos:
o
o
1) Identificar os objetivos do experimento; o
o
2) Selecionar a variável resposta; o
o
3) Escolher os fatores e seus niveis; o
4) Planejamento dos Experimentos;
o
o
5) Realização dos Experimentos; o
o
~ o
o
6) Análise de Dados;
(J
7) interpretação de Resultados; o
(J
()
o
()
Na otimização de resposta, devido a escolha balanceada entre duas ~,
respostas, a etapa de análise de dados deve sofrer algumas alterações e u

basear-se no princípio matemático do ponto ótimo, que nem sempre terá u
,,
os mesmos fatores e níveis escolhidos se fossem analisadas as duas \__;
variáveis respostas isoladamente. ( )'

Evidentemente para cada experimento deve-se medir todas as variáveis
c
onde é requerida a otimização e não apenas uma variável resposta, como
c
vimos até agora. c
c
f:
c
c
c
c
c
c
c
c
c
(
.)
)
)
')
., ) 1 PORQUE USAR A OTIMIZAÇÃO DE RESPOSTAS
)
) Diante de muitos casos podemos deparar com as seguintes questões:
)
1) Se ganhar em qualidade do material neste processo produtivo posso
)
perder em produtividade (velocidade) ou custo (manutenção periódica e
._,)
ferramentas mais caras)?
)
J 2) Aumentar a resistência a tração pode fragilizar a peça?
)
) 3) Aumentar a carga da mola de compressão pode diminuir a durabilidade?
)
.)
.., O "X" da questão está em saber escolher o ponto ótimo entre duas ou mais
-~
variáveis respostas importantes e muitas das vezes conflitantes.
)
.) O método de otimização de respostas é baseado no modelo de regressão

) linear múltipla. Ele identifica a combinação de níveis dos fatores que
simultaneamente otimizam uma única ou um conjunto de variáveis
~
)
-·~\
respostas.
o
_)
J Dessa forma, identifica, num cenário composto por mais de uma variável
)
.)
.,
\
•'
) o resposta, qual a melhor condição de operação para os fatores que foram
considerados significativos.
J
)
)
.J '
)
_)
,. I
'·'
. '
. .!
)
J
~)
)
)
~
)
_)
-)
.)
)
_)
()
-
o0
o
REALIZAÇÃO DE EXPERIMENTOS PARA A o
OTIMIZAÇÃO DE VARIÁVEIS RESPOSTA o
o
o
Em uma fazenda são feitas plantações de morangos destinadas ao
mercado externo. A colheita é sazonal, feita anualmente e no inverno, mas
o
nos últimos anos as vendas de morangos caíram assustadoramente. O o
maior motivo foi a qualidade do seu produto. Os morangos estavam o
róseos, com pouco sabor e vinham estragando rapidamente. o
o
Fazendo um levantamento dos fatores que poderiam estar causando essa ()
situação desastrosa, o agricultor decidiu realizar experimentos para
otimizar o uso dos recursos que poderiam evitar a deteriorização da
o
qualidade do produto e ao mesmo tempo atender as regulamentações
o
sobre o uso de agrotóxicos.
o
o
o
1 OBJETIVO DO EXPERIMENTO ()
o
~ Melhorar e manter a qualidade dos morangos. ()
o o
o
o
Q 2 VARIÁVEL RESPOSTA
o
lndice de Qualidade do morango aceitável o
Como a produção será considerada imprópria para o consumo caso o "
\.)
índice de agrotóxicos seja superior a 15%, o índice de agrotóxicos também c
deve ser considerado uma variável resposta
cr·
~
«'-.,•'
3 FATORES DE INTERESSE
c
Foram identificados 3 fatores com dois níveis cada um, a seguir: ('
·'
c
A Adubo utilizado A(-1) ou 8(+1) c
B Irrigação a cada 6 horas(-1) ou a cada 12 horas(+1) c
c Medicamentos 10mg(-1) ou 50mg(+1)
c
contra pragas
c
c~
"c
c
c
(
c
(
j
)
)
:)
-) 4 PLANEJAMENTO DOS EXPERIMENTOS NECESSÁRIOS
) PARA OTIMIZAÇÃO
)
) Foi considerado como ruído o tipo de terreno, portanto o planejamento do
experimento será feito em dois blocos:
)
) Terreno 1 e Terreno 2 - os blocos foram feitos para agrupar condições
) ambientais e climáticas que não podem ser alteradas, tais como
J temperatura, umidade do solo e do ar, altitude, pressão atmosférica, etc
J nos diversos locais da fazenda onde planta-se morango.
J
_) Foi então planejado um experimento fracionado 23 repetidos em dois
blocos distintos totalizando 16 experimentos.
)
~
I
) %
) Std Run Blocks Adubo Irrigação Medicamento Qualidade Agrotóxico
) 4 1 1 A 12 50
~
) 1 2 1 A 6 10
) 2 3 1 B 12 10
)
) o 3
8
4
5
1
2
B
B
6
12
50
50
)
J
)
o 5
7
6
6
7
8
2
2
2
B
A
A
6
6
12
10
50
10
) 1.'.
.,J
.c!
J
_)'
)
)
)
)
J
)
)
J
)
)
.,
)
)
)
)
CJ
o
0
o
5 REALIZAÇÃO DO EXPERIMENTO o
o
o
Std Run
% o
4 1
Blocks
1
Adubo
A
Irrigação
12
Medicamento
50
Qualidade
95
Agrotóxico
18
o
1 2 1 A 6 10 80 11 o
2 3 1 B 12 10 85 10 o
3 4 1 B 6 50 90 17 o
8 5 2 B 12 50 76 20 o
5 6 2 B 6 10 75 12 o
7
6
7
8
2
2
A
A
6
12
50
10
82
70
21
13
o
o
o
o
o
o
o
~ o
o o
l)
Q n.
\.-J
ü
o
o
rr~
u
o
o
u
o
('
j
o
o
c
o
o
o
o
o
(J
c
c
c
(~
Plexus Training Systems™ 64 c
,,) j
')
') 6 ANÁLISE DE DADOS- VARIÁVEL QUALIDADE
)
) 6.1 CÁLCULO DOS EFEITOS DOS FATORES E INTERAÇÕES PELO
~) MINITAB
)
A saída do minitab é a seguinte:
)
) Factorial Fit: Qualidade versus Block; Adubo; Irrigação; Medicamento
)
-) Estimated Effects and Coefficients for Qualidade {coded units}
')
Term Effect Coe f
)
Constant 81,625
.)
Block 5,875
-)
Adubo -0,250 -0,125
J Irrigação -0,250 -0,125
:) Medicamento 8,250 4,125
) Adubo* Irrigação -1,750 -0,875
~
Adubo*Medicamento -5,250 -2,625
J
Irrigação*Medicamento -0,250 -0,125
)
)
o s =*
J
J
)
)
o Analysis of Variance for Qualidade (coded units)
Source
Blocks
DF
1
Seq ss
276,13
Adj
276,13
ss Adj MS
276,13
F
• •
p
) Main Effects 3 136,38 136,38 45,46 • •

-
' 2-Way Interactions 3 61,38 61,38 20,46 • •
"'' Residual Errar o • • •
)
Total 7 473,88
~)
.) Estimated Coefficients for Qualidade using data in uncoded units
~)
:J Term Coef
.-, Constant 75,2500
j
-
) Block 5,87500
Adubo 6,43750
J Irrigação 0,0208333
J Medicamento 0,225000
~)
Adubo*Irrigação -0,291667
J Adubo*Medicamento -0,131250
,) Irrigação*Medicamento -0,00208333
-)
- I
)
)
_)
_)
)
u
o
·O
o
Quando o sinal negativo aparece, entende-se que nos expressamos de o
maneira contrária na codificação "nível alto" e "nível baixo". Logo, a o
interpretação desse valor para o adubo A(-1) e o adubo B(+1) é que a o
qualidade reduz em média 0,25 ponto quando passamos do uso do adubo
A para o adubo B.
o
o
o
Até aqui, quais conclusões poderiam ser feitas através desses cálculos? o
Condizem ou não com a realidade? o
o
o
o
o
o
o
o
<,
o
o
~ o
o o
l)
o o
u
o
()
(' /
u
c
u
o
c
c
c
c
c
C)
c
c
c
c
c
('
c:
(
)
)
~)
) 7 INTERPRETAÇÃO DE RESULTADOS (usando Minitab) -
) VARIÁVEL QUALIDADE
J
-) 7.1 ANÁLISE GRÁFICA DA SIGNIFICÃNCIA DOS EFEITOS:
')
J
.)
J Pareto Chart of tl1e Effects
(response is Qualidade, Alpha = ,05)
l
) ...,.., .......
1.613
Factor Name
J c A Adubo
) .·.
I B
c
Inigação
Medicamento
) AC
)
I
•••
)
E AB
...
{E.
I
) B
~
)
) BC
)
) o A
-
<
)
J
)
o o 1
Lenth's PSE = 0,375

2
'
3 4 5
Effect
6 7 8 9'
)
)
)
~)
Interpretação:
J
:J No exemplo, os fatores que se mostraram significativos foram o
,) Medicamento {C), a interação Adubo-Medicamento (AC) e a interação
) Adubo-Irrigação (AB)
)
) Como o confundimento destes fatores seriam com interações de 3 ordem,
) ou seja, C pode confundir-se com BC, AC pode confundir-se com B e AB
pode confundir-se com C.
)
)
)
..
)
.J
)
.,
J
)
_)'
J Plexus Training Systems'" 67
)
i
u
- ,,
n-:-.
--------------------------~O~T~IM~IZ=A~Ç~A~O~D~E~R=ES~P~O~S~T~A~S~--O
o
7.1.2 Gráfico da Probabilidade Normal o
o
o
(response is Qualidade, Alpha = ,05) o
~~,--,--~~--~T7--,-~~--~-,--~~ o
EffectType
• Not Significant o
95-1-
9J····
~- --1· • ··-- {. ----L. -l--
- -!-·---.L .-d-~~~:-
• Significant o
00•· ..
1
Factor Name
A Adubo o
.1 o
_I__
I 1 B Irrigação
L .l ___ c Medicamento
1 o
I I --
~
-.~----·
ê 4050~-·
CLI
.
---i I
'"'-----.>
o
D. 3) .
2Q.J.
•1\B
l . ' J
o
!Q.J- •IAC.
~--
_i__
o
5 ·",-
o
o
1~.-~--,-~~r-~--r-~_,--~-+--~~
-5,0 -2,5 0,0 2,5 5,0 7,5 10,0
o
~ Effect o
o
o l.enth's PSE = 0,375
o
u
o Interpretação:
o
u
o
ü
Logo, no exemplo, vemos que os mesmos fatores, Medicamento (C), a CJ
interação Adubo-Medicamento (AC) e a interação Adubo-Irrigação (AB), 0
são os significativos. 0
lJ
()
u
(~;
c
c
c
(!
./
c
o
c
c
c
c
t
Plexus Training Systems '" 68 c
(
)
)
)
) 7.1.3 Análise Gráfica dos Efeitos Significativos:
)
)
Interaction Plot (data means) for Qualidade
)
) Adubo
82,5
) "' \
\
-.-A
-
- --
--B
) \
\
) 82,0 \
\
-:) \
'\ c
j \
) a! 81,5 \
:E \
) \
\
'\ \
81,0 \
) \
\
J \
\
) 80,5 •
~
)
6 12
)
o
Irrigação
)
)
J
)
) o
)
'
)
~
_,,)
)
~)
-
)
)
)
J
)
J
)
)
)
)
.)
J Plexus Training Systems '" 69
~)
)
\:.)
- r•
,,
--------------------------~O~T~IM~I=ZA~Ç~A~O~D~E~R~E~S~P~O~S~T~A~S~-O
()
Lembrando que· o
A Adubo utilizado A(-1) ou 8(+1) o
8 Irrigação a cada 6 horas(-1) ou a cada 12 horas(+1) o
c Medicamentos 10mg(-1) ou 50mg(+1) n
\)
contra pragas
o
o
Após essa análise, PARA A VARIÁVEL RESPOSTA QUALIDADE a o
melhor opção seria utilizar 50mg de medicamento (C= +1) com o adubo do o
tipo A (A= -1) e irrigação a cada 12 horas (8 = +1). o
o
o
o
o
ü
c
c
c
~ c
o c
c
o ç
c
c
c
I[
l:
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
(
)
)
")
) 7.2 CÁLCULO DA VARIÁVEL RESPOSTA MÉDIA
)
) No nosso exemplo, como os fatores significativos foram Medicamento (C),
) a interação Adubo-Medicamento (AC) e a interação Adubo-Irrigação (AB),
temos:
)
J média dos 81,625
) experimentos
) efeito de C +4,125
~)
efeito de AC -2,625
J efeito de AB -0,875 --
)
)
) Os sinais de C= +1, AC = -1 e AB = -1 escolhidos foram utilizar 50mg de
medicamento (C- +1) com o adubo do tipo A (A= -1) e irrigação a cada 12
)
"
horas (B - +1 ).
~)
) Índice médio da qualidade dos morangos:
~
) = 81,625 + 4,125 X (1) + (-2,625) X (-1) + (-0,875) X (-1)
) = 89,25
)
) o
)
)
)
o Essa seria a taxa média da qualidade de nossos morangos, mas será que
esses fatores nestes níveis afetariam o % de agrotóxico nos morangos de
forma a torná-los impróprios para o consumo?
)
-,
'
)
_l'
"
)
J
)
)
~7
)
-/
l
)
)
)
}
")
/
)
)
J
_) '
_)
)
lU
,-,
- ~ J
OTIMIZAÇAO DE RESPOSTAS ()
o
6 ANÁLISE DE DADOS- VARIÁVEL AGROTÓXICO o
o
6.1 CÁLCULO DOS EFEITOS DOS FATORES E INTERAÇÕES PELO n
MINITAB o
A saída do minitab é a seguinte:
o
o
Factorial Fit: % Agrotóxico versus Block; Adubo; Irrigação; Medicamento o
o
Estimated Effects and Coefficients for % Agrotóxico (coded units) o
o
Term Effect Coe f
o
Constant
Block
15,250
o
Adubo -1,000
-1,250
-0,500
o
Irrigação -0,000 -0,000 o
Medicamento 7,500 3,750 o
Adubo*Irrigação 0,500 0,250 o
o
~
Adubo*Medicamento 0,000 0,000
c
oQ
Irrigação*Medicamento -0,000 -0,000
n
Lí
s =*
\)
Analysis of Variance for % Agrotóxico (coded units) ,,
\J
Source DF Seq ss Adj ss Adj MS F p u

Blocks 1 12,500 12,500 12, soao * * f'
u
Main Effects 3 114,500 114,500 38,1667 n
* * u
2-Way Interactions 3 0,500 0,500 0,1667 * * r' '
Residual Errar
Total
o
7 127,500
* * * c
c:
\_,1
tt
Estimated Coefficients for % Agrotóxico using data in uncoded units
c
Term Coef c
Constant 9,62500 "j
r''
Block -1,25000 c
Adubo -1,25000
c
Irrigação
Medicamento
1,89330E-16
0,187500
c
Adubo*Irrigação 0,0833333 c
Adubo*Medicamento -1,31839E-17 c
Irrigação*Medicamento -4,85723E-18 c
c
c
c
c
c
(
© 2009 lnteraction Plexus rev_ 02 I[
)
•---;
J
) Quando o sinal negativo aparece, entende-se que nos expressamos de
) maneira contrária na codificação "nível alto" e "nível baixo". Logo, a
) interpretação desse valor para o adubo A(-1) e o adubo 8(+1) é que a
') qualidade reduz em média 1 ponto quando passamos do uso do adubo A
para o adubo B.
)
)
J Até aqui, quais conclusões poderiam ser feitas através desses cálculos?
~)
Condizem ou não com a realidade?
~)
)
)
.)
)
)
J
.)
~
)
)
)
) o
)
J
)
o
)
)
J
.)
)
J
J
)
)
)
)
)
)
)
)
)
)
J
J
J Plexus Training Systems TM 73
)
u
n
OTIMIZAÇÃO DE RESPOSTAS t~
()
7 IN~ERPRETAÇÃ9 DE RESULTADOS (usando Minitab) - o
VARIAVEL AGROTOXICO o
o
7.1 ANÁLISE GRÁFICA DA SIGNIFICÂNCIA DOS EFEITOS:
o
7.1.1 Gráfico de Pareto o
o
o
Pareto Olart of tf1e Effects
(response is %Agrotóxico, Alpha =,OS)
o
o
o
Factor Name
A Adubo o
B
C
Inigação
Medicamento o
o
o
.E
~
o
()
n
~ o
o ()
o
o o 1 2
L.enth's PSE = 8,743006E-16

3 4
Effect
5 6 7 8 o
o
o
ü
(;
Interpretação:
o
(]
No exemplo, os fatores que se mostraram significativos foram o u

Medicamento {C), o Adubo (A) e a interação Adubo-Irrigação (AB). o
u
Como o confundimento destes fatores seriam com interações de 3 ordem, c
ou seja, C pode confundir-se com BC, A pode confundir-se com BC e AB c
pode confundir-se com C. ('
v
c•'
c
('
~
\!
c
G
c
c
c
(
)
)
]
J 7.1.2 Gráfico da Probabilidade Normal
)
F)
')
(response is %Agrotóxico, Alpha = ,05)
) 99
EffectType
_) e Not Significant
-· -----
J 95
90•· ......
--
-'··--7--·j- _
'
~---- ·•c-~~-
• Significant
_j_
Factor Name
) A Adubo
80
J .•AB
B
c
Irrigação
Medicamento
/
)
~ 71
c 60 .
~ 50-···~-
)
,
.
j
cu
Q.
40 ----:-
30 .
-~
~) 20]
10 •A-
)
5 r-··-·-· -1-
J
) 1
·1 o 1 2 3 4 5 6 7 8
J
) ~ Effect
.,>
,,
) o Lenth's PSE = 8,743006E-16
J
) 11 o
) Interpretação:
..I
) Logo, no exemplo, vemos que os mesmos fatores, Medicamento (C), o

:) Adubo (A) e a interação Adubo-Irrigação (AB), são os significativos.
:J
J
_)
';
j
')
)
)
)
J
)
J
)
)
)
)
)
)
u
- (-)
OTIMIZAÇAO DE RESPOSTAS '\OJ
o
o .J
o
Main Effects Plot (data means) for% Agrotóxico
15,8
o
(l
o
15,6 n
\,/
o
·~ o
:s..o 15,4 o
<"' o
'!- 15,2 o
~ o
...c (J
~ 15,0
o
14,8
o
()
11 I
o
~ A B
()
o
Adubo
o
u
Q Main Effects Plot (data means) for %Agrotóxico o
c:
19
o
18 Ci
c
o 17 .'
·~
•O
l '
~ 16
... c
<"' l'.,.
~
....o
15
c
o
...c
14 c
"'
:E 13
c
c
12 c
11
c
10 50 c
Medicammto c
c
c
c
(
(
c
(
Plexus Training SystemsT" 76 c
© 2009 lnteraction Plexus rev. 02 if
)
)
l
')
) Interaction Plot (data rreans) for %Agrotóxico
) 16,00
Adubo
--A
)
---- 8
) 15,75
J
) 15,50
) c
l a! 15,25
::0:
)
.
:)
) 15,00
/
/
/
/
---·
/
14,75
n / /
/
/
/
/
)
14,50 ...- /
.)
) 6 12
Irrigação
~
'J
)
)
o Lembrand
o
-·-·--
) -~ ---~-- ----
A Adubo utilizado A(-1} ou 8(_+1)

)
B Irrigação a cada 6 horas(-1} ou a cada 12 horas(+1)
)
c Medicamentos 10mg(-1) ou 50mg(+1}
) contra pragas
)
I
) Após essa análise, PARA A VARIÁVEL RESPOSTA AGROTÓXICO a

y melhor opção seria utilizar 10mg de medicamento (C= -1) com o adubo do
) tipo B (A= +1) e irrigação a cada 12 horas (B = -1\,ou seja, totalmente o
inverso dos melhores parâmetros para a qualidade
)
)
)
)
)
)
)
I
)

"'--'
-
0
'C)
(; /
7.2 CÁLCULO DA VARIÁVEL RESPOSTA MÉDIA "

i<.Y
o
No nosso exemplo, como os fatores significativos foram Medicamento (C), o
a interação Adubo-Medicamento (AC) e a interação Adubo-Irrigação (AB),
temos:
o
o
média dos 15,25 o
experimentos o
efeito de C +3,75 o
efeito de AC o o
efeito de AB +0,25 --- ------
o
o
Os sinais de C = -1, AC = -1 e AB = -1 escolhidos foram utilizar 1Omg de
o
(J
medicamento (C= -1) com o adubo do tipo B (A= +1) e irrigação a cada 6
horas (B = -1).
o
(l
Índice médio de agrotóxicos: ()
o
~
= 15,25 + (3,75 X (-1) + 0 X (-1) + 0,25 X (-1)]
= 11,25 ()
o O que fazer agora?

C)
u
o (í
()
o
o
c
(' -~
r.~'
'"
c
c
c
(
c
(
í
(
(
(
(
\

J
)
)
:-)
) ROTEJRO PARA A OTIMIZAÇÃO DE
) VARIAVEIS RESPOSTA
)
) 1- DEVE-SE DEFINIR O OBJETIVO PARA CADA VARIÁVEL
RESPOSTA
)
) Maximizar: devemos ter um valor alvo a ser alcançado e um valor mínimo
) aceitável.
) Minimizar: devemos ter um valor alvo a ser alcançado e um valor máximo
l aceitável.
1 Alcançar um valor alvo: devemos ter um valor alvo desejado e os limites de
) especificação.
)
Observação: Quando não haja especificações para máximos e mínimos,
)
' uma sugestão é adotar a diferença entre valor alvo e especificação igual a
) três vezes o desvio padrão do processo para a variável considerada.
-]
) 2- DEVE-SE DEFINIR O PESO DO ALVO PARA O PROBLEMA:
~
)
) Para cada resposta, também é selecionado um peso de O, 1 a 1O para
)
)
o enfatizar o seu alvo. Um peso igual a 1 atribui o mesmo peso para
qualquer valor entre o alvo e os limites pré-estabelecidos. Abaixo de 1
J
)
) o indica menos peso ao alvo e acima indica mais peso ao alvo.
Observação: Aconselha-se atribuir peso 1 ao alvo caso

especificações determinadas como acima, com o desvio padrão.
use as
J
I 3- DEVE-SE DEFINIR A IMPORTÃNCIA DAS VARIÁVEIS RESPOSTAS
J Segue o mesmo padrão do peso. Atribui-se a cada variável resposta uma

-y
importância de O, 1 a 1O. Uma importância igual a 1 dá a mesma ênfase
J para todas as variáveis resposta. Abaixo de 1 indica menos ênfase e acima
J indica mais ênfase.
:J
_) 4- CÁLCULO DOS ÍNDICES DE DESEJABILIDADE
)
) A saída dos cálculos acompanha um índice de desejabilidade Global (D) e
outro individual (d). Ambas indicam quanto as metas estabelecidas foram
)
satisfeitas, seja de maneira global para todas as variáveis resposta
)
simultaneamente, seja individualmente, para cada variável resposta.
~I
'J - Quanto mais próximo do 1, maior foi o alcance da meta.
) - Quanto mais próximo do O, mais distante ficou o resultado da meta.
)
}
)
)
)
)
o
OTIMIZAÇÃO DE RESPOSTAS g
,~,.
v
ROTEJRO PARA A OTIMIZAÇÃO DE o
VARIAVEIS RESPOSTA (usando o Minitab) o
o
1- OTIMIZAÇÃO DE RESPOSTA PELO MINITAB
o
Response Optimization o
Parameters Goal Lower Target Upper Weight Import o
Qualidade Maximum 80 100 100 9,0 9,0 o
% Agrotóxico Minimum o o 15 0,1 0,1 o
o
Local solution 1
o
Adubo
Irrigação
= -1,0000
= 11,9978
(A)
o
Medicamento = 27,3323
o
Predicted Responses o
Qualidade = 81,6158; desirability = 0,00000 o
% Agrotóxico = 15,0000; desirability = 0,02555 o
.. Composite Desirability = 0,00000 c
~
(J
Local Solution 2
c
o Adubo
Irrigação
=
=
1,0000
6,0000
(B)
(J
c
o Medicamento
Predicted Responses
Qualidade
% Agrotóxico
= 31,3290
=
=
82,6080; desirability
=
=
0,00000
0,66424
c
(:
t'
''·'
Composite Desirability = 0,00000 r
"'.
c
Local Solution 3
Adubo = -1,0000 (A)
c
Irrigação = 12,0000
c
Medicamento = 23,2876 c
Predicted Responses c
Qualidade = 80,2765; desirability = 0,00000 c·
% Agrotóxico = 14,2414; desirability = 0,74198 c
Composite Desirability = 0,00000
c
c
Local Solution 4
Adubo = 1,0000 (B)
c
Irrigação = 6,0000 c
Medicamento = 18,9377 (
Predicted Responses c
Qualidade = 81,6012; desirability = 0,00000 (_
% Agrotóxico =
Composite Desirability
= 0,00000
= 0,83841
c
(_
(
c
I[
c
{
)
)
)
)
) Local Solution 5
) Adubo = -1,0000 (A)
) Irrigação = 12,0000
) Medicamento = 23,4012
Predicted Responses
)
-) Qualidade = 80,3141; desirability = 0,00000
% Agrotóxico = 14,2627; desirability = 0,73987
) Composite Desirability = 0,00000
)
) Local Solution 6
) Adubo = 1,0000 (B)
) Irrigação = 6,0000
)
Predicted Responses
J Qualidade = 82,2475; desirability = 0,00000
J % Agrotóxico = 13,9172; desirability = 0,76886
J Composite Desirability = 0,00000
_)
~
) Local Solution 7
) Adubo = -1,0000 (A)
)
o Irrigação
Medicamento
=
=
11,9973
27,3322
o
)
Predicted Responses
)
Qualidade = 81,6156; desirability = 0,00000
)
% Agrotóxico = 15,0000; desirability = 0,02555
)
.. ) Local Solution 8
) Adubo = 1,0000 (B)
)
) Predicted Responses
J Qualidade = 82,0666; desirability = 0,00000
) % Agrotóxico = 13,4999; desirability = 0,79433
.\
)
Local Solution 9
)
Adubo = -1,0000 (A)
)
)
Predicted Responses
) Qualidade = 81,6156; desirability = 0,00000
) % Agrotóxico = 15,0000; desirability = 0,02555
)
)
J
)
)
)
v/<\.
-
oO
()
Local Solution 10 o
Adubo = 1,0000 (B) o
o
Medicamento 18,9377
o
Predicted Responses
= o
Qualidade
% Agrotóxico =
0,00000
0,83841
o
Composite Desirability 0,00000 o
o
Global Solution l)
Adubo 1, 0000 (B)
o
Irrigação 6,0000
o
Medicamento
Predicted Responses
31,3290
o
Qualidade = 82,6080; desirability 0,00000
o
% Agrotóxico = 14,7492; desirability 0,66424
(}
Composite Desirability = o,ooooo u
(]
~ Adubo lrrigaçã Meª~came

(J
Optimal
Hi 8 12,0 50,0 c
o
D Cu r 8 [6,0) [32,0]
0,00000 Lo A 6,0 ('
10,0 _,
c
l/
o
Qualidad
Maximum ---------- (_l
=
y 82,6625
=
d 0,00000 •
K 17 ('
r-,
% Agrotó
Minimum
=
•
--------- ------ ----- v 0
c
I[
y 14,8750
=
d 0,61956
/ ',,
c
'
Logo, para melhorar ao máximo a qualidade sem atingir o nível máximo de c

agrotóxico deve-se usar Adubo B, com irrigação a cada 6 horas e 32mg de c
medicamento. c
c
c
c
c
c
c
f
~
(
c
c
(
l
(
© 2009 lnteraction Plexus rev. 02 lf
)
)
)
)
) Faça a otimização de respostas para o exemplo da prensa de rebites e
) verifique qual o ponto ótimo que alcança ambas as metas.
J
) Quais as conclusões obtidas?
)
Essas seriam as últimas análises que poderiam ser feitas ou ainda há algo
) que possa melhorar nossa resposta?
-)
,,
) Quais os fatores que limitaram uma resposta mais confiável?
J
) Embora as limitações, foi possivel obter uma visão clara do que inferiu no
experimento?
)
)
)
)
......,
J
"
)
~
)
o
)
)
)'
)
J
> o
)
)
J
}
)
J
)
)
)
)
J
)
)
j'
)
)
)
)
)
)
)
o
-
oO
o
2-LIMITAÇÕES DA FERRAMENTA OTIMIZAÇÃO DE RESPOSTA é)
o
o
Esta ferramenta só fornece bons resultados se o valor que se deseja atingir
(por exemplo a meta) estiver dentro da faixa que a variável resposta sofreu
o
variação no experimento. o\
C /
Pressupõe-se que a variável resposta tem uma relação linear com os o

fatores. Ou seja, quando alteramos os níveis dos fatores, a resposta sofre o
uma alteração que é linear. o
A ferramenta é restrita para experimentos zk fatoriais, ou seja,
o
indeterminado número de fatores mas com apenas dois níveis cada um.
o
o
Os níveis ótimos obtidos com a aplicação da ferramenta devem ser o
criteriosamente analisados. Como trata-se de um procedimento o
matemático, dependendo da situação investigada, os resultados obtidos o
podem não ter sentido prático. o
o
~ o
o o
o
o o
,,
"--'
o
(J
c
u
c
u
c
c
c
c
c
c
c
c
c
c
c
í..'
c
c
(
)
.)
(_) IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN)
)
)
)
')
~)
.. I
-~
)
)
)
)
)
)
)
)
')
J
)
) PARTE VI
)
) ~ IDENTIFICAÇÃO E
)
)
o CONTORNO DE RUÍDOS
)
)
)
o (ROBUST DESIGN)
J
)
}
)
j
)
)
)
)
)
)
I
)
)
)
)
)
)
)
J © 2009 Jnteractlon Plexus rev. 02
)
r·i
\:..:)
(D
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) "'

\o~!
o
1 PORQUE TORNAR UM PROCESSO E UM PRODUTO o
ROBUSTOS o
,,
'-"
Um processo ou um produto é robusto quando seu desempenho é
praticamente insensível à situação das variáveis de ruído presentes no
o
processo produtivo e/ou no ambiente do usuário. o
o,
.....
Baixa \ _)
Robustez de Baixo índice
um processo
Variabilidade
de defeitos,
Empresa o
ou de um
-7 dos parâmetros -7
retrabalhos
-7 mais o
produto.
de processo e
ou refugos.
competitiva. o
de produto.
o
o
o
()
o
o
o
o
~ o
o o
o
o o
o
o
r-~
u
c
~.
c·'
c
c
c
(
(_
c
(
(
(
(
(
(
(
~
Plexus Training Systems '" 86 ~
~
)
)
) IDENTIFICAÇÃO E CONTORNO DE RUiDOS (ROBUST DESIGN)
~)
.,
) 1.1 Lidando com as variáveis de ruído
c)
) Identifiquem, num processo conhecido, quais seriam as variáveis de ruído
) críticas. Discutam como poderíamos lidar com essas variáveis levando em
conta todos os empecilhos que possam surgir dentro de um ambiente
)
industrial/empresa!.
)
) • Onde elas se manifestam, no processo produtivo ou no ambiente do
) trabalho?
) • Com base em qual conhecimento decidiu-se que tal variável de
) ruído é crítica? Qualitativo ou quantitativo?
• O que será feito para minimizar ou bloquear seus efeitos? Qual é o
J custo e qual é o tempo necessário?
)
l
J Com esses dados vocês já estão aptos a construir o mapa de ruído de sua
) empresa.
J
Posicionem os dados conforme o modelo a seguir e vejam quais medidas
)
serão tomadas.
)
J ~
J
)
o Mapa de Ruído
o
./
)
) Produto: - - - - - - - - - - - - - - - - - - - - - - - -
) Processo:
Perlodo de elaboração do mapa de ruldo: _ / _ / _ a _ ! _ / _
l
j Variável Base para O que fazer?
> Etapa do
resposta de
Variáveis
julgamento
J Processo
produto em
de Ruído
da Custo Tempo
processo (y) criticidade Decisão
J previsto previsto
_) ou final (Y) do ruído
)
)
)
J
)
l
)
J
)
)
)
)
)
)
J
()
o
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) {)
----------------------~------------~------~--0
1.2 Possíveis Soluções o
o
1.2.1 Controlar ou eliminar os ruídos: o
Consiste em implementar contramedidas que irão eliminar as variáveis de
o
ruído do processo ou controlá-las de forma a reduzir a variação do o
processo quase totalmente. Isso se verifica em padronização de (J
processos, treinamentos da equipe, manutenções preventivas, etc. É a o
melhor alternativa quando a medida é simples, o tempo e o custo forem o
viáveis. o
o
o
o
1.2.2 Estabelecer limites ao processo ou ao produto para cada nivei o
da variável de ruído: (;
o
Consiste em criar uma solução dentro de cada nível de ruído, ou seja, o
manipular cada nível das variáveis de ruído estabelecendo as condições
ideais do processo ou do produto. Normalmente não requer muito tempo e
o
o
~ recurso financeiro, mas perde-se um pouco da flexibilidade do processo.
o
o o
o
o 1.2.3 Estabelecer parâmetros do processo ou do produto que sejam
insensíveis às variáveis de ruído (Planejamento Robusto)
o
o
o
Consiste em identificar e adotar as condições do processo ou do produto
c
que, embora ainda continuem existindo as ações das variáveis de ruído,
u
elas não interferiram mais na continuidade do processo ou na qualidade c
final do produto. É a melhor opção quando o controle ou eliminação dor I'
,J
ruídos é praticamente impossível ou requer medidas mais complexas e/ou c

de alto custo. c
c
c
c
c
c
c
c
c
c
c
c
c
(
Plexus Training Systems ™ 88 c
j
' )
) IDENTIFICAÇÃO E CONTORNO DE RUIDOS (ROBUST DESIGN)
J
J 1.3 Planejamento Robusto (Robust Design)
1
/
)
Tenham como base um exemplo de uma pizzaria que desejava tornar a
J,_
massa de suas pizza mais fofas, ou seja, diminuir a sua densidade para
)
0,25g/cm 3 . Para isso, foi feita uma análise e descobriu que a causa era a
J alta variabilidade, que se encontrava em 0,033 (Cp = Cpk = 1. Dessa
') forma, os objetivos são: atingir a densidade 0,25g/cm 3 e aumentar a
J capabilidade para 2 (atingir uma variabilidade de 0,017).
)
.)
) Como vocês planejariam e executariam um experimento visando à
obtenção do processo robusto? Comentem em forma de fluxograma.
··) '
_~,
)
~
l
)
)
)
) ~
)
)
o
)
)
)
o
l
)
)
J
'i
)
)
)
)
)
)
)
)
)
)
)
)
)

\0
c
IDENTIFICAÇÃO E CONTORNO DE RUIDOS (ROBUST DESIGN) Ü
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - ( )
0
Roteiro para Experimentos o
ü
com Robust Design ()
o
f'!'
As etapas genéricas para realizar um experimento de forma a tornar os
o
processos e o produto robustos às variáveis de ruído são:
o
o
o
1- Identificar variáveis respostas, fatores e níveis e variáveis de o
ruído. o
o
2- Classicar os fatores quanto a seus efeitos o
3- Planejar o experimento considerando os fatores controláveis
o
o
4- Planejar o experimento CONSIDERANDO OS RUÍDOS o
o
~ 5- Execução dos Ensaios o
o
11
o
li 6- Cálculo e Registro dos Dados o
o 11
11
7- Análise de Dados
8- Interpretação de Resultados
o
o
()
c
9- Elaboração do Relatório u
Ç,
Em vez de empregar altos recursos financeiros no controle das variáveis

u
('
'~
de ruído inerentes aos processos produtivos e ao usuário, devemos (
estabelecer parâmetros de processos e/ou produtos que os tornem
insensíveis a estas variáveis. <~
r
'L
O foco do Planejamento Robusto é reduzir a variabilidade. A estratégia se (

baseia em duas etapas: c
c
Etapa 1: Reduzir a variabilidade ("afinar" a curva de variabilidade)
Etapa 2: Ajustar a média y para o valor nominal (Yo)
c
(
(
(
\
(
(
Plexus Training Systems TM

í
90 \
(
)
) IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN)
)
) 1 SELECIONE AS VARIÁVEIS RESPOSTAS, OS FATORES
) E AS VARIÁVEIS DE RUÍDO
)
")
'• Variáveis respostas
)
densidade (dada pela média entre todos os blocos considerados)
J Variabilidade (dada pelo desvio padrão entre os blocos)
)
J
Fatores
J Quantidade de leite : 200ml ou 300ml
) Quantidade de fermento: 25g ou 50g
J Tipo de Açúcar: Refinado ou Cristal
.)
)
) Ruídos
Tipo de forno usado (elétrico e a lenha)
}
Pizzaiolos: Joaquim e Valdemar
') Fornecedores de leite: Vida Longa, In Natura e Mimosa
)
)
J ~
)
)
o
)
)
)
-l
o
J
)
]
J
)
)
)
)
)
)
J
)
)
)
)
)
J
_)
)
)
(J
(l
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) {)
----------------------~----------~------~---0
2 CLASSIFICAR OS FATORES QUANTO AO EFEITO QUE o
ELES PODEM PROVOCAR NAS VARIÁVEIS RESPOSTAS o
Com base no conhecimento técnico, a classificação será conforme a
o
descrição abaixo:
o
o
o
• Fatores que afetam apenas a variabilidade: ü
Tipo de açúcar o
o
• Fatores que afetam tanto a média quanto a variabilidade:
o
Quantidade de leite por receita o
o
o
• Fatores que afetam apenas a média (fatores de ajuste): o
Quantidade de fermento por receita u
o
o
o
~ o
o o
o
o c
o
c
v
c
t~
c
'\_,'
c
("
'~
c
c
c
c
c
c
c
c
c
c
c
c
Plexus Training Systems ™ 92 (
© 2009 lnteraction Plexus o
rev. 2 (
{
I
)
)
) 3 PLANEJAR UM EXPERIMENTO CONSIDERANDO
) APENAS OS FATORES DE CONTROLE.
)
)
.. Dependendo do número de fatores, deve-se planejar um experimento
)
completo ou fracionado.
J
) Açúcar Fermento Leite
J refinado 25 200
) refinado 25 300
) refinado 50 200
) refinado 50 300
) cristal 25 200
.,
..I
cristal 25 300
) cristal 50 200
cristal 50 300
)
. '
. )
)
)
)
~
)
)
o
J
)
'i
)
o
J
)
J
J
)
)
J
.)
J
)
)
)
_)
)
)
)
)
)
'j
)
o
o
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS {ROBUST DESIGN) Ü
o
4 PLANEJAR UM EXPERIMENTO CONSIDERANDO AS o
VARIÁVEIS DE RUÍDO o
o
o
4.1 PRÉ-ANÁLISE DE BLOCOS
o
Imaginem que existam dezenas de fatores de ruídos que, pelo o
conhecimento técnico, já sabemos que causam variabilidade no processo. o
Se possível, deve-se fazer, antes da realização de um projeto de o
experimentos para avaliar o comportamento dos fatores, um estudo das o
variáveis de ruído presentes no processo. o
Vejamos no nosso exemplo:
o
o
Caso o dono da pizzaria não tenha conhecimentos para eliminar blocos u
insignifantes, as combinações tomariam grandes proporções, inviabilizando o
o estudo: o
o
./Tipo de forno usado (elétrico e a lenha)
./ Pizzaiolos: Joaquim e Valdemar
o
n
~ ./Fornecedores de leite: Vida Longa, In Natura e Mimosa
o
o Blocos
1
2
Forno
Elétrico
Pizzaiolo
Joaquim
Fornecedor Leite
lnNatura
o
D
c
Q
Lenha Valdemar Mimosa
3 Lenha Valdemar Vida Longa
CJ
4 Elétrico Joaquim VidaLonga
5 Lenha Joaquim VidaLonga
"'
\:_)
6 Lenha Valdemar In Natura

c
7 Elétrico Valdemar VidaLonga u
8 Lenha Joaquim Mimosa c
9 Elétrico Valdemar lnNatura u
10 Elétrico Valdemar Mimosa c
11 Lenha Joaquim In Natura •"'
\:_>
12 Elétrico Joaquim Mimosa
(
('
C-
Teriam sido verificados 12 diferentes blocos (combinações) em que se
submeteriam o processo de fabricação de pizzas. c
c
• O que fazer para identificar quais blocos seriam descessários no C
estudo, ou seja, quais não são significantemente diferentes entre si, (
caso não tenhamos conhecimento técnico suficiente para isso? \~
c
c
(
c
c
Plexus Training Systems 7 M 94 (
{
)
)
')
) 4.20 USO DA ANÁLISE DE VARIÂNCIA
)
J Imagine que o turno de trabalho e a própria mão-de-obra sejam variáveis
) de ruído num processo produtivo, ambas com dois níveis. Nesse caso
teríamos quatro blocos distintos para analisar o experimento:
)
J
~) Bloco Mão-de-obra Turno
) A João Diurno
-) B Claudionor Noturno
) c Claudionor Diurno
) D João Noturno
)
_J
\
)
Para identificar-mos diferenças significativas entre blocos, a fim de evitar
) uma série de experimentos, deve-se fazer uma análise da variância entre
) os blocos_ Esse estudo apenas apontará o grau de influência dos blocos e
) as diferenças visíveis entre eles que afetam a variabilidade da variável
) resposta_ Ao conduzir um estudo de DOE para fatores controláveis,
J ~ teremos que tornar relevantes apenas os blocos que serão aqui apontados.
)
)
o Usaremos apenas as combinações de níveis de fatores de ruído que
o
satisfarão as necessidades para todos os blocos (blocos de condições
)
extremas)_ Como não é possível remodelar as condições ambientais ou
) outros ruídos, o que devemos fazer é aplicar um método de produção
) prático que não será sensível a essas adversidades. Teremos, então um
) Processo Robusto_
)
)
)
I
)
)
J
)
J
)
)
)
)
)
)
)
)
)
)
)
n
r::J
IDENTIFICAÇÃO E CONTORNO DE RUiDOS (ROBUST DESIGN) Q
o
4.2.1 Resolvendo Passo-a-Passo um exemplo de Análise de Variância o
Imaginem que no exemplo visto anteriormente, dos medicamentos contra
o
()
sinusite, o médico preferisse fazer, antes da realização de um projeto de
o
experimentos para avaliar o comportamento obtido em seus pacientes, um
estudo das variáveis de ruído presentes no processo. o
o
Tinham sido verificados 4 tipos de medicamentos, produzidos por 5 CJ
diferentes laboratórios credenciados ao hospital. Esse estudo apenas o
apontará o grau de influência tanto dos medicamentos quanto dos ()
laboratórios na variabilidade de melhora do paciente. Ao conduzir um o
estudo de DOE para outros fatores, terá que tornar relevantes apenas os
blocos que serão aqui apontados.
o
o
-Variável Resposta: Porcentagem de melhora do paciente. o.,
- Blocos (Laboratórios): 1, 2, 3, 4 e 5. ()
- Fator: Medicamento com 4 níveis: A, B, C e D. o
o
o
o
~ Ordem Bloco Medicamento Melhora(%)
o
o
4 1 A 77,7
3 1 B 81,6 c
2 1 c o
o
80
1 1 D 81 o
8 2 A 80,3 ()
6 2 B 81,6 o
5 2 c 78,8 ()
7 2 D 86,7
12 3 A 85
u
9 3 B 86,8 c
10 3 c 82 u
11 3 D 86 o
14 4 A 82 ()
15 4 B
c
80,2 c
13 4 75,3
c
16
20
4
5
D
A
77,7
80
c
17 5 B 80,8
()
19 5 c 77 c
18 5 D 83,9 r·-'
(~~
Í '
-·
c
c~
c
c
Plexus Training Systems'" 96 c
(,
)
)
")
J Vale lembrar que na formação dos blocos um ponto muito importante, caso
) não haja o conhecimento técnico, é fazer as combinações necessárias
-) entre as variáveis de ruído existentes a fim de amenizar as condições
~) adversas na execução do experimento.
)
Por exemplo, imagine que cada em um dos laboratórios acima, ou seja, em
J cada um dos nossos blocos, pudéssemos reunir os fatores nas condições
-)
mais favoráveis e os fatores nas condições mais críticas, o que comumente
J ocorre em exemplos de lotes distintos de matéria-prima, isso nos daria
) uma visão mais ampla de como estão os processo dentro de cada bloco,
") reduzindo o número de blocos e, conseqüentemente, diminuindo os
possíveis confundimentos que existirão entre eles. Caso não tenhamos o
J •, conhecimento dos pontos mais críticos dessas variáveis de ruído, o ideal é
.)
fazer uma combinação dos níveis dessas variáveis.
''
) Ao fazer o estudo da análise de variância, teremos como resposta apenas
'l
' uma combinação de níveis de fatores de ruído que satisfará as
) necessidades para todos os blocos (blocos de condições extremas). Como
) não é possível remodelar as condições ambientais ou outros ruídos, o que
) devemos fazer é aplicar um método de produção prático que não será
.J ~ sensível a essas adversidades .
)
)
o
)
)
)
)
o
)
)
J
.J
~)
)
)
)
J
)
)
)
J
)
)
)
J
)
)
)
~J
()
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) ()
--------------------~------------~----~---0
No exemplo dos laboratórios, para analisar os resultados, vamos utilizar o o
método ANOVA para análise de variância. Esse método nos dará uma
noção do quanto os blocos e os medicamentos são significantemente
o
(J
diferentes entre si.
o
É uma pré-análise que nos dará uma confirmação de que a utilização de o
blocos é realmente necessária na execução do experimento. o
o,--,
Entendendo a nomenclatura análise de variância: r~ J
o
•Source: é a fonte ou fator da variação. o
•DF (degree of freedom): são os graus de liberdade associados com a
o
causa correspondente. o
t)
•SS (sum of squares): é o cálculo da soma de quadrados. Significa o o
desvio que ocorre ao redor da média da causa correspondente. o
o
•MS (mean square) é a soma de quadrados (sum of squares) dividido
pelos graus de liberdade (degrees of freedom).
o
(;
~ o
o
•EMS (expected mean square): determina a combinação linear dos
componentes da variância a cada MS (mean square) u
c
o •O F-ratio é uma constante estatística determinada pelo quadrado médio
(mean square- MS) da interação dividido pelo erro quadrático médio
(mean square errar).
c
o
c
(""
0,::~-
c
c
c,-,
!: __ ,
c
(
c
c
c
c
(
c
c
c
(
(
r-
\.
Plexus Training Systems'•

98 cif
rev. 02 (
)
) 4.2.1.1 Identificando diferenças através da ANOVA (Minitab)
)
) MEDICAMENTO
) General Linear Model: Melhora versus Medicamento; Bloco
_)
Factor Type Levels values
)
Medicamento fixed 4 A; B; C; D
-)
Bloco fixed 5 1; 2; 3; 4; 5
-)
)
) Analysis of Variance for Melhora, using Adjusted SS for Tests
)
) Source DF Seq ss Adj ss Adj MS F p
Medic$,men~~O 3 55,772 55,772 18,591 4,34 ,.02'1í

)
~~~~s:q 4 88,437 88,437 22,109 5,17 ,_q~g
) Erro r 12 51,363 51,363 4,280
) Total 19 195,572
)
)
') S = 2,06888 R-Sq = 73,74% R-Sq(adj) 58,42%
)
~
)
)
o Unusual Observations for Melhora
)
)
J
)
o Obs
13
Melhora
82,0000 78,5800
Fit SE Fit
1,3085
Residual
3,4200
R denotes an observation with a large standardized residual.

St Resid
2,13 R
)
)
Interpretação:
)
J Como o valor de p encontrou-se abaixo de 0,05 nos dois fatores, há
) evidências de que:
)
) 1) pelo menos 01 medicamento produz efeito diferente nos pacientes,
) pois para o fator medicamento o valor de p 0,027. =
_)
2) há diferenças importantes entre os laboratórios, pois para o fator bloco
)
(que está representando os diferentes laboratórios) o valor de p = 0,012.
)
)
)
)
)
)
)
)
)
)
()
(')
o
4.2.1.2 Teste de comparação múltipla através da ANOVA (Minitab) ( ~.
·'
MEDICAMENTO
o
()
Como há diferenças entre os laboratórios, faremos um teste de
o
comparações múltiplas, que comparará cada um dos laboratórios, o
verificando se estatisticamente podemos afirmar que existe uma diferença (]
significativa entre eles. o
f'
,J
Tukey Simultaneous Tests ü
Response Variable Melhora
o
All Pairwise Comparisons among Levels of Medicamento
o
Medicamento =A subtracted from:
o
Medicamento
Difference SE of Adjusted ,.,C)
\)
of Means Difference T-Value P-Value
B 1,200 1,308 0,917 0,7964 ()
c -2,380 1,308 -1,819 0,3117 o
D 2,060 1,308 1,574 0,4277
o
f)
~ o
o
Medicamento =B subtracted from:
Difference SE of Adjusted
l)
CJ.
o
Medicamento of Means Difference T-Value P-Value
c -3,580 1,308 -2,736 0,0745 c
D 0,860 1,308 0,657 0,9110 o
()
Medicamento =C subtracted frorn:
c
u
Medicamento of Means Difference T-Value P-Value c
D 4,440 1,308 3,393 0,0239 u
c
c~
,,
'v
Interpretação: ...1
\..1
Os únicos medicamentos que se mostraram significativamente diferentes

c
(com p-value <= 0,05) os medicamentos C e D (p = 0,0239). Logo, c
poderemos enxergar os medicamentos A e B como estatisticamente c
idênticos a C ou a D. c
c
c
c
c
(
c
(
Plexus Training Systems™ 100 c;:
)
)
) 4.2.1.2 Teste de comparação múltipla através da ANOVA (Minitab)
)
:J LABORATÓRIO
Tukey Simultaneous Tests
)
' Response Variable Melhora
)
All Pairwise Comparisons among Levels of Bloco
J
) Bloco =1 subtracted from:
) Difference SE of Adjusted
) Bloco of Means Difference T-Value P-Value
) 2 1,775 1,461 1,2151 0,7434
] 3 4,900 1,461 3,3544 ·º" 037_6.

4 -1,275 1,461 -0,8728 0,9015
J 5 0,350 1,461 0,2396 0,9992
)
-)
Bloco = 2 subtracted from:
.) Bloco of Means Difference T-Value P-Value
') 3 3,125 1,461 2,139 0,2657
4 -3,050 1,461 -2,088 0,2856
)
)
~ 11 5 -1,425 1,461 -0,976 0,8611
J
)
o Bloco = 3 subtracted from:
o
) Bloco of Means Difference T-Value P-Value
) 4 -6,175 1,461 -4,227 :oJ_~Qg;s,~:
) 5 -4,550 1,461 -3,115 0,0566
J
) Bloco =4 subtracted from;
.)
Bloco of Means Difference T-Value P-Value
) 5 1,625 1,461 1,112 0,7972
)
)
) Interpretação:
J
) Há uma diferença significativa entre os laboratórios 1 e 3 (p = 0,0376).
Há uma diferença significativa entre os laboratórios 3 e 4 (p 0,0084).=
J Não Há uma diferença significativa entre os laboratórios 1 e 4 (p 0,9015). =
)
) Temos então dois grandes blocos de fatores: o bloco dos laboratórios 1,2,4
) e 5 e o laboratório 3.
)
)
)
)
)
)
)
)
(J
.,
C1
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) (J
------------------------------------------------0o
Verificação de adequação do Modelo
o
Para validar essas conclusões obtidas pela análise de variância ANOVA o
sempre devemos analisar os resíduos pelos seguintes gráficos:
o
ü
Residual Plots for Melhora o
Nonnal Probability Plot o f the Residuais Residuais Versus the Fitted \lakles
o
~~r.--,-~---.--~~------~~ 4
• • • o
.
~o'-
!
~~~ 1' I
50 .L ....
.
l
~
·~
Cll:
2
o
• • •
•
• • •
•
•
. •
ü
o
• •
10 J. i
I'
-2 •
•
o
-4 o 2 4 75,0 77li 00/J B2,5 B5,0 ()
Resioooi Fitted Y alue
o
Histogram of the Residuais Residuais Versus the Order of the Data
4r----------------------, o
o
~ -
.ã••&
2
~-,~~
o
~ o-1, I[ l
1 ;, Ç ... I(
I
o
.:: "---./
o
~ o
o
2 4 G B 10 12 14
"'
Residual Obsetvation Order
u
c
o O primeiro trata-se de um gráfico de probabilidade Normal para os
resíduos padronizados. Assim, como todos os pontos encontram-se
próximo da reta, podemos afirmar que os resíduos seguem um modelo de
c
o
o
distribuição Normal. (OK) c
O segundo é o gráfico dos resíduos padronizados versus valores de
u
"melhora" ajustados. Como os pontos encontram-se aleatoriamente c
espalhados, sem um padrão sistemático, podemos considerar que a lJ
(
~
variância é constante entre todos os pontos obtidos para a variável '

resposta. (OK) (J
c
O terceiro apenas nos mostra a freqüência dos resíduos encontrados
através de um histograma.
c
c
O quarto mostra os resíduos padronizados conforme foi a ordem de c
observação. Como apresentam-se aleatoriamente, não há evidências que c
violem a suposição de independência dos resíduos. (OK) c
('
c
(
c
(
c
i[
)
)
) IDENTIFICAÇÃO E CONTORNO DE RU[DOS (ROBUST DESIGN)
)
) Após a confirmação dos dados analisados pela ANOVA, podemos passar
') para o próximo passo: analisar os efeitos dos fatores e dos blocos.
-,)
J
Main Effects Plot (data means) for Melhora
)
J 85
I Medicamento
I Bloco
)
~) 84
)
E
o
83
') :5
J
)
..."'o
::!! 82
c
... 81
~)
"'
::!!
) 80
-)
79
J
)
78 , ,
) '
c
~
A B D 1 2 3 4 5
)
)
)
'
o Como podemos ver, o melhor medicamento é o D. Entretanto, como não
foi comprovada uma diferença significante entre A, 8 e D, podemos adotar
--,
)
)
')
o qualquer um dos três tipos. O medicamento C, identificado como
significantemente diferente é o único que não deve ser utilizado.
O conceito de bloco nos implica que não há como controlar as variáveis de

-)
_) ruído contidas nele causadoras da alta variabilidade dos laboratórios. São
fatores identificados como causadores de variabilidade, mas que não
)
podem ser apontados, por exemplo num gráfico de Pareto para se
) estabelecer condições a ele, já que não é possível controlarmos seus
.J níveis. Por isso, o melhor a se fazer é conduzir estudos em parceria com
~) esse laboratórios visando à redução de variabilidade entre os lotes de
'
_j medicamentos.
-,
.)
) Em uma condução de estudo de DOE, depois de termos feitos essa pré-
análise, podemos estabelecer como blocos mais críticos o 3 e o 4.
J Verificou-se então, uma redução no número de blocos a ser aplicado no
J estudo, reduzindo tempo e outros gastos que seriam desnecessários.
)
)
J
)
)
)
J
)
)
© 2009 lnteractíon Plexus rev. 02
)
GJ
~~
"J
------------------------------------------~------~---()
4.3 CONFUNDIMENTOS EM EXPERIMENTOS COMPLETOS 2K EM o
BLOCOS o
o
A execução de um experimento em blocos une conceitos de experimentos
completos e fracionados. Depois de termos escolhido os blocos que serão
o
colocados em nosso estudo, devemos escolher os tratamentos
o
(combinação de níveis de fatores) a serem realizados em cada bloco. (J
Para isso temos que entender as situações de confundimentos vistas em o
experimentos fracionados. Serão realizadas, em cada bloco, frações do o
experimento, sendo que um será complementar do outro, por exemplo, um o
experimento de 4 fatores e dois blocos poderia ser realizado assim: o
o
Bloco 1 Bloco 2
o
[1] a o
ab b o
()
ac c
bc d o
ad abc o
bd bcd o
~ cd acd o
o abcd abd u
c
o Repare que os tratamentos escolhidos para os blocos foram exatamente
aquela divisão entre sinais positivos (parte de cima da tabela vista em
experimentos fracionados) e sinais negativos (parte de baixo da tabela)
c:
o
o
,-.
pertencente a coluna do efeito de interação ABCD. A análise é feita como (~
um experimento completo. A importância está em aleatorizar as c

combinações entre os blocos. Essa divisão de tratamentos teve como c
gerador o efeito ABCD e, nesse caso teremos apenas um confundimento lJ
entre os blocos: o fator de interação ABCD. (_,''
Existem três métodos para a escolha dos tratamentos: Tabela de sinais, c:

Método de contrates, Método da Propriedade de grupo. c
c
Vimos, por conveniência e praticidade apenas o Método da tabela de c
sinais. Usualmente a escolha de tratamentos, até mesmo para casos com c
mais de dois blocos, em que seria uma divisão maior dos tratamentos e c
apresentaria mais de um efeito com confundimentos, é feito por softwares
estatísticos como o Minitab.
c
c
c
c
c
(
c
(
© 2009 Jnteraction Plexus
104 c
rev. 02
(
J
')

)
) Uma boa maneira de reduzir esses confundimentos, tormando-os parciais,
) é o uso de réplicas, que veremos mais adiante. É importante destacar
J ainda que o conceito básico para essa redução implica em usar geradores
) diferentes em cada réplica, por exemplo, usar em uma réplica o
'j confundimento em ABC, em outra, o confundimento em AB e em outra o
confundimento em AC, assim poderemos tirar informações sobre ABC a
J partir dos dados obtidos nas réplicas 2 e 3.
)
J Ao longo da escolha de tratamentos, será necessário apontar os efeitos
) geradores, o que muitas vezes é difícil de escolher. Para que não ocorra o
) risco de efeitos importantes ficarem confundidos com os blocos, por
) representarem interações dos fatores escolhidos, apresentamos uma
tabela que o auxiliará nessa escolha:
J
)
Número Número
) Tamanho Efeitos
de de Interações confundidas com os
do Bloco, escolhidos para
) Fatores, Blocos, blocos
2 k·P gerar os blocos
2p
J K
)
) 3 2 4 ABC ABC
) ~ 4 2 AB,AC AB,AC, BC
J
)
o 4 2 8 ABCD ABCD
o
4 4 ABC, ACD ABC,ACD, BD
:l 8 2 AB, BC, CD AB,BC,CD,AC,BD,AD,ABCD
) ,,,,
) 5 2 16 ABCDE ABCDE
' ) 4 8 ABC,CDE ABC, CDE, ABD
) 8 4 ABE, BCE, CDE ABE, BCE, CDE, AC, ABCD, BD,
) ADE
) 16 2 AB, AC, CD, DE todas as interações de dois e quatro
fatores (15 efeitos)
J
)
6 2 32 ABCDEF ABCDEF
.J 4 16 ABCF,CDEF ABCF, CDEF, ABDE
)
8 8 ABEF, ABCD, ABEF, ABCD, ACE, BCF, BDE,
) ACE CDEF, ADF
) 16 4 ABF, ACF, BDF, ABF, ACF, BDF, DEF, BC, ABCD,
) DEF ABDE, AD, ACDE, CE, BDF,
J BCDEF,ABCEF,AEF,BE
) 32 2 AB, BD, CD, DE, Todas as interações de 2, 4 e 6
EF fatores
J (31 fatores)
)
)
)
)
)
)
)
~)
r:;
IDENTIFICAÇÃO E CONTORNO DE RUIDOS (ROBUST DESIGN) ()
o
Repare que o tamanho do bloco, ou seja, a quantidadde de experimento o
que será realizada em cada bloco é igual ao número de experimentos (')
totais (fatorai! completo) dividido pelo número de blocos. o
Vocês conseguiriam agora aplicar esses conceitos para o exemplo da
o
Pizzaria? Veja os dados obtidos pelo Minitab abaixo e tomem conclusões. o
(J
Realizamos, num experimento inicial, dois ensaios de cada bloco, com os o
fatores fixados no mesmo nível em todos eles. o
CJ
Blocos
·-1.~
. -···-
· Éfét;i6'il o
2
o
,-)
'
o
5 0,281~ o
6
,
~-
0•310
·J'' '
>r1· ,;:-
u
7.
~:~~to
\/idaloDg,a . ~•;29! n
8 Joaquin1 Mlmo~aí
\1/ ' ,';S•',' ;"·:
0.6 39
·>;''I. /\ o
·9 • cEietrico· Valdemar·
" l~'~í':i'i!ll""'··
,~lf;l\:9:.•. ra... ."''" .. ·•...2.a._
. . · '7_·.o__ . .c~
~)
~
·. ·' l
10 ~létri~ ~~~~~âr.~JIE~i•_f~Tr'ílósª''~~i · o;32t :i u
·~~~v~~·~~· ~.JY;!~~:;ff.~ ·~~;-~~~ _:_·-~f~ik)~Li
o
11
12 o
1 Elétrico Joaquim lnNatura 0.45 o
o 2
3
4
5
Lenha
Lenha
Elétrico
Lenha
Valdemar
Valdemar
Joaquim
Joaquim
Mimosa
VidaLonga
VidaLonga
VidaLonga
0,38
0,37
0,31
0,3
u
o
o
('
j
6
7
Lenha
Elétrico
Valdemar
Valdemar
lnNatura
Vidalonga
0,34
0,27
o
8 Lenha Joaquim Mimosa 0,41
c
9 Elétrico Valdemar lnNatura 0,25 o
10 Elétrico Valdemar Mimosa 0,37 o
11 Lenha Joaquim lnNatura 0,45 u
12 Elétrico Joaquim Mimosa 0,3 o
c.
Repare que mesmo não realizando os 8 ensaios para cada um dos12
C '
blocos (96 ao total), para um experimento inicial tivemos uma grande c

quantidade de ensaios (24). Acabamos perdendo muito tempo e obtivemos c
custos que, se tivéssemos o conhecimento técnico para reduzir essa (j
quantidade, seriam totalmente desnecessários. c:
~-
c
c
c
c
c
Plexus Training SystemsTM 106 cc
© 2009 lnteraction Plexus rev. 02 f,
)
)
_) iDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN)
)
) 4.3.1 Escolhendo os blocos passo-a-passo através da ANOVA
) (Minitab)
) Teste de Comparação Múltipla- PIZZA
) General Linear Model: Melhora versus Medicamento; Bloco
-,,\
)
Facto r Type Levels values
) fixed
Blocos 12 1 2 3 4 5 6 7 8 9 10 11 12
)
J Analysis of variance for Melhora, using Adjusted ss for Tests
)
-) source DF Seq SS Adj SS Adj MS F p
) Blocos 11 0,0699333 0,0699333 0,0063576 10,90 0,000
\ Erro r 12 0,0070000 0,0070000 0,0005833

. .)
Total 23 0,0769333
]
) Tukey Simultaneous Tests
) Response Variable Densidade
) All Pairwise Comparisons among Levels of Blocos
)
) Blocos =1 subtracted from:
J ~ Difference SE of Adjusted
o
Blocos of Means Difference T-Value P-Value
)
2 -0,0400 0,02415 -1,656 0,8578
J -0,0700 o' 2506
o
3 0,02415 -2,898
) 4 -0,1050 0,02415 -4,347 0,0276
) 5 -0,1450 0,02415 -6,004 0,0022
) 6 -0,1100 0,02415 -4,554 0,0·199
-•,) 7 -0,1550 0,02415 -6,418 0,0012
8 -0,0350 0,02415 -1,449 0,9297
)
9 -0,1700 0,02415 -7,039 0,0005
)
10 -0,0900 0,02415 -3,726 0,0733
J 11 -0,0100 0,02415 -0,414 1,0000
) 12 -0,1100 0,02415 -4,554 0,0199
)
J Blocos = 2 subtracted from:
J Difference SE of Adjusted
--) Blocos of Means Difference T-Value P-Value
3 -0,0300 0,02415 -1,242 0,9730
J 4 -0,0650 0,02415 -2,691 0,3298
] -0,1050 0,02415 -4,347 0,0276
5
J 6 -0,0700 0,02415 -2,898 0,2506
) 7 -0,1150 0,02415 -4,761 0,0144
) 8 0,0050 0,02415 0,207 1,0000
) 9 -0,1300 0,02415 -5,383 0,0055

10 -0,0500 0,02415 -2,070 0,6486
)
)
)
)
)
()
(\
'
IDENTIFICAÇÃO E CONTORNO DE RU[DOS (ROBUST DESIGN) o
f)
11 0,0300 0,02415 1,242 0,9730 o
12 -0,0700 0,02415 -2,898 0,2506 o
o
Blocos = 3 subtracted from:
o
o
o
4 -0,0350 0,02415 -1,449 0,9297 o
5 -0,0750 0,02415 -3,105 0,1873 o
6 -0,0400 0,02415 -1,656 0,8578 o
7 -0,0850 0,02415 -3,519 0,1010
o
8 0,0350 0,02415 1,449 0,9297
o
9
10
-0,1000
-0,0200
0,02415
0,02415
-4,140
-0,828
0,0382
0,9988
o
11 0,0600 0,02415 2,484 0,4250
o
12 -0,0400 0,02415 -1,656 0,8578 o
~-,
'-
o
Blocos =4 subtracted from:
o
o
~ Difference SE of Adjusted
ú
o
5 -0,04000 0,02415 -1,656 0,8578
o
6 -0,00500 0,02415 -0,207 1,0000 c
u
Q 7
8
9
-0,05000
0,07000
-0,06500
0,02415
0,02415
0,02415
-2,070
2,898
-2,691
0,6486
0,2506
0,3298
o
c
10 0,01500 0,02415 0,621 0,9999
c
11
12
0,09500
-0,00500
0,02415
0,02415
3,933
-0,207
0,0530
1,0000
c
c
Blocos = 5 subtracted from: c
c
Difference SE of Adjusted (~
Blocos of Means Difference T-Value P-Value (
6 0,03500 0,02415 1,449 0,9297
c
7
8
-0,01000
0,11000
0,02415
0,02415
-0,414
4,554
1,0000
c
9 -0,02500 0,02415 -1,035
0,0199
0,9927
c
10 0,05500 0,02415 2,277 0,5333 c
11 0,13500 0,02415 5,590 0,0040 c,.-,
12 0,03500 0,02415 1,449 0,9297 \
c
c
c
c
c
c
c
(
)
)
11 11
)
) 11 11 Blocos = 6 subtracted from:
)
) Blocos of Means Difference T-Value P-Value

7 -0,04500 0,02415 -1,863 0,7608
)
8 0,07500 0,02415 3,105 0,1873
) 9 -0,06000 0,02415 -2,484 0,4250
) 10 0,02000 0,02415 0,828 0,9988
-) 11 0,10000 0,02415 4,140 0,0382
) 12 -0,00000 0,02415 -0,000 1,0000
J
) 11 11 Blocos = 7 subtracted from:
)
l Blocos of Means Difference T-Value P-Value
) 8 0,12000 0,02415 4,9685 0,0104
) 9 -0,01500 0,02415 -0,6211 0,9999
J 10 0,06500 0,02415 2,6913 0,3298
) 11 0,14500 0,02415 6,0036 0,0022

12 0,04500 0,02415 1,8632 0,7608
)
) ~
o
11 Blocos = 8 subtracted from:
)
)
)
-
)
)
o Blocos
9
10
11
of Means
-0,1350
-0,0550
0,0250
Difference
0,02415
0,02415
0,02415
T-Value
-5,590
-2,277
1,035
P-Value
0,0040
0,5333
0,9927
12 -0,0750 0,02415 -3,105 0,1873
)
)
11 11 Blocos = 9 subtracted from:
)
_) Difference SE of Adjusted
] Blocos of Means Difference T-Value P-Value
) 10 0,08000 0,02415 3,312 0,1382
) 11 0,16000 0,02415 6,625 0,0009

12 0,06000 0,02415 2,484 0,4250
)
)
11 11 Blocos = 10 subtracted from:
J
) Blocos of Means Difference T-Value P-Value
) 11 0,08000 0,02415 3,3123 0,1382
) 12 -0,02000 0,02415 -0,8281 0,9988
)
)
)
)
) li I Plexus Training Systems™ 109
)
o
o
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) (')
c
Blocos 11 subtracted from: o
o
Difference SE of Adjusted o
o, 0382
o
12 -0,1000 0,02415 -4,140
o
o
Gráfico comparativo dos efeitos dos blocos
o
o
o
0,44
o
0,42
o
O,'IJ o
Q) 0,33
o
-o
(IJ 0,33 o
-o
'üi
c 0,34
o
o
Q)
0,32 o
0,3) o
o
~
0,33
o
0,2fl
g
o
1 3
"Blocos7 11
o
o
11
ü
o
o
(I
Que blocos vocês poderiam estar escolhendo a partir dessa análise?
Comentem as possibilidades dizendo quais as vantagens e limitações
o
dessas escolhas. c
o
()
u
u-I
u
c
u
c
c
c
c
c
c
c
c
110
rev. 02
cc
c
-)
J
:) 5- EXECUÇÃO DO EXPERIMENTO
)
J Ainda poderíamos reduzir o número de ensaios sem perdem a
) confiabilidade no estudo?
Este estudo mostra também que num experimento em blocos pode-se
realizar todos os ensaios para cada um deles, não havendo aquela divisão
")
de tratamentos por sinais, ou seja, com um gerador. Essa forma requer
~ mais tempo e dinheiro, mas impede a formação do confundimento que
r) pode muitas vezes atrapalhar as conclusões. Mais uma vez, o
l conhecimento técnico poderia estar nos ajudando nessa escolha.
)
Blocos Tratamento Açúcar Fermento Leite
J 2 ab Cristal 50 200
~ 2 c Refinado 25 300
.-) 4 abc Cristal 50 300
4 [1 J Refinado 25 200
J 3 b Refinado 50 200
'J 3 ac Cristal 25 300
') 1 a Cristal 25 200
1 bc Refinado 50 300
:)
)
.J ~ Geradores dos Blocos AB AC
J
) o Alias Structure:
)
)
)
o Blocl = AB
Bloc2 = AC
Bloc3 = BC
A
~) B
) c
ABC
)
)
) Analisem a escolha do Minitab e respondam:
)
)
) Quais as limitações dessa forma de estudo?
)
) Quais os confundimentos obtidos nesse experimento?
)
)
)
)
)

'U.
o:
IDENTIFICAÇÃO E CONTORNO DE RUiDOS (ROBUST DESIGN) ()
o
A tabela do minitab teve como geradores os efeitos AB e AC. Vejamos '.)
,f'
como são escolhidos, agora, os tratamentos com estes geradores: o

Ül
A B AB c AC BC ABC 01
(1) - - + - + + - o
a + - - - - + + o
b - + - - + - + o
ab + + + - - - - o
c - - + + - - + o
ac + - - + + - - o
bc - + - + - + - o
abc + + + + + + + o
o
O primeiro passo está em separar, conforme os sinais de AB, as linhas dos o
tratamentos: o
o
A B c AC BC ABC AB
I
CJ
- - - + - + o
~
(1) + I
ü
o
abc + + + + + + + I
ab
+ ·..· ·'·_ <+ . .
- -- r' • - - + I o
.. ·.· . "- _,. C1
- -
' ·r " .
+
o
c +· +
kc ·- I
o
bc - + + - + - - I
r-
'-J
a + - - - + + - '
c
b - + - + - + - '
c
ac + - + + - - - c
'
\.
Reparem que a parte superior da tabela agrupou todas as combinações

c
em que AB era positivo e a parte inferior agrupou as combinações em que
c
AB era negativo. c
(
c
(
(
(
(
<.
í
(

)
)
'\
,j
) Façamos, agora, o mesmo para o gerador AC:

)
) A 8 AB c BC ABC AC
) (1) - - + - + - +
abc + + + + + + +
) b - + - - - + +
)
)
ac + - - + - - +
)
ab + + + - - - -
)
c - - + + - + -
)
a + - - - + + -
bc - + - + + - -
-
)
)
A disposição também segue os sinais de AC, ficando a parte superior da
)
tabela positiva e a parte inferior negativa.
_j
I
) Critérios de escolha:
)
) ~ Observando a tabela do gerador AB na parte positiva percebemos que os
-1
o únicos tratamentos que também aparecem na parte positiva da tabela do

gerador AC são (1) e abc.
o
Os que sobram dessa parte positiva devem ser obrigatoriamente
)
associados a tratamentos com sinais opostos, ou seja, ab e c que faziam
) parte do conjunto dos positivos vão se relacionar com ab e c do grupo dos
) sinais negativos da tabela geradora por AC. Restam agora os tratamentos
') da parte inferior da tabela de AB. Seguimos o mesmo padrão: os únicos
) tratamentos que coincidem os sinais nas duas tabelas são a e bc. Os
) restantes serão associados com sinais opostos, logo, b e ac terão sinais
/
positivos na tabela do gerador AC.
j
l
J Finalizando, os tratamentos serão divididos em quatro blocos:
)
-) Bloco A Bloco B Bloco C Bloco D

J
[1] b c a
J
J abc ac ab bc
]
)
j
)
-/
)
)
)
)
--
~ '
)
)
o
o
IDENTIFICAÇÃO E CONTORNO DE RUIDOS (ROBUST DESIGN) Ü
------------------~----------~----~--0
Identificamos os confundimentos conforme a tabela abaixo: o
"iaf------rs~~·
o
A B v ~J
o
abc + + ()
b + o
ac + o
" - ~~,&~"f: ~'; 'i CJ
+ +
c
o
,, ;;:":~; .· ·1 ()
a + ~Sl "*' . +~'<; ~,. Ó
I bc I - I + I · .·~,;~~:'I + I ;f~· . JI - 1 -·~ ;.~'' 0
o
()
Todos os blocos estão apenas analisando combinações que resultam em
efeitos para as interações AB, AC e BC somente positivas ou somente o
negativas. Portanto esses efeitos estão confundidos entre os blocos. o
CJ
()
~ Em uma análise, quando observarmos que os efeitos principais foram os c
o significativos devemos tomar cuidado com os confundimentos existentes
entre interações de segunda ordem. O conhecimento técnico nos dará a
resposta definitiva para o nosso estudo.
c
c
c
Q Efeitos de interações de segunda ordem confundem-se numa resolução 111
com efeitos principais:
c
c
c
A=BC c
B =AC
C =AB
c
c
c
c
\
c
c
c
c
(
,_
(c.
c
c:
c
(
c
c
(
© 2009 fnteraction Plexus rev. 02
(
)
)
)
11 li IDENTIFICAÇÃO E CONTORNO DE RUI DOS (ROBUST DESIGN)
)
) Como, no caso da pizza, os confundimentos seriam difícies de ser
) analisados praticamente, iremos combinar os fatores com cada bloco
) escolhido e executar os ensaios em ordem aleatória com um experimento
) completo em cada bloco. repare que ainda assim a ANOVA reduziu a
necessidade de 12 x 8 ensaios para 4 x 8 ensaios.
)
) Para o critério de escolha é recomendável usar os dois mais extremos e

) li li mais aqueles que o responsável pelo estudo achar necessário.
)
) StdOrder RunOrder Bloco Açúcar Fermento Leite Densidade
) 1 2 A refinado 25 200 0,3
) 2 1 A refinado 25 300 0,425
3 3 A refinado 50 200 0,254
)
4 9 A refinado 50 300 0,368
)
5 13 A cristal 25 200 0,314
) 6 12 A cristal 25 300 0,245
) 7 20 A cristal 50 200 0,412
) 8 32 A cristal 50 300 0,249
) 9 16 B refinado 25 200 0,279
) 10 26 B refinado 25 300 0,419
~ 11 31 B refinado 50 200 0,26

)
) o 12
13
14
11
6
22
B
B
B
refinado
cristal
cristal
50
25
25
300
200
300
0,358
0,347
0,224
)
)
)
)
o 15
16
17
18
17
15
27
25
c
c
B
B
cristal
cristal
refinado
refinado
50
50
25
25
200
300
200
300
!·;
0,411
0,256
0,279
0,392
19 29 c refinado 50 200 0,259
J 20 19 c refinado 50 300 0,355
~)
21 10 c cristal 25 200 0,319
) 22 5 c cristal 25 300 0,25
_) 23 8 c cristal 50 200 0,426
) 24 28 c cristal 50 300 0,251
) 25 23 D refinado 25 200 0,308
) 26 14 D refinado 25 300 0,381
27 21 D refinado 50 200 0,267
:J 28 7 D refinado 50 300 0,384
)
29 30 D cristal 25 200 0,328
.. , 30
31
24
4
D
D
cristal
cristal
25
50
300
200
0,271
0,419
) li li 32 18 D cristal 50 300 0,261
J
)
_;
\
)
)'
)
] li I Plexus Training Systems™ 115
)
o
o
IDENTIFICAÇÃO E CONTORNO DE RUIDOS (ROBUST DESIGN) ()
c
6 CALCULAR E REGISTRAR OS VALORES OBTIDOS PARA o
AS VARIÁV EIS RESPOSTAS o
o
Açúcar Fermento Leite DensA DensB DensC DensO Média DesvioPadrão ()
refinado 25 200 0,3 0,279 0,279 0,308 0,2915 0,0147986
refinado 25 300 0,425 0,419 0,392 0,381 0,40425 0,0211246
ü
refinado 50 200 0,254 0,26 0,259 0,267 0,26 0,0053541 o
refinado 50 300 0,368 0,358 0,355 0,384 0,36625 0,0130735
p,,
cristal 25 200 0,314 0,347 0,319 0,328 0,327 0,0145373 ()
cristal 25 300 0,245 0,224 0,25 0,271 0,2475 0,0192959 o
cristal 50 200 0,412 0,411 0,426 0,419 0,417 0,0069761 o
cristal 50 300 0,249 0,256 0,251 0,261 0,25425 0,0053774
o
(\
o
C)
o
Com os conceitos, compare com o fluxograma feito por vocês e verifiquem o
quais métodos são importantes. Há alguma limitação nesse procedimento?
Cite vantagens e desvantagens.
c
()
~ (j
o o
(I
o o
o
Cl
(')
o
c
()
c
Como vocês procederiam para fazer a análise desse experimento? ()
c
c,-
L
c
c
('
\.._,
c
c
c
c
c
c
c(
)
j
)
; )
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN)
.)
.,
' } 7 ANALISANDO O EXPERIMENTO
)
) É feita conforme um experimento fatorial 2k completo, porém, considerando
I duas variáveis respostas, a média e o desvio padrão.
)
-
7.1- ANÁLISE DA VARIÁVEL RESPOSTA "MÉDIA"
J
')
) Factorial Fit: Média versus Açúcar; Fermento; Leite
)
) Estimated Effects and Coefficients for Média (coded units)
J Term Effect Coe f

)
Constant 0,32097
) Açúcar 0,01906 0,00953
~)
Fermento 0,00681 0,00341
\
-! Leite -0,00581 -0,00291
) Açúcar* Fermento -0,04156 -0,02078

\) Açúcar* Leite 0,11531 0,05766
)
~ Fermento* Leite -0,02244 -0,01122
o
Açúcar*Fermento*Leite 0,01919 0,00959
)
/
J
)
)
\
o Pareto Chart of the Effects
(respmse is Mé::la, lllP<I ~ ,C6)
O,l.CBJ
i'"&.',[.)' .'J.:n~
I
.
) K. -'• l\ ~'J::d"
.... -·.•. i .
s F ~·:11e-f..u
) c
j
IIB .Y• c~J I
:..t:!tt:
)
s::: ,c I I
)
E,IIK
~
J A
j B
') 7"1
c ••
l ~
J O,OJ 0,02 0,04 0,05 O,CB O)D 0,12

Effect
) la11h's FSE ~ O,IJ335875
)
)
--~
')
)
\
)
\
Jl
)
Plexus Training SystemsT" 117
)
)
o
o
('ti
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) V
----------------------------~---------0
ü
(..',
,_
Normal Probability Plot of the Effects ()
(response ís Média, Alpha = ,05)
99 Effud Type
o
• Not Signlficant o
95
90
j·'·-
'
~-----
-1--- ·· --"·1--
- _!_ '
-:--- •AG
-----I
'
• SigniAcant
o
eo J_i_' '
J.. ..1 _ _ _~_ L
''
-·'
Factor Name
A Açúcar o
.....
"u .
70 v~-- _ _., ______ _
.1. -- __ : __
·-'- - J'
B
C
Fennento
Leite o
• -·
Q)
.L.--
50 "'1"1- -~--·
' _,_- ···- .. -t' o
l;;
Q.
4D
30 __ , o
20 'i·;-
'
o
10 ·F-- ·•-· o
5
o
o
-0,05 0,00
Effect
0,05 0,10
o
Lenth's PSE = 0,0286875 o
o
()
~ o
o Interpretação: c
c
o Percebe-se forte influência da interação açúcar com leite. Vale ressaltar
que de alguma forma o leite está modificando a densidade do leite, com
dito pelos técnicos anteriormente.
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
r
1..
c
(
J
'
)
\
IDENTIFICAÇÃO E CONTORNO DE RU[DOS (ROBUST DESIGN)
)
-)
"•,,
) Interaction Plot (data means) for Média
/ 0,400 Açúcar
___.___ Cristal
/. - - - ReAn.:~do
) 0,375 /
/
) /
/
) 0,350 /
/
-:) .----·
) "g: 0,325
/
:;; /
/
) /
0,300 /
) /
/
')
0,275
"
) 0,250
0 200 300
) leite
)
:)
~
o
j
)
)
Para melhorar a densidade média das pizzas quais seriam os fatores
)
)
~)
)
o melhor aplicáveis?
Qual seria a taxa média alcançada?
) Pode-se dizer que essa é a conclusão final para alcançarmos a meta

estipulada para a densidade? Por quê?
J
)
)
J
)
)
',
\
\
j
,)
l
)
)
;
-,,
_,J
)
)
J
o
o
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) "' ~.>
o
(';
7.2 -ANÁLISE DA VARIABILIDADE ~
{.:)
()
Factorial Fit: DesvioPadrão versus Açúcar; Fermento; Leite
o
Estimated Effects and Coefficients for DesvioPadrão (coded units)
o
o
Term Effect Coe f ()
Constant 0,012567 o
Açúcar 0,002041 0,001021 (j
Fermento -0,009744 -0,004872
o
Leite
Açúcar*Fermento
0,004301 0,002151
o
Açúcar* Leite
0,000996
0,002721
0,000498
0,001361
o
Fermento* Leite -0,001241 -0,000620 o
Açúcar*Fermento*Leite 0,001938 0,000969 o
o
o
Pareto Chart of the Effects
o
()
~
(response is DesvioPadrão, Alpha = ,10)
Í'
o
'--'
Factor Name c~
B A Açúcar
í,_,
o
B Fermento
c Leite
c (
,)
\
AC o
E
A
c
~ c
ABC (_~
BC c
AB c
c
0,000 0,002 0,004 0,006
Effect
0,008 0,010 c
Lentl1's PSE = 0,00298403
c
cr
(_
c
c
c
c:
c
cr-
'-'
,:....
(
,(
r
120 c'-
rev. 02 (
)
.-)
C) IDENTIFICAÇÃO E CONTORNO DE RUiDOS (ROBUST DESIGN)

()
')
') Normal Probability Plot of the Effects
(_) (response is DesvioPadrão, Alpha = , 10)
) 99,-~----~-----.-----,------~----,------.--~~
Effed Type
• Not Signifkant
')
) 95
90 .. ·-
• Signifkant
Factor Name
A Asúcar
)
...
80
70
• B
C
Fermento
leite
) = 60 -~-·
) ê 40 50 •
)
Q)
a. 30 -.-
. ) 20
10 1- :•s- - ·
•
•) 5
')
') ~~------~~--------------,-----------.-----~
~ow -0,005 0,000 0,005
!) Effect
) Lenth's PSE = 0,00298403
)
_)
) ~
o
Interpretação:
)
) Apenas o fermento foi significante na análise da variabilidade, não
)
)
)
)
o confirmando a hipótese da equipe.
)
;.)
-)
)
C)
;)
r)
,)
:J
)
)
J
)
)
)
)
.)
J Plexus Training SystemsTM 121
)
(J
o
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN) (_)
o
o
Ma in Effects P!ot (data means) for DesvioPadrão o
0,018 o
o
o
0,016 o
""....
"'O
o
~ 0,014 o
·~ o
e"'o
Q)
0,012 o
c: o
al o
::;:: 0,010
o
0,008 o
o
25
Fermento
50
o
o
o
o
~ Para melhorar a variabilidade das pizzas quais seriam os fatores melhor
o
o
aplicáveis?
o
Qual seria a taxa média alcançada? o
o
Q Pode-se dizer que essa é a conclusão final para alcançarmos a meta o
estipulada para a variabilidade? Por quê? o
o
o
o
o
c
o
c
c
c
c
c
c
c
c
c
c
c
c
(
c
_)
)
) IDENTIFICAÇÃO E CONTORNO OE RUÍDOS (ROBUST DESIGN)
.)
~
' 7.2- OTIMIZAÇÃO DA RESPOSTA

)
) Response Optimization
-, Parameters
)
Goal Lower Target Upper weight Import
) Média 0,1 0,25 0,5 1 1
) DesvioPadrão 0,0 0,00 1,0 1 1
)
) Global Solution
) Açúcar = -1,000 (Cristal)
Fermento = -1,000 (25)
.)
Leite = 296,855
J
,,
Predicted Responses
I Média = 0,25000; desirability = 1,00000
~,
_.,/ DesvioPadrão = 0,01915; desirability = 0,98085

)
li
1
~
o
/
-,
_} li Noo Hi
Aetúcar
R 1nado
Fermento
50
Leite
300,0
D Cur Cristal 2'_, [300,0]
o
0,98202 Lo Cristal 25 200,0
) li
Média
Targ: 0,250
)
-~
y = 0,2475
I d = 0,98333
- --------- ---------·
)
DesvioPa ---------· ----------
~ Minimum ~
J y = 0,0193
d= 0,98070
J
•
~)
.·-,
)
'
~
-'
.__/'
I
-)
~
_)
)
J
'•)
Qj
()
IDENTIFICAÇÃO E CONTORNO DE RUÍDOS (ROBUST DESIGN)
()
--------------------~----------~~----~-0
Complete a tabela: o
o
o
V.Resposta
Efeitos
Fatores
Níveis
Var. Resposta Variável o
Significativos
A I B Ic ID
Média Otimizada o
I -----
()
ü
o
o
o
Quais as conclusões obtidas? o
Qual a melhor condição para atingirmos ambas as metas, ou seja, tornar o
o
processo robusto? o
o
o
o
o
o
~ o
o ü
o
o o
o
()
o
ü
c
o
C'
\.~
o
c
c
c
c
c
c
c
c
c
c
c
c
(
~
)
)
_,
~
' Conclusões finais:
)
) Utilizando 300m I de leite, açúcar cristal e 1 colher de fermento, temos que
-, a média e o desvio padrão, pela otimização de respostas, foram 0,2475 e
0,0193, respectivamente_
)
) Nestas condições, a variabilidade será de 0,0193 e o valor de Cpk
) ultrapassará a meta estipulada.
)
-) As condições determinadas tenderão a deslocar a média do valor nominal,
) sairá de 0,25 para 0,2475.
)
Como próximos passos, devem ser coletados novos dados do processo,
)
"\
aproximadamente 25 amostras, já ajustados nas novas condições de
" operação, e construir cartas de controle para avaliar a estabilidade dos
) novos resultados.
-)
)
)
~
)
Compare as conclusões finais com o fluxograma e as demais análises que
)
o
foram feitas por vocês anteriormente para o planejamento robusto.
1
)
)
)
)
o
-)
)
)
_,
J
_)
)
.c'\
)
J
J
J
J
J
)
J
J
J
)
)
c;)
EXPERIMENTOS COM RÉPLICAS

o
(_')
o
()
o
o
o
o
o
o
o
o
o
o
o
o
o
PARTE VIl o
o
o
EXPERIMENTOS COM o
~ o
o RÉPLICAS o
o
o o
o
o
o
o
o
o
o
ü
o
c
o
c
o
G
c
G
c
c
c
c
126 cc
rev. 02
c
)
)
:J
_,
J
Já vimos que existem muitas maneiras de contornar restrições que possam
1 ~
aparecer ao longo do estudo com experimentos. Já vimos a análise em
experimentos fracionados, por exemplo.
)
1
)
:) • Quais outras medidas podemos tomar caso não haja condições viáveis
) de disponibilizar distintas amostras/experimentos para estudo, seja por
) custo, tempo ou outro fator?
)
• Como poderíamos analisar os experimentos?
)
:)
')
''\
-'
~I Usem o seguinte exemplo para chegar às conclusões:
/
J Uma indústria química pretende aumentar a produção de um determinado

)
componente. Para isso é necessário agilizar algumas reações comumentes
:) realizadas por meio de catalisadores. No entanto, disponibilizar muitas
~
; amostras da reação a ser estudada é um processo caro e que requer muito
-, tempo. A realização de uma quantidade de ensaios grande não seria um
o
-'
) fator inviável. Análises técnicas observaram que a temperatura (20°C ou
40°C), a pressão atmosférica (1atm ou 4 atm) e o tipo de catalisador (A ou
J
)
)
)
o B) seriam os fatores que entrariam no estudo. Como seria alcançada essa
meta de uma maneira mais eficaz e confiável?
~)
,)
-- \
)
~)
)
~--,
- )
-~
!
J
)
)
)
-)
)
J 127
Plexus Training SystemsTM
o
o
()
o
o
Roteiro para um Experimento o
o
com Réplicas o
o
o
1) Identificar os objetivos do experimento; o
o
2) Selecionar a variável resposta;
o
3) Escolher os fatores e seus níveis; o
o
4) Planejamento dos Experimentos; o
o
5) Realização dos Experimentos; o
o
o
7) Interpretação de Resultados; o
o
~ o
o
8) Elaboração do Relatório.
u
o
o Num experimento com réplicas podemos ter a máxima confiança nos
dados obtidos pela amostra. A diferença, além do planejamento do
experimento, está também em alguns passos da análise de dados que
veremos a seguir.
o
o
o
o
O experimento com réplicas deve ser usado sempre que possível. A u
vantagem é ter mais confiança nos resultados sem ter que realizar o
necessariamente uma série de experimentos. Basta para isso retirar uma o
série de amostras da mesma combinação de fatores (mesmo o
experimento). O princípio aqui é facilmente aplicável quando podemos
retirara várias amostras de um único experimento.
o
c
o
~ I amo,tra, da m"ma batelada I c
c
o
c
c
c
c
c
c
c
Plexus Training Systems 7 M 128 (
(
)
)
)
)
-) RESOLVENDO UM EXPERIMENTO COM
) RÉPLICAS
)
) Em situações como a descrita no exemplo da página anterior, os
experimentos com réplicas são indicados. Estes aumentam o poder de
)
enxergar os efeitos dos fatores e das interações.
~)
) Vejamos pelo exemplo descrito anteriormente:
)
)
)
Aumentar a produção de determinado componente químico.
)
',
)
J 2 VARIÁVEL RESPOSTA
_)
) Nível de Produção (Yield)
"
) ~
) li
o 3 FATORES DE INTERESSE
)
)
')
o A
B
c
Temperature
Pressure
Catalyst
20(-1)
1 atm(-1)
A(-1)
ou 40(+1)
ou 4 atm(+1}
ou B(+1)
)
)
)
J
)
J
)
')
-)
J
)
)
)
)
)
)
)
)
J 129
Plexus Training Systems ™
')
© 2009 Interaction Plexus rev. 02
(:)

o
Q
()
o
4 PLANEJAMENTO DO EXPERIMENTO COM RÉPLICAS o
StdOrder
o
2
RunOrder
1
Temp
40
Pressure
1
Catalyst
A
Yield
o
14 2 40 1 8
o
4 3 40 4 A c
3 4 20 4 A o
1 5 20 1 A o
16 6 40 4 8 o
11 7 20 4 A o
7
6
8
9
20
40
4
1
8
o
8 10 40 4
8
8
o
5 11 20 1 8 o
9 12 20 1 A o
12 13 40 4 A o
10 14 40 1 A o
15
13
15
16
20
20
4
1
8
8
o
()
~ o
o Em ordem aleatória, foram feitas duas réplicas para cada ensaio,
proporcionando um clareza maior dos dados e garantindo uma
u
o
o credibilidade nos dados, que serão observados considerando a variação
existente no processo.
o
o
ü
,-,
u
o,-,
,_,
u
c
c
c
c
c
c
c
c
c
c
c
c
c
c
(
j
)
J
)
) 5 REALIZAÇÃO DO EXPERIMENTO:
)
J StdOrder RunOrder Temp Pressure Catalyst Yield

~) 2 1 40 1 A 66
) 14 2 40 1 B 66
4 3 40 4 A 102
)
3 4 20 4 A 98
.) 1 5 20 1 A 65
) 16 6 40 4 B 54
) 11 7 20 4 A 107
) 7 8 20 4 B 68
) 6 9 40 1 B 53
8 10 40 4 B 66
'J
5 11 20 1 B 55
' 9 12 20 1 A 85
I
./ 12 13 40 4 A 108
l 10 14 40 1 A 89
') 15 15 20 4 B 52
J·, 13 16 20 1 B 63
~
)
)
)
'I o Analisando os dados obtidos, o que você pode concluir? Quais poderiam
..)
)
) o ser os fatores que interferem na repetibilidade das amostras?
l
)
)
..
--,)
J
~
)
\
_)
)
J
J
J
)
)
J
)
J
J
j
Plexus Training Systems tM 131
)
)
ç_)

o
()
()
o
6.1 Cálculo dos efeitos dos fatores e interações pelo Minitab o
()
A saída é a seguinte:
o
Full Factorial Design o
o
Factors: 3 Base Design: 3; 8 o
Runs: 16 Replicates: 2 o
Blocks: 1 Center pts (total), o (J
All terms are free from aliasing.
o
Factorial Fit: Yield versus Temp; Pressure; Catalyst o
o
Estimated Effects and Coefficients for Yield (coded units) o
o
Term Effect Coe f SE coef T p
o
Constant 74,81 2,561 29,21 0,000
o
Temp 1,38 0,69 2,561 0,27 0,795
o
~ Pressure 14,12 7,06 2,561 2,76 0,025
o
oQ Catalyst
Temp*Pressure
Temp*Catalyst
Pressure*Catalyst
-30,38
-0,13
-1,13
-13,37
-15,19
-0,06
-0,56
-6,69
2,561
2,561
2,561
2,561
-5,93
-0,02
-0,22
-2,61
0,000
0,981
0,832
0,031
u
c·
u
j
Temp*Pressure*Catalyst -0,13 -0,06 2,561 -0,02 0,981 o

u
s = 10,2439 R-Sq = 86,14% R-Sq (adj) = 74,01% c
Interpretação o,.
u
A tabela de estimativa de efeitos, quando associada a um experimento U
com réplicas, contém alguns dados adicionais: C
r~
·'
SECoef- Seria o erro padrão (Standard Error) existente entre as réplicas, c
ou seja, a diferença estatística entre a primeira medição e a segunda
medição em um sistema homogênio, com a mesma amostra e os mesmos
o
fatores ambientais ou ruídos. c
c
P - indica o ponto em que inicia as chances de o fator não ser significativo c
na variação da resposta, ou seja, para garantirmos a significância com 5% c
de erro, p-valor deverá ser menor que 0,05. c
c
R-Sq - Indica a porcentagem de variação fornecida pelos fatores
estudados.
c
c
(
c
(
)
)
)
'")
') 6.2 Análise de Variância
\
/
J
Analysis of Variance for Yield (coded units}
)
)
Source DF Seq ss Adj ss Adj MS F p
) Main Effects 3 4496,19 4496,19 1498,73 14,28 0,001
) 2-Way Interactions 3 720,69 720,69 240,23 2,29 0,155
) 3-Way Interactions 1 0,06 0,06 0,06 0,00 0,981
) Residual Errar 8 839,50 839,50 1041 94
) Pure Error 8 839,50 839,50 104,94

Total 15 6056,44
)
)
''\
/
) Interpretação
)
) Repare nos valores de p para esse exemplo. Os efeitos principais serão os
) mais significativos (p-value = 0,001 -7 < 0,05). Depois, já sem significância
' para o nível de 5 %, vêm as interações de za
ordem e, com quase
~
.)
nenhuma chance de influência na variação aparecem os efeitos de terceira
)
o
ordem, confirmando a teoria usada nos experimentos fracionados de que
)
as interações acima de 2 fatores não precisam ser analisados
J
.)
')
')
o
)
'
.:)
.· ,)
.,
~.!
)
)
")
J
)
)
.)
)
"
)
)
)
-)
J
)
Q)
o
<_:')
,.,
'}
Pareto Chart of the Standardized Effects
(response is Yield, Alpha = ,05) o
o
c
Factor Name
A Temp
o
B
C
Pressure
Catalyst
o
B f)
BC
()
ê
o
,_
QJ
A
o
AC o
ABC
o
o
AB o
o 1 2 3 4 5 6
o
Standardized Effect o
f)
'•
o
Normal Probability Plot of the Standardized Effects
D
o-,
~
(response is Yield, Alpha = ,05)
11 I 99 (,J
Effiecl Type
u
0
• Not Significant
11 I ::
I_ - -' • Significant
Factor Na me
r),,
~- ~--<- •B--
A Temp (J
Q li li:::
~ 50
- '-
'
·< ·-
~: :~_)
-.~-h--,.
- -1--
--~---
-- -;--
+·- _,_
... ~--
B
c
Pressure
Catalyst
c
c
ij; <O c
o. 30
20
'
' •se _, c
l •c---- c
10
5 c
c
-6 -5 -4 -3 -2 -1 o 1
,_,
r •
2 3
Standardized Effect c
c
cr·
L
Quais foram os fatores significativos observados? c

c
c
c
c
c
(
c
(
)
)
)
)
) Residual Plots for Yield
) Normal Probability Plot of the Residuais Residuais Versus the Fitted Values
~ I
)
::J; ••
-;
.. 101 .
5 ...
• ••
.
~
.,• o
) . 501L.''
~ ~.. .... ·-;r
:__ -·
•••
••
) c.
10 .
'
.• "' -si"~
) -10' ••
1 -~2~0-C~---1-0--~---0-------10--~--~2~0
60 70 80 90 100
) Residual FiUed V alue
J Histogram of the Residuais Residuais Versus the Order of the Data

) 4 ~
J
.)
~ 3
•~ 2
,----
•'
1--
...•••
''
·~
~ I "'
)
o C -a o
~) -12 -4 4 • 12 1 2 3 4 5 & 7 8 9 10 11 12 13 14 15 1&
Residual Observation Order
)
)
)
) ~
o
Que conclusões podemos tirar por esse gráficos?
)
'!
A existência de resíduos nos implica que existe uma variabilidade. A
!
)
)
o variância estaria relacionada a quais motivos?
Qual seria a importância das réplicas nesse caso? Explique com base nos
estudos vistos anteriormente e na situação atual do exemplo.
)
J
\
j
-)
'
)
)
)
)
)
J
)
)
)
)
)
)
)
J
)
)
)
(J

o
Q
()
Ma in Effects Plot (data means) for Yield
o
90
Pressure catal)'St
o
o
85
f)
r)
'•
:>;!
"'
:;::
80 o
'5 75
o
c:
"' o
f 70 o
o
65 o
o
60
o
1 4 A 8 o
o
o
Interaction Plot (data means) for Yield o
o
~
o
110
100
.,
'
--
-li-
Pressure
4
o
u
\
o
o c:
"'"'
:;,;
90
' ·......
'·
'\
'
''
ü
o
ü
80
\ o
70
'
' o
-~J
o
60 ()
A B r~
-'
Catalyst
c
c
Quais níveis dos fatores seriam os melhor aplicáveis para atingirmos uma
o
maior produção? G
()
Qual seria a taxa de produção alcançada? c
r·
\.~
c
c
c
c
c~

(
J
)
)
J
) 6.3 NÚMERO DE RÉPLICAS E NÍVEIS CONSISTENTES
~)
J O uso de réplicas nos ajuda a confirmar o valor da variável de resposta
:) obtida para cada experimento. Existem diversos motivos que podem
causar uma variação entre réplicas, um deles é o sistema de medição que
)
provavelmente não é 100% confiável.
)
) Por exemplo, um teste de dureza para barra de ferro é um processo
) destrutivel. Por isso, dividimos a barra em sete corpos de prova (todos
) homogêneos). O teste foi realizado em duas barras distintas (duas
) amostras) usando todos os corpos de prova (sete réplicas). Os resultados
) foram os seguintes:
)
)
Dureza1 Dureza2
)
61,00 60,00
J 60,00 61,80
~)
60,00 61,50
J 59,60 61,30
'i
'
) ~ 60,50 61,00
o
59,90 60,80
)
60,00 61,00
\
)
)
)
o • Como saber se as barras possuem durezas significantemente
distintas? Analogamente, como saber, num estudo inicial, se os dois
!
~
níveis identificados para o fator dureza foram escolhidos de forma

) que garanta uma percepção eficaz de distinção entre eles.
)
~)
_) '
]
-
)
..,
j
)
• Como saber quantos corpos de prova (réplicas) são necessários
) para obtermos uma confiabilidade no resultado?
)
J
--,
J
)
)
)
J
)
_)
)
)
\;.}
(";
d
EXPERIMENTOS COM RÉPLICAS ()
o
Uma análise feita para verificar se a diferença entre as amostras (níveis) o
são realmente significativas é o teste de hipóteses. o
Esse teste verifica:
o
Ho: J.la =J.lb
o
H1: J.la f. J.lb o
()
Olhando o p-valor saberemos a resposta, se o
p-valor (p-value) ::; a. -7 rejeita-se Ho o
p-valor (p-value) <: a. -7 não se rejeita Ho O' '
Para realizarmos esse teste, devemos verificar antecipadamente se o

o
número de experimentos feitos para a mesma amostra (réplicas) foi
o
suficiente. Para isso, é necessário termos em mãos: o
o
• A probabilidade de ocorrência do erro tipo I (erro a.) o
Geralmente usa-se a.= 0,05. o
o
• A estimativa do desvio padrão do processo (cr)
No exemplo já é conhecido cr = 0,5
o
o
~ o
o • A diferença significativa, com base na tolerância, para a análise da
distinção entre as amostras.
No exemplo a diferença evidente na prática é de 1 unidade.
u
o
o Esse cálculos são obtidos pelo Minitab. Veja as saídas para esse exemplo:
u
o
u
Boxpl ot ofDureza 1} Dureza2 c
62,0 c
{".
61,5
c
c
{'
61,0
c
E (~
"'
Q -·
60,5 c
c
60,0 c
c
c
59,5 '-----~-----------~----_j
r•
\_
D.Jreza1 Ot.reza2
c
c
c
c
Plexus Training Systems TM 138 f
(
J
)
)
)
) Para verificarmos quantas réplicas devem ser feitas num experimento
) usamos esse módulo do Minitab inserindo dois dos requisitos vistos na
J página anterior e ele nos aponta o terceiro requisito correspondente:
')
Power and Sample Size
)
) 2-Sample t Test
)
) Testing mean l = mean 2 (versus not =)
) Calculating power for mean 1 = mean 2 + difference
) Alpha = 0,05 Assumed standard deviation = 0,5
)
Sample Target
)
Difference Size Power Actual Power
'
)
1 8 0,95 0,960221
)
J The sample size is for each group.
)
') Para termos uma confiança de 96% nas amostras deveríamos usar no
) mínimo 8 corpos de prova.
) ~
)
) o No exemplo, usando 7 corpos de prova, logo obtivemos apenas uma
confiança de:
.,)
)
o Power and Sample Size
2-Sample t Test
)
Testing mean 1 = mean 2 (versus not =)
j ' Calculating power for mean 1 = mean 2 + difference
) Alpha = 0,05 Assumed standard deviation = 0,5
)
) Sample
) Difference Size Power
) 1 7 0,929070
)
The sample size is for each group.
)
)
J Pela saída do Minitab obtivemos uma confiança de 92%.
)
j
J
)
)
)
)
)
C.J
c·
_,-~
'.!
o
Two-Sample T-Test and CI: Dureza1; Dureza2 o
o
Two-sample T for Durezal vs Dureza2 o
N Mean StDev SE Mean
o
Dureza1 7 60,143 0,461 0,17
C)
Dureza2 7 61,057 0,577 0,22 o
()
o
Difference = mu (Durezal) - mu (Dureza2) o
Estimate for difference: -0,914286
o
95% CI for difference:
=O
(-1,522636; -0,305936)
=
o
T-Test of difference
0,007 DF= 12
(vs not =): T-Value -3,27 P-Value
o
Both use Pooled StDev = 0,5224 o
o
o
Analisando, temos que as duas barras de ferro são realmente distintas- o
(p-value) < 0,05, logo, os níveis do fator foram bem escolhidos. o
o
~ o
oQ Finalizando o estudo de experimentos com réplicas v
o
o
Com base nos conceitos apresentados e comparando as soluções com os o
outros tipos de experimentos, responda: o
• O que o uso das réplicas nos facilitou na conclusão dos estudos?
.
\r~'
o
n
o
n
u
• O que poderíamos fazer para melhorar os estudos com réplicas r·
'·'
(';
c
c:_,
c
c
c
c
c
c
c
C:
Plexus Training Systems rM 140 cc
~ N
'<t o
~ ,;
~
"'~
w
C>
"';;::
<
,_o
<
"-
·-...
Cl)
-- C\1
a>
C)
>
a>
~ ·-·-...
Cl)
C\1
a. ..
C\1
o
C\1 ••
u. "'E
- a:
Q)
,.,"'
(/)
00
~
X
Q)
c
"'
c: o
·;: ü
·ef- !"
~
"">< "'oo
Q) N
ã: ©
300
(i
QJ
o
FATORIAIS GERAIS (_)
()
Até agora só vimos exemplos usando fatores com apenas dois níveis. o
Quando estamos colocando todo estudo em prática, podemos nos deparar
o
com certos fatores que precisem de três ou mais níveis, pois não existe um
u
valor máximo e um valor mínimo. Isso acontece muito com as variáveis
o
qualitativas, como no caso de querermos testar um reagente tipo A, outro o
tipo B e outro tipo C, tecnicamente analisados como distintos. o
()
Vejamos um exemplo: o
o
Uma indústria de cosméticos deseja fabricar uma nova linha de cremes
hidratantes anti-alérgicos que previnem o envelhecimento da pele. Usando
o
o conhecimento técnico perceberam que a porcentagem de acidez seria o
o
ponto crítico e identificaram os seguintes fatores que possivelmente seriam o
significantes: o
o
Quantidade do composto químico A: 20mg ou 50 mg o
Tipo de fragrância usada: Cítrica, Rosas ou Ervas. ()
Uso do composto químico 8: Sim ou Não
~
;i\
'(__J
o
o • Como seria feita a análise de um experimento desse tipo?
o
\J
Q (J
u
,,
'\.'
c
c
c
c
I'
I__,
c
\_:
c
c
c
c
c
c
c
c
c
c
c
c
(
Plexus Training SystemsT• 142 c
)
j
) FATORIAIS GERAIS
)
')
-) Roteiro para Experimentos
-)
-) Fatoriais Gerais
)
) As etapas genéricas de realização dos experimentos dos experimentos
) com fatores de mais dois níveis nada diferem dos experimentos vistos
anteriormente:
)
)
1) Identificar os objetivos do experimento;
)
) 2) Selecionar a variável resposta;
)
) 3) Escolher os fatores e seus níveis;
-)
~
) 4) Planejamento dos Experimentos;
J 5) Realização dos Experimentos;
~
)
)
o
)
) 7) Interpretação de Resultados;
I
)
)
) Ao realizarmos um experimento cujo fator possui mais de dois níveis o

'
) planejamento e a análise de dados tornam-se um pouco distintas das
) vistas até agora. A diante teremos um exemplo que nos mostrará passo-a-
-
.é
\ passo como isso ocorre.
)
:J
)
)
\
_J
)
J
)
__)
)
)
J
)
)
)
_)
Plexus Training Systems rM 143
)
I::ATI"\DIAIS GERAIS
RESOLVENDO UM EXPERIMENTO COM o

FATORIAIS GERAIS Ç)
Em situações como estas, os experimentos serão analisados de uma

o
o
maneira diferente, mas muito simples:
o
Vejamos pelo exemplo descrito anteriormente: o
o
o
1 OBJETIVO DO EXPERIMENTO o
Criar uma linha de cremes hidratantes com baixo índice de acidez
o
o
o
o
2 VARIÁVEL RESPOSTA o
o
Porcentagem de Acidez o
~ o
o
o 3 FATORES DE INTERESSE
o
o Foram identificados 3 fatores com dois níveis cada um, a seguir:
A
B
Quantidade do composto químico A:
Uso do composto químico B:
20mg ou 50 mg
Sim ou Não
(!J
o
u
c
c Tipo de fragrância usada: Cítrica, Rosas ou Ervas. c
(
()
c
c
c
( '
c
c
c
c
c
(
(
c
c
c
c
c
(
)
)
} FATORIAIS GERAIS
)
)
-) 4 PLANEJAMENTO DO EXPERIMENTO COM RÉPLICAS
I
.,)
StdOrder RunOrder Blocks Composto A Fragrância Composto B %Acidez
)
21 1 1 50 Rosas Sim
J 4 2 1 20 Rosas Nâo
) 3 3 1 20 Rosas Sim
) 1 4 1 20 Cltrico Sim
) 23 5 1 50 Ervas Sim
) 17 6 1 20 Ervas Sim
) 9 7 1 50 Rosas Sim
7 8 1 50 Cltrico Sim
)
10 9 1 50 Rosas Nâo
)
6 10 1 20 Ervas Nâo
-)
-~ 15 11 1 20 Rosas Sim
) 18 12 1 20 Ervas Nâo
) 16 13 1 20 Rosas Nâo
-)
~
22 14 1 50 Rosas Nâo
19 15 1 50 Citrico Sim
o
)
5 16 1 20 Ervas Sim
)
12 17 1 50 Ervas Não
'
o
j
8 18 1 50 Cltrico Não
) 20 19 1 50 Cltrico Não
) 24 20 1 50 Ervas Não
) 13 21 1 20 Cltrico Sim
) 14 22 1 20 Cltrico Nâo
) 2 23 1 20 Cltrico Nâo
11 24 1 50 Ervas Sim
)
_)
Observem que foram usadas duas réplicas nesse experimento. Todo
) experimento que possui pelo menos um fator com mais de dois níveis é
J "obrigatório" o uso de réplicas. Isso é devido ao método usado para esse
) tipo de experimento. Não é viável realizar um estudo por cálculo de efeitos
) e gráficos, então, se você conseguir, pelo seu próprio conhecimento,
_) reduzir o número de níveis de fatores para dois facilitará seus
experimentos. O aconselhável, nesse caso, é usarmos a análise de
J variãncia (ANOVA).
J
)
)
)
)
)
)
)
_)
) rev. 02
~.''.:'::'?.!.A.!S GERAIS
5 REALIZAÇÃO 00 EXPERIMENTO:
StdOrder RunOrder Blocks Composto A Fragrância Composto B %Acidez

21 1 1 50 Rosas Sim 45
4 2 1 20 Rosas Não 20
3 3 1 20 Rosas Sim 40
1 4 1 20 Cltrico Sim 55
23 5 1 50 Ervas Sim 38
17 6 1 20 Ervas Sim 30
9 7 1 50 Rosas Sim 50
7 8 1 50 Cítrico Sim 70
10 9 1 50 Rosas Não 28
6 10 1 20 Ervas Não 25
15 11 1 20 Rosas Sim 36
18 12 1 20 Ervas Não 30
16 13 1 20 Rosas Não 22
22 14 1 50 Rosas Não 30
19 15 1 50 Cltrico Sim 68
~
5 16 1 20 Ervas Sim 27
12 17 1 50 Ervas Não 30
o 8
20
18
19
1
1
50
50
Cítrico
Cltrico
Não
Não
55
57
o 24
13
14
2
20
21
22
23
1
1
1
1
50
20
20
20
Ervas
Cftrico
Cítrico
Cítrico
Não
Sim
Não
Não
29
60
40
42
11 24 1 50 Ervas Sim 40
()
o
c
c
C' /
c
(~
~
\.,
c
c
c
c
c
© 2009 lnteraction Plexus ,.~:~ c
(
j
)
) FATORIAIS GERAIS
)
) 6 ANÁLISE DE DADOS
)
) 6.1- ANÁLISE DE VARIÂNCIA
-;
Para o estudo é preciso ter amostras identicamente experimentadas para
)
a obtenção do desvio padrão do processo. Não é possível, nesse caso a
) análise pelo gráfico de Pareto, então usamos o p-valor para a regra de
) decisão (p-valor (p-value) ::; a 7 rejeita-se Ho, logo são significantemente
) diferentes; p-valor (p-value) <= a 7 não se rejeita H0,1ogo as médias são
) iguais estatísticamente, ou seja, não são significantemente diferentes).
)
) Multilevel Factorial Design
)
Factors: 3 Replicates: 2
)
Base runs: 12 Total runs: 24
J Base blocks: 1 Total blocks: 1
') Number of levels: 2; 3; 2
)
~
-) General Linear Model: %Acidez versus Composto A; Fragrância;CompostoB
)
)
o Factor
Composto A
Type
fixed
Levels
2
Values
20; 50
o
) Fragrância fixed 3 Cítrico; Rosas; Ervas
1 Composto B fixed 2 Sim; Não
)
) Analysis of Variance for % Acidez, using Adjusted SS for Tests
)
Composto A 1 532,04 532,04 532,04 102,15 0,000

)
Fragrância 2 2944,33 2944,33 1472,17 282,66 0,000
.) Composto B 1 950,04 950,04 950,04 182,41 0,000
J Composto A*Fragrância 2 50,33 50,33 25,17 4,83 0,029
) Composto A*Composto B 1 7,04 7,04 7,04 1,35 0,268
) Fragrância*Composto B 2 170,33 170,33 85,17 16,35 0,000
.) comp A*Fragrância*Composto B 2 36,33 36,33 18,17 3,49 0,064
) Erro r 12 62,50 62,50 5,21

Total 23 4752,96
J
J S = 2,28218 R-Sq = 98,69% R-Sq(adj) = 97,48%
)
J
) Para a= 0,05 temos que a interação entre o Composto A e o B e a
) interação Composto A, Composto B e fragrância são os únicos não
) considerados significantemente. Os fatores estudados representam
)
98,69% da variância do processo.
J
J
j
)
)
~!
c
FATORIAIS GERAIS
()
o
o
C' /
o
(' J
Main Effects Plot (datameans) for O/o Acidez C)
Composto A Fragrancia
o
~~
54
o~
48
o
42 ~ o
~ 36 ~ o
<
~
30 -.
o
....o 20
Composto B
50 Cítnco Rosas Ervas
o
c
i'l
:;:
54 o
o
~l =~
o
()
o
~ i o
o Sim Não
o
u
o Interaction Plot (data means) for O/o Acidez
Fragrância
o
\'_)
o
60
---+- Cítrico o
- - - Rosas
-•-Ervas c
o
50
'C
c
i'l ._ -... o
:;: 40 -,
()
...
~
-... -... f1
~
-... .....
<'- -... c
30 -·."->-......_-...
-... --· c
........
-.... c
C'
20
Sim
Não
c:
Composto B
c
c
r·-~
'-"
c
c
c
c
(
J
)
) FATORIAIS GERAIS
.)
)
:) Interaction Plot (data means) for D/o Acidez
)
")
)
65
60
~
'
''
--
-11-
Composto A
20
50
) 55 \
\
) 50
\
\
)
""'
Q) 45
\
\
J ::;::
.·- --.-- ---

\
',
) 40 \
)
•.
)
35 ....
l 30
')
') Cítrico Rosas Ervas
Fragrância
)
~
)
)
)
) o Para um creme hidratante com menor acidez deve-se usar 20mg do
)
} o Composto A com fragrância de Rosas e não utilizar o Composto B.
Já podemos dizer que essa conclusão será eficiente na práticà?

)
)
--)
J
)
)
j
)
)
J
J
)
)
)
j
)
)
J
J
)
GJ
(._')
~-A_"!"0~-~-II.-~S GERAIS
Toda vez que se utiliza a análise de variância devemos validar suas

respostas com a análise de Resíduos:
Residual Plots for 0/o Acidez

Normal Probability Plot of the Residuais Residuais Versus the Fitted Values
99.---.--.--~~--~~~-.~~
• o •
'H
•
~
~
90
50
-
~
•
~
o
1 ...
••
.
•
•• • •
•
o. & -1- • : •• • •
10{-~
-4
.
-..J--'!"fi:--~-4---
-2
'
--!----~
o 2
·i-
4
-2
20
• •
40
o •
GO
Re.sidual FiUed V alue
Histogram of the Residuais Residuais Versus the Order of the Data
..
~
••
.Sr----------------------.
4 ";
oi
2
1
OI I '• ~ i\ ;I \ /\ J \l \ I I
i 'ii I
.l: !:11:: ~1
2
~
-2
0 11 "I I f I "I ".1 ·'I ·l<c.bll
o
-2.4 -1,2 0,0 1,2 2A 2 4 ~ S W R M ~ 1S 20 ~ ~
Residual Obserntion Order
o No gráfico de probabilidade Normal para os resíduos padronizados todos

os pontos encontram-se próximo da reta, portanto podemos afirmar que os
resíduos seguem um modelo de distribuição Normal. (OK)
No gráfico dos resíduos padronizados versus valores de "melhora"

ajustados os pontos encontram-se aleatoriamente espalhados, então
podemos considerar que a variância é constante entre todos os pontos
obtidos para a variável resposta. (OK)
No gráfico dos resíduos padronizados conforme foi a ordem de observação

os pontos também apresentam-se aleatoriamente, logo, não há evidências
que violem a suposição de independência dos resíduos. (OK)
Concluindo, a análise anterior pode ser aplicada com confiança. A

eficiência, como são apenas cálculos matemáticas, não pode ser
comprovada. Testes de verificação após a implantação do novo método
ajuda a verificar a eficiência do novo processo.
,r'
\~
c
c
c
c
(
(
~ N
o
o
"'
~
>
~
•<
o
<
..J
w
0:
0:
o
u
w
o
o
<
:;; lC'a
<
0:
(!)
<
õ
...a>
U)
I
<
u
w a.
<C U)
õ
zw
a. a> c ·-
·-
<
CJ
"a a>
c "a
<G> C'a
a. E
<C
...m
C'a
•"
<J)
-"' ..
E
·-c
(I) 00
=>
C'a <J) X
"'""' a:
c
o
·c !$
·~ !"
t- 2 E
<J)
::l
)(
"'
o
o
"
;;:
N
@
HOG
______________________ __
.....;.
APENDICE A- DIAGRAMA DE CORRELAÇÃO
Ci._J
G
()
()
o
Verificando a Importância o
o
Ao querermos checar se há uma relação entre dois problemas que estão o
ocorrendo nos motores fabricados por nossa empresa: reprovação devido
a desempenho irregular (D - eixo X) e reprovação devido a emissões (B -
o
eixo Y), obtivemos as seguintes informações nos registros de inspeção
o
final dos motores: o
o
Total Total o
Total de de Total de de o
Semanas Motores defeitos Semanas Motores defeitos o
2003 Reprovados B D 2003 Reprovados B D o
y X y X o
1 15 4 7 27 14 2 6 o
2 12 2 6 28 17 5 9 o
3 17 5 9 29 15 3 7 o
4 20 8 12 30 14 3 6 o
15 7 12 2 4 o
~
5 3 31
6 16 4 8 32 16 4 8 (J
o 7
8
16
22
4
5
8
14
33
34
18
16
6
4
10
8
u
I[]
o 10
11
9 18
19
17
6
7
5
10
11
9
35
36
37
18
19
17
6
7
5
10
11
9
c
o
cc·
12 13 3 7 38 19 7 11 '"
13 18 6 10 39 16 4 8 c
14 20 8 12 40 17 5 9 <:
15 19 7 11 41 16 4 8 c
16 17 5 9 42 19 7 11 c
17 16 4 8 43 17 5 9 c
18 13 3 7 44 15 3 7 c
19 19 7 11 45 21 3 13 c
20 16 4 8 46 20 8 12 c
21 19 7 11 47 18 6 10 c
22 18 6 10 48 14 2 6 c
23 23 5 15 49 16 4 8 c
24 20 8 12 50 15 3 7 c
\_.
25 16 4 11 51 17 5 9
26 18 6 10 __g 15 3 7 c
L_ ·-·
c
c
c
(
(
)
J APENDICE A- DIAGRAMA DE CORRELAÇÃO
)
)
..) Fitted Une Plot
B = - 0,5581 + 0,5904 D
) g,
I
' 's 1,13724
R-Sq 57,7%
• I R-Sq(•dj)
')
)
8
7 •
/ I
56,8%
)
)
6 •
) "' 5
./ • •
) 4< • _,--10
•
'
.)
)
3<
v
--• • •
)
)
:J '
5,0 7,5 10,0 12,5 15,0
J D
.._)'
)
~
)
) Que informação podemos supor sobre a relação entre motores com
)
o desempenho irregular (D) e emissões acima do especificado (B)?
)
)
li o
)
)
.)
Na análise de um diagrama de dispersão, a primeira tarefa é verificar se
) não existem pontos atípicos, os chamados "outliers". Um "outlier" é uma
- l observação que foge do padrão normal do restante da massa de dados,
) caracterizada por ser um(uns) ponto(s) bem distante(s) dos demais
J (maioria).
)
) No nosso exemplo, quantos pontos poderiam ser classificados como
"outlier" ou atípicos?
)
Quais informações os "outliers" podem fornecer?
)
)
)
I
'
)
)
)
J
)
)
)
u
o
APENDICE A- DIAGRAMA DE CORRELAÇÃO ()
-----------------------------------------------------------------------()
Os "outliers" podem ocorrer devido a: o
o
1) Eventos não comuns, de fácil identificação como erros nos dados.
Exemplos podem ser: registro incorreto de dados, erro no sistema de
o
o
medição, etc. Nestes casos o "outlier" deve ser corrigido, se for possível,
ou então deve ser eliminado do conjunto de dados. o
o
2) Eventos não comuns, que necessitam de uma análise mais profunda o
para ser explicado, não sendo erros e sim sistemas reais do processo, o
porém possíveis de serem explicados. Exemplos podem ser outros fatores o
que variaram e não estão controlados no estudo como funcionamento o
inadequado de um equipamento, material não-conforme, etc. Não podem
ser eliminados até que sejam resolvidos, pois refletem um aspecto do
o
processo ainda desconhecido ou não controlado. Se não forem resolvidos o
o correto é coletar mais uma série de dados nas proximidades do "outlier" o
para checar o real comportamento das variáveis x e y nesta faixa. o
o
Estudados e analisados os "outliers" o próximo passo é conhecer o grau de ()
relação entre as variáveis. Isso é feito através do cálculo de coeficientes de o
correlação e da análise de regressão que nos fornece uma equação da
o
~ relação entre elas:
CJ
o u
o
o c
o
c
c
o
'(
c
c
fi_,
c
c
c
c
c
c
c
c
c
c
(
c
r:c
© 20091nteraction Plexus rev. 02
(
)
) APENDICE A- DIAGRAMA DE CORRELAÇÃO
)
) Regression Analysis: B versus D
-)
) The regression equation is B = - 0,5581 + 0,5904 D
) S = 1,13724 R-Sq = 57,7% R-Sq(adj) = 56,8%
)
Analysis of Variance
)
) Source DF ss MS F p
) Regression 1 88,103 88,1034 68,12 0,000

-) Erro r 50 64,666 1, 2 933
) Total 51 152,769
)
Correlations: B; D
)
Pearson correlation of B and D = 0,759
-~
P-Value = 0,000
)
) 1) Valores de r próximos de 1 indicam uma forte correlação linear
positiva entre x e y, ou seja, quando x cresce, y também cresce.
J 2) Valores de r próximos de -1 indicam uma forte correlação linear
-1
negativa entre x e y, ou seja, quando x cresce, y decresce.
~
) 3) Valores de r próximos de O indicam uma fraca correlação linear
_) entre x e y, ou seja, as variáveis são independentes.
)
o 4) Se r = 1 ou r = -1, todos os pontos do diagrama de dispersão
estariam alinhado à reta da equação de regressão.
')
)
)
o
)
)
)
)
)
)
~)
J
)
J
)
J
)
I
)
)
)
)
)
)
)
u
/!'')
'-"
b.P~Nnlr.:F R- ANÁUSE DE REGRESSÃO
o
o
o
o
o
o
o
1~,
'V
o
o
o
o
o
o
Apêndice B o
o
~ Análise de regressão o
o o
o
o o
()
o
o
l' /
,-,
'-~
o
n
u
\.:;
c
c
c
C''
~
( _,
c
c
c
c
c
c
c
© 2009lnteraction Plexus rev. 02 C
(
)
}
APÊNDICE B- ANÁLISE DE REGRESSÃO
)
)
'') Quantificando nosso estudo
J
I Todos os métodos utilizados até agora nos dizem apenas uma breve
análise dos fatores que influenciam na variável resposta. Eles apenas nos
I indicam quais fatores devem ser reavaliados no processo, qual o melhor
nível e a taxa média de melhoria alcançada. No entanto, ainda não temos
)
nenhuma análise quantitativa da interação desses fatores.
)
l Daí surgem algumas dúvidas no estudo aplicado:
)
) • Quanto será que uma alteração em determinado fator altera o
) desempenho de outro?
') • Qual seria nossa variável resposta se ajustássemos os fatores em
quantidades por nós escolhidas?
) .
I Reparem que, mesmo na prática, a obtenção desses valores tornam-se
) extremamente necessários. Mas como poderemos chegar a esses
') números?
~
)
.,)
o
~
)
I
..
)
..)
)
I
o
>
)
)
)
)
l
~)
.
. .I '
}
j
)
)
J
)
j
)
)
)
J
)
í
)
ADêr..1n1rc c - AMÁ I ISE DE REGRESSÃO
Roteiro para a Análise de

Regressão
1) Identificar os objetivos da análise;
2) Planejamento da Análise;
3) Coleta de Dados;
5) Interpretação de Resultados;
6) Elaboração do Relatório.
~
o
o (~
1-'
,,
''u
<~
c
(:
r
(
c
c
c
c
c
(
c
c
c
c
c
(
Plexus Training Systems TM 158 ç
J
) APÊNDICE B- ANÁLISE DE REGRESSÃO
)
) Ao fazermos uma análise de regressão estamos querendo quantificar a
) relação entre as diversas variáveis do processo através de uma equação.
)
) Vamos analisar um exemplo:
)
O coordenador de um hospital decidiu avaliar os fatores que influenciavam
)
o tempo de resgate feito por uma ambulância.
)
-)
) 1 OBJETIVO DA ANÁLISE
)
) Quantificar a influência dos fatores sobre o tempo de resgate.
)
';
)
-)
')
)
)
) ~
)
) o
)
)
)
) o
)
,,
J
)
)
J
)
,,
I
-'
)
J
J
J
)
j
I
)
i
~
)
)
)
}
)
ADêt~.rnu.. c c - AMÁ r ISE DE REGRESSÃO
2 PLANEJAMENTO DA ANÁLISE
((\
""
O primeiro passo para fazer uma análise de regressão é analisar dados. Cl
Não é necessário, nesse caso, fazer um planejamento de coleta de ([)
amostra. Pode-se, simplesmente, coletar dados do seu dia-a-dia, de um
dia mais crítico do seu ambiente de trabalho.
o
o
Para isso fez-se um estudo de causa e efeito: o
o
o
Repare que não se identificam os níveis dos fatores. São fatos que podem o
ser analisados na rotina do hospital, não demandando tempo e dinheiro.
o
o
o
o
o
o
o
o
~ Habilidade o
o do Motorista Gravidade Trânsito
,-------,0
u
o Disponibilidade Velocidade
Tempo de
I Resgate ,l)
~·~
.")
~~
Média
Agilidade dos
Médicos no
c
Primeiro-Socorro o
D
o
f)
o
()
(]
o
c
(l
c
c
c
c
c
(
c
c
c...
rev. 02 ~=
)
)
APÊNDICE 8- ANÁLISE DE REGRESSÃO
-)
') 3 COLETA DE DADOS
')
J Em um dia bem movimentado do hospital, fizemos as seguintes
) observações:
''
)
)
Distân Habili Gravi Trânsito Disponi
) cia dade% da de % bilidade
Velocidade Agilidade Tempo
) 10 Km 80 5 20 100 70Km/h 10min 20m in
) 5Km 90 3 25 80 80Km/h 5,5min 15min
) 15 Km 75 1 30 50 70Km/h 2m in 30m in
) 23 Km 85 2 20 50 90Km/h 4min 30m in
) 12 Km 60 5 15 70 75Km/h 12min 30m in
") 18 Km 77 1 20 75 80Km/h 3m in 20m in
) 8Km 65 2 35 90 65Km/h 3,5min 15min
-) 6 Km 89 4 40 80 70Km/h 8min 18m in
13 Km 74 3 45 100 65Km/h 4min 17m in
J 20 Km 98 5 15 100 100Km/h 15min 30m in
) 17 Km 85 1 20 95 90Km/h 2m in 15min
)
~
3 Km 76 1 25 50 70Km/h 2,5min 12min
I
- 4Km 68 3 15 90 70Km/h 10min 16m in
)
o 15 Km
10 Km
67
99
4
5
10
5
90
85
75Km/h
110Km/h
9min
13min
25m in
20m in
,)
.--,
)
-
)
o 7Km
6Km
11 Km
13 Km
76
85
81
93
5
3
1
4
30
5
10
40
50
100
100
80
70Km/h
90Km/h
80Km/h
75Km/h
10min
6,5mih
3m in
1omin
23m in
11min
15m in
24m in
..i 10 Km 82 2 35 70 80Km/h 4,5min 16m in
)
',,
j O que você consegue concluir a partir dos dados?
J
)
)
)
~)
]
:J
J
)
.)
)
)
)
)
J
)
)
)
u
f;"'
\...}
APÊNDICE B- ANÁLISE DE REGRESSÃO ()

o
o
4.1 AVALIAR A MULTICOLINEARIDADE ü
Para iniciarmos a análise de regressão é necessário fazer uma correlação
o
entre os fatores para avaliar a multicolinearidade, ou seja, verificar se não
o
há nenhuma interação intensa que possa mascarar nossos cálculos. o
o
Correlations: Distância; Habilidade%; Gravidade; Trânsito%; Disponibilid; ... o
o
Distância Habilidade% Gravidade Trânsito%
o
Habilidade% 0,159
o
Gravidade
0,502
-0,104 0,175
o
0,661 0,461
o
Trânsito% -0,099 -0,063 -o, 114 o
0,677 0,793 0,632 o
Disponibilid -0,016 0,152 0,203 -0,252 ()
0,945 0,522 0,390 0,284 o
Velocidade 0,383 0,690 0,156 -0,615
o
~ 0,095 0,001 0,511 0,004
o
o
Agilidade -0,035 0,236 O, 926 -0,298
0,883 0,317 0,000 0,202
o
o
o Velocidade
Agilidade
Disponibilid
0,183
0,441
o, 229
velocidade
0,324
o
()
or,
\.)
0,331 0,164
o
,_,
\._J
As células contém: coeficiente de correlação de Pearson I P-Value
o
Considera-se que dois fatores são fortemente correlacionados quando o n
coeficiente de correlação linear de Pearson é maior do que 0,9 em valor (j
absoluto. c
No nosso exemplo, as únicas variáveis fortemente correlacionadas são a
c.
agilidade (tempo que os médicos gastaram nos primeiros-socorros da
c
vítima) e gravidade do acidente. c
c
Quando verificamos esse tipo de ocorrência, devemos escolher apenas um c
fator para incluir na equação. c
c
Como o tempo gasto é mais fácil de se verificar, eliminamos a gravidade \~
do acidente do nosso estudo.
c
c
c
Plexus Training Systems ™ 162 (
f
j
i
)
J 4.2- ESCOLHER O MODELO QUE MELHOR SE AJUSTA AO CASO A
"\
-'
SER ANALISADO.
~)
) Best Subsets Regression: Tempo versus Habilidade%; Trânsito%; ...

Response is Tempo
)
1
D
) i
I
/ H s
) a p v
) b T D o e A
i r i n 1 g
J 1 â s i o i
)
i n t b c 1
-~
d s â i i i
)
a i n 1 d d
J d t c d a a
) Mallows e o i e d d
) Vars R-Sq R-Sq{adj) C-p s % %a %e e
) 1 44,5 41,4 63,2 4,7772 X
) ~ 1 17,0 12,4 102,4 5,8390 X
o
2 63,5 5912 38,0 3,9839 X X
)
2 56,1 51,0 48,6 4,3687 X X
'
o
.J 3 84,1 81,1 10,7 2,7115 X X X
I 3 72,9 67,8 26,7 3,5408 X X X
I 4 90,2 87,6 3,9 2,1953 X X X X

) 4 87,8 84,6 7,4 2,4498 X X X X
)
5 90,8 87,6 5,1 2,1995 X X X X X
5 90,4 87,0 5,7 2,2540 X X X X X

)
6 90,9 86,7 7,0 2,2769 X X X X X X
~
) Os critérios de decisão são:
)
.1 • Coeficiente de Determinação ajustado (R-Sq(adj)) mais próximo de
,} 100%. Ele representa a proporção de variabilidade da variável
resposta causada pelos fatores (variáveis preditoras) apresentados.
J
J • Cp mais próximo do números de fatores contidos no modelo,
J incluindo a constante. Ele avalia o vício na predição de novos
-) valores para a variável resposta, ou seja, quando queremos saber,
J no nosso exemplo, o tempo estimado de resgate quando
escolhemos os valores das variáveis .
.)
) • Escolher o menor número de variáveis preditoras (menor valor de s).
~
J
J
J
)
"1
A oêt.~n1,..c c - A t.1 Á •.ISE DE REGRESSÃO
4.3 - AJUSTAR A EQUAÇÃO DE REGRESSÃO USANDO APENAS OS

FATORES SIGNIFICATIVOS:
Regression Analysis: Tempo versus Distância; Habilidade%; ...
The regression equation is

Tempo= 28,0 + 0,891 Distância- 0,0325 Habilidade% - 0,147
Disponibilidade% - 0,131 Velocidade + 0,983 Agilidade
Predictor Coe f SE Coef T p
constant 27,958 4,398 6,36 0,000

Distância 0,8912 0,1049 8,50 o,ooo
Habilidade% -0,03247 0,06794 -0,48 0,640
Disponibilidade % -0,14674 o' 02928 -5,01 0,000
Velocidade -0,13085 0,06786 -1,93 0,074
Agilidade 0,9829 0,1403 7,00 0,000
s " 2,25400 R-Sq = 90,4% R-Sq(adj) = 87,0%

11
~
o
11 Analysis of variance
o
Source DF ss MS F p
Regression 5 668,67 133,73 26,32 0,000

Residual Errar 14 71,13 5,08 (•
'~J
Total 19 739,80
c
A análise de variância nos confirma a veracidade da equação de regressão
c
u
Unusual Observations c
l~
Obs Distância Tempo Fit SE Fit Residual St Resid c
3 15,0 30,000 24,360 1,167 5,640 2,92R
c
R denotes an observation with a large standardized residual.
c
r
\_.
Reavaliar os estudo feito na observação 3 (observação atípica) c

c
Conclusão: c
c
Verificamos que a habilidade é o fator que menos possui influência na
variável resposta (p-valor (p-value) <: a=0,05) Tiraremos-o, assim, do
c
modelo.
c
c
c
(
c
f
-)
)
)
) Regression Analysis: Tempo versus Distância; Disponibilidade %; ...
J
) The regression equation is
) Tempo= 27,0 + 0,899 Distância- 0,147 Disponibilidade% - 0,152

.) Velocidade
+ 0,984 Agilidade
',
)
) Predictor Coe f SE Coef T p
-) constant 26,972 3,783 7,13 0,000
) Distância 0,8990 0,1009 8,91 0,000

Disponibilidade % -0,14709 0,02851 -5,16 0,000
)
Velocidade -0,15226 0,04964 -3,07 0,008
)
Agilidade 0,9839 0,1367 7,20 0,000
-)
)
J s = 2,19527 R-Sq 90,2% R-Sq(adj) 87,6%
)
)
) 11 Analysis of Variance
) ~
J
)
o Sou r c e
Regression
DF
4
ss
667,51 166,88
MS F
34,63
p
0,000
o
Residual Errar 15 72,29 4,82
) Total 19 73 9, 80
)
)
)
Unusual Observations
)
_)
Obs Distância Tempo Fit SE Fit Residual St Resid
) 3 15,0 30,000 24,411 1,132 5,589 2,97R
)
J R denotes an observation with a large standardized residual.
_)
Conclusão da etapa:
)
Agora temos o modelo ajustado, com todos os p-valor :5 0,05, ou seja, com
J influência significante.
_)
Assim, em nosso exemplo, 87,6% da variabilidade do tempo de resgate
) são explicados pelo modelo de regressão. Um R-Sq(adj) muito baixo
) significa que o modelo obtido não conseguiu explicar grande parte da
) variabilidade dos dados.
)
)
)
)
)
)
_A_~~~~!:'~':= ~ - _A_~~-Á-~ISE DE REGRESSÃO
4.4- ANÁLISE DOS CASOS ATÍPICOS AO MODELO:
~];
unusual Observations
o
Obs Distância Tempo Fit SE Fit Residual St Resid
o
3 15,0 30,000 24,411 1,132 5,589 2,97R ü
o
R denotes an observation with a large standardized residual. o
o
o
Quando aparece junto com a análise de regressão Unusual Observations
devemos analisar o que aconteceu em cada caso.
o
o
Distân Habilidad Gravida Trânsit Disponibi Velocida Agilid
o
c ia e% de o% /idade de a de
Tempo o
15 Km 75 --·-----
1 30 50 70Km/h 2m in 30m in D
o
o
Nesse caso a equipe analisou que o atraso (30min) ocorreu devido a o
~ disponibilidade da ambulância. Ao receber o chamado, todas as
o
o ambulâncias estavam prestando socorro. A que foi socorrer essa vítima
estava voltando já para o hospital com outra vítima e demorou-se para
atender o novo caso. Como a gravidade não era muita (1), não ocorreu o
()
o
o
Q chamado de urgência.
(J
o
c
or-
\_;
(J
c:
(l
_,
c
c
c.
C .
c
c
c
c
c
c
c
c
(
/
")
~) APÊNDICE B- ANÁLISE DE REGRESSÃO
)
" ) 4.5 - ADEQUAÇÃO DO MODELO
I
"J
) Residual Plots for Tempo
) Normal Probabilitv Plot of the Residuais Residuais Versus the Fitted Values
99'1"
\
• 'i •
.../
J 'li
~
90 ·:-
~ ~
·'·
--- ,_ .
'
..•
:1!
4
~
•
)
2'
50
• •" • • • • • •
•• •
c.
-) 10 "' _:I • •
• • • •
) 1 •
-5,0 -2,5 0,0 2,5 5,0 10 15 20 25 30
) Residual Fitted Value
-~
) Histogram of the Residuais Residuais Versus the Order of the Data
-~ 'r-~--------------------,
4,8
4
) ~ 3,G ;;
• 2
J ••li" 2,4 ic:.: oiJ oJ 1
111 '.,......_ ' I ,.\ ;A_. ?" \ I
) ol: 1,2 -2 \ I \
) 0,0
-2 o 2 4
\
' 2 4 G 8
~
} Residual Observation ot-der
)
)
) o No gráfico de probabilidade Normal para os resíduos padronizados a
.
)
)
\)
o maioria dos pontos encontram-se próximo da reta, portanto podemos
afirmar que os resíduos seguem um modelo de distribuição Normal. (OK)
No gráfico dos resíduos padronizados versus valores de "melhora"

ajustados os pontos encontram-se aleatoriamente espalhados, então
I
j podemos considerar que a variância é constante entre todos os pontos
d ' obtidos para a variável resposta. (OK)
)
.) No gráfico dos resíduos padronizados conforme foi a ordem de observação
os pontos também apresentam-se aleatoriamente, logo, não há evidências
J que violem a suposição de independência dos resíduos. (OK)
_)
~.
j
]
J
J
J
J
J
)
)
J
)
)
)
)
APENDICE B- ANÁLISE DE REGRESSÃO
4.6- GRÁFICO DE RESÍDUOS PARA CADA VARIÁVEL PREDITORA

()
No caso de análise de regressão devemos também analisar se os resíduos o
de cada variável contida no modelo também segue a aleatorização. Isso é
verificado nos gráficos dos resíduos padronizados contra cada variável
o
preditora. o
o
o
Residuais Versus Velocidade
(response is Tempo)
o
10 o
• o
•• o
si o
." I
• o
I • • o
:2
&!"'
oi
•
• [J
• • o
•
-sl • • (!
(}
~ o
o -10-t,.
60 70 80
•
90 100 110
u
n
o
\._)
Velocidade
c
11 I
()
Residuais Versus Agilidade
(response is Tempo) (~
10
•
c
•
o
• c
5i
•
c
(ij • • I• c
:s
~
• • c
Q) oi • c
c.: • •
•
• c
-5 ~
• • c
c
(:
-10 •
2 4 6 8 10 12 14 16 c
Agilidade c
c
c
c
c
c
(
168
rev. 02
c
f
-'
')
) APÊNDICE B -ANÁLISE DE REGRESSÃO
)
)
~) Residuais Versus Distância
( response is Tempo)
)
10
) •
)
-,
• •
1j 5-
J '· • • •
) • • • •
)
) • • •
)
_, -5-
• • • •
)
1
'
) -10 •
o 5 10 15 20 25
J Distância
)
)
)
J ~ Residuais Versus Disponibilidade 0/o
)
) o 10,
(response is Tempo)
•
)
)
)
o 5
••
•• •
'.i
<a
• ••
) "'
:g o • •
"'
Q)
j' 0:: • •
) •
) -5 J • I
J
) -10 •
J 50 60 70 80 90 100
Disponibilidade %
J
J
)
Como os gráficos dos resíduos em função de cada variável preditora não
J apresentam padrão sistemático de variação, conclui-se que o modelo foi
)
bem ajustado, não havendo necessidade de nova análise ou inclusão de
)
termos de ordem superior (2• ou 3") no modelo.
)
)
1
)
)
)
)
v
r.",
ADê:Pt.lnlt""t:: D - A"'"''.ISE DE REGRESSÃO

"'
Predições baseadas no modelo de regressão obtido:
A partir da descoberta da equação que quantifica a influência de cada fator

na variável resposta, podemos prever qual será o seu valor especificando
cada uma das variáveis preditoras.
Por exemplo, qual será o tempo estimado de resgate sabendo que o

acidente ocorreu a 17Km de distância do Hospital (local de saída da
ambulância), a equipe da ambulância, por ter que aprontar novos
equipamentos de primeiros-socorros e esterilizar equipamentos tem uma
disponibilidade de 90%, a velocidade média obtida foi de 70Km/h e perdeu-
se 5min no pré-atendimento?
Tempo =
27,0 + 0,899 Distância - 0,147 Disponibilidade % - 0,152
Velocidade + 0,984 Agilidade
()
Predicted Values for New Observations o
()
New
o
~ Obs Fit SE Fit 95% CI 95% PI
o
o
1 1,033 (21,076; 25,479) (18,106; 28,449)
o
o
u
Q Values of Predictors for New Observations
New
()
n
Obs Distância Disponibilidade % Velocidade Agilidade
c
1 17,0 90,0 70,0 5,00
o
,-.
\j
O tempo de resgate previsto é de aproximadamente 23 minutos. u

~,
( )
(J
Responda: c
• Quando utilizamos a Análise de Regressão? c
• Para que ela realmente serve?
c
c
• Quais seriam as vantagens e desvantagens de uma análise por c:
modelo de regressão em relação ao DOE? c ~
(~
c
c
c
c
c
Plexus Training Systems '"
170
rev. 02
cc
f
)
")
) Regressão:
I
--, j
• Obtemos os dados no dia-a-dia (facilidade na obtenção dos dados)
! • Ignoramos os ruídos
• Não se escolhem os níveis
• Quase não há necessidade de disponibilizar tempo ou dinheiro
.,'
_) DOE:
)
) • Maneira muito boa de coleta de dados
--, • Consideramos os ruídos
_, )
• Escolha de níveis
j
.-, • Demanda tempo e dinheiro
)
~·\
) Analise cada uma dessas observações e comente os pontos críticos de

) cada caso.
)
) Seria possível fazer uma análise completa com os dois modelos?
..
)
J ~
.1
j
')
)
oQ
)
)
l
)
)
)
)
)
)
-,
_)
J
J
)
J
)
J
)
)
-
)
)
!
j
)
)
)
v
o
APÊNDICE C- ANÁLISE DE SUPERFICIE DE RESPOSTA ~)
o
o
o
o
o
o
o
o
o
o
or)
Apêndice C ~
o
Análise de Superfície de o
u
Resposta [J
()
.'
C.___)
(l
~ c
o c
(
c
-,
-'
Q c
c
c
c
c
c
c
c
(
c\[__
f
(
c
c
(
'
c
(_
c
(
(
(
)
) APÊNDICE C- ANÁLISE DE SUPERFiCIE DE RESPOSTA
---,
. )
)
! Em uma empresa especializada em produtos de limpeza, o nível de
-) produção de sabão em pó caiu assustadoramente para 35%. Com isso,
} uma equipe formada com seus melhores especialista foi convocada para
estudar o problema e estabelecer contramedidas que elevem o nível da
produção para 80% em 8 meses, senão o produto será descartado da linha
.. , de produção .
j '
) Após um estudo do processo por causa e efeito, foram feitos experimentos
) do tipo fatorial 2k que indicaram como fatores significantemente influentes a
) velocidade de homogeneização, que deveria ser utilizada no nível 150rpm,
e a pressão de floculação, que deveria ser utilizada no nível 180psi. No
)
., entanto, ao examinarem qual seria a taxa média de produção verificaram
)
-, que não atingiriam a meta estipulada.
) • O que fazer para melhorar nosso estudo e alcançar a meta dos 80%
) propostos?
) • Discutam o problema e elaborem um fluxograma do planejamento
do experimento a ser realizado.
)
)
_) ~
)
) o
.
)
I
'
)
)
o
)
)
)
)
)
.,
-.)
J
J
J
)
)
j
j
I
J
)
)
)
)
)
u
o
APÊNDICE C- ANÁLISE DE SUPERFICIE DE RESPOSTA (J
o
o
Chegando ao Ponto Ótimo ()
o
A variável resposta obtida foi o ponto máximo encontrado no estudo feito o
com um modelo de primeira ordem. Quando isso ocorre podemos estar
trabalhando com um resultado distante do ponto ótimo, ou seja, do ponto
o
em que obteríamos a melhor condição possível para o processo. Distante
o
do ponto ótimo, na superfície de resposta quase não existe curvatura na o
superfície de resposta (curvas de níveis), facilitando os cálculos. Muitas o
vezes esse resultado já satisfaz as nossas condições, mas num caso mais o
complexo, como ocorreu no nosso exemplo, é necessário alcançar uma o
meta maior. Assim, um modelo de primeira ordem não é suficiente. Para o
pontos ótimos próximos da variável resposta já obtida, a curvatura da o
superfície de resposta se acentua, sendo então necessário um estudo mais
detalhado, um modelo de regressão de ordem mais elevada.
o
u
Quando não estamos satisfeitos com o resultado obtido para nossa o
variável resposta na análise do experimento em primeira instância, ()
devemos elaborar um novo experimento 2k fatorial com apenas os fatores ()
já ditos como significativos e coletar obse!Vações no ponto central para u
~ melhor avaliar a adequação do modelo de Regressão de primeira ordem. o
o u
CJ
o S dO d R Variáveis Codificadas Variáveis Originais

t r er unOrder
Velocidade Pressão Velocidade Pressão
Produção c -.,
1 1 o o 150 180 39,48
(
2 2 1 -1 155 175 39,65 c"
3 3 o o 150 180 39,77 C'
'.
4 4 -1 1 145 185 40,32 c
5
6
5 1
o
1
o
155 185 41 '1 c
7
6
7 -1 -1
150
145
180
175
40,07
38,5
c
8 8 o o 150 180 40,3
r:
9 9 o o 150 180 39,87 c
c
c
Pontos Centrais: São os níveis que se mostraram com melhor C
desempenho para melhorar a nossa variável resposta num primeiro C
estudo. No exemplo seriam os níveis 150rpm e 180psi. C
,-.-
c
c
(.
c
c
(
(
Plexus Training SystemsTM 174 (
/
)
) APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA
)
) Esse experimento nos mostra um "caminho" a seguir para alcançarmos o
I >' ponto ótimo.
J
) Vejamos como se apresenta a superfície de resposta nesse modelo:
Response Surface Regression: Produção versus Pressão; Velocidade

)
) The analysis was dane using coded units.
)
) Estimated Regression Coefficients for Produção
)
Term Coef SE Coef T p
)
Constant 39,8956 0,08792 453,795 0,000
\
~
Pressão 0,8175 0,13187 6,199 0,001
'" Velocidade 0,4825 0,13187 3,659 0,011
)
) S = 0,2637 R-Sq = 89,6% R-Sq(adj) = 86,2%
)
)
Analysis of variance for Produção
) 11
_) ' ~
o
source DF Seq ss Adj SS Adj MS F p
) Regression 2 3,60445 3,60445 1,80223 25,91 0,001
_)
o
Linear 2 3,60445 3,60445 1,80223 25,91 0,001
) Residual Errar 6 0,41737 0,41737 0,06956
) Lack-of-Fit 2 0,03429 0,03429 0,01715 0,18 0,842
) Pure Errar 4 0,38308 0,38308 0,09577
) Total 8 4,02182
)
_)
-)
• Repare que o p-valor para o modelo de regressão de linear, por ser
) menor que 0,05, confirma a tese de que o modelo é adequado.
J • O p-valor acima de 0,05 para a falta de ajuste ("lack-of-fit") também
~) confirma essa tese.
J
J
1
.~
J
\
_/
)
J
)
)
APFNnlr.F r.- ANÁLISF m; SUPERFÍCIE DE RESPOSTA
Gráfico da Superfície de Resposta
Surface Plot of Produção vs Velocidade; Pressão
41
Produ~ão 40
" 155
175~ 180 ..1 145

Velocidade
Pressão 185
~ Gráfico das Curvas de Níveis
o Contour Plot of Produção vs Velocidade; Pressão (-,,
o
'-'
ü
()
o
c
o
,-.
'--'
,,c
' '1)
(,/
('
-~
c
145,o I -, "'"' (~
175,0 177,5 180,0 182,5 185,0
Pressão c
c
c
c
(-
Repare que as curvas de níveis não apresentam curvaturas. ~
c
c
c
c
Plexus Training Systems '" 176
c
(
)
)
APÊNDICE C -ANÁLISE DE SUPERFÍCIE DE RESPOSTA
1 /
l Embora não tenhamos chegado no ponto em que a produção seja 80%,

l alcançando a meta, podemos perceber pelos gráficos que a produção
~--,
'- ,!
aumenta seguindo uma determinada direção.
' Observe que mesmo tentando otimizar nossa resposta não obtemos
~.
resultado:
,·')
Response Optimization
) Parameters
)
,--,
J Goal Lower Target Upper Weight Import
I Produção Maximum 80 90 90 1 1
'
,"'\,
... , /
* NOTE * No optirnal solution found .
)
Nesse caso a direção é obtida aumentando-se a velocidade de
c"""<\
·- _/ homogeneização e a pressão de floculação e é sempre perpendicular à
) curva de nível.
l
)
·~,
I
~ Contour Plot of Produção vs Velocidade; Pressão
o
. -~
155,0
Produç~o
< 39,0
j' EJ 39,o 39,5
o E ""·o
.. 39,5
/
í
152,5 111 4!),0 4!),5
111 4!),5 41,0
) 111 > 41,0
... ) ~
)
.;g
·c::s 150JO""' • • •• •• • • •
o
) ãi
>
.l
-~
.l
)
.... I
,j
I
) 145,0 +----',----+-'
175,0 177,5 180,0 182,5 185,0
' , Pressão
-,
I
)
-,
_ _)
• Como poderíamos, então, alcançar a meta estipulada com esses
J conhecimentos já obtidos?
-)
...
)
)
)
)
\
j
]
)
)
'U
o
APFNnlr.F r.- ANÁliSE DE SUPERFÍCIE DE RESPOSTA o
()
r,
ALTERANDO OS NÍVEIS DOS FATORES "-'
o
Devemos fazer novos ensaios com os níveis dos fatores mais elevados, o
até que a nossa variável resposta não sofra mais alterações positivas. o
No nosso exemplo ...
o
()
Os especialistas, juntamente com a equipe, definiram fazer novos ensaios o
aumentando a velocidade de homogeneização em 5rpm. o
o
o
Cálculos para alteração dos outros fatores: o
o
t. Velocidade = 2 X Alteração da Proposta = 2 X 5 = 1,O o
Nível Máximo- Nível Mínimo 1O
()
o
1,O é quanto significa a alteração da velocidade na escala codificada c
X t. Velocidade = 0,8175 X
c
t. Pressão = Coeficiente da Pressão ( '
~
/
Coeficiente da Velocidade 0,4825

c
o 1,0=1,6943
c;
1-c•-,
\._,
o 1,7 é quanto significa a alteração da pressão na escala codificada

c
(
c
'·
·'
t. Pressão= 2 X Alteração da Proposta = 1,7 c

Nível Máximo- Nível Mínimo
c
í'
'--'
1,7 = 2 X Alteração da Proposta
185,0- 175,0 c
c
Alteração da Proposta= 1O X 1 7 = 8,5 c
2 c
c
8,5 é quanto significa a alteração da pressão na escala absoluta /'
(
r
L
c
c
c
c
(
c
(
(
(
)
) APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA
)
I Os resultados dos experimentos realizados com as sucessivas alterações
I são as seguintes:
"\
j
)
Variáveis Codificadas Variáveis Originais
I' ' Passos
Velocidade Pressão Velocidade Pressão
'I Produção
Origem o o 150 180
) ~ 1 1,7 5 8,5
) Origem+~ 1 1,7 155 188,5 40,70
) Origem+ 2~ 2 3,4 160 197,0 42,90
) Origem+ 3~ 3 5,1 165 205,5 47,10
) Origem+ 4~ 4 6,8 170 214,0 49,70
Origem+ 5~ 5 8,5 175 222,5 53,80
)
Origem+ 6~ 6 10,2 180 231,0 59,90
! Origem+ 7~ 7 11,9 185 239,5 65,00
) Origem+ 8~ 8 13,6 190 248,0 70,40
) Origem+ 9~ 9 15,3 195 256,5 77,60
'
) Origem+ 10~ 10 17,0 200 265,0 80,30
) Origem+ 11~ 11 18,7 205 273,5 76,20
) Origem+ 12~ 12 20,4 210 282,0 75,10
1
~
o
. "
l
') Analise os resultados dos experimentos.
)
)
li o O que você proporia para continuar a análise?
)
)
.,
~
'
I
)
)
)
.,
I
.,
j
)
2
)
J
)
J'
)
)
:i © 2009 lnteraction Plexus rev. 02
),
I
ADêJ..Inlt"~:: r - - ~~-~~-ÁL~~~ ~~SUPERFÍCIE DE RESPOSTA
PLANEJAMENTO DO EXPERIMENTO COM NÍVEIS DE

FATORES MODIFICADOS f''
•)
\)
Faremos novamente um experimento 2k fatorial com apenas os fatores já
ditos como significativos e coletar observações no ponto central para
o
melhor avaliar a adequação do modelo de Regressão de segunda ordem.
Q
o
Velocidade Pressão Produção StdOrder RunOrder Blocks PtType .
'l
~'
260 195 78,7 1 1 1 1 e

270 195 78,9 2 2 1 1 o
260 205 79,5 3 3 1 1 o
270
265
205
200
79,9
80,5
4
5
4
5
1
1
1
1
o
265 200 80,7 6 6 1 1
o
265 200 80,5 7 7 1 1 o
265 200 80,4 8 8 1 1 ü
265 200 79,9 9 9 1 1 o
\'.)
o
Response Surface Regression: Produção versus Velocidade; Pressão
c
~ I•
o
\_,
The following terms cannot be estimated, and were removed. ( ·,
'-'
c
o
Pressão* Pressão \,._j
( '
'-"
c
The analysis was done using uncoded units.
c
c
Estimated Regression Coefficients for Produção
c
(
Term coe f SE Coef T p
r·
Constant -3069,90 648,604 -4,733 o' 009 L
Velocidade 24,01 4,432 5,417 0,006 c
Pressão -0,44 1,590 -0,277 0,796 c
Velocidade*Velocidade
~ ~1)!1~- -- ---
-o,os v vvv ~ 714
--o' 333
0,005
g,:~~~
c
Velocidade*Pre~§!~Ó J«*:,J-- oJ..oo. .
..
~---- ._.21;.."-"-
c
~·
I
'~
S = 0,3 R-Sq = 91,4% R-Sq(adj) 82,9%
f
c
[
c
c
c
c
c
c
(
J
J APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA
)
J
-; Analysis of Variance for Produção
)
Regression 4 3,84889 3,84889 0,96222 10,69 0,021

)
Linear 2 0,90000 2,93639 1,46819 16,31 0,012
)
Square 1 2,93889 2,93889 2,93889 32,65 0,005
J Interaction 1 0,01000 0,01000 0,01000 0,11 0,756
J Residual Error 4 0,36000 0,36000 0,09000
) Pure Error 4 0,36000 0,36000 0,09000
) Total 8 4,20889
)
)
Unusual Observations for Produção
!
) St
) Obs StdOrder Produção Fit SE Fit Residual Resid
~) 1 1 78,700 78,700 0,300 -0,000 * X
~) 2 2 78,900 78,900 0,300 -0,000 * X
) 3 3 79,500 79,500 0,300 -0,000 * X
J ~ 4 4 79,900 79,900 0,300 -0,000 * X
)
) o X denotes an observation whose X value gives it large influence.
)
)
)
)
o
-)
:J
J
J
:J
J
)
~,
~)
)
J
)
)
J
)
)
)
:J 181
Plexus Training SystemsTM
l
âP~NDICF r.- ANÁLISF' DE SUPERFiCIE DE RESPOSTA
REFAZENDO OS CÁLCULOS COM APENAS OS FATORES

SIGNIFICATIVOS
Residual Plots for Produção
The analysis was dane using uncoded units.
Term Coe f SE Coef T p
Constant -3175,90 512,593 -6,196 0,002

Velocidade 24,41 3/869 6,310 0,001
Pressão 0,09 0,027 3,308 0,021
Velocidade*Velocidade -0,05 0,007 -6,302 0,001
S" 0,2720 R-Sq" 91,2% R-Sq(adj) "85,9%
~
o Analysis of variance for Produção
o Source
Regression
Linear
DF
3
2
Seq ss
3,83889
0,90000
Adj
3,83889
3,75598
ss Adj MS
1,27963
1,87799
17,29
25,38
F p
0,005
0,002
c
c
Square
Residual Errar
1
5
2,93889
0,37000
2,93889
0,37000
2,93889
0,07400
39,71 0,001
c
n
'-·'
Lack- o f- Fi t 1 0,01000 0,01000 0,01000 0,11 0,756
Pure Errar 4 0,36000 0,36000 0,09000 c
Total 8 4,20889 c
c
c
Unusual Observations for Produção c
c
Obs
9
StdOrder
9
Produção
79,900
Fit
80,400
SE Fit
0,122
Residual
-0,500
st Resid
-2,05 R
c
c
R denotes an observation with a large standardized residual. c
c
c
• Repare que o p-valor para o modelo de regressão quadrática, por ser
menor que 0,05, confirma a tese de que o modelo é adequado.
c
• O p-valor acima de 0,05 para a falta de ajuste ("lack-of-fit") também
c
confirma essa tese. c
c
c
(
)
-~
APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA
J
) ADEQUAÇÃO DO MODELO
I
-,J '
Residual Plots for Produção com apenas fatores significativos
Normal Probability Plot of the Residuais Residuais Versus the Fitted Values
··~---.--,--.--.-~---.--,-/C, 0.4
)
•
) •o ·- .;
0,2
'li! •• • • •
•--.
0,0 I
J ~ 50·- 75!
•• • •
~
••
-0,2
)
10 ~- -·--
"' -OA
) ~~~~~~~~----~--~~~ L •
-0,50 -0,25 0,00 0,25 0,50 78,5 79,0 79,5 80,0 80,5
) Residual Fitted Yalue
] Histogram of the Residuais Residuais Versus the Order of the Data

) 0,4
-, 4
0,2 ~
)
i•
~ 3
2
1 0,0 r=--.;:::=-""'~~====----"---~::::o'+---
'J ol:
1:11:: -0,2
-OA
)
OU=~~~~~~~~~~~
) -OA -0,2 0,0 0,2 2 3 4 5 6 7 8 9
J ~
)
)
o Quais conclusões podemos tirar a partir desses gráficos?
')
_-_)
)
)
o
J
::J
J
-
)
J
)
~)
)
)
)
~
)
_)
J
)
J
J
_)
Plexus Training Systems'M 183
_)
I
v
()
APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA Q
o
Curvas de Níveis para o modelo apresentado até o momento o
o
Contour Plot of Produção vs Pressão; Velocidade o
205,0
Produção
o
l
< 79,0
79,0 - 79,5
o
• 79,5 - 80,0 o
202,5
•
• 80,0
•
80,5
80,5 o
o
o
""~ o
.
Q)
o.
200)0
o
o
197,5
o
o
()
195,o I , ""''""' o
260 262 264 266 268 270 ()
Velocidade
o
o
~ o
o Gráfico da Superfície de Resposta
u
o
o Surface Plot of Produção vs Pressão; Velocidade (J
c
c
c
o
c
80,5
c
Produção SO,O c
79,5
c
79,0
205 c
Pressão c
Velocidade 270 c
c
c
c
Repare na curvatura. Ela indica que o modelo segue uma aproximação do c
Ponto Ótimo. c
c
c
c
c
Plexus Training Systems ™ 184 c
© 2009 Interaction Plexus rev, 02 (
c
)
~
'
I APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA
J
) INCLUINDO NOVOS CONCEITOS AO MODELO
)
) Como vimos, os dados anteriores não foram suficientes para se ajustar um
! modelo de segunda ordem.
)
Para melhorarmos, então, nosso modelo, devemos coletar dados, além
)
dos pontos centrais, dados nos pontos axiais:
)
] Os pontos dos vértices do quadrado, também chamados pontos cúbicos,
l são os ensaios feitos com os fatores principais, codificados em -1 (low) e
) +1 (high).
)
Os pontos centrais são os realizados no centro do sistema, codificados em
)
-, O e O.
) Os pontos axiais são aqueles em que um nível de um dos fatores assume

) a codificação igual a a= 21<14 , em que K é o número de fatores. O outro
) permanece com o valor nominal.
) Observação: O Minitab nos fornece os pontos axiais para nosso exemplo.
-
)
) ~ x2
)
o (O,a) Ponto Axial
J
)
)
o Ponto
Cúbico
- (-1,+1)
(-,0)
I
1
I
I I
I (0,0) I
(+1,+1
I
(a, O)
,,:,
)
x,
J (-1,-1) I/ I (+1,-1)
) 7 I
) (0,-a)
I
) Ponto Central
J
)
)
Um experimento com esses tipos de dados coletados possui um
J planejamento denominado Central Composto.
J
J
.l
)
)
J
-)
.I
J
)
')
u
o
APÊNDICE C -ANÁLISE DE SUPERFÍCIE DE RESPOSTA ()
f)
PLANEJAMENTO CENTRAL COMPOSTO o
o
StdOrder RunOrder
1 6
PtType Blocks Velocidade Pressão Produção o
2 2
1
1
1
1
195,00
205,00
256,50
256,50
78,70
78,90
o
3 13 1 1 195,00 273,50 79,50
o
4 4 1 1 205,00 273,50 79,90 o
5 9 -1 1 192,93 265,00 79,50 o
6 5 -1 1 207,07 265,00 77,80 o
7 12 -1 1 200,00 252,98 79,00 o
8 11 -1 1 200,00 277,02 79,90 o
9 10 o 1 200,00 265,00 80,50
o
10 1 o 1 200,00 265,00 80,70
11 3 o 1 200,00 265,00 80,50
o
12 7 o 1 200,00 265,00 80,40 o
13 8 o 1 200,00 265,00 79,90 o
o
o
Central Composite Design o
o
~ Factors: 2 Replicates: 1
o
o
Base runs: 13 Total runs: 13
Base blocks: 1 Total blocks: 1
u
o
o Two-level factorial: Full factorial
Cube points:
Center points in cube:
4
5
o
o
o
()
Axial points: 4
Center points in axial: o
o
c
A1pha, 1,41421 (_)
o
Design Table (randomized) u
G
Run
1
B1k
1 0,00000
A
0,00000
B 7
8
1
1
1,41421
-1,41421
0,00000
0,00000
u
2
f:
1 -1,00000 1,00000 1 -1,41421
3 1 1,00000 -1,00000
9
10 1
0,00000
1,00000 1,00000
c
4 1 -1,00000 -1,00000 11 1 0,00000 1,41421 c
5 1 0,00000 0,00000 12 1 0,00000 0,00000 o
6 1 0,00000 0,00000 13 1 0,00000 0,00000 (1
c
c
c
(
c
c
)
)
APÊNDICE C- ANÁLISE DE SUPERFiCIE DE RESPOSTA
J
) Response Surface Regression: Produção versus Velocidade; Pressão
~)
J
)
)
) p
Term Coe f SE Coef T
J constant -1593,29 466,580 -3,415 0,011
J Velocidade 12,84 3,264 3,935 0,006
J Pressão 2,93 1,743 1,679 0,137
-) Velocidade*Velocidade -0,03 0,007 -4,547 0,003
') Pressão* Pressão -0,01 0,003 -2,343 0,052

Velocidade*Pressão 0800 0,006 0,209 0,840
l
-,
s = 0,4785 R-Sq = 81,5% R-Sq(adj) = 68,2%
)
)
) O maior p-valor é o correspondente a interação Velocidade*Pressão, logo,
') como ele é maior que 0,05 vamos retirá-lo do modelo e refazer a análise.
~
)
o
)
]
11 Analysis of Variance for Produção
I
)
)
)
o li
Source
Regression
Linear
DF
5
2
Seq ss
7,04482
1,58713
Adj ss
7,04482
3,55303
Adj MS
1,40896
1,77652
F
6,15
7,76
p
0,017
0,017
) Square 2 5,44769 5,44769 2,72385 11,90 0,006

Interaction 1 0,01000 0,01000 0,01000 0,04 0,840
)
Residual Errar 7 1,60287 1,60287 0,22898
)
Lack-of-Fit 3 1,24287 1,24287 0,41429 4,60 0,087
)
Pure Errar 4 0,36000 0,36000 0,09000
J Total 12 8,64769
J
J
-, j
Unusual Observations for Produção
)
Obs StdOrder Produção Fit SE Fit Residual St Resid
)
6 6 77,800 78,431 0,378 -0,631 -2,15 R
)
.J
J R denotes an observation with a large standardized residual.

J
J
)
)
)
)
J Plexus Training SystemsTM
I
187
J
)
·~~··~·~~ ~ ""''' ·~~-~SUPERFÍCIE DE RESPOSTA
REFORMULANDO A ANÁLISE COM APENAS FATORES

SIGNIFICANTES
Residual Plots for Produção
Term Coe f SE Coef T p
Constant -1655,64 336,586 -4,919 0,001

Velocidade 13,15 2,724 4,829 0,001
Pressão 3,16 1,249 2,532 0,035
Velocidade*Velocidade -0,03 0,007 -4,846 0,001
Pressão* Pressão -0,01 0,002 -2,496 0,037
S = 0,4490 R-Sq = 81,3% R-Sq(adj) = 72,0%
~ Analysis of Variance for Produção
o Source DF Seq SS Adj SS Adj MS F p
o
Regression 4 7,03482 7,03482 1,75871 8,72 0,005
Linear 2 1,58713 5,44427 2,72214 13,50 0,003
Square 2 5,44769 5,44769 2,72385 13,51 0,003 r~
Residual Errar a 1,61287 1,61287 0,20161 (~
Lack-of-Fit 4 1,25287 1,25287 0,31322 3,48 0,127 ,-,
1_,
Pure Error 4 0,36000 0,36000 0,09000

c
Total 12 8,64769
c
Unusual Observations for Produção c
c
Obs StdOrder Produção Fit SE Fit Residual St Resid c
6 6 77,800 78,431 0,355 -0,631 -2,30 R c
R denotes an observation with a large standardized residual. c
O p-valor para o modelo de regressão quadrática, por ser menor que 0,05,
c
confirma a tese de que o modelo é adequado. c
O p-valor acima de 0,05 para a falta de ajuste ("lack-of-fit") também c
confirma essa tese. c
Observe que após tirarmos o fator não influente (velocidade*pressão) seu
valor aumentou para "Lack-of-Fit" e diminuiu na análise de regressão de
c
segunda ordem, acentuando ainda mais a relação quadrática entre os c
demais fatores. c
c
c
c
c
(
c
)
)
APÊNDICE C- ANÁLISE DE SUPERFICJE DE RESPOSTA
)
l Residual Plots for Produção (retirando veloc x pressão)
) Normal ProbabUity Plot of the Residuais Residuais Versus the Fitted Values
J
"]: /'I 0,50 j •
..
') + +
~
90 1 ~ ·-
'A"'' I ......• 0,25 •
) ~ 50~: 0,00 •
) o.•
••• •
• •
:I "'
-0,251
10 ~.j' - 1. -41-- l--·
J '
'
' -0,50
• •
:~,,0~~---0~,5~~~-~---~~~--~~ ,,,
J o,5 1,0
Residual
78,5 79,0 79,5
Fitted \I' alue
80,0 80,5
)
Histogram of the Residuais Residuais Versus the Order o f the Data
)
4
o.so
)
~) ~ 3 ...-i 0,25
') i• 2 ••• 0,00
• -0,25
)
u.
"' -0,50
) o
-0,75 -0,50 -0,25 0,00 0,25 0,50 1 2 3 4 5 G 7 8 9 10 11 12 13
)
')
~
)
Compare os gráficos de resíduos com o modelo feito sem os pontos axiais.
_)
o
Que observações podem ser feitas?
')
)
)
)
)
o
)
)
)
)
J
)
)
)
)
)
J
)
J
)
)
l
)
)
)
)
u
CJ
----------------------0o APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA (_)
Contour Plot of Produção vs Pressão; Velocidade

o
275 •
Produção
< n,4
o
•
111
77,4 -
78,0 -
78,0
78,6
o
t;;J 78,6 79,2 o
270 •
•
79,2
79,8
79,8
80,4 o
o
• > 80,4
o
""lll 265 o
~ o
o
o
()
o
o
o
()
o
n
~ o
o Surface Plot of Produção vs Pressão; Velocidade ll
ll
o u
n
c
c
80 u
Produ'!_;ão 7'9 c
78
c
280 c
77 270
Pressão c
Velocidade
205 c
c
c:
c
c
Observe que a curva tornou-se ainda mais acentuada. O modelo, por fim,
c
poderá nos identificar a melhor condição para que o processo tenha a c
melhor produção, alcançando a meta objetivada. c
c
c
c
c
f
190 (
)
)
APÊNDICE C- ANÁLISE DE SUPERFÍCIE DE RESPOSTA
)
~) OTIMIZAÇÃO DE RESPOSTAS
)
-) Response Optimization
-~ Parameters
)
Goal Lower Target Upper Weight
)
Import
'J Produção Maximum 80 90 90 1
) 1
J
-) Global Solution
')
~- Velocidade 198,660
)
Pressão 265,571
')
J Predicted Responses
J
') Produção = 80,4251; desirability = 0,04251
)
=
~
Composite Desirability 0,04251
l
)
_J
o Para a obtenção de valores exatos, foram feitos os seguintes
o
arredondamentos.·
)
-
) li New
Hi
Velocida
207,0711
Pressão
277,0208
D Cur [I 98,50] [266, O]
0,04327 Lo 192,9289 252,9792
) Produção
Maximum
) y = 80,4327
~) d = 0,04327
:J
-)
c)
)
J Quais seriam os níveis de fatores que tornariam nossa variável de resposta
:J a mais próxima do Ponto Ótimo?
J
)
)
J
)
_)
_)
)
N
"'
"'
~
o
>
~
5:
u
::1
(!)
<(
1-
c'
w
u
cz
<W
0..
<(
Q
·-
.c
Cl)
u u
·-c
"D :s
m
Cl) cu
a. 1-
<C
•"
"' m
-E
,.."
UI"' a:"
~
X
""' t5o
~
·;:
·e
1-
~
2
~
";;:"'
cn
)(
o
o
" N
©
300
J
--)
- ~ APÊNDICE D- TAGUCHI
~)
)
-) Curiosidade - Metodologia de
~)
·; Taguchi
)
') Para Taguchi, o objetivo de um experimento não está em otimizar uma
') resposta a fim de alcançar uma meta. Para ele, conduzir um experimento
') tinha um único propósito: fabricar produtos os mais próximos possíveis do
valor nominal de especificação. O importante era tornar o produto robusto
')
às variações proporcionadas pelas variáveis de ruído tanto durante o
) processo quando no ambiente do consumidor e, para isso, o produto ou o
) processo deveria estar firmemente centrado no valor nominal.
~)
') Taguchi elaborou três projetos focados no estudo da redução da
') variabilidade do processo:
:; 1- Projeto do Sistema
)
~ Nele são identificados, a partir do conhecimento técnico e da experiência
')
~
da equipe especializada, todos os procedimentos necessários para criar
) um protótipo do melhor produto possível, incluindo desde os materiais,
')
'\
' o peças, componentes e sistemas de montagem até o respectivo processo
produtivo.
')
_)
)
)
o 2- Projeto do Parâmetro
É nele onde determinamos os valores nominais dos fatores que compõem

o processo ou o produto, devendo ser capazes de minimizar ou pelo
) menos reduzir a variabilidade do produto final resultante da atuação de
J variáveis de ruído. É importante ressaltar que, para a obtenção de um
J produto robusto, ao ajustar o valor médio das características finais para
) seu valor nominal, um problema de engenharia consideravelmente fácil de
se solucionar, nunca deve provocar um aumento da variabilidade, pois não
J significaria uma melhora no processo.
')
.. ,,
) 3- Projeto da Tolerância
')
) Nessa etapa devem-se determinar as faixas de tolerância, centradas nos
J valores nominais encontrados no projeto anterior.
)
J
)
)
)
J
J
J
--, © 2009 lnteraction Plexus rev. 02
)
1\Det..mlrc D- TAGUCHI
DETERMINANDO OS PONTOS ÓTIMOS DOS PARÂMETROS

(2° PROCESSO)
Um dos critérios a ser otimizado é a perda esperada, representada pelo

prejuízo que o consumidor irá sofrer devido às variações de desempenho
ocorridas ao longo da vida do produto.
A função perda que se adapta a um grande número de situações é a

função perda quadrática:
L(y) = k (y- •l. tal que:

L(y) é a perda (em unidades monetárias) do usuário
' é o valor nominal do produto
y é o valor de desempenho do produto no instante em estudo
15,0
" '
~
LIE LSE
o ª 11 I 12,5
o 11
11
I
I
lD,D I $A
7,5 VelnrNnminel
5,0
t•
-
o 1 2 3 4 5 6 7 8 9
T.-1\ y T. T.+A
Observe que mesmo dentro da faixa de especificação o usuário sofre

prejuízos com o produto. É uma visão bem diferente das vistas no Mundo
Ocidental, onde as penalidades só ocorrem com produtos fora da faixa
determinada pelos limites inferir e superior de especificação. O produto
ideal é aquele totalmente centrado no valor nominal.

)
) APÊNDICE D- TAGUCHI
:)
.i RELAÇÃO SINAL/RUÍDO
\
) Taguchi, a partir das relações Sinal/Ruído (S/R) conseguiu estimar o efeito
-,, dos fatores de ruído sobre o desempenho do produto. Elas são usadas
)
I
para comparar valores nominais e identificar aqueles que minimizam a
' perda esperada_
)
:) As três relações mais usadas são:
J
') 1- Nominal é Melhor (Exs: dimensões, tensões de saída, etc)
·'
)
2
(S/R)Nominal = 1 O X log (média de y)
J (desvio padrão) 2
--,
'
l 2- Menor é Melhor (Exs: teor de impureza, barulho, contaminação, tempo
) de reação, etc)
-
)
2
) (S/R)Menor = -1 O X log ( 1_ 'Zyi )
) n
11
~
3- Maior é Melhor (Exs: rendimento, teor de pureza, resistência, potência,
etc.)
o
-,
) li 2
(S/R)Maior = -1 O X log ( j_ L, 1/yi )
)
)
)
)
o n
Segundo Taguchi, a maximização da relação sinal ruído minimiza a perda

'
esperada.
)
~
I
)
.-
J
l
-,
, )
--~
I
~·
J
)
~)
)
)
)
)
)
')
u
o
APÊNDICE D- TAGUCHI 0
o
PLANEJAMENTOS EXPERIMENTAIS: o
()
Os planejamentos propostos por Taguchi são os chamados "arranjos u
ortogonais". Usa-se matrizes (tabelas) de fatores controláveis e de fatores f)
de ruídos, onde cada combinação de fatores é submetido a cada
combinação de ruídos. De um modo geral, serão realizados m x n ensaios
o
experimentais, sendo m = linhas de combinações de fatores e n = linhas de o
combinações de ruídos, o que nos resulta em um número muito elevado de o
ensaios. Cada variável resposta (Yij) nos dará uma relação Sinal/Ruído o
(S/Ri) como mostra a figura abaixo: o
o
Ensaios
o
o
o
1 1 1 1 1 ()
2
3
1
1
2
3
2
3
2
3
1 ---- Y01
o
o
--
4 2 1 2 3 1 1 Yo2 S/R1 0
t--
1 2
• o
5 2 2 3 1 2 Yo3
~ 6 2 3 1 2 2 1 2
o
----
1 . Yo4
o 7 3 1 3 1 2 2
8 3 2 1 3 I' u
1 1 1 y33 o
o --
9 3 3 2 1
• o
~-
1 2 2 y34
--
2 1 2
y35
S/Rs
o
2 2 1
y36 o
o
o
('
' '
c
Os experimentos fatoriais 2k completos e os fracionados são exemplos de
c
arranjos ortogonais, mas nem todos os arranjos ortogonais pertencem ao c
grupo dos fatoriais. c
c
c
c
Visto esse novo modo de enxergar os experimento c -~
./ Qual a importância dos estudos feitos por Taguchi? c

./ Será que todos os tipos de efeitos, incluindo os de interação, podem c
ser analisados de forma confiável nos experimentos de Taguchi? c
./ Analise os métodos utilizados por Taguchi e, comparando com os
métodos do nosso estudo, comentem as vantagens e desvantagens.
c
c
c
c
Plexus Training Systems ™ 196 cc
c
__;
j
.'J APÊNDICE D- TAGUCHI
::J
2> FINALIZANDO NOSSO ESTUDO
_,
"-.
·"
1._.__}
O ponto crucial desse nosso estudo é saber a real importância de se fazer
r'\_; experimentos e análises baseados em conceitos confiáveis. Não é
--) necessário ser um estatístico ou um matemático para utilizar as técnicas
de estatísticas de otimização de processos. Os profissionais engajados em
)
programas de controle da qualidade podem entender facilmente os
:) princípios destas técnicas e colocá-los em prática com sucesso .
)
.
I Para finalizarmos nossas conclusões, respondas as seguintes questões:

")
1) Que tipos de cuidados devem ser tomados ao realizar um experimento
J para análise a partir do DOE? Existem cuidados que devem ser tomados
:J posteriormente? Quais?
') ,J
J
,'1
__ /
,-,
,)
)
2) Quando aplicaríamos esse estudo?
:)-,
, __;
~
I
,./
-, o
)
/
) Q 3) Quais as vantagens de se fazer uma análise de experimento usando os

conceitos do DOE?
,--)
,_)
'J
.~,
"-)
--
J 4) E as desvantagens?
')
oJ
-,J
,)
J
')
f
)
5) As conclusões dadas pelos gráficos e análises estatísticas nos
J proporcionam quais avanços dentro de um ambiente industrial/
•:
-/ empresarial?
}
J
)
~)
.,
__)
)
J
Dt::\l'ie! i\ o GERAL
Identificação do Objetivo do ~'
Experimento
C',
.L J
Identificação da Variável )
Resposta )
\
Seleção dos Fatores e Seus o

Níveis G)
-
Simplesmente registrar Ruídos Adotar Experimento em
( )
~ durante cada experimento f-+ Blocos para avaliar impacto
'
dos ruldos
(
)
Identificação de ruídos e dos '
( l)
possíveis métodos de controle dos
ruídos
Possibilidade de )
executar diversos
Experimento Completo (l
J. experimentos
Verificação da disponibilidade de
recursos (tempo, custo, material,
etc.), incluindo a realização de
experimentos iniciais para
K Recursos de
experimentação escassos
~ Experimento
Fracionado
,,J
c
confirmação de níveis de fatores.
~ ~
r
I~
o
Simples combinação dos Amostragens repetidas dentro
16
Escolha do método de execução fatores e necessário ou
f-+
do mesmo experimento ou um
,,
dos experimentos incluindo
~
possfveis réplicas para tornar novo experimento quando 11l.j' '
Ir
Q aleatorização e
necessidade/possibilidade de
resultados mais confiáveis cada experimento produz
várias amostra ~ Experimento
c
réplicas, com o objetivo de
minimizar a ocorrência de erros
com Réplicas
c
'
~
Treinar e sensibilizar as pessoas sobre as precauções a
serem tomadas durante a coleta e registro de dados, a
r
importância e os objetivos do experimento. Afastar o medo de
descobrir que estamos fazendo de forma errada.
I
'~
c
c
Executar o experimento, monitorar o progresso e í ~
registro de dados auxiliares

\
~ _,. Interpretação prática Confecção do relatório com as (
~ conclusões e recomendações c
Análise matemática do DOE,
Regressão e, se necessário,
dos resultados
Ic
~
Otimização de Resposta (gráficos e c

relatórios Minitab)
' (
c
(
'
c
{
Plexus Training Systems '" 198 (
f

Apostila DOE1

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

Apostila DOE1

Enviado por

Direitos autorais:

Formatos disponíveis

.--..

o (DESIGN OF EXPERIMENTS - DOE)

Temperatura da - Quente (aproximadamente

Plexus Training Systems'M

Utilize uma variável resposta que realmente forneça informações sobre o

J o Como as variáveis respostas serão medidas?

o determinado fator pode assumir. Por exemplo, num experimento foi

o Quais os níveis dos fatores?

) São conjuntos homogêneos de unidades experimentais, ou seja, em um

v Considere a possíveis variações decorrentes do procedimento de

que será realizado. C'

) ETAPA 5: REALIZAÇÃO DO EXPERIMENTO

o ETAPA 7: INTERPRETAÇÃO DE RESULTADOS

INTRODUÇÃO AO PROJETO DE EXPERIMENTOS

ETAPA 8: ELABORAÇÃO DO RELATÓRIO o

Plexus Training Systems™ 18

Plexus Training Systems TM 20 c

Plexus Training Systems ™ 21

Analogamente, fazemos os efeitos principais (das variáveis principais) de

Plexus Training Systems™ 22

Plexus Training Systems ™ 23

Efeito principal de AC -56,3 I ()

Estimated Effects and Coefficients for Price {coded units)

o Constant 26 801 6 (_)

Plexus Training Systems TM 24

Plexus Training Systems TM 25

7.1.2 Gráfico da Probabilidade Normal

Os pontos que representam os efeitos significativos aparecem distantes da

Plexus Training Systems TM 26

dos resultados do experimento com o sonrisal, baseado nos dados obtidos c

Uma indústria possui uma prensa para o uso de operações de rebitagem. o

limitações nas conclusões? .,

o <Pr"'"'"' tf• %>6 it"'!•m

\PÍa.ct~- tf• apoio c:

Plexus Training Systems TM 30

) 4) Planejamento dos Experimentos;

Num experimento fracionado, devido a limitação da quantidade de ensaios,

25 x 2-2 =2 5-2 7 25-2

Neste caso, a primeira linha da tabela ( [1] ) representa o ensaio em que

Plexus Training Systems'" 34

Vejam que agora existem dois blocos distintos de confundimento, um dos

efeitos de interação de segunda ordem interagindo entre-si: o

Foram identificados 5 fatores com dois níveis cada um, a seguir:

'J A Qualificação do Graduado(-1) ou Mestre(+1)

o avaliar o significado prático de na realidade ser a interação BCDE.

A saída do minitab é a seguinte: o

7.1.1 Gráfico de Pareto

(response is Média, Alpha = ,OS)

Quando nenhum efeito é significativo, a linha não aparece no gráfico. No c

) Os pontos que representam os efeitos significativos aparecem distantes da

de edução pode contratar professores apenas graduados (A= -1), pois o u

2) Selecionar a variável resposta; o

Num experimento em blocos balanceados, devido a influência dos fatores

de ruído não ser controlável, a etapa de planejamento dos experimentos

) Os dois blocos em que os memos experimentos devem ser repetidos

'I Este método só pode ser aplicado se existe o conhecimento técnico de

O prazo de término dos experimentos em blocos pode ser

respostas, a etapa de análise de dados deve sofrer algumas alterações e u

variáveis respostas isoladamente. ( )'

.) O método de otimização de respostas é baseado no modelo de regressão

) Main Effects 3 136,38 136,38 45,46 • •

Lenth's PSE = 0,375

Source DF Seq ss Adj ss Adj MS F p u

L.enth's PSE = 8,743006E-16

TempPressureCatalyst -0,13 -0,06 2,561 -0,02 0,981 o