Escolar Documentos
Profissional Documentos
Cultura Documentos
Experimentos
Profª. Gabriela de Paula Alves
2019
1 Edição
a
Copyright © UNIASSELVI 2019
Elaboração:
Profª. Gabriela de Paula Alves
AL474
Alves, Gabriela de Paula
Planejamento de experimentos. / Gabriela de Paula Alves.
– Indaial: UNIASSELVI, 2019.
212 p.; il.
ISBN 978-85-515-0279-2
1. Física - Experiências - Brasil. II. Centro Universitário Leonardo
Da Vinci.
CDD 530
Impresso por:
Apresentação
O planejamento de experimentos é uma área da ciência cujo objetivo
é possibilitar aos profissionais a obtenção do melhor sistema de trabalho com
menor uso de recursos. Mantendo como alicerce a estatística, este ramo do
conhecimento nos auxilia com ferramentas e modelos para otimização de
processos.
Este trabalho tem como objetivo o estudo das bases da estatística para
posterior aplicação de ferramentas visando empregá-las no planejamento
e análise de experimentos, bem como controle de qualidade adequado ao
tema. Para tanto, o conteúdo foi dividido em três unidades, sendo que cada
unidade possui tópicos com temas separados visando à maior clareza e
facilidade de compreensão dos assuntos trabalhados.
III
Na Unidade 3, o gerenciamento de riscos e falhas em experimentos
será tema de trabalho. Além disso, as aplicações e comparativos do método
de planejamento de experimentos com relação a outros utilizados, como
exemplo, o método científico, serão abordados e analisados.
NOTA
O conteúdo continua na íntegra, mas a estrutura interna foi aperfeiçoada com nova
diagramação no texto, aproveitando ao máximo o espaço da página, o que também
contribui para diminuir a extração de árvores para produção de folhas de papel, por exemplo.
Todos esses ajustes foram pensados a partir de relatos que recebemos nas pesquisas
institucionais sobre os materiais impressos, para que você, nossa maior prioridade, possa
continuar seus estudos com um material de qualidade.
IV
V
VI
Sumário
UNIDADE 1 – INTRODUÇÃO À ESTATÍSTICA.............................................................................. 1
VII
6 ESTIMAÇÃO DE PARÂMETROS................................................................................................... 56
7 TAMANHO DA AMOSTRA............................................................................................................. 57
RESUMO DO TÓPICO 4...................................................................................................................... 59
AUTOATIVIDADE................................................................................................................................ 60
VIII
TÓPICO 2 – CONTROLE ESTATÍSTICO DO PROCESSO........................................................... 147
1 INTRODUÇÃO.................................................................................................................................... 147
2 CONTROLE ESTATÍSTICO DE PROCESSO................................................................................ 147
3 GRÁFICOS DE CONTROLE............................................................................................................. 148
4 CAPACIDADE DE PROCESSO........................................................................................................ 165
RESUMO DO TÓPICO 2...................................................................................................................... 169
AUTOATIVIDADE................................................................................................................................ 170
REFERÊNCIAS........................................................................................................................................ 207
IX
X
UNIDADE 1
INTRODUÇÃO À ESTATÍSTICA
OBJETIVOS DE APRENDIZAGEM
A partir do estudo desta unidade, você deverá ser capaz de:
PLANO DE ESTUDOS
Esta unidade está dividida em quatro tópicos. No decorrer da unidade
você encontrará autoatividades com o objetivo de reforçar o conteúdo
apresentado.
1
2
UNIDADE 1
TÓPICO 1
1 INTRODUÇÃO
Medir é um ato tão costumeiro em nosso cotidiano que se tornou
despercebido. Diversas são as atividades em que as medições estão presentes.
Imagine, por exemplo, um dia típico de trabalho: ao acordar o despertador
tocou no horário programado diariamente, para preparar o café da manhã, você
utilizou o micro-ondas com a potência e tempo necessários para o aquecimento
do leite. Depois, ao ir trabalhar, dirigiu a velocidade média permitida no trecho
entre sua casa e seu local de trabalho. Ao almoçar, pesou o prato de comida em
uma balança e pagou o valor compatível ao que foi consumido.
3
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
variações biológicas naturais, este tipo de medição gerava alto índice de erros, o
que acarretou a indispensabilidade de uso de um sistema único, correspondente
entre diversas cidades e nações. Em 1790 iniciou-se na França o processo de
criação deste sistema único, concluído em 1799 com o projeto do Sistema métrico
decimal. O Brasil só adotou o novo sistema em maio de 1875 (INMETRO, 2012a).
NOTA
4
TÓPICO 1 | GRANDEZAS FÍSICAS E UNIDADES DE MEDIDAS
DICAS
No documento são abordados, além das unidades base do SI, os prefixos do SI, regras de
grafia e tabelas gerais de unidades não pertencentes ao SI.
5
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
3 ANÁLISE DIMENSIONAL
Inicialmente, um tópico de grande importância ao estudar grandezas é o
aprendizado da análise dimensional. Serway e Jewett (2010, p. 7) conceituam a
análise dimensional como o procedimento específico para “tratar as dimensões
como quantidades algébricas”. Isto pode ser entendido como a necessidade de
manter um padrão de unidades ao expressar relações.
1000 m
500 m + 500 m + 3, 5km x = 500 m + 500 m + 3500 m = 4500 m
1 km
6
TÓPICO 1 | GRANDEZAS FÍSICAS E UNIDADES DE MEDIDAS
FONTE: SI (2012)
10 m → cm
1cm
10 m → cm → 10m. 1000 cm
10−2 m
7
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
75 mi/h → km/h
mi 1, 609km
75 mi/h → km/h → 75 . 120,7 km/h
h 1mi
8
TÓPICO 1 | GRANDEZAS FÍSICAS E UNIDADES DE MEDIDAS
4 ALGARISMOS SIGNIFICATIVOS
Suponha que você realize uma série de medidas do comprimento de
um salão de festas que deseja utilizar no final de semana. Dificilmente todas
as medidas obtidas serão exatamente iguais, por mais que o objeto de medição
seja o mesmo. Alguma incerteza sempre está inserida em uma mensuração. Para
compreendermos o modo como esta incerteza está introduzida nas medidas, é
importante conceituarmos os chamados algarismos significativos.
Isto quer dizer que quando realizamos operações com vários resultados
medidos, temos que fornecer de forma correta o número exato de algarismos
significativos. A regra básica para algarismos significativos em operações
matemáticas é dada por:
9
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
10
RESUMO DO TÓPICO 1
Neste tópico, você aprendeu que:
• Tudo aquilo que pode ser medido é denominado grandeza. Para a mensuração
das grandezas físicas foi criado um padrão de unidades de medidas.
11
AUTOATIVIDADE
1 45 μm → dam → dam
2 1000 μg → mg →
mg
3 15 m → km →
km
4 27 mm → dam →
dam
5 1,5 m → mm →
mm
6 100 km → mi →
mi
7 35 MPa → atm →
atm
8 8 hectares → m2 →
m2
1 4,452 + 13,8
=
2 111 - 3,765
=
3 21,79 x 4,1
=
4 500 : 10,25
=
12
UNIDADE 1
TÓPICO 2
1 INTRODUÇÃO
A estatística está presente em nosso cotidiano de forma mais intensa do
que imaginamos. Pesquisas de mercado, taxas de crescimento de doenças, taxas
de natalidade, percentual de aumento de preços de produtos, estimativas gerais,
entre outras várias aplicações possíveis de serem exemplificadas.
2 ESTATÍSTICA DESCRITIVA
A estatística é um ramo da ciência no qual há coleta, organização, análise e
interpretação de informações provenientes de contagens, medições ou respostas
para tomada de decisão. A estatística possui dois ramos de estudo principais,
a estatística inferencial, que utiliza uma parte do conjunto de informações para
obter conclusões de toda a representação e a estatística descritiva, que envolve a
organização e reprodução dos dados por meios numéricos ou gráficos (LARSON;
FARBER, 2015).
13
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
DICAS
O filme “Moneyball: o homem que mudou o jogo” mostra uma aplicação prática
e cotidiana da estatística, contando a história de um gerente de um time de baseball que utiliza
técnicas estatísticas para escolher os jogadores de seu time e obter resultados. É importante
apontar que o filme recebeu seis indicações para o Oscar em 2012. Vale a pena assistir a ele.
Variáveis
(dados)
Qualitativas Quantitativas
(atributos) (numéricas)
Discretas
Nominais
(núm. inteiros)
Ordinais Contínuas
(níveis) (núm. reais)
14
TÓPICO 2 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
15
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
ATENCAO
TUROS
ESTUDOS FU
16
TÓPICO 2 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
28 35 25 48 30 31 52 30 29 38
28 35 25 48 30 31 52 30 29 38
MA 34, 6
10
Desse modo, o aluno conferiu sua nota final, igual a 6,65 pontos. Para isso,
realizou o somatório das notas multiplicadas pelos respectivos pesos e dividiu o
resultado pelo somatório dos pesos das medidas.
17
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
28 35 25 48 30 31 52 30 29 38
25 28 29 30 30 31 35 38 48 52
25 28 29 30 30 31 33 35 38 48 52
Desse modo, a mediana será igual a 31, valor central após ordenação dos
dados.
28 35 25 48 30 31 52 30 29 38
Neste caso, a moda será 30, visto que é a única idade que tem maior
frequência em relação às outras.
18
TÓPICO 2 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
4 MEDIDAS DE DISPERSÃO
Estudaremos agora as medidas de dispersão ou variação, que têm como
um dos objetivos comparar a variação em diferentes conjuntos de dados. Dentro
deste conjunto de medidas, a primeira a ser analisada é a amplitude, medindo a
diferença entre os valores máximo e mínimo para dados quantitativos. Uma das
desvantagens desta medição reside no fato de utilizar apenas dois valores em um
conjunto de dados. Desse modo, tem-se (LARSON; FARBER, 2015):
x MA
n 2
2 i 1 i
Variância populacional =
n
x MA
n 2
i 1 i
Desvio padrão populacional =
n
19
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
DICAS
Aproveite a leitura!
Desvio padrão
Coeficiente de variação = .100
média
5 MEDIDAS DE POSIÇÃO
As últimas medidas a serem estudadas são as medidas de posição ou
separatrizes, que compreendem os quartis, decis, percentis e escore padrão. Os
quartis dividem a distribuição dos dados ordenados em quatro partes, ou seja, o
primeiro quartil representa 25% das medidas, depois o segundo quartil representa
50% das medidas, o terceiro quartil 75% das medidas e o quarto quartil 100% das
medidas. Vale apontar que o segundo quartil corresponde à mediana do conjunto
de dados. Já para o cálculo de decis e percentis utiliza-se como base a divisão do
conjunto de dados em dez partes iguais ou cem partes iguais, respectivamente.
Vale apontar que os resultados são sempre arredondados para o número inteiro
mais próximo ao representar as medidas, em caso da existência de números
decimais (LARSON; FARBER, 2015; FERREIRA, 2015).
20
TÓPICO 2 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
6 DISTRIBUIÇÃO DE FREQUÊNCIAS
Ao coletar dados para um determinado estudo, é comum a análise da
distribuição das variáveis de acordo com o número de vezes que são obtidas ou
o modo que podem ser representadas. “Distribuição de frequência é uma tabela
em que se resumem grandes quantidades de dados, determinando o número
de vezes, que cada dado ocorre (frequência) e a porcentagem com que aparece”
(FERREIRA, 2015, p. 25).
21
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
Um exemplo de aplicação pode ser visto por meio do caso, adaptado, que
foi apresentado por Ferreira (2015, p. 26).
22
TÓPICO 2 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
TUROS
ESTUDOS FU
8 DISTRIBUIÇÃO NORMAL
Ao explorar os dados de determinado experimento, pode-se observar um
padrão geral regular para descrevê-los.
23
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
Pontos de inflexão
Área total = 1
x
µ-3σ µ-2σ µ-σ µ µ+σ µ+2σ µ+3σ
FONTE: Larson e Farber (2015)
Conforme foi exposto, a área sob uma curva normal representa a proporção
de observações da distribuição normal naquele determinado intervalo. Para obter
de modo mais simples tal proporção acumulada, é ideal que se utilize a curva de
distribuição normal padrão, com o uso do valor do escore z calculado. Para tanto,
deve-se enunciar o problema em termos da variável x, em seguida padronizar
x em termos de uma variável normal padrão z e, posteriormente, utilizar uma
tabela padrão que representa as áreas sob a curva normal padronizada, como
exemplificada parcialmente pela tabela a seguir.
24
TÓPICO 2 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA DESCRITIVA
25
RESUMO DO TÓPICO 2
Neste tópico, você aprendeu que:
26
AUTOATIVIDADE
a) 8,6.
b) 8,0.
c) 7,5.
d) 7,2.
e) 6,8.
133, 425, 244, 385, 236, 236, 328, 1000, 299, 325
a) 0,07.
b) 0,13.
c) 0,35.
d) 0,65.
e) 0,70.
27
28
UNIDADE 1
TÓPICO 3
1 INTRODUÇÃO
Há diversas maneiras de se apresentar dados de um experimento ou
processo. As representações visuais com o uso de gráficos são excelentes para
facilitar o entendimento do conteúdo das observações. Contudo, há várias formas de
organizar os dados e plotar os gráficos, o que torna imprescindível a compreensão
dos fundamentos de cada modelo para melhor escolha ao utilizá-los.
2 REPRESENTAÇÕES GRÁFICAS
A representação gráfica de um conjunto de dados é exibida com objetivo
de facilitar a visualização das observações, favorecendo o rápido entendimento
ao estudar os elementos. Porém, o conhecimento dos principais tipos de gráficos
é imprescindível para que não existam conclusões equivocadas acerca dos temas.
29
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
3 GRÁFICO DE LINHAS
O gráfico de linhas é amplamente aplicado para representar a evolução
das frequências dos valores de uma variável durante um período, exprimindo
possíveis tendências no conjunto de dados (FERREIRA, 2015; DANTE, 2016).
NOTA
30
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
3750
3700
Valor
3650
3600
3550
3500
Janeiro Fevereiro Março Abril Maio Junho
Dívida pública
FONTE: <https://g1.globo.com/economia/noticia/2018/07/25/divida-publica-federal-sobe-1-em-
junho-e-atinge-r-375-trilhoes.ghtml>. Acesso em: 25 jul. 2018.
31
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
4 GRÁFICO DE SETORES
Já o gráfico de setores ou também denominado gráfico de pizza determina
a proporção de cada item de análise, somando como frequência acumulada 100%,
sendo amplamente utilizado para variáveis qualitativas. Desse modo, o gráfico
exprime de modo bastante visual a proporção que cada setor representa para o
total, simbolicamente como se cada “pedaço” de pizza expressasse uma categoria
(MORETTIN; BUSSAB, 2013; DANTE, 2016).
32
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
33
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
0
10 18 20 30 40 47 50 60
20 20 20 20 20 20 20 20
FONTE: <https://g1.globo.com/economia/noticia/2018/07/25/1-em-cada-4-brasileiros-tera-
mais-de-65-anos-em-2060-aponta-ibge.ghtml>. Acesso em: 25 jul. 2018.
34
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
Na Figura 9, o valor numérico real pode ser usado para enfatizar o total de
pessoas refugiadas, sendo, mesmo assim, um gráfico de barras.
6 HISTOGRAMA
O histograma figura como um dos mais importantes gráficos aplicados
a estatística. Ele é usado quando há intervalos, ou seja, classes de valores das
variáveis com relação às frequências absoluta ou relativa, sendo aplicado a
variáveis quantitativas (MORETTIN; BUSSAB, 2013; DANTE, 2016).
10 9
Frequência (número de
navegadores GPS)
8
6 6
6
4
4
2 2
2
1
5
64
,5 4,5 5
4,5 84,5 24,5 64,5 04, 44,
10 14 1 2 2 3 3
35
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
10
Frequência (número de
8
navegadores GPS)
36
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
25
navegadores GPS)
20
15
10
8 DIAGRAMA DE DISPERSÃO
Quando se deseja avaliar a relação entre elementos, o diagrama de
dispersão é usado, excelente representação que indica o vínculo entre duas
variáveis quantitativas (FERREIRA, 2015).
0
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168 180 192
Meses
FONTE: <https://www.scielosp.org/media/assets/rpsp/v1n5/0413f2.gif>. Acesso em: 26 jul. 2018.
9 PICTOGRAMAS
Ainda dentro do grupo dos principais gráficos há os pictogramas, vastamente
empregados em meios de comunicação. Vale ressaltar que, visando representar
visualmente de modo mais específico determinado tema, é comum o uso de gráficos
pictóricos ou pictogramas em publicações jornalísticas, haja vista que as imagens
apresentadas ilustram e informam ao mesmo tempo (DANTE, 2016).
38
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
39
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
Conforme a Figura 15, cerca de 13% das mortes no mundo se dão devido
ao câncer. Esta representação foi feita por meio do destaque da ilustração de 13
pessoas em 100 no pictograma acima.
DICAS
No artigo “Por dentro da estatística” é possível ler resumidamente cada um dos principais
programas que utilizam métodos estatísticos, comparando-os.
40
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
10 PRINCÍPIO DE PARETO
O Diagrama de Pareto é uma representação visual utilizando um gráfico
de barras organizando informações de modo que permita evidenciar quais
fatores são mais importantes em uma priorização de temas para um projeto ou
experimento. O gráfico de barras é organizado de modo decrescente de magnitude
da esquerda para direita permitindo visualização dos tópicos mais relevantes na
ocorrência de um fato em análise (WERKEMA, 1995; FERREIRA, 2015).
11 APLICAÇÃO DO MÉTODO
Campos (1992) complementa que a análise de Pareto é um método simples
e poderoso, baseado em fatos e dados, para priorização de projetos e problemas.
A metodologia de aplicação do método é proposta por Campos (1992) e está
demonstrada na figura a seguir.
41
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
Identificação do problema
Estratificação
Coleta de dados
Desdobramento
42
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
DURAÇÃO
PARADAS NÃO PROGRAMADAS % %ACUMULADA
(MIN)
Sem pedido 2.307 31,69% 31,69%
TOTAL 7.281
43
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
1500 60,00%
50,00%
1000 40,00%
500 30,00%
20,00%
0 10,00%
... l ... ina ... ... s 0,00%
ido a tro
..
r
...
nc ne .
..
do ma qu
u ia
..
to m r
pr álv al .
s.
ed se pa Ou
ho g
a
a
se
no
o á
rn
r
p
m
çã em a m re o
a
no
m ç
a
a o
ul
da em
ga e e
Se e tr ira s n at pa
ha Fa de
za
sf es
en d
d ade ste
ra
pe
o
o
a
v
ri
sã
ei
pa lt
lo te ju m
m
Vá Se
es
d
Ro on A
Li
ra
r
to
ob
P
a
n
ix
D
te
Ba
Re
C
Pradas não programadas
FONTE: Meneses et al. (2017)
44
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
45
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
LEITURA COMPLEMENTAR
DIAGRAMA DE PARETO
EXEMPLO
Uma empresa fabrica e entrega seus produtos para várias lojas de varejo
e quer diminuir o número de devoluções. Para isto, investigou o número de
ocorrências geradoras de devolução da entrega no último semestre, conforme
apresentado no quadro a seguir:
Número de
Razões
ocorrências
Separação errada 45
Faturamento incorreto 60
46
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
Número de
Razões
ocorrências
Atraso na entrega 140
Atraso da transportadora 125
Produto danificado 65
Faturamento incorreto 60
Separação errada 45
Pedido errado 30
Preço errado 20
Outros 15
Total 500
Número de Casos
Razões
ocorrências acumulados
Atraso na entrega 140 140
Atraso da transportadora 125 265
Produto danificado 65 330
Faturamento incorreto 60 390
Separação errada 45 435
Pedido errado 30 465
Preço errado 20 485
Outros 15 500
Total 500
47
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
140
% de atraso na entrega= = 0=, 28 28%
500
48
TÓPICO 3 | REPRESENTAÇÕES GRÁFICAS E O PRINCÍPIO 80/20
140 100
90
Participação acumulada
120
Número de casos 80
100 70
80 60
50
60 40
40 30
20
20
10
0 0
Atraso da
transportadora
Produto
danificado
Faturamento
incorreto
Separação
errada
Pedido errado
Preço errado
Atraso na
entrega
Outros
Conforme apresentado no gráfico acima, para diminuir o problema de
devolução de produtos será necessário criar um programa de ação para a empresa
diminuir os atrasos de entrega da fábrica e da transportadora. Com isso, 53% do
problema será resolvido.
49
RESUMO DO TÓPICO 3
Neste tópico, você aprendeu que:
50
AUTOATIVIDADE
15
Extensão de gelo marítimo
12
1995
9
1998
2000
6 2005
2007
3
Junho Julho Agosto Setembro
a) 1995.
b) 1998.
c) 2000.
d) 2005.
e) 2007.
2 (ENEM 2016) O cultivo de uma flor rara só é viável se do mês do plantio para
o mês subsequente o clima da região possuir as seguintes peculiaridades:
51
Um floricultor, pretendendo investir no plantio dessa flor em sua
região, fez uma consulta a um meteorologista que lhe apresentou o gráfico
com as condições previstas para os 12 meses seguintes nessa região.
GRÁFICO 1 –
2012 2013
250 35
30
200
Pluviosidade (mm)
Temperatura (°C)
25
150
20
100 15
10
50
5
0 0
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
Janeiro
Fevereiro
Março
Abril
Maio
Pluviosidade Temperatura máxima Temperatura mínima
a) Janeiro.
b) Fevereiro.
c) Agosto.
d) Novembro.
e) Dezembro.
52
UNIDADE 1
TÓPICO 4
1 INTRODUÇÃO
A estatística inferencial é um segmento desta ciência que objetiva extrair
conclusões de uma determinada população a partir de uma amostra, ou seja, de
parte desta população.
53
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
POPULAÇÃO
Amostra
3 COLETA DE DADOS
Um estudo estatístico comumente é classificado em observacional ou
experimental, sendo que no primeiro o pesquisador não influencia as respostas,
ocorrendo sem alteração das condições existentes e apenas com a medição
54
TÓPICO 4 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA INFERENCIAL
4 TÉCNICAS DE AMOSTRAGEM
Para executar um planejamento por amostragem, inicialmente deve-se ter
clareza de qual população será descrita e, posteriormente o que exatamente se
deseja medir com tal processo. A amostragem, medição de parte da população,
também possui um erro embutido, que se trata da diferença entre os resultados da
amostra com relação aos da população. Por meio da inferência estatística outras
técnicas de controle são aplicadas (LARSON; FABER, 2015).
55
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
5 ESTIMAÇÃO
A estimação é uma técnica da estatística inferencial para descrever uma
característica populacional baseando-se na amostra escolhida. “O objetivo de
uma amostra é nos dar informação sobre uma população maior. O processo
de extração de conclusões sobre a população com base na amostra se chama
inferência, porque inferimos informação sobre a população a partir do que sabemos
da amostra” (MOORE, 2011).
6 ESTIMAÇÃO DE PARÂMETROS
A estimação de parâmetros é realizada com o intuito de descrever a
população por meio da amostra de trabalho. Baseando-se em Morettin (2010), os
parâmetros amostrais serão determinados neste item do trabalho.
1 n
X xi
n i 1
1 n
s xi x
2 2
n 1 i 1
56
TÓPICO 4 | PRINCÍPIOS BÁSICOS DE ESTATÍSTICA INFERENCIAL
x x
n 2
i
s i 1
n 1
7 TAMANHO DA AMOSTRA
Ao realizar uma pesquisa, pode ser necessário determinar o tamanho da
amostra. Para tanto, há algumas maneiras de obter tal estimativa, dependendo
dos parâmetros que serão utilizados.
ATENCAO
57
UNIDADE 1 | INTRODUÇÃO À ESTATÍSTICA
16 1, 96
2 Z a2 2
/2
n 245
E2 0, 5
2
N n0
n
N n0
Sendo que:
1
n0 =
E02
58
RESUMO DO TÓPICO 4
Neste tópico, você aprendeu que:
59
AUTOATIVIDADE
COLUNA 1
COLUNA 2
( ) Variável contínua.
( ) Amostra.
( ) Amostragem aleatória simples.
( ) População.
a) ( ) 4, 2, 3, 1.
b) ( ) 2, 1, 4, 3.
c) ( ) 3, 2, 1, 4.
d) ( ) 2, 3, 4, 1.
60
IV- Na amostragem por conglomerados, quando as unidades conglomeradas
contêm números diferentes de elementos, não existem processos para se
estimar o valor total da população.
a) I.
b) I e II.
c) III e IV.
d) I, III e IV.
e) I e IV.
61
62
UNIDADE 2
METODOLOGIAS PARA
PLANEJAMENTO EXPERIMENTAL E
SUAS PRINCIPAIS VARIÁVEIS
OBJETIVOS DE APRENDIZAGEM
A partir do estudo desta unidade, você deverá ser capaz de:
PLANO DE ESTUDOS
Esta unidade está dividida em três tópicos. No decorrer da unidade você
encontrará autoatividades com o objetivo de reforçar o conteúdo apresentado.
63
64
UNIDADE 2
TÓPICO 1
1 INTRODUÇÃO
A estatística possui como uma das mais importantes vertentes de seu
conhecimento o planejamento de experimentos. Apesar desta ciência englobar o
planejamento, execução, coleta e análise de dados em um experimento, a etapa de
planejamento é imprescindível para o sucesso de qualquer projeto. Nesta primeira
fase as decisões e escolhas são realizadas para posteriormente serem executadas,
sendo, portanto, essencial o conhecimento de técnicas e cenários adequados para
a experimentação.
A análise das variáveis por artifício das técnicas existentes possibilita a evolução
de um modelo estatístico capaz de explorar todo universo de dados necessários,
descartando os dados provenientes de técnicas não significativas e alcançando o
objetivo desejado sem a inconveniência do uso de diversas experimentações. Para
tanto, a estratégia de trabalho está alicerçada no número de fatores de análise, sendo
existentes técnicas distintas para experimentos com um único fator ou com vários
fatores. O conhecimento destes diversos métodos é imprescindível para a escolha e
realização de um planejamento experimental satisfatório.
65
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
2 INFERÊNCIA ESTATÍSTICA
Na unidade anterior, estudamos formas de estimar parâmetros de uma
amostra e quais as principais características de um conjunto de dados. Porém,
para interpretar de forma ampla e correta tais dados é preciso o entendimento de
outras propriedades estatísticas, como exemplo o conhecimento de intervalos de
confiança e testes de hipóteses, uma parte da estatística inferencial.
População Amostra
Amostragem
N; μ x,n
Inferência estatística
Neste ponto temos que entender que uma estimativa pontual, como média
e desvio padrão da população, dificilmente será fidedigna ao resultado global
da população, sendo, portanto, preferível a aplicação de estimativas inferenciais
como o intervalo de confiança.
66
TÓPICO 1 | INTRODUÇÃO AO PLANEJAMENTO EXPERIMENTAL
3 INTERVALO DE CONFIANÇA
O intervalo de confiança é uma delimitação dos parâmetros de uma
distribuição, geralmente apresentado como uma ‘estimativa ± margem de erro’. Vale
apontar que para estimar a margem de erro deve-se utilizar um determinado
nível de confiança, ou seja, a taxa de sucesso do método que produz o intervalo
(MOORE, 2011; MORETTIN, 2010).
ATENCAO
NOTA
67
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
Pontos de inflexão
Área total = 1
x
µ-3σ µ-2σ µ-σ µ µ+σ µ+2σ µ+3σ
FONTE: Larson e Farber (2015, p. 219)
x
z
30 26 33 26 26 33 31 31 21 37
27 20 34 35 30 24 38 34 39 31
22 30 23 23 31 44 31 33 33 26
27 28 25 35 23 32 29 31 25 27
68
TÓPICO 1 | INTRODUÇÃO AO PLANEJAMENTO EXPERIMENTAL
x
x 1184 29, 6
n 40
Assim, sabe-se que há como média 29,6 horas de trabalho dos funcionários
das mercearias do município. De modo intervalar, pode-se estimar uma amplitude
de valores, considerando aleatoriamente que a margem de erro seja igual a 2,1,
tem-se que o valor da média de horas trabalhadas está no intervalo entre (29,6-
2,1) <μ< (29,6+2,1), ou seja, 27,5 <μ< 31,7, cuja representação é dada pela Figura 3.
Em vista disso, percebe-se que é bem mais provável que a média real de uma
população esteja dentro de um intervalo de valores a um resultado fixo pontual.
69
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
x z*
n
2
z *
n
m
x MA
n 2
i
i 1
5, 3
n
5, 3
x z* 29, 6 1, 960 29, 6 1, 64
n 40
70
TÓPICO 1 | INTRODUÇÃO AO PLANEJAMENTO EXPERIMENTAL
4 TESTE DE HIPÓTESES
O teste de hipótese analisa uma afirmação em relação a um parâmetro
populacional, sendo que uma das duas hipóteses testadas é dada como verdadeira.
Para examinar a igualdade das médias de k tratamentos tem-se:
H0: τ1 = τ2 =...= τk =0
H1: τi ≠ 0 para pelo menos um i
71
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
5 PLANEJAMENTO EXPERIMENTAL
Vale relembrar que por definição um experimento é um estudo de um
sistema no qual há alterações em parâmetros de entrada para análise das variações
em parâmetros de saída, conforme enunciou Werkema e Aguiar (1996) e pode-se
representar pela figura a seguir.
Entrada Saídas
s PROCESSO y
z1 z2 zP
fatores não controláveis
FONTE: Adaptado de Motgomery e Runger (2016)
72
TÓPICO 1 | INTRODUÇÃO AO PLANEJAMENTO EXPERIMENTAL
Sim Não
Disponibilidade
de dados
Com dados Sem dados
Estratégia?
1 2 3 4 5 6 7
FONTE: Domenech (2004)
E
IMPORTANT
73
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
6 TIPOS DE AMOSTRAS
Dentro do planejamento experimental, a análise da amostra deve ser um
dos primeiros fatores a serem pensados. Há dois tipos básicos de amostras: uma
de resposta voluntária, quando a pessoa escolhe se irá responder a uma pesquisa,
por exemplo: questionários enviados via e-mail, ou amostra de conveniência,
quando o entrevistador faz a escolha da pessoa, como entrevistas em ruas ou
shoppings. Porém, dentro deste universo, a escolha deve ser realizada ao acaso,
evitando favorecimento de determinado grupo nos resultados. Um fator a ser
pensado em amostras de conveniência é o local escolhido para tal entrevista,
visto que uma rua de comércio popular tende a ser frequentada por pessoas de
diferente classe social a um shopping de alto padrão, podendo, portanto, acarretar
uma tendência nos dados obtidos (MOORE, 2011).
74
TÓPICO 1 | INTRODUÇÃO AO PLANEJAMENTO EXPERIMENTAL
Identificação dos fatores que serão constantes e daqueles que irão variar.
Escolha da faixa de variação e níveis de medição.
5- Realização do experimento
6- Análise de dados
7 TIPOS DE EXPERIMENTOS
Consoante a Werkema e Aguiar (1996), há três princípios básicos para
planejar experimentos, sendo eles: réplica, aleatorização e formação de blocos.
Resumidamente, réplica são as repetições do experimento, sendo respeitadas as
condições de cada etapa igualmente, ou seja, apenas a variável de interesse de
análise irá variar no processo. A aleatorização consiste em manter ao acaso tanto as
condições de experimentação quanto a ordem dos ensaios. Já a formação de blocos
consiste na sistematização de conjuntos homogêneos para realização de blocos
experimentais, ou seja, faz-se a união de conjuntos homogêneos para evitar erros
devido à variabilidade dos elementos e a aleatorização dentro deste conjunto.
75
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
UNI
Ronald Aylmer Fisher, um dos maiores gênios da história da ciência recente e considerado
por muitos o pai da estatística, desenvolve em uma tarde com amigos um simples exemplo
de delineamento de experimentos (ou design de experimentos, para os que gostam de
abrasileirar). A história que é contada quase como uma lenda entre os estatísticos, foi
publicada pelo próprio Fisher em seu clássico livro The Design of Experiments e conta a
história de uma senhora que jurava que conseguia diferenciar se o leite era posto antes
ou depois do chá. Intrigado, Fisher elaborou um experimento para verificar a habilidade da
senhora e seu desenrolar é contado a seguir.
Como um bom inglês, Fisher se reuniu com seus amigos para tomar um chá ao fim de
uma bela tarde nublada típica da Inglaterra. Durante a conversa, uma senhora, ninguém
menos que Muriel Bristol, diz que consegue diferenciar se o leite é posto antes ou depois
do chá. Teimoso, Fisher duvida e propõe o seguinte teste.
1. 8 xícaras de chá serão utilizadas, sendo 4 em que o leite foi posto antes e 4 em que o
leite foi posto depois.
2. A senhora irá experimentar cada uma das xícaras em ordem aleatória e deverá selecionar
quais são os chás em que o leite foi colocado primeiro.
3. Se a senhora conseguir acertar todas as xícaras, Fisher estará convencido de que ela
realmente sabe diferenciar a ordem em que é posto o leite.
Fisher definiu o nível do teste em 5%. Lembrando que temos 8 xícaras no total e ela
deve selecionar 4, temos 70 combinações possíveis. Utilizando um pouco de inferência,
a região crítica deve ser definida de forma que a probabilidade de a senhora acertar certo
número de xícaras ou mais seja menor que o 5% definido. Na tabela a seguir temos as
probabilidades dos eventos possíveis. Note que a probabilidade de acertar 3 ou mais é de
17/70 (16/70 + 1/70), ou seja, 0.2428. Por outro lado, a probabilidade de acertar as 4 é de
1/70 = 0.0143 < 0.05. Portanto, a região crítica selecionada foi:
Se a senhora acertar as 4 xícaras com leite colocado antes, então temos evidências para
dizer que sua probabilidade de acertar não é um mero acaso, ou seja, ela possui essa
habilidade inútil.
76
TÓPICO 1 | INTRODUÇÃO AO PLANEJAMENTO EXPERIMENTAL
0 1 1/70
1 16 16/70
2 32 32/70
3 16 16/70
4 1 1/70
Em apenas uma conversa, Fisher mostrou aos seus colegas toda sua genialidade a respeito
de sua teoria em planejamento de experimentos: a aleatorização das xícaras, a definição
do nível do teste antes de coletar os dados, o planejamento e suas conclusões. Além
disso, dizem que Bristol acertou todas as quatro xícaras…
FONTE: <https://manipulandodados.com.br/o-brilhantismo-de-fisher-no-experimento-da-
senhora-tomando-cha/>. Acesso em: 16 set. 2018.
77
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
78
TÓPICO 1 | INTRODUÇÃO AO PLANEJAMENTO EXPERIMENTAL
79
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
Superfície de O objetivo consiste Os níveis dos fatores são Mapas que ilustram a
resposta em fornecer vistos como pontos no espaço natureza e a forma da
mapas empíricos de fatores (muitas vezes superfície de resposta.
ou gráficos de multidimensional) no qual a
contorno. Estes resposta será registrada.
mapas ilustram
a forma pela
qual os fatores,
que podem ser
controlados pelo
pesquisador,
influenciam a
variável resposta.
FONTE: Werkema e Aguiar (1996, p. 39-43)
80
RESUMO DO TÓPICO 1
Neste tópico, você aprendeu que:
81
AUTOATIVIDADE
82
UNIDADE 2 TÓPICO 2
1 INTRODUÇÃO
Iniciaremos o estudo pelos experimentos envolvendo um único fator com
um número aleatório de níveis, ou seja, apenas um fator de interesse é analisado,
porém podem existir diversas possibilidades de variação para este dado fator.
83
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
x... X ...
O Quadro 5 mostra que a variável x11 representa uma das observações para
o nível 1, ou seja, tratamento 1. Em suma, o exemplo geral mostra que em k formas
distintas de tratamentos tem-se um número igual de observações e replicatas,
gerando um número total de observações e uma média de valores obtidos para
cada um dos tratamentos. Por meio de um modelamento matemático genérico
linear estatístico é possível descrever os dados contidos no Quadro 3, sendo
apresentado o modelo matemático de análise da variância para um fator.
E
IMPORTANT
H0: τ1 = τ2 =...= τk =0
H1: τi ≠ 0 para pelo menos um i
85
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
k n
SQT xij x ...
2
i 1 j 1
Observe que é o mesmo que dizer que a soma de quadrados total é igual
a variação total dos tratamentos, SQTratamentos, que por sua vez pode ser entendida
como o somatório da variação dos tratamentos mais os erros ou resíduos da
análise, SQE.
k n k k n
86
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
SQTratamentos
MQTratamentos =
k-1
SQE
MQE =
k n-1
UNI
87
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
ni
k
x 2 ...
SQT xij2
i 1 j 1 N
k
xi2. x 2 ...
SQTratamentos
i 1 ni N
Resumidamente:
Para análise, deve-se supor como verdadeira uma das hipóteses, sendo
então passível de erro a escolha, seja erro do Tipo I ou II. Para tanto, tem-se no
quadro a seguir os resultados possíveis em um teste de hipóteses.
88
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
H. bihai
46,75 46,81 47,12 46,67 47,43 46,44 46,64
48,34 48,15 50,26 50,12 46,34 46,94 48,36
H. caribaea vermelha
42,01 41,93 43,09 41,47 41,69 39,78 40,57
42,18 40,66 37,87 39,16 37,40 38,20 38,07
37,97 38,79 38,23 38,87 37,78 38,01
H. caribaea amarela
37,02 36,52 36,11 36,03 35,45 38,13 37,10
36,82 36,66 35,68 36,03 34,57 34,63
89
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
90
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
UNI
Uma dica para o uso no programa computacional Excel, em geral mais fácil de ser
encontrado, será descrito a seguir, com base no Excel 2016.
91
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
• Inicialmente, abra o programa e entre com os dados que serão analisados normalmente.
• Clique na aba “arquivo”, primeira aba da parte superior da tela.
• Ao final da lista ao lado esquerdo da tela, selecione “opções”.
• Posteriormente, abrirá uma janela, onde deverá ser selecionado o item “suplementos”
e depois clicar em “ir”, que aparece ao final da janela ao lado do item “gerenciar”.
• Na nova janela que abrirá, selecione o item “ferramentas de análise” e clique em “ok”.
• Na parte superior da janela principal do programa, escolha a aba “dados” e então clique
em “análise de dados”, ao lado direito da tela.
• Neste ponto, escolha o item “ANOVA: fator único” ou “ANOVA: fator duplo com
repetição” ou “ANOVA: fator duplo sem repetição”, de acordo com a análise que será
realizada.
• Uma nova janela se abrirá. No item "Intervalo de entrada" acrescente o conjunto de
dados e insira qual o nível de significância que deverá ser aplicado, ou seja, o fator alfa.
• Clique em "Intervalo de saída" e posteriormente em “ok”, escolhendo onde a ANOVA
deverá ser criada.
UNI
92
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
À medida que x
cresce, y tende a
crescer
x x
Correlação linear negativa Correlação linear positiva
y y
x x
Não há correlação Correlação não linear
FONTE: Ferreira (2015, p. 168)
93
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
}
yi
yi
^ }(y -y )=SSE
i
^
i
(yi-yi)=SSTO
–
–
y
}(y -y )=SSR
^
i
–
i
yi = y
^ –
–
(yi-yi)=0
^
(yi-yi)=0=SSE
^
94
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
ATENCAO
Perceba que, no modelo com efeitos fixos, as conclusões são válidas para
os níveis dos fatores usados no experimento e, no modelo de efeitos aleatórios, temos
conclusões válidas para a população inteira de todos os níveis do fator.
MQTratamentos
F0 =
MQE
95
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
H0: στ2 = 0
H1: στ2 > 0
Caso a hipótese nula seja aceita, H0, não há variabilidade, logo, o fator
não exercerá efeito sobre o item de controle. Os estimadores utilizados para as
componentes da variância são dados por:
^Æ
Ã
σ = MQE
2=
MQTratamentos -MQE
^Ã
σ Æ22 =
τ τ
N
1
n0
k 1
Consumo de energia
Cuba 1 2 3 4 Totais Médias
1 16,7 16,3 17,0 16,0 66,0 16,5
2 14,3 14,0 15,0 14,7 58,0 14,5
3 16,0 15,0 16,3 15,7 63,0 15,8
4 15,7 16,0 17,0 16,7 65,4 16,4
x= 252,4 x = 15,8
96
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
97
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
^ 2 = MQ = 0,27
σ E
^Æ
MQTratamentos MQE 3, 31 0, 27
σ 22
τ
0, 76
n 4
^ 2+ σ
^ 2= σ
σ ^ 2 = 0,76 + 0,27 = 1,03
x τ
98
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
Blocos
Tratamento Totais Médias
1 2 ... b
1 x11 x12 ... x1b x1 X 1
Vale apontar que para este tipo de experimento considera-se que o erro é
normal e independentemente distribuído com média zero e variância σ2. Ademais,
os efeitos dos tratamentos e dos blocos são definidos como desvios da média
global. Um ponto importante é que se considera que tratamentos e blocos não
interagem, ou seja, o efeito do tratamento i é o mesmo, independentemente de
qual bloco seja testado (MONTGOMERY; RUNGER, 2016; WERKEMA; AGUIAR,
1996). Ao considerar que o fator e o bloco são fatores fixos, realizamos o teste de
hipóteses para verificação da ausência de efeitos do fator, sendo expresso por:
H0: τ1 = τ2 =...= τa =0
H1: τi ≠ 0 para pelo menos um i
Para este método, tem-se a identidade da soma dos quadrados, sendo que
a soma dos quadrados total é dividida em três componentes:
a b b b a b
Ou seja:
99
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
SQTratamentos
MQTratamentos
a 1
SQBlocos
MQBlocos
b 1
SQE
MQE
a 1 b 1
De modo que:
a b
x ...2
SQT xij 2
i 1 j 1 ab
1 a 2 x ...2
SQTratamentos xi.
b i 1 ab
1 b 2 x ...2
SQBlocos x. j ab
a j 1
MQTratamentos
F0 =
MQE
100
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
Lotes
Catalisador 1 2 3 4 5 xi.
A 41 34 40 39 33 187
B 43 37 45 42 40 207
C 45 38 48 43 38 212
D 43 41 45 46 40 215
x.j 172 150 178 170 151 821=x
Média 43 37,5 44,5 42,5 37,8 205,3
101
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
Soma de quadrados
a b
x...2
SQT = xij 2 -
i=1 j=1 ab
= 41 + 34 + 40 + 39 + 33 + 43 + 37 + 45 + 42 + 40
2 2 2 2 2 2 2 2 2 2
8212
- =288,95
4*5
1 a 2 x...2 1 8212
SQTratamentos = i. ab 5
a j=1
x - = * 187 2
+207 2
+212 2
+215 2
-
4*5
=95,35
1 b 2 x...2 1 8212
SQTratamentos = .j ab 4
a j=1
x - = * 172 2
+150 2
+178+1512
-
4*5
=165,20
102
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
SQTratamentos 95, 35
MQTratamentos 31, 78
a 1 4 1
SQBlocos 165, 20
MQBlocos 41, 30
b 1 5 1
SQE 28, 40
MQE 2, 37
a 1 b 1 4 1 5 1
Para testar a hipótese nula, temos que:
H0: τ1 = τ2 =...= τa =0
H1: τi ≠ 0 para pelo menos um i
MQTratamentos 31, 78
=F0 = = 13, 41
MQE 2, 37
Fa b 1 a 1 b 1 e F0
103
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
• Entre tratamentos:
H0: μi = μj
H1: μi ≠ para todo i ≠ j
• Entre blocos:
H0: βi = βj
H1: βi ≠ βi para todo i ≠ j
Para tanto, diversos tipos de testes podem ser utilizados, dentre eles o
teste de Duncan, teste de Dunett, teste de Tukey, teste “t” de Student, teste de
Fisher. Alguns deles serão abordados neste trabalho, consoante ao exposto por
Carpinetti (2009).
O teste t de Student
104
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
Desse modo:
xi x j dms, para i j
105
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
106
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
Desse modo:
xi x j dms, para i j
Aplicando ao exemplo anterior, e considerando os dados dos Quadros 13
e 14 e a Figura 10, temos que:
Em um gráfico de resíduos versus valores ajustados x^ij , não deve haver tipo
algum de relacionamento entre a relevância dos resíduos e dos valores ajustados.
Caso haja uma configuração interativa, deve-se avaliar o método utilizado. Outro
modo de análise é a construção de um gráfico de probabilidade normal, em que
o coeficiente de correlação linear deve ser avaliado para certificação da suposição
de normalidade. Ademais, tem-se também a análise de resíduos contra o tempo
(ordem de coleta das observações), análise de resíduos contra tratamentos, para
avaliar a igualdade de variâncias das observações, análise de resíduos contra
blocos, para avaliar a igualdade de variâncias das observações nos blocos, dentre
outras possíveis investigações (WERKEMA; AGUIAR, 1996; SOUZA et al., 2002).
107
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
LEITURA COMPLEMENTAR
Bruna Faria
Mas será que essa informação é suficiente para afirmar que o desempenho
dos alunos de cada professor é realmente diferente? E se um dos professores tiver
em sua turma um aluno que não se preparou e errou quase todas as questões?
Esse aluno não seria responsável por ter diminuído a média do grupo de alunos
desse professor?
108
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
A Análise de Variância
• H0: Não existe diferença entre o desempenho das notas dos alunos de cada
professor.
• H1: Há pelo menos um professor com alunos com desempenho diferente.
109
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
110
TÓPICO 2 | PLANEJAMENTO DE EXPERIMENTOS COM UM ÚNICO FATOR
Mas como saber quais professores com alunos com desempenhos diferentes
diferem entre si? A forma de averiguar isto é complementar a ANOVA, através da
utilização do teste de comparação múltipla, como por exemplo, o teste de Tukey.
FONTE: <http://www.abgconsultoria.com.br/blog/como-interpretar-uma-analise-de-variancia-
anova/>. Acesso em: 5 set. 2018.
111
RESUMO DO TÓPICO 2
Neste tópico, você aprendeu que:
• “No modelo de efeito fixo são testadas hipóteses sobre as médias dos
tratamentos e as conclusões obtidas são aplicáveis somente aos níveis do fator
considerados na análise” (WERKEMA; AGUIAR, 1996, p. 57).
112
AUTOATIVIDADE
Blocos
CASCO Dia 1 Dia 2 Dia 3 xi. xi.2
1 45 46 51 142 20164
2 42 44 50 136 18496
3 36 41 48 125 15625
4 49 47 54 150 22500
x.j 172 178 203 553 76785
x .j
2
29584 31684 41209 102477
113
114
UNIDADE 2 TÓPICO 3
1 INTRODUÇÃO
Quando for necessária a análise do efeito de dois ou mais fatores de
interesse sobre um item de controle de um processo, um experimento fatorial deve
ser criado. Para a resolução utiliza-se o mesmo procedimento básico realizado em
experimentos com um único fator, a análise de variância. Ademais, neste tipo de
técnica, as interações entre fontes também são avaliadas.
2 ANÁLISE FATORIAL
No planejamento de experimentos com várias condições, são analisados
os efeitos de dois ou mais fatores de interesse sobre um item de controle deste
processo, os denominados experimentos fatoriais, isto é, todas as tentativas
experimentais são combinadas em todos os níveis dos fatores. Cada combinação
é um tratamento, sendo um esquema fatorial completo quando todas as
combinações possíveis são realizadas. A operacionalização do planejamento
experimental é realizada por meio da análise de variância para dois ou mais
fatores, com investigação da presença de interações (WERKEMA; AGUIAR, 1996;
MONTGOMERY; RUNGER, 2016; RODRIGUES; IEMMA, 2005).
115
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
Fator B
Fator A Totais Médias
1 2 ... B
x111, x112, ..., x121, x122, ..., x1b1, x1b2, ...,
1 ... x1.. X
x11n x12n x1bn 1..
116
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
H0: τ1 = τ2 =...= τa =0; neste caso não há nenhum efeito principal do fator A.
H1: τi ≠ 0 para pelo menos um i.
H0: β1 = β2 =...= βb =0; neste caso não há efeito principal do fator B.
H1: βj ≠ 0 para pelo menos um j.
H0: (τβ)11 = (τβ)12 =...= (τβ)ab =0; neste caso não há interação alguma.
H1: no mínimo um (τβ)ij ≠ 0.
Para este método, tem-se a identidade da soma dos quadrados, sendo que
a soma dos quadrados total é dividida em quatro componentes:
a b n
1 xijk x ...
2
i 1 j 1 k 1
a b a b
=bn xi ... x ... an x. j . x ... n xij . xi.. x. j . x ...
2 2 2
i 1 j 1 i 1 j 1
a b n
+ 1 xijk xij .
i 1 j 1 k 1
Ou seja:
De modo que:
a b n
x...2
SQT = ∑ ∑ ∑ xijk 2
-
i=1 j=1 k=1 abn
xi..2 x...2
a
SQA = ∑ -
i=1 bn abn
b 117x 2
.j. x...2
SQ = -
xi..2 x...
a
SQA = ∑ -
i=1 bn abn
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
b x 2
x...2
SQB = ∑
.j.
-
j=1 an abn
xij.2 x...2
a b
SQSubtotais = ∑ ∑ -
i=1 j=1 n abn
n
xij. = ∑ xijk
k=1
Assim:
SQA
MQA =
a-1
SQB
MQB =
b-1
SQAB
MQAB =
a-1 b-1
SQE
MQE =
ab n-1
A organização típica dos dados para este tipo de experimento foi realizada
no quadro a seguir.
118
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
SQB MQB
Fator B SQB b-1 MQB F0/ B =
b 1 MQE
SQAB
Erros SQE ab(n-1) MQAB
ab n 1
• Se F0/A > Fα (a-1, ab (n-1)), conclui-se que o fator A influencia a variável resposta
com o nível de significância α.
• Se F0/B >Fα (b-1, ab(n-1)), conclui-se que o fator B influencia a variável resposta
com o nível de significância α.
• Se F0/AB > Fα ((a-1)(b-1). ab(n-1)), conclui-se que a interação entre A e B influencia
a variável resposta com o nível de significância α.
119
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
EXEMPLO 1:
120
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
40
30
Vibração
20
10
0
1/16" 1/12" 1/8"
Diâmetro
40 60 80
FONTE: Werkema e Aguiar (1996)
121
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
A análise dos resíduos pode ser observada por meio do quadro montado
a seguir e dos gráficos apresentados de resíduos.
3
2
1
Resíduos
0
-1
-2
-3
-4
0 10 20 30 40
Ordem
4
3
2
1
Resíduos
0
-1
-2
-3
-4
0 10 20 30 40
Médias
122
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
3
2
1
Resíduos
0
-1
-2
-3
-4
1 2 3
Velocidade
3
2
1
Resíduos
0
-1
-2
-3
-4
1 2 3
Diâmetro
FONTE: Werkema e Aguiar (1996)
. 999
. 99
. 95
Probabilidade
. 80
. 50
. 20
. 05
. 01
. 001
Resíduos
Média = 0,000 TESTE DE NORMALIDADE
Desvio Padrão = 2,064 Coeficiente de Correlação Linear = 0,9778
Número de dados = 36 P-valor (aproximado): > 0,1000
FONTE: Werkema e Aguiar (1996)
123
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
Os dados típicos para análise de variância com três fatores são apresentados
no quadro a seguir.
Interação MQAC
SQAC (a-1)(c-1) MQAC F0/ AC =
AC MQE
Interação MQBC
SQBC (b-1)(c-1) MQBC F0/ BC =
BC MQE
Interação MQABC
SQABC (a-1) (b-1) (c-1) MQABC F0/ ABC =
ABC MQE
Erro SQE abc(n-1) MQE
Total SQT abcn-1
124
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
a+ab b+ 1 1
A= - = - = a+ab-b- 1
x A+ x A 2n 2n 2n
b+ab a+ 1 1
B= - = - = ab+ 1 -a-b
xB+ xB- 2n 2n 2n
ab+ 1 a+b 1
AB= - = ab+ 1 -a-b
2n 2n 2n
Contraste
2
SQ
n 2k
125
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
DICAS
126
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
1 1
A= a+ab-b- 1 = 59,299+59156-55,686-56,081 =0,836
2n 2.4
1 1
B= b+ab-a- 1 = 55,686+59,156-59,299-56,081 =-0,067
2n 2.4
1 1
AB= ab+ 1 -a-b = 59,156+56,081-59,299-55,686 =0,032
2n 2.4
2
a+ab-b- 1 6,688
2
SQA = = =2,7956
n2k 16
b+ab-a-1 12 -0,538 2
SQB = = =0,0181
k
n2 16
2
ab+ 1 -a-b 0,252
2
SQAB = = =0,0040
n2k 16
56,081+...+59,156
2
127
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
LEITURA COMPLEMENTAR
Marcelo Petenate
Delineamento
Formulação A B C 7 8
1 - - -
2 + - -
+ 3 4
3 - + -
B 5 6 +
4 - - +
5 + + -
C
- 1 2 -
6 - - +
7 + - + A
- +
8 + + +
• Um exemplo
128
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
Fatores Codificados
Temperatura Concentração Catalisador Resposta(y)
- - - 60
+ - - 72
- + - 54
+ + - 68
- - + 52
+ - + 83
- + + 45
+ + + 80
129
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
45 80
+ 54 68
Concentração 52 83 +
Catalisador
- 60 72 -
- Temperatura +
Produção (%)
Produção com
Concentração Catalisador com T a 160 Efeito = T+ – T-
T a 180 (T+)
(T-)
20 A 60 72 72 – 60 = 12
40 A 54 68 68 – 54 = 14
20 B 52 83 83 – 52 = 31
40 B 45 80 80 – 45 = 35
(12 + 14 + 31 +
Efeito principal da temperatura (média dos efeitos)
35)/4 = 23
130
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
Para obter o efeito dessa interação, basta calcular a média das 4 respostas
quando os níveis são iguais (++ e –) e média das 4 respostas quando os níveis são
diferentes (+- e -+). Depois isso, faça a diferença da média de níveis iguais menos
a média de níveis diferentes.
131
UNIDADE 2 | METODOLOGIAS PARA PLANEJAMENTO EXPERIMENTAL E SUAS PRINCIPAIS VARIÁVEIS
132
TÓPICO 3 | PLANEJAMENTO DE EXPERIMENTOS COM VÁRIOS FATORES
133
RESUMO DO TÓPICO 3
Neste tópico, você aprendeu que:
• As interações entre as fontes podem ser analisadas por meio dos experimentos
fatoriais.
134
AUTOATIVIDADE
Tipo de
Imersão Total Aspersão Total xi..
Zarcão
4,0 5,4
1 4,5 12,8 4,9 15,9 28,7
4,3 5,6
5,6 5,8
2 4,9 15,9 6,1 18,2 34,1
5,4 6,3
3,8 5,5
3 3,7 11,5 5,0 15,5 27,0
4,0 5,0
x.j. 40,2 49,6 89,8= x...
135
136
UNIDADE 3
ANÁLISE DE EXPERIMENTOS E
APLICAÇÕES
OBJETIVOS DE APRENDIZAGEM
A partir do estudo desta unidade, você deverá ser capaz de:
PLANO DE ESTUDOS
Esta unidade está dividida em quatro tópicos. No decorrer da unidade,
você encontrará autoatividades com o objetivo de reforçar o conteúdo
apresentado.
137
138
UNIDADE 3
TÓPICO 1
1 INTRODUÇÃO
Dentro do universo científico há diversos métodos de pesquisa e maneiras
de realizar um planejamento integrado visando ao alcance de um objetivo
específico.
2 MÉTODO CIENTÍFICO
Um método pode ser entendido como um conjunto de atividades sistemáticas
e racionais que permitam atingir um objetivo (MARCONI; LAKATOS, 2003).
139
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Corpo de
conhecimento
disponível
Problema Hipótese
Novo corpo de
conhecimento
140
TÓPICO 1 | MÉTODO CIENTÍFICO VERSUS DOE
3 DOE
O método estatístico pode ser visto como uma vertente do método
científico hipotético-dedutivo que permite obter uma descrição quantitativa de
um sistema de interesse delimitado. Posteriormente essas relações podem ser
generalizadas sobre a natureza, ocorrência ou significado, sendo um método de
experimentação e prova (MARCONI; LAKATOS, 2003).
Observações e fatos
geram um problema.
Realizam-se experimentos.
Acumula-se informação de
natureza empírica.
Identificam-se variáveis
relevantes. Constroem-se
modelos.
Respostas e previsões
são confirmadas
Não experimentalmente?
Sim
Problema
resolvido.
141
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
142
TÓPICO 1 | MÉTODO CIENTÍFICO VERSUS DOE
4 COMPARATIVO
A estatística pode ser vista como a parte científica do estudo da incerteza.
Trata-se de uma lei na qual todos os fenômenos podem ser estimados e previstos.
Vale apontar que as estimativas são na realidade valores esperados aos resultados,
não sendo iguais aos reais devido aos erros aleatórios que ocorrem e são inerentes
a qualquer processo. O planejamento de experimentos permite, não apenas
estimar valores como obter a significância de cada erro para o resultado final
almejado. A análise estatística é parte integrante do próprio método científico
(SILVA, 2007).
143
RESUMO DO TÓPICO 1
144
AUTOATIVIDADE
I- Método indutivo
II- Método dedutivo
III- Método hipotético-dedutivo
IV- Método dialético
a) I – II – III – IV.
b) II – III – I – IV.
c) IV – III – II – I.
d) IV – I – II – III.
145
146
UNIDADE 3
TÓPICO 2
1 INTRODUÇÃO
Os erros são inerentes a qualquer medição, porém, quando a inexatidão
interfere grandemente no resultado, podem-se obter respostas incoerentes aos
valores reais para um dado problema. O conhecimento das possíveis falhas em
experimentos é necessário para o sucesso, bem como o controle dos processos
para evitar a ocorrência de tais desvios.
147
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
UNI
3 GRÁFICOS DE CONTROLE
Segundo Moore (2011, p. 38) “gráficos de controle são ferramentas
estatísticas que monitoram um processo e nos alertam quando o processo foi
perturbado e está fora de controle”. Isto posto, pode-se inferir que as representações
gráficas nos indicam se o processo em análise está dentro do nível aceitável ou
não de variabilidade.
Linha central
149
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Limite de
Controle 31.8 Causas
Inferior 23 28 33 38 43 Especiais
Amostra
FONTE: Ribeiro e Caten (2012)
LC �
LSC k
n
LIC k
n
150
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
1 m
x Xi
^
m i 1
99,7% de todos os x
estão no intervalo ± 3σ x
95,5% de todos os x
estão no intervalo ± 2σ x
(média)
x
Erro padrão = x
n
FONTE: Render et al. (2010, p. 730)
151
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
MÉDIA
AMOSTRA MEDIDAS DE TENSÃO DESVIO-PADRÃO
AMOSTRAL
152
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
LSC= k 275 64, 5 339, 5mV
n
43
LIC= k 275 3 275 64, 5 210, 5mV
n 4
350 LSC
Média amostral
300
250
LIC
200
150
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Número da amostra
FONTE: Moore (2011, p. 41)
Com o gráfico final demonstrado, percebe-se que não há nenhum ponto fora
dos limites de controle, não foram detectadas perturbações grandes no processo.
153
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Limite superior de
controle
Ativo
Limite inferior de
controle
Ativo
Limite inferior de
controle
Dois pontos próximos Dois pontos próximos Sequência de cinco pontos
do limite superior. do limite inferior. acima da linha central.
Investigar a causa. Investigar a causa. Investigar a causa.
Limite superior de
controle
Ativo
Limite inferior de
controle
Sequência de cinco pontos Tendência nas duas Comportamento
abaixo da linha central. direções de cinco errático. Investigar.
Investigar a causa. pontos. Investigar a
causa da mudança
progressiva.
FONTE: Render et al. (2010, p. 728)
Outra maneira de uso dos gráficos de controle pode ser aplicada quando
tanto o valor médio da característica de interesse como sua variabilidade são
monitorados.
154
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
LC=c 4 =s
s
LSC c4 3 1 c42 s 3 1 c42
c4
s
LIC c4 3 1 c42 s 3 1 c42
c4
155
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
1 m
s si
m i 1
LC = r
LSC = D4 r
LIC = D3 r
n D3 D4
2 0 3,267
3 0 2,575
4 0 2,282
5 0 2,115
6 0 2,004
7 0,076 1,924
8 0,136 1,864
9 0,184 1,816
10 0,223 1,777
11 0,256 1,744
156
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
12 0,284 1,716
13 0,308 1,692
14 0,329 1,671
15 0,348 1,652
16 0,364 1,636
17 0,379 1,621
18 0,392 1,608
19 0,404 1,596
20 0,414 1,586
21 0,425 1,575
22 0,434 1,566
23 0,443 1,557
24 0,452 1,548
25 0,459 1,541
Com base nos valores das constantes apresentados, percebe-se que o limite
inferior de controle pode ser um número negativo ao ser calculado, porém, é
costumeiro mantê-lo igual a zero quando tal fato ocorre, visto que não há valores
negativos plotados no gráfico R (MONTGOMERY; RUNGER, 2016).
R
^ =
d2
LC=x
LSC x A2 r
LIC x A2 r
157
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
n A2 d2
2 1,880 1,128
3 1,023 1,693
4 0,729 2,059
5 0,577 2,326
6 0,483 2,534
7 0,419 2,704
8 0,373 2,847
9 0,337 2,970
10 0,308 3,078
11 0,285 3,173
12 0,266 3,258
13 0,249 3,336
14 0,235 3,407
15 0,223 3,472
16 0,212 3,532
17 0,203 3,588
18 0,194 3,640
19 0,187 3,689
20 0,180 3,735
21 0,173 3,778
22 0,167 3,819
23 0,162 3,858
24 0,157 3,895
25 0,153 3,931
S
=
c4
LC=x
S
LSC x 3
c4 n
S
LIC x 3
c4 n
158
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
Número
da x1 x2 x3 x4 x5 x r s
amostra
1 33 29 31 32 33 31,6 4 1,67332
2 33 31 35 37 31 33,4 6 2,60768
3 35 37 33 34 36 35,0 4 1,58114
4 30 31 33 34 33 32,2 4 1,64317
5 33 34 35 33 34 33,8 2 0,83666
6 38 37 39 40 38 38,4 3 1,14018
7 30 31 32 34 31 31,6 4 1,51658
8 29 39 38 39 39 36,8 10 4,38178
9 28 33 35 36 43 35,0 15 5,43139
10 38 33 32 35 32 34,0 6 2,54951
11 28 30 28 32 31 29,8 4 1,78885
12 31 35 35 35 34 34,0 4 1,73205
13 27 32 34 35 37 33,0 10 3,80789
14 33 33 35 37 36 34,8 4 1,78885
15 35 37 32 35 39 35,6 7 2,60768
16 33 33 27 31 30 30,8 6 2,48998
17 35 34 34 30 32 33,0 5 2,00000
18 32 33 30 30 33 31,6 3 1,51658
19 25 27 34 27 28 28,2 9 3,42053
20 35 35 36 33 30 33,8 6 2,38747
159
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
LC=r=5,8
LSC=D4 r= 2,115 5,8 =12,27
LIC=D3 r= 0 5,8 =0
LC x 33, 32
LSC x A2 r 33, 32 0, 577 5, 8 36, 67
LIC x A2 r 33, 32 0, 577 5, 8 29, 97
LC c4 S 2, 345
S 2, 345
LSC S 3 1 c42 2, 345 3 1 0, 94002 4, 898
c4 0, 9400
S 2, 345
LIC S 3 1 c42 2, 345 3 1 0, 94002 0, 208
c4 0, 9400
34 33,32
32
LIC=29,97
30
1
28
1
26
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Subgrupo
160
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
16
14
LSC=12,27 1
12
Amplitudes 10
8
a = 5, 80
6
4
2 LIC=0,00
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Subgrupo
6
LSC=4,899 1
5
Desvios-padrão
4
S =2,345
3
2
1 LIC=0,00
0
5 10 15 20
Subgrupo
FONTE: Montgomery e Runger (2016)
161
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
O valor de P pode ser entendido como uma média, conforme visto acima
relativo a dados históricos. Considera-se D uma variável aleatória binominal com
parâmetro desconhecido p. Como se trata de um gráfico de controle, os limites
central, superior de controle e inferior de controle devem ser calculados para
amostras de tamanho n e possuem como linha central p.
p 1-p
LSC = p + 3
n
LC = p
p 1-p
LIC = p - 3
n
1 m 1 m
P i mn
m i 1
P
i 1
Di
p 1-p
LSC = p + 3
n
LC = p
p 1-p
LIC = p - 3
n
162
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
163
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Seg Ter Qua Qui Sex Seg Ter Qua Qui Sex
Funcionários
129 121 117 109 122 119 103 103 89 105
ausentes
^
Proporção p 0,131 0,123 0,119 0,110 0,124 0,124 0,121 0,104 0,090 0,106
Seg Ter Qua Qui Sex Seg Ter Qua Qui Sex
Funcionários
99 92 83 92 92 115 101 106 83 98
ausentes
^
Proporção p 0,100 0,093 0,084 0,093 0,093 0,117 0,102 0,107 0,084 0,099
0,16
LSC
Proporção de ausentes
0,14
0,12 X
X
X
0,10 X
LIC X
0,08 X X
0,06
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Dia
FONTE: Moore (2011)
164
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
Outro tipo de gráfico de controle por atributos que será estudado são os
gráficos u ou seja, representações de monitoramento para defeitos por unidade.
Considerando que cada subgrupo consiste em n unidades em um total de C
defeitos no subgrupo, tem-se que (MONTGOMERY; RUNGER, 2016):
C
U=
n
Para o cálculo dos limites de controle no gráfico U, as relações são dadas por:
u
LSC u 3
n
LC u
u
LIC u 3
n
4 CAPACIDADE DE PROCESSO
Uma importante análise é necessária neste ponto do trabalho, da
capacidade de um processo, ou seja, a investigação se o processo escolhido tem
possibilidade de cumprir com a demanda e exigência fixadas. A capacidade não
está vinculada ao controle do processo, porém se o controle não for efetivo a
verificação da capacidade dele é prejudicada (MOORE, 2011).
165
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
LSE LIE
RCP C p
6
Note que quando o denominador é maior que o numerador, tem-se RCP <
1 e há uma grande quantidade de unidades não conformes produzidas. Da mesma
maneira, quando o denominador é menor que o numerador, tem-se RCP > 1 e há
uma pequena quantidade de itens não conformes. Por último, quando RCP =1 há
indicativo que o processo ainda precisa melhorar. A figura a seguir demonstra
graficamente os diferentes tipos de representação dos processos citados.
RGP > 1
LIE µ LSE
3σ 3σ
(a)
RGP = 1
RGP < 1
166
TÓPICO 2 | CONTROLE ESTATÍSTICO DO PROCESSO
1
P= *100
Cp
LSE LIE
RCPK C pK min ,
3 3
LIE
P X LIE P Z
LSE
P X LSE P Z
167
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
LIE 90 107
P ( X LIE ) P Z PZ P Z 11, 33 0
1, 5
LSE 110 107
P X LSE P Z PZ P Z 2 0, 023
1, 5
168
RESUMO DO TÓPICO 2
• Nos gráficos de controle há uma linha central (LC) que representa o valor
médio da característica de controle e os valores dos intervalos de aceitação, os
quais são representados pelo limite superior de controle (LSC) e limite inferior
de controle (LIC).
169
AUTOATIVIDADE
Núm.
x1 x2 x3 x4 x5
Amostra
1 0,0629 0,0636 0,064 0,0635 0,064
2 0,063 0,0631 0,0622 0,0625 0,0627
3 0,0628 0,0631 0,0633 0,0633 0,063
4 0,0634 0,063 0,0631 0,0632 0,0633
5 0,0619 0,0628 0,063 0,0619 0,0625
6 0,0613 0,0629 0,0634 0,0625 0,0628
7 0,063 0,0639 0,0625 0,0629 0,0627
8 0,0628 0,0627 0,0622 0,0625 0,0627
9 0,0623 0,0626 0,0633 0,063 0,0624
10 0,0631 0,0631 0,0633 0,0631 0,063
11 0,0635 0,063 0,0638 0,0635 0,0633
12 0,0623 0,063 0,063 0,0627 0,0629
13 0,0635 0,0631 0,063 0,063 0,063
14 0,0645 0,064 0,0631 0,064 0,0642
15 0,0619 0,0644 0,0632 0,0622 0,0635
16 0,0631 0,0627 0,063 0,0628 0,0629
17 0,0616 0,0623 0,0631 0,062 0,0625
18 0,063 0,063 0,0626 0,0629 0,0628
19 0,0636 0,0631 0,0629 0,0635 0,0634
20 0,064 0,0635 0,0629 0,0635 0,0634
21 0,0628 0,0625 0,0616 0,062 0,0623
22 0,0615 0,0625 0,0619 0,0619 0,0622
23 0,063 0,0632 0,063 0,0631 0,063
24 0,0635 0,0629 0,0635 0,0631 0,0633
25 0,0623 0,0629 0,063 0,0626 0,0628
170
a) Usando todos os dados, encontre os limites de controle iniciais para os
gráficos X e R, construa o gráfico e plote os dados. O processo está sob
controle estatístico?
b) Use os limites de controle iniciais do item (a) para identificar pontos fora de
controle. Se necessário, reveja os limites de controle calculados no item (a),
considerando que qualquer amostra fora dos limites de controle poderá ser
eliminada.
Suponha que a média do processo seja 106. Calcule RCP e RCPK e interprete as
razões.
171
172
UNIDADE 3
TÓPICO 3
1 INTRODUÇÃO
Neste tópico serão abordados o gerenciamento de riscos e a análise de
falhas relativas à gestão de um experimento ou processo.
2 GERENCIAMENTO DE RISCOS
Todo e qualquer experimento possui um nível de incerteza quanto ao
resultado atingido. Desse modo, é inerente ao desenvolvimento um grau de risco que
deve ser estimado e gerido visando ao controle e minimização dos impactos destes
nos resultados. De modo generalista, podemos definir risco da seguinte maneira:
173
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Fluxo de
processo Produto
Parâmetros do Característica
processo da qualidade
Causas Efeito
Defeitos de
soldagem
Alinhamento
da palheta Orientação
Soldabilidade
Temperatura
Carregamento
da palheta Solda contaminada
175
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
y f x1 , x2 E
E y f x1 , x2
100 30
90 90 85
25
80
70 20
Condições corretas
60 35 tos 80
50 30
m inu 15 de operação
75
25 o,
40 20
100 110 15 eaçã 10 45 50 55 60 65 70
120 130 140 150
10 er 100 110 120 130 140 150
p od
Temperatura °C m Temperatura °C
Te
FONTE: Montgomery (2017, p. 445)
y 0 1 x1 2 x2 ... k xk
176
TÓPICO 3 | ANÁLISE DE FALHAS E GERENCIAMENTO DE RISCOS
Trajetória da
inclinação
máxima
ascendente
Região da superfície de
resposta de primeira
ordem ajustada
ŷ = 50
ŷ = 40
ŷ = 30
ŷ = 20
ŷ = 10
177
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
4 OPERAÇÃO EVOLUTIVA
O método de operação evolutiva (OPEV) propõe que haja um
monitoramento contínuo da operação com acompanhamento das flutuações
visando obter sempre um melhor desempenho (MONTGOMERY, 2017).
Alto y5 y3
(5) (3)
(1)
y1
(2) (4)
Baixo
y2 y4
x1
Baixo Alto
FONTE: Montgomery (2017, p. 458)
178
TÓPICO 3 | ANÁLISE DE FALHAS E GERENCIAMENTO DE RISCOS
1
Efeito x1 y3 y4 y2 y5
2
1
Efeito x2 y3 y5 y2 y4
2
1
Efeito x1x2 y2 y3 y4 y5
2
Vale apontar que a interação ocorre se a mudança do nível baixo para alto
em x1 produzir efeito nos dois níveis de x2.
Devem-se realizar vários ciclos para análise das condições da variável resposta
y e quando se obtém uma situação melhor, tem-se completado uma fase OPEV.
5 ANÁLISE DE FALHAS
A análise de falhas pode ser realizada por meio da verificação de adequação
do modelo, ou seja, análise dos resíduos ou modelos de regressão obtidos ao
realizar um experimento, conforme já foi superficialmente demonstrado na
Unidade 2 deste livro.
179
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
ei = yi- ŷi ,i = 1,2,...,n
ei ei ei ei
0 0 0 0
ŷi ŷi ŷi ŷi
(a) (b) (c) (d)
FONTE: Werkema e Aguiar (1996, p. 51)
ei ei
0 0
tempo tempo
FONTE: Werkema e Aguiar (1996, p. 56)
0,5
0
Resíduos Ordenados
(b) (b)
1 1
Probabilidade
Probabilidade
0,5 0,5
0 0
Resíduos Ordenados Resíduos Ordenados
(c) (c)
1 1
Probabilidade
Probabilidade
0,5 0,5
0 0
Resíduos Ordenados Resíduos Ordenados
FONTE: Werkema e Aguiar (1996, p. 59)
181
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Resíduos
ei = yi- ŷi ,i = 1,2,...,n
182
RESUMO DO TÓPICO 3
183
AUTOATIVIDADE
Resíduos
1000
1
800
Y
600 0
400
200 -1
0
-3 -2 -1 0 1 2 -2
x -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3
(i)
(ii) Valores ajustados
1 95
Probabilidade
90
80
70
0 60
50
40
-1 30
20
10
5
-2 1
1 5 10 15 20 25 30 35 40 45 50 55 60 65
0,1
Ordem de coleta dos dados -3 -2 -1 0 1 2 3
(iii) Resíduos ordenados
(iv)
184
UNIDADE 3
TÓPICO 4
1 INTRODUÇÃO
No planejamento de experimentos tem-se um conjunto de técnicas que
são amplamente utilizadas para desenvolvimento de novos produtos/processos,
bem como para comparações dentre métodos de trabalho e avaliação de possíveis
mudanças. Neste contexto, diversas são as maneiras de aplicar esta metodologia, seja
em experimentos laboratoriais, em operações industriais ou pesquisas científicas.
185
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Exemplo 1
Z1:190°C Z3:165°C
Água
-1 2(s) 6(s) 40% 18 BAR
industrial
Z2:170°C Z4:160°C
Z1:190°C Z3:230°C
+1 10(s) 15(s) Água normal 100% 30 BAR
Z2:240°C Z4:220°C
186
TÓPICO 4 | APLICAÇÕES DA METODOLOGIA DE PLANEJAMENTO DE EXPERIMENTOS
Z1:190°C Z3:230°C
9 2 6 Água normal 40 30
Z2:240°C Z4:220°C
Água
10 10 6 '' 100 30
industrial
Água
11 2 15 '' 100 18
industrial
Água
12 10 15 '' 40 18
industrial
13 2 6 Água normal '' 100 18
Com base nos dados apresentados e nos índices de qualidade adotados, foi
possível aplicar a ferramenta estatística ANOVA e os gráficos lineares dos efeitos
produzidos nas variáveis de resposta. A figura a seguir mostra as representações
gráficas dos efeitos nas variáveis de resposta.
187
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
FALHA/REBARBA
DEFORMAÇÃO
DIMENSIONAL
6,0 5,06
8,0
5,97 4,0
6,0
6,0
4,0 2,0 2,70
4,0 4,44
2,0 0,98 2,0
0,0
0,0 0,0
-1 1 -1 1
-2,0 -1 1
-4,0
Temperatura Máquina Temperatura Máquina -6,0 -4,56
Temperatura Máquina
5,75
FALHA/REBARBA FALHA/REBARBA
DEFORMAÇÃO
DIMENSIONAL
6,0
8,0 4,0
6,0
6,0 5,74 2,0
2,01 4,0
4,0 2,0 3,34
1,21 0,0
2,0 0,0
-1 1 -2,0 -1 1
0,0
-1 1 -4,0
Pressão de Injeção Pressão de Injeção -6,0 -3,47
Pressão de Injeção
DEFORMAÇÃO
DIMENSIONAL
6,0
4,33
8,0 4,0
6,0 2,93 4,01 3,43 6,0
2,0 4,0
4,0 0,69
2,0 2,0
0,0 0,0
0,0 -2,0 -0,81
-1 1 -4,0 -1 1
-1 1
Tempo Resfriamento Tempo Resfriamento -6,0
Tempo Resfriamento
FALHA/REBARBA
DEFORMAÇÃO
DIMENSIONAL
1
6,0
4,0 3,64
4,11
8,0
6,0 3,74 2,0 6,0
4,0 4,0
3,20 0,0 2,0 -0,03 -0,09
2,0
-1 1 0,0
0,0 -2,0 -1 1
-1 1 -4,0
Tempo Molde Tempo Molde -6,0
Tempo Molde
FALHA/REBARBA
DEFORMAÇÃO
DIMENSIONAL
Percebe-se que alguns fatores são diferentes de zero e, com isso têm
importância na análise dos efeitos. Exemplo: a temperatura da máquina e a
pressão de injeção. A análise de variância, ANOVA, foi aplicada e é demonstrada
na tabela a seguir.
188
TÓPICO 4 | APLICAÇÕES DA METODOLOGIA DE PLANEJAMENTO DE EXPERIMENTOS
TABELA 3 – ANOVA
189
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
EXEMPLO 2
QUADRO 9 – ANOVA
Factor A B C
Batch
position Mixing
Row # Nautamixer Y1 Y2 Y3 Y4 Y5 Ybar S
in a time
day
1 1 1 15 1,533333 2,433333 4,033333 2,933333 2,933333 2,833333 0,930054
2 1 1 30 6,833333 6,533333 6,533333 7,533333 7,533333 7,033333 0,565684
3 1 3 15 4,133333 4,433333 4,333333 4,133333 4,133333 4,293333 0,151658
4 1 3 30 5,633333 5,933333 6,233333 6,333333 6,333333 6,153333 0,383406
5 2 1 15 2,333333 2,233333 3,333333 3,133333 3,133333 2,953333 0,649615
6 2 1 30 4,433333 6,933333 6,733333 7,533333 7,533333 6,673333 1,318332
7 2 3 15 4,333333 3,933333 4,433333 4,333333 4,333333 4,273333 0,194936
8 2 3 30 8,233333 8,433333 8,433333 9,033333 9,333333 8,693333 0,466905
190
TÓPICO 4 | APLICAÇÕES DA METODOLOGIA DE PLANEJAMENTO DE EXPERIMENTOS
Y-hat Model
Factor Name Coeff P (2 Tail) Tol Active
Const 5,36333 0,0000
A Nautamixer 0,28500 0,0132 1 X
B Batch position in a day 0,49000 0,0001 1 X
C Mixing time 1,77500 0,0000 1 X
AB 0,34500 0,0033 1 X
AC 0,26000 0,0226 1 X
BC -0,20500 0,0381 1 X
ABC 0,38000 0,0014 1 X
Rsq 0,9107
Adj Rsq 0,8911
Std Error 0,6866
F 46,6114
Sig F 0,0000
Source SS df MS
Regression 153,8 7 22,0
Error 15,1 32 0,5
Total 168,9 39
A Nautamixer 1 2 1,5
B Batch position in a day 1 3 2
C Mixing time 15 30 22,5
Prediction
Y-hat 5,363333333
S-hat 0,582573828
191
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Y-hat Model
Factor Name Coeff P (2 Tail) Tol Active
Const 0,58257 Not Avail
A Nautamixer 0,07487 Not Avail 1
B Batch position in a day - 0,28335 Not Avail 1 X
C Mixing time 0,10101 Not Avail 1
AB - 0,04318 Not Avail 1
AC 0,13416 Not Avail 1
BC 0,02492 Not Avail 1
ABC - 0,12411 Not Avail 1
Rsq 1,00000
Adj Rsq Not Avail
Std Error Not Avail
F Not Avail
Sig F Not Avail
Source SS df MS
Regression 1,1 7 0,2
Error 0,0 0 Not Avail
Total 1,1 7
0,8
0,7
0,6
0,5
0,4
0,3
1 2 1 3 15 30
Nautamixer Batch position in a day Mixing time
FONTE: Silva e Sant’Anna (2007)
192
TÓPICO 4 | APLICAÇÕES DA METODOLOGIA DE PLANEJAMENTO DE EXPERIMENTOS
Y-hat Model
Factor Name Coeff P (2 Tail) Tol Active
Const 5,36333 0,0000
A Nautamixer 0,28500 0,0132 1 X
B Batch position in a day 0,49000 0,0001 1 X
C Mixing time 1,77500 0,0000 1 X
AB 0,34500 0,0033 1 X
AC 0,26000 0,0226 1 X
BC -0,20500 0,0381 1 X
ABC 0,38000 0,0014 1 X
Rsq 0,9107
Adj Rsq 0,8911
Std Error 0,6866
F 46,6114
Sig F 0,0000
Source SS df MS
Regression 153,8 7 22,0
Error 15,1 32 0,5
Total 168,9 39
A Nautamixer 1 2 1
B Batch position in a day 1 3 1
C Mixing time 15 30 45
Prediction
Y-hat 11,23333333
S-hat 0,865921684
193
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
Y-hat Model
Factor Name Coeff P (2 Tail) Tol Active
Const 0,58257 0,0008
B Batch position in a day - 0,28335 0,0224 1 X
Rsq 0,6083
Adj Rsq 0,5430
Std Error 0,2625
F 9,3181
Sig F 0,0224
Source SS df MS
Regression 0,6 1 0,6
Error 0,4 6 0,1
Total 1,1 7
6,5
5,5
5
4,5
4
3,5
3
1 2 1 3 15 30
Effect Levels
194
TÓPICO 4 | APLICAÇÕES DA METODOLOGIA DE PLANEJAMENTO DE EXPERIMENTOS
8
7
Response Value
6
5
4
3
1
0
1 1,7 2,4 3,1 3,8 4,5 5,2 5,9 6,6 7,3 8
Batch position in a day
15 35
16
14
12
Response Value
10
6
4
2
0
1 1,7 2,4 3,1 3,8 4,5 5,2 5,9 6,6 7,3 8
15 35
195
UNIDADE 3 | ANÁLISE DE EXPERIMENTOS E APLICAÇÕES
196
Como conclusão, verificou-se que houve uma alteração no misturador 1
por um problema técnico de falha, acarretando tal contratempo. Além disso, para
parametrização do processo implementou um tempo limite de reação baseando-
se nos resultados obtidos com as técnicas empregadas.
3 SEIS SIGMA
Seis sigma é uma metodologia estruturada cujo objetivo é o alcance da
excelência em produtos, serviços ou processos com melhoria contínua e uso de
ferramentas estatísticas.
197
FIGURA 18 – GRÁFICO DE DISTRIBUIÇÃO NORMAL DE PROBABILIDADE APLICADO À
METODOLOGIA SEIS SIGMA
LIE Nominal LSE
-1,5σ +1,5σ
-6σ -5σ -4σ -3σ -2σ -1σ µ +1σ +2σ +3σ +4σ +5σ +6σ
FONTE: Ribeiro e Caten (2012, p. 152)
4 METODOLOGIA
Uma metodologia aplicada em projetos seis sigma é o processo DMAIC,
sigla que forma o acrônimo para os cinco passos do procedimento de aplicação:
definir, medir, analisar, melhorar e controlar (em inglês define, measure, analyse,
improve, control). Alguns autores utilizam a sigla em português como DMAMC. O
processo está ilustrado na figura a seguir (MONTGOMERY, 2017).
198
Resumindo, o projeto seis sigma tem como metodologia o uso de um
passo a passo bem estruturado no qual na primeira etapa a seleção dos projetos
deve ser de suma importância, com definições claras do problema, efeitos e
metas a serem alcançadas. As ferramentas básicas utilizadas nesta fase são: dados
históricos, brainstorming, desenho dos processos, mapa de fluxo de valor, dentre
outros (ROTONDARO et al., 2011).
Além disso, nesta fase, deve-se construir uma carta de intenções do projeto,
documento constando a descrição do projeto, abrangência, datas de início e
conclusão previstas, descrição das atividades e medidas que serão tomadas, bem
como os potenciais ganhos com a aplicação do projeto (MONTGOMERY, 2017).
199
LEITURA COMPLEMENTAR
Resumo
Método
Seis Sigma é uma estratégia que busca a satisfação dos clientes e de menores
custos pela redução da variabilidade e, consequentemente, dos defeitos. Também
representa uma medida de desempenho e meta para operação de processos, com
uma taxa de 3,4 falhas por milhão de atividades ou "oportunidades". [...]
200
Voz do Cliente + Estratégia
Processos Críticos
Projetos de Melhoria
DMAIC
201
em que só executamos uma etapa após a finalização da anterior, permite uma
melhor compreensão dos processos, facilitando o caminho, para a resolução dos
problemas ou o aprimoramento dos processos. [...] Acompanhando 10 projetos
Seis Sigma em uma organização, fornecedora da cadeia automotiva, listamos, na
tabela 7, a frequência de utilização de cada técnica.
Nº de vezes usada
Ferramenta
em 10 projetos
Mapeamento de processos 10
Diagrama de causa e efeito 10
Matriz de causa e efeito 8
FMEA 4
Gráfico box plot 9
Diagrama de Pareto 7
Histograma 3
Análise de capacidade 6
Análise do sistema de medição para variáveis (R&R) 4
Análise do sistema de medição para atributos (R&R) 2
Técnicas de previsão (forecast) 1
Estudo e gráfico multivari 6
Teste de hipóteses para médias 7
Teste de hipóteses para variâncias 7
Teste de hipóteses para medianas 1
Análise de variância – ANOVA 1
Correlação e regressão linear simples ou múltipla 4
Experimento fatorial fracionário 2
Experimento fatorial completo 3
Experimentos de misturas 1
Simulação discreta de eventos 2
Gráficos de controle por variáveis 5
Gráficos de controle por atributos 1
Pré-controle 1
Plano de controle 4
Dispositivo à prova de falhas 2
202
A implantação de Seis Sigma é executada por uma equipe de especialistas
nos processos, capacitados a pensar estatisticamente, a fim de encontrarem a
solução para a verdadeira causa dos problemas. Esta equipe de especialistas
atuará como agente de mudança na organização, aplicando e disseminando o
uso das ferramentas estatísticas e da qualidade no aprimoramento dos projetos.
Usualmente, são chamados de Black belts e Green belts, numa referência às
denominações dos especialistas em artes marciais, sendo funcionários das
unidades de negócios, (onde os processos estão sendo aprimorados) e, não,
funcionários da área da qualidade. [...]
[...]
Conclusões
203
RESUMO DO TÓPICO 4
204
AUTOATIVIDADE
205
206
REFERÊNCIAS
ALVARENGA, D.; BRITO, C. 1 em cada 4 brasileiros terá mais de 65 anos em
2060, aponta IBGE. Portal G1, Rio de Janeiro, 25 jul. 2018. Disponível em:
https://g1.globo.com/economia/noticia/2018/07/25/1-em-cada-4-brasileiros-
tera-mais-de-65-anos-em-2060-aponta-ibge.ghtml. Acesso em: 25 jul. 2018.
207
DOMENECH, C. Seleção do esquema de amostragem. Revista Banas
Qualidade, São Paulo, n. 146, p. 80-82, 2004. Disponível em: https://www.
midomenech.com.br/lean-seis-sigma/downloads/artigos/94-banas-doe-parte-
i-conceituacao-e-planejamento.html. Acesso em: 24 set. 2018.
GIDO, J.; CLEMENTES, J.; BAKER, R. Gestão de Projetos. 7. ed. São Paulo:
Cengage, 2018.
208
INSTITUTO NACIONAL DE METROLOGIA. Disponível em: http://www.
inmetro.gov.br/. Acesso em: 25 jun. 2018.
LAURINDO, F.; LEE HO, L.; CARVALHO, M.; BRAZ, M.; BALESTRASSI,
P. Seis sigma: estratégia gerencial para a melhoria de processos, produtos e
serviços. São Paulo: Atlas, 2011.
MENESES, V.; FRASAO, S.; ARAÚJO FILHO, F.; SOUSA, K.; LIMA, Y.
A aplicação de ferramentas da qualidade em uma indústria metalúrgica
de produtos de aço. In: ENCONTRO NACIONAL DE ENGENHARIA
DE PRODUÇÃO, 2017, Joinville. Anais eletrônicos do Enegep.
Joinville: 2017. Disponível em: http://www.abepro.org.br/biblioteca/TN_
STO_239_385_34186.pdf. Acesso em: 26 jul. 2018.
209
MORETTIN, L. Estatística básica: probabilidade e inferência. São Paulo:
Pearson Prentice Hall, 2010.
210
RETO, M.A. Incentivos do Governo estimulam reação do setor de
embalagens. Revista Plástico, São Paulo, 1 jul. 2013. Disponível em: https://
www.plastico.com.br/noticias-incentivos-do-governo-estimulam-reacao-do-
setor-de-embalagens/. Acesso em: 25 jul. 2018.
ROTONDARO, R.; RAMOS, A.; RIBEIRO, C.; MIYAKE, D.; NAKANO, D.;
SCHWAAB, M.; PINTO, J. Análise de dados experimentais I. Rio de Janeiro:
E-papers, 2007.
211
WERKEMA, M.; AGUIAR, S. Análise de regressão: como entender o
relacionamento entre as variáveis de um processo. Belo Horizonte: Fundação
Christiano Ottoni, 1996.
212