Doe Minitab 02new

AULA 02
AGENDA DA AULA
• Estatística Descritiva
• Estatística Inferencial
• Linguagem e Conceitos do DOE
• Experimentos para classificações unidirecionais
• Experimentos para classificações multidirecionais
2
EMENTA
• Apresentação Gráfica de Dados • Tópicos Avançados da ANOVA

• Introdução ao MiniTab • Regressão Linear
• Estatística Descritiva • Experimento Fatorial de Dois Níveis
• Estatística Inferencial • Experimento Fatorial Fracionado
• Linguagem e Conceitos do DOE • Experimento de Superfície de Resposta
• Experimentos para classificações unidirecionais • Projeto Robusto - Método Taguchi
• Experimentos para classificações multidirecionais
3
ESTATÍSTICA
DESCRITIVA
4
INTRODUÇÃO
• Os dados coletados de um processo são geralmente avaliados para três
características:
• localização (ou tendência central),
• variação (ou dispersão) e
• forma.
• A localização e a variação são avaliadas quantitativamente, isto é, com
medidas numéricas, e o formato da distribuição é geralmente avaliado
qualitativamente, como por meio da interpretação de um histograma.
5
INTRODUÇÃO
POPULAÇÃO
AMOSTRA
6
SELEÇÃO DE AMOSTRAS
As amostras devem ser representativas da população da

qual são extraídas. Uma amostra é representativa de sua
população quando sua localização, variação e forma são
boas aproximações às da população.
7
asize
setofisthethe dataFor
sample. set’s middle
a data value when
set containing an odd the data
number are organized by
of values,
st
l betoequal theMEDIDAS
thetolargest value.
middle DEThe
value in LOCALIZAÇÃO
themedian is determined
data set. For a set containingfrom
an eventhe observa-
aosition
points, the median
given by:position falls between two values in the data set. In
median is determined by averaging those two values.
• MEDIANA
n +1
median of the data set {16, 14,212, 18, 9, 15}.
The data, after ordering them from smallest to largest, are: {9, 12, 14,
of
ncethe sample.
the sample sizeFor =a6dados
is n de
• conjunto data set14,containing
the median
{16, 12, 18, 9, 15}. an odd number
position is of values,
qual to the middle value in the data set. For a set containing an even
n +1 6 +1
nts, the median position= falls=between
3.5 two values in the data set. In
2 2 Mediana = 14,5
n is determined by averaging those two values.
lls between the third and fourth data points, which have values 14 and 15,
is ~
x = 14.5. 8
ian uses only one, or perhaps two, of the values from a data set to deter-
for theMEDIDAS
populationDE m. –
LOCALIZAÇÃO
mean The sample mean, indicated by x, provides
n
1
x = ∑xi (2.1)
for m because it uses all of then sample
i =1
data values in its calculation.
n is determined from:
re the xi are the individual values in the sample and the summation is performed
MÉDIA
r all n of •the values in the sample. n
1
x = ∑xi (2.1)
mple 2.2 n i=1
Find the mean of the sample {16, 14, 12, 18, 9, 15}.
the individual
• conjunto
Solution: values
dadosin
de mean
The sample the14,sample
is{16,
given 12, 18, 9,and
by: 15}.the summation is performed
values in the sample.
1
x = (16 + 14 + 12 + 18 + 9 + 15) = 14
6
an of the sample {16, 14, 12, 18, 9, 15}.
e sample mean2.4 MEASURES OF VARIATION 9
is given by:
omputationExample is2.3
no longer a challenge.
ion the MEDIDAS
range
asure of variation of
Find is
the DE
range VARIAÇÃO
always a positive.
of the data set.
sample The
data set {16, range is9,equal
14, 12, 18, 15} and
the population standard deviation.
ange
t andcan be used
smallest to estimate
values of a sample:the population standard d
• Solution:(Amplitude,
INTERVALO The largest and smallest values in the sample are 18 and
Range)
mple data set {16, 14, 12, 18, 9, 15} and use it to estima
ation. R = x max − x min R
σ R = 18 − 9 = 9
d
The sample size is n = 6 which has a corresponding
2 d2 value of d2 = 2
d smallest values
conjunto
• for de in
dados the
{16, sample
14, 12, 18, 9, are
15}.
the population standard deviation is:
18 and 9, so the range
ways positive.
sestimate
a special the constant that depends on the size of s thefrom:
samp
R = 18 − 9 = 9
population standard R
σ̂ = =
deviation
9
= 3.55
given in Table 2.1. d 2 2.534
h has a corresponding R d2 value of d2 = 2.534. The estima
σ 10
ation s is determined
dard deviationby considering
provides the deviation
a more meaningful measure ofofthe
variati
he sampleExample
mean 2.4 – It shouldεi be
x.VARIAÇÃO = xiclear
− x that s will be a better
MEDIDAS DE
problems.
For the sample xi = {16, 14,
data setstandard 12, 18, 9, 15} plot the observations,
takes allei in
ofthethe The population deviation s is calculated in almost
plot,data values
calculate the e i into account,
, and use not just
them to determine the the two
sample standar
sample standard deviation
sample is given
standard by: –
deviation:
iation of the ith data
Solution: The npoint from x are
= 6 observations is: plotted in Figure 2.1. The sample
• DESVIO PADRÃO
14 and the differences between then mean and the observed values are the
∑ i=1εi
2
∑ i=1ε i
N 2
= ei are {2, 0, –2,σ4,= –5, 1}. Note that the ei are

ε = −
with arrows in the figure. sThe
x x − 1 negative. The sample
roughly half are positive and halfn are
i i N (2.5)devia
standard
Why do• we where

conjunto
need
n is given by: de
such e
dados
i =
a x – m and
complicated
i N is the
measure ∑population
ε ofn variation?
2 size. The
Why reason
can’t that
we N
justi
N – 1 is subtle
mean of the deviations? and
Try it. The s
hasmean =
to doofwith −1 the
nthe
i =1 i
fact thatismgiven
deviations is a parameter
by: o
• {16, 14, 12, 18, 9, 15}.
distinction might become =clearer ( 2 ) +( 0 )to
2
+( −you
2 ) +( 4 )in
2 2
+ ( −the
2 2
5 ) + (1next
2
) section. It is
of ∑the xεis in a population
n 2
1 so we don’t usually get to calculate s. R
n ( 6−1)
i =1 i
s = from R and s calculated ∑
ε = from
n i=1
= ε3i.16
=sample
0 data. (2.6)
nThe− 1square of the standard deviation is called the variance and 11
– s2. The variance is actually a more fundamental–measure of varia
DISTRIBUIÇÃO NORMAL
• Precisamos abordar a questão da forma de distribuição.

Embora existam muitas distribuições de probabilidade que
desempenham papéis importantes no DOE, uma das
distribuições mais importantes é a distribuição de probabilidade
normal. A distribuição dos erros, ou ruído, na maioria dos
problemas que consideraremos neste curso deverá seguir uma
distribuição normal.
12
• A equação que dá a
altura da curva normal
em função de x é:
13
• Limites de x e z para
cálculo da área sob a
curva normal
14
Cumulative normal z = probability calculations using (2.14)Equation σ 2.13 are not p
σ
ut since these 28DISTRIBUIÇÃO
orresponding to x The
calculations
Example
Chapter
zIfvalue
has a very a
2.6
Two
important
normal
haveNORMAL
to be done so frequently an alternative met
corresponding
interpretation:
distribution the
hastomx=has
magnitude
40 a zvery
of
and s = important
5, find the z interpr
value tha
termining normal probabilities has been
from m. standard
developed. Notice that x only app
indicates
many standard deviations
the how
x falls
measurementawaymany
value If the z valuedeviations
x = 50. for an x is x falls away from
mbination value m
x < m. If the zwith is and s in
positive, Equation
then 2.12.2.14
x > m. Equation This
cansuggests
also be that instead of worki
owe
express it in negative,
terms of
can use in its place m, s, and then
z: x < m.
the transformed If the z
value: value is positive, then x > m.
Φit( ain< terms ) ( x; µz:, σ ) dx
Solution: The z value corresponding to x = 50 is given by:
∫
b
• Limites de x e for
solved z parax cálculo
to express x < b; µof, σm, = s, ϕand
x = µ + zσ (2.15) a
da área sob a curva normal x −z =µ x − µ = 50 − 40 = 2.0
where the Greek symbol Φz = 5 µ + znormal
x=
stands forσthe cumulative σ probab
al distribution has m =Cumulative
• Exercício: 40 and s = 5, find
normal probability
the z value thatσ calculations
corresponds to using Equation 2.13
ent value x = 50.
he Se uma
but The value
distribuição
since
z valuecorresponding
corresponding
of normal
these zcalculations
indicates
toofisx indicating
has by: µ
tiverthat=x40
have =to50
a verythisimportants
e befalls
5,2.0
=done standard
encontre
so deviations
o valor
frequently ab
dealter
an
interpretation: the magnitu
The z value Example
Another
z quedetermining
to x 2.6
way
correspondenormal
= ao valor
50 given
probabilities is:
de mediçãohas x =been
50. developed. Notice that
dicates how manyIfstandard
a normal deviations x falls
distribution has m
away = from
40 andm. If
s the
= 5,z find
valuethe
forz
combination 40 m and s in Equation 2.12. This suggests that instea
x − µ 50 −with
gative, then zthe m. =If the z=value
x= < measurement
x, weσcan use
= µthen
is positive,
2.0 value x = x50. > m.
+ zσ x= 40
5 in its place the transformed value:
( 5) = 50 2.14 can
+ 2Equation
lved for x to express it in terms of m, s, and z:
z indicates that x = 50 Solution:
When
falls the zThe z value
values
2.0 standard haveabove
deviations been mean m. forto
corresponding
calculated
the x
both =
the50upper
is given
and lo
x =x µ x − µ
+ zσ in this range by:
15
of indicating this is: we find the probability of falling z=
• Limites de x e z para
cálculo da área sob a
curva normal
16
can be made in ak different ways, then the total num
CONTAGEM
ade is:
• MÚLTIPLAS OPÇÕES
ment with three variables has two levels of the first vari
and five levels of theNthird
variable,• Exercício: = a1variable.
a2 L ak How man
iment if• all possiblecom
Um experimento configurations of níveis
três variáveis possui dois the dathree
primeiravariable
is calledvariável,
the quatro níveis da segunda variável e cinco níveis da terceira
multiplication of choices rule.
variável. Quantas corridas haverá no experimento se todas as
The totalconfigurações
number possíveis
of unique runs in the experiment
das três variáveis precisarem ser
is:
construídas?
2.9 N = 2 × 4 × 5 = 40
xperiment with three variables has two levels of the 17
ond variable, and five levels of the third variable.
all possible configurations of the three variables must
l number of unique runs in the experiment is:
Considerando apenas 3 Fatores (variáveis)
N = 2 × 4 × 5 = 40
Considerando 5 Fatores (variáveis)
N = 22x42x51 = 4x16x5 = 320

Nr de fatores = 2
4 2 Nr de níveis = 4
n a set, and all n of them are to be picked sequentiall
e are n ways to make the first choice, n – 1 ways to mak
18
one way to make the nth choice. By the multiplication o
ond choice, . . . , and one way to make the nth choice. By the multiplication
theCONTAGEM
rule,Example 2.10 of ways the choices can be made is:
total number
Four operators are to measure parts for a gage error
• FATORIAL N = n × ( n − 1) × ( n − 2 ) × L × 3 × 2 × 1
complete his measurements before the next operator starts
= n!
ings are there for the operators to make their measuremen
• Exercício:
where n! is read “n factorial.” By definition, 0! = 1 because there is only o
Solution:
• Quatro
pick no The
operadores
objects. total
devem number
medir peças paraof
um ways that
estudo de erro the
de four ope
medição. Se cada operador deve completar suas medições antes do
surements is:
início do próximo operador, quantos pedidos possíveis existem para
Example
que2.10
os operadores façam suas medições?
= 4 ×error
Four operators are to measure parts for4a!gage 3 × 2study.
× 1 =If 24
each ope
complete his measurements before the next operator starts, how many possi
ings are there for the operators to make their measurements? 19
Pr = n ( n − 1) ( n − 2 )L( n − r + 1) = (2.19
32 Chapter Two n
( n − r )!
CONTAGEM
where the permutation operation n Pr is read “n pick r.” Permutations take into considera
tion• the different orderings of the r objects and for this reason the objects must be distinc
PERMUTAÇÃO
P = n n(− 1 )(
n − 2 L ) (
from each other. Permutation calculations are not used very often in DOEnbut
n − r + 1 = )
! they are the
n r
n−r !
precursor to the next counting operation that is very important—combinations.
( )
• Exercício:
Example 2.11
where•Three
the
Trêspermutation
operadores, operation
de
operators of ten n Pr is
dez possíveis,
possible read
devem
operators “nbepick
ser
are to usedr.”
usados aPermutations
inem take
um error study.
gage How
tionmany
the different
differentorderings
orderings of theforr operators
are there objects and fortheir
to take
estudo de erro de medição. Quantas ordenações diferentes
thismeasurements?
reason the objects m
from each other.
Solution: Permutation
The total number calculations
ways the are not
operators can used
take verymeasurements
their often in DOEis: b
existem para os operadores fazerem as medições?
precursor to the next counting operation that is very important—combinat
10 ! 10 ! 10 × 9 × 8 × 7!
P = = = = 10 × 9 × 8 = 720
Example 2.11
10 3
(10 − 3)! 7! 7!
Three operators of ten possible operators are to be used in a gage 20err

many different orderings are there for operators to take their measurem
n. Since there are r! ways
theretoare
arrange the same
six different waysr toobjects,
arrangethe
thepermutatio
three oper
CONTAGEM
overcounts the total number
in thisof ways by
problem r! so:
all six of the ways are considered to b
Example
 n 2.13P n!
= =is performed to compare six different
n r
• COMBINAÇÃO  experiment
An
How many
r  different
P rtests
r r
! (
! n −tor compare )
all possible pairs
n • Exercício: Solution: The means n that must be compared are 12

e ( ) indicates the combination
r operation.
the first versus second
( r ) is also sometimes written
material, 13 indicates the first
• Umthe
istent with experimento é realizado
permutation para comparar
notation but ( n
) seis
is tipos diferentes de
preferred.
The total number of tests that must be performed is:
r
t’s easy material {1, 2, 3,
to confuse 4, 5, 6}. Quantoswith
permutations testescombinations.
diferentes para comparar
One silly problem
todos
clarify the os possíveishas
difference parestodedomédias
withdevem ser realizados?
the letters in words. 6If four
6! letters
the 26 possible letters of the alphabet without replacement   = = 15
 2 (that
2! 4 ! is, once
n it cannot be drawn again), then the permutation calculation gives the
21
rent four-letter words: Example 26P4 = 358,800,
2.14 and the combination calculation
MINITAB: COMANDOS PARA CALCULAR ESTATÍSTICAS
DESCRITIVAS
• Uma vez que os dados foram inseridos em uma coluna de uma planilha do
MINITAB, estatísticas descritivas específicas para a coluna podem ser calculadas
a partir do menu Calc> Column Statistics. Um bom resumo das estatísticas
descritivas mais comuns é fornecido pelo comando Stat> Estatísticas
Básicas> Exibir Estatísticas Descritivas. Esse comando também pode ser
chamado com o comando describe no prompt de comando. Outros
comandos disponíveis no prompt de comando são mean, stdev, range, count e
outros.
22
DESCRITIVAS
EXERCÍCIO
Use o MINITAB para calcular a média, o desvio padrão e
o intervalo dos dados:
{16, 14, 12, 18, 9, 15}
23
24
25
26
DESCRITIVAS
EXERCÍCIO
Use o MINITAB para plotar a curva normal
que tenha µ = 400 e s = 20. Adicione
linhas de referência verticais à plotagem em
x = 370 e x = 410 e encontre a
probabilidade de que x caia nesse intervalo.
Adicione esta informação ao relatório.
27
28
E NO MINITAB 21?
29
DESCRITIVAS
• Solução: Os cálculos de probabilidade normal são mostrados na
Figura 2.7. A probabilidade normal requerida é dada por
• Φ (370 < x <410; 400, 20) = 0,6915 - 0,0668 = 0,6247.
30
DESCRITIVAS
31
DÚVIDAS?
32
ESTATÍSTICA
INFERENCIAL
33
INTRODUÇÃO
• Coletamos dados para aprender sobre processos.
• A tarefa de determinar os parâmetros de uma população é, no
mínimo, impraticável, se não impossível, e certamente não é
econômica.
• As declarações sobre parâmetros que construímos a partir de
estatísticas são chamadas de inferências.
• Neste curso, vamos considerar dois métodos de inferência
estatística: testes de hipóteses e intervalos de confiança.
34
INTRODUÇÃO
• Se uma amostra é representativa de sua população, então uma

estatística calculada a partir da amostra deve ser uma aproximação
razoável do parâmetro de população.
• Uma estatística, um único número, calculado a partir de uma amostra é
chamada de estimativa pontual.
• Sob condições razoavelmente comuns é possível suplementar a estimativa
pontual com uma declaração sobre a incerteza da estimativa.
• Essas declarações são chamadas de intervalos de confiança.
35
INTRODUÇÃO
• Outro tipo de inferência, o teste de hipótese, é usado para

determinar qual das duas instruções complementares sobre um
parâmetro é suportada por dados de amostra.
• Se dados apropriados e suficientes forem coletados de uma
população, então uma estimativa estatística de seu parâmetro será
consistente.
• Assim podemos afirmar: "Os dados da amostra suportam a
hipótese de que o parâmetro é igual a tal e tal valor".
36
A DISTRIBUIÇÃO DE MEIOS DE AMOSTRA
(R CONHECIDO)
• Para usar a média amostral para fazer inferências sobre a média
populacional desconhecida, precisamos entender como " ! e µ, S
e s estão relacionados.
• Considere o experimento gedanken (mental).
37
TAMANHO
DA AMOSTRA
1000 observações
aleatórias
distribuição normal
µx = 100 e sx = 10.
38
TAMANHO DA AMOSTRA
39
of sample means behaves differently under dif
TEOREMA DO LIMITE CENTRAL
is described by the central limit theorem:
• Teorema:Limit
he Central A distribuição das médias amostrais
Theorem) The édistribution
normal em forma of sam
com média µ = µ e desvio padrão
ean m –x = mx and standard deviation
"̅ x
σx = σx / n
bution of the population is normal, or 2) the sam 40

pressed as:
mal distribution and za /2 is the z value with tail area of
al distribution. The interval is shown in Figure 3.3.
Φ( µ − zα / 2σ x < x < µ + zα / 2σ x ; µ , σ x ) = 1 − α Note
figure. One axis shows the scaling of the distribution in
sd the
z units according
cumulative normal to the standardizing
distribution and za /2transformation:
is the z value with tai
one tail of the normal distribution. The interval is shown in Figure 3
µ figure. One axis shows the scaling of the distri
the dual axesxin−the
z = (3.2)
σ
d the other in standard
x
z units according to the standardizing transfo
x−µ
z=
σx
41
Note that the area in each of the tails, outside the interval determined by Equation 3.1,
EXEMPLO
is a /2 which leaves the area 1 – α inside the interval.
Example 3.1
Construct an interval that contains 99 percent of the sample means for samples of
• Construa
size um intervalo
n = 15 drawn fromque
a contenha 99 por cento das
normal population with m = amostrais
médias s =amostras
140 andpara 18. de
tamanho n = 15 retiradas de uma população normal com x = 140 e s = 18.
Solution: The population is normally distributed and sx is known, so use of the
central limit theorem is justified. The interval of interest is given by Equation 3.1.
• Solução: A população é normalmente distribuída e sx é conhecido, portanto, o uso do teorema do
Since 1 – a = 0.99 we have a = 0.01. A table of normal probabilities gives za /2 = z0.005
limite central é justificado. Como 1 - a = 0,99. Uma tabela de probabilidades normais dá za/2 =
= 2.575. The required interval is:
z0.005 = 2.575. O intervalo necessário é:
18 18 18
Φ(140 − 2.575( ) < x < 140 + 2.575( ); µ = 140, σ x = ) = 1 − 0.01
15 15 15
Φ(128.0 < x < 152.0;140, 4.65) = 0.99
The distribution of –xs and the interval are shown in Figure 3.4. 42
EXEMPLO
43
hree INTERVALO DE CONFIANÇA PARA A POPULAÇÃO MÉDIA
(R CONHECIDO)
Φ( x − zα / 2σ x < µ < x + zα / 2σ x ) = 1 − α
• Observe que esse intervalo é centrado na média da amostra, que
nterval is centered on the sample mean, which can be d
pode ser determinada a partir de dados de amostra e fornece
limites superiores e inferiores para a média populacional verdadeira,
nd provides upper and lower bounds for the true but po
mas possivelmente desconhecida.
n. By design, the range indicated by these bounds has p
e true mean of the population so (1 – a ) 100% of the inter 44
of containing the true mean of the population so (1 – a ) 100% of the intervals c
EXEMPLO from sample means using Equation 3.3 should contain the true population me
quently, the interval given by Equation 3.3 is called a (1 – a ) 100% confid
val for m.
• Construa um intervalo de confiança de 95% para a média real da
população quando
Example 3.2amostra de tamanho n = 8 produzir "
uma ! = 58,4. A
Construct adistribuída
população é normalmente 95 percent confidence
e seu
– desvio interval
padrão é s
for= the
6,8.true population me
sample of size n = 8 yields x = 58.4. The population is normally distribut
standard
• Solução: Como deviationé isnormalmente
a população s = 6.8. o teorema do
known to bedistribuída,
limite central é justificado. O intervalo
Solution: Since necessárioisénormally
the population dado peladistributed,
Equação the central limit
a = 0,95The
3.3 com 1 -justified. e ainterval
= 0,05.required
De uma istabela Equation 3.3 with 1 – a = 0.95 so
givendebyprobabilidades
normais z From
a/2 = za table
0.025 então:probabilities za /2 = z0.025 = 1.96 so:
of normal
= 1.96
Φ(58.4 − 1.96( 6.88 ) < µ < 58.4 + 1.96( 6.88 )) = 1 − 0.05
Φ(53.7 < µ < 63.1) = 0.95
45
Hence, there is a 95 percent probability that the population mean lies be
PROCEDIMENTO GERAL PARA TESTE DE HIPÓTESE
1. Escolha hipóteses nulas e alternativas para um parâmetro

populacional. Configure as hipóteses para colocar o ônus da prova
nos dados.
2. Especifique a probabilidade de erro Tipo 1, também referida como
o nível de significância do teste.
3. Determine uma estatística apropriada que possa ser usada para
testar as hipóteses.
4. Determine a distribuição amostral da estatística.
46
PROCEDIMENTO GERAL PARA TESTE DE HIPÓTESE
5. Construa o intervalo de aceitação de hipótese nula para a

estatística de teste sob a suposição de que a hipótese nula é
verdadeira.
6. Colete os dados necessários.
7. Determine se os dados satisfazem quaisquer suposições feitas
sobre a população da qual foram extraídas.
8. Calcule a estatística de teste, compare-a com o intervalo de
aceitação e rejeite H0 ou reserve julgamento.
47
48
49
TESTES DE HIPÓTESE E INTERVALOS DE CONFIANÇA
COM O MINITAB
• O MINITAB tem a capacidade de realizar muitos testes de

hipóteses e intervalos de confiança.
• Os comandos do MINITAB para os testes de hipótese chave e
intervalos de confiança serão apresentados a seguir.
50
12.1 Confidence Interval for l When r is Known
INTERVALO
hen the conditions DE CONFIANÇA
for the central limit theorem (R CONHECIDO)
are satisfied (that is, if the sam
arge or if the population being sampled is normal and s is known) the (1 – a
nfidence interval is given
• Quando bypara
as condições Equation
o teorema do3.3.
limiteMINITAB can(isto
central são satisfeitas construct
é, se o this co
erval using thetamanho
onez da amostra é grande ou se a população que está sendo amostrada é normal e s
command:
é conhecida), o intervalo de confiança (1 - a) 100% é dado pela Equação. O MINITAB
pode construir este intervalo de confiança usando o comando onez:
mtb > onez c1;

subc > sigma σ.
• onde s é o desvio padrão da população conhecida e os dados da amostra estão na
coluna C1. O nível de confiança padrão é de 95%, mas isso pode ser alterado com o
ere s is the known population standard deviation and the sample data are in
subcomando de confiança.
. The default confidence level is 95 percent but this can be changed with th
nce subcommand. There is also a subcommand called alternative for one-si
51
ence intervals. Note that the semicolon and the period at the end of the co
52
EXEMPLO
• Construa um intervalo de confiança de 99 % para m usando o

seguinte conjunto de dados: {175, 158, 146, 139, 159, 146, 175,
158, 150}. A população que está sendo amostrada é normal e
seu desvio padrão é conhecido como s = 15.
53
SOLUÇÃO
54
NO MINITAB 21
55
e onez command (or the Stat> Basic Stats> 1-Sample Z menu)
uct theTESTES DE HIPÓTESES
confidence intervalPARA MÉDIA
for m withDEthe
UMA AMOSTRA test sub-
additional
(R CONHECIDO)
command syntax is:
mtb > onez c1; onde cauda é: –1 para um

teste de cauda esquerda, 1
subc > sigma σ; para um teste de cauda
subc > test µ0; direita ou 0 para um teste
bicaudal, que é o padrão.
subc > alternative tails.
eft-tailed test, 1 for a right-tailed test, or 0 for a two-tailed test,

he output from MINITAB’s onez command with the test sub- 56
as the output for confidence intervals with the addition of the z

EXEMPLO
• Uma amostra aleatória tirada de uma população normal com s = 40
produz os seguintes dados: {532, 533, 455, 491, 515, 505, 525, 488, 488,
404, 420, 429, 465, 471, 490, 473, 447, 478, 513, 512}. Realize testes de
hipóteses de H0: µ = 500 usando um teste bicaudal e use o teste
unicaudal com HA: µ <500. Use a = 0,05 para ambos os testes.
57
58
GRÁFICOS DE PROBABILIDADE NORMAIS COM O
MINITAB
Use o menu Stat> Estatísticas básicas> Teste de normalidade do MINITAB
ou o comando normtest, por exemplo:
mtb> normtest C1
para criar um gráfico de probabilidade normal dos dados da amostra. Este

comando também relata os resultados do teste de Anderson-Darling. Gráficos
normais também podem ser gerados a partir do menu Gráfico> Gráfico de
Probabilidade (ou o comando pplot).
59
EXEMPLO
• Use o MINITAB para construir o gráfico de probabilidade normal dos

dados {22, 25, 32, 18, 23, 15, 30, 27, 19, 23}.
• Interpretar o resultado.
• Use o menu Stat> Estatísticas básicas> Teste

de normalidade
60
61
CÁLCULOS DE TAMANHO DE AMOSTRA PARA TESTES DE
HIPÓTESES
• Determine o tamanho da amostra necessário para

detectar um desvio de µ = 30 para µ = 30 ± 2 com
probabilidade P = 0,90. Use a = 0,05. O desvio
padrão da população é sx = 1,8 e a distribuição de
x é normal.
62
63
64
DÚVIDAS?
65
PAUSA PARA UM CAFÉ
Retornamos
em 10min
66
LINGUAGEM E
CONCEITOS DO DOE
67
INTRODUÇÃO
• Como qualquer disciplina altamente técnica, o DOE está cheio

de siglas e linguagem que podem intimidar o iniciante. A ideia
aqui é fornecer uma introdução aos muitos termos, conceitos e
questões administrativas do DOE, esperançosamente de uma
maneira não intimidadora.
68
PROJETO DE EXPERIÊNCIAS:
DEFINIÇÃO, ESCOPO E MOTIVAÇÃO
• Projeto de experimentos (DOE) é uma técnica formal estruturada para
estudar qualquer situação que envolva uma resposta que varia em função
de uma ou mais variáveis independentes.
• O DOE é especificamente projetado para tratar problemas complexos
onde mais de uma variável pode afetar uma resposta e duas ou mais
variáveis podem interagir entre si.
• O DOE substitui métodos inferiores, como o método tradicional, mas
infelizmente ainda comum, de estudar o efeito de uma variável de cada vez
(OVAT).
69
• O DOE é usado sempre que dados experimentais são coletados e analisados.
• Seu uso é esperado em todos os ramos da pesquisa científica, mas o DOE está se
tornando cada vez mais difundido em engenharia, manufatura, biologia, medicina,
economia, sociologia, psicologia, marketing, agricultura e assim por diante.
• A maioria das publicações técnicas em qualquer disciplina espera que alguma forma de
experimento planejado seja usada para estruturar qualquer investigação experimental.
• Pesquisadores que não usam métodos do DOE geralmente não são publicados.
70
• A popularidade do DOE se deve ao seu tremendo poder e
eficiência.
• Quando usado corretamente, o DOE pode fornecer as respostas
para perguntas específicas sobre o comportamento de um sistema,
usando um número ótimo de observações experimentais.
• O DOE fornece as respostas que procuramos com um gasto
mínimo de tempo e recursos.
71
DEFINIÇÃO DE EXPERIMENTO
• Os processos têm entradas que determinam como o processo opera e as saídas

produzidas pelo processo.
• O objetivo de um experimento é determinar como as entradas afetam as saídas.
• Experimentos podem ser realizados para documentar o comportamento das
entradas e saídas correspondentes para fins científicos, mas o objetivo da
experimentação de engenharia é aprender como controlar as entradas do processo
para produzir os resultados desejados.
72
DEFINIÇÃO DE EXPERIMENTO
• As entradas de processo são chamadas de variáveis, fatores ou preditores

e as saídas do processo são chamadas de respostas.
• Todo experimento envolve a observação de ambas, as entradas (as
variáveis) e as saídas (as respostas).
• A ação tomada pelo experimentador nas entradas determina se o
experimento é passivo ou ativo.
• Quando o experimentador apenas observa o sistema e registra
quaisquer mudanças que ocorram nas entradas e nas saídas
correspondentes, o experimento é passivo.
73
IDENTIFICAÇÃO DE VARIÁVEIS E RESPOSTAS
• Talvez a melhor maneira de identificar e documentar as

muitas variáveis e respostas de um processo seja construir
um diagrama modificado de causa e efeito.
• O problema de interesse é o desempenho de um epóxi de
duas partes usado para unir materiais.
• As entradas do processo são mostradas à esquerda e as
respostas são mostradas à direita.
74
Machine Manpower Methods Time Finish
Container Skill Batch size

• Metal
• Plastic Ratio R/H Pot life Sandable
Experience
Mixing time Skin Tackiness
Agitator Patience Surface Sanding Appearance

preparation
Applicator Final cure Ability to
take paint
Epoxy
performance
Resin Temperature Tensile strength
Shear strength
Hardener Humidity
Durability
Filler Cleanliness
Sandable
Materials Environment Mechanical
Figure 4.2 Cause-and-effect diagram for epoxy performance. 75

O DIAGRAMA DE CAUSA E EFEITO:
• Fornece um local conveniente para coletar ideias para novas variáveis.

• Serve como uma ferramenta de referência rápida quando as coisas dão errado
e decisões rápidas são necessárias.
• Resume todas as considerações variáveis feitas durante a vida do
experimento.
• Fornece uma excelente fonte de informações para o planejamento de novos
experimentos.
• Impressiona rapidamente os gerentes com a complexidade do problema.
76
• O diagrama de causa e efeito deve ser atualizado

religiosamente conforme novas variáveis e respostas
são identificadas.
• Todo processo tem uma infinidade de variáveis e todas
elas desempenham um papel em um experimento.
77
78
TIPOS DE VARIÁVEIS
• As entradas para um processo são referidas como variáveis,

fatores ou preditores.
• Cada variável em um experimento tem suas próprias
configurações exclusivas, chamadas de níveis ou tratamentos.
• A relação entre os níveis de uma variável determina se a
variável é qualitativa ou quantitativa.
79
TIPOS DE RESPOSTAS
• Sempre que possível, a resposta de uma experiência deve ser quantitativa.

• Qualquer sistema de medição apropriado pode ser usado, mas deve ser
repetitivo e reprodutível.
• Este texto não tratará rigorosamente as respostas binárias ou de
contagem, embora o MINITAB tenha a capacidade de analisá-las.
• As considerações básicas de projeto do experimento são as mesmas para
essas respostas, mas as análises estatísticas são diferentes.
80
INTERAÇÕES
• Quando um processo contém duas ou mais variáveis, é possível
que algumas variáveis interajam entre si.
• Existe uma interação entre variáveis quando o efeito de uma
variável na resposta depende do nível de outra.
• As interações podem ocorrer entre duas, três ou mais variáveis,
mas as interações de três variáveis e de ordem mais alta são
geralmente consideradas insignificantes.
• Em geral, isso é uma suposição segura, embora haja certos
sistemas em que as interações de ordem mais alta são
importantes.
81
TIPOS DE EXPERIMENTOS
• Duas das principais considerações que distinguem os projetos de
experimentos são o número de variáveis de projeto que elas incluem e a
complexidade do modelo que elas fornecem.
• Para um número específico de variáveis de projeto, pode haver muitos
experimentos para escolher, mas os projetos extremos que abrangem
todos os outros são chamados de experimentos de triagem e
experimentos de superfície de resposta.
• Experimentos de triagem são usados para estudar um grande número de
variáveis de projeto com o propósito de identificar as mais importantes.
82
• Alguns experimentos de triagem podem avaliar muitas variáveis com
poucas execuções experimentais.
• Por exemplo, os projetos de Plackett-Burman podem manipular sete
variáveis em oito execuções, onze variáveis em doze execuções e
projetos para mais variáveis estão disponíveis.
• Os experimentos de triagem usam apenas dois níveis de cada variável
de design e não podem resolver as interações entre pares de
variáveis - uma característica que pode tornar esses projetos bastante
arriscados.
83
• Os experimentos de superfície de resposta são mais

complexos e difíceis de administrar do que os experimentos de
triagem, de modo que geralmente envolvem apenas de duas a
cinco variáveis.
• Todas as variáveis em um projeto de superfície de resposta
devem ser quantitativas e serão necessários três ou mais níveis
de cada variável.
84
TIPOS DE MODELOS
• Houve muitas referências a um modelo a ser construído a partir de dados

experimentais.
• O termo modelo refere-se à descrição matemática de como a resposta se
comporta como uma função da variável de entrada ou das variáveis.
• Um bom modelo explica o comportamento sistemático dos dados
originais de maneira concisa.
• A forma específica do modelo depende do tipo de variável de design
usada no experimento.
85
SELEÇÃO DE NÍVEIS VARIÁVEIS
Níveis Variáveis Qualitativos
• Para variáveis qualitativas, a escolha de níveis não é tão crítica.

Apenas certifique-se de que cada nível seja prático e forneça dados
válidos.
• Às vezes, é possível redefinir uma variável qualitativa como uma
variável quantitativa.
86
SELEÇÃO DE NÍVEIS VARIÁVEIS
Níveis Variáveis Quantitativas

• A seleção de níveis para variáveis quantitativas pode se tornar bastante
complicada.
• A questão mais importante é a escolha dos níveis mais altos e mais baixos.
• Esses níveis devem ser seguros, isto é, o produto obtido nesses níveis deve
ser útil ou pelo menos o processo deve ser capaz de operar nesses níveis.
• Isso tende a forçar a escolha de níveis a serem estreitos, portanto há
menos risco de perder corridas ou causar danos.
87
DEFINIÇÃO DO MODELO DO PROJETO DE
EXPERIÊNCIAS
• A palavra projeto do termo projeto de experimentos refere-se à
maneira pela qual as variáveis são intencionalmente variadas ao
longo de muitas execuções em um experimento.
• Uma vez que as variáveis experimentais são identificadas e os níveis
de cada variável são escolhidas, o experimento pode ser projetado.
• Normalmente, o projeto do experimento é expresso na forma de
duas matrizes: uma matriz de variáveis e uma matriz de projeto.
88
DESIGN OF EXPERIMENTS
A, B, and C are used instead of x1, x2, and x3. Some people prefer to use x1, x2
are intentionally varied over many runs in an experiment. Once the experimental DE
DEFINIÇÃO DO MODELO DO PROJETO
word design in the phrase design of experiments
indicate refers variables
quantitative to the way and
in which
A, B,vari-
. . . to indicate qualitative variables but
no standardized convention for assigning generic names to variables.)
EXPERIÊNCIAS
bles are identified and the levels of each variable are chosen, the experiment can
Now,
esigned. Usually the experiment design using the
is expressed – and
in the form + notation,
of two ana experiment design is shown in the
matrices:
matrix:
ables matrix and a design matrix. Consider the epoxy example. Suppose the vari-
to be considered are batch size, resin manufacturer, and mixing time and that it
Std Run
been decided to use two levels for each variable. The following variables matrix x1 x2 x3
s one possible way to select variable levels:
1 4 – – –
Level x1 : Batch size x2 : Resin x3 : Mixing time 2 6 – – +
– 50cc A 1 minute 3 2 – + –
+ 150cc B 3 minutes
4 7 – + +
5 and8their +
The purpose of this matrix is to clearly define the experimental variables – –
s. Note the use of the generic variable names x1, x2, and x3. Their use permits ref-
6 1
ces to variables without knowing their names or the context. (Sometimes the letters
+ – +
7 3 + + –
8 5 + + +
This experiment has eight runs. The Std or standard order column uses an89in
identify each unique configuration of x , x , and x . Each row, called a run or a
PROCEDIMENTO GERAL DE EXPERIMENTAÇÃO
1. Prepare uma análise de causa e efeito de todas as entradas de
processo (variáveis) e saídas (respostas).
2. Documente o processo usando procedimentos ou fluxogramas
escritos.
3. Escreva uma declaração detalhada do problema.
4. Realize experimentação preliminar.
5. Projete o experimento.
6. Determine o tamanho da amostra e o plano de bloqueio e
randomização.
90
PROCEDIMENTO GERAL DE EXPERIMENTAÇÃO
7. Execute o experimento.
8. Realize a análise estatística dos dados experimentais.
9. Interpretar a análise estatística.
10. Realize uma experiência de confirmação.
11. Relate os resultados do experimento.
91
VAMOS AO TRABALHO !!!
92
OS COMPONENTES DA EQUIPE DO DOE SÃO:
• O líder do projeto DOE, que é o principal responsável pelo projeto.
• Os operadores, que executam o processo.
• Os técnicos ou ajustadores de máquina, que mantêm o equipamento e implementam
mudanças ou atualizações significativas no processo.
• O engenheiro de design, que tem conhecimento de como o produto deve funcionar.
• O engenheiro de processo, que tem conhecimento de como o processo deve ser
executado.
• O gerente / cliente, em benefício de quem o experimento está sendo realizado.
• O especialista em estatística do DOE, que apoiará o líder do projeto do DOE em
questões estatísticas complicadas, conforme necessário.
93
OS COMPONENTES DA EQUIPE DO DOE SÃO:
Table 4.3 Cast of characters and their responsibilities.
Project Design Process Manager/ Statistical
Activity Leader Operators Technicians Engineer Engineer Customer Specialist
1. Cause-and-effect analysis ✓ ✓ ✓ ✓ ✓ ✓
2. Document the process ✓ ✓ ✓ ✓ ✓
3. Problem statement ✓ Review Review Review Review Review Review
4. Preliminary experiment ✓ ✓ ✓ ✓ ✓
5. Design the experiment ✓ Support
6. Randomization plan ✓ Support
7. Run the experiment ✓ ✓ ✓ ✓ ✓
8. Analyze the data ✓ Support
9. Interpret the model ✓ Support
10. Confirmation experiment ✓ ✓ ✓
11. Report the results ✓ Review Review Review
94
DOCUMENTAÇÃO DO EXPERIMENTO
1. Análise de causa e efeito
• Cópias de cada revisão do diagrama de causa e efeito modificado,
incluindo uma lista de colaboradores para cada um.
• Notas relevantes sobre quaisquer alterações significativas ou adições ao
diagrama de causa e efeito.
• Classificação preliminar das variáveis em categorias: variável de projeto
possível de controlar, variável a ser mantida como variável não controlada.
95
2. Documentação do processo
• A correspondência entre as cópias das versões originais e finais dos processos de
processamento.
• Cópias ou referências para controlar gráficos documentando o estado do processo.
• Cópias ou referências a análises relevantes de capacidade do processo.
• Cópias ou referências aos resultados do estudo GR & R.
• Lista de verificação completa dos registros de calibração relevantes.
• Lista de verificação completa de registros de treinamento de operadores e / ou resultados de
testes de proficiência.
• Lista de verificação completa de itens de manutenção relevantes.
96
3. Declaração do problema
• Cópias de cada revisão para a declaração de problema da
DOE.
• Cópia da declaração final de problema de DOE com as
aprovações apropriadas (por exemplo, iniciais ou assinaturas)
necessárias antes de prosseguir com o programa
experimental.
97
4. Experiências preliminares
• Lista de questões específicas ou questões a serem resolvidas com experiências
preliminares. (Esta lista pode já existir na declaração do problema.)
• Declaração resumida do objetivo e resultados de cada experimento preliminar.
• Registros de dados originais, anotações e análises de cada experimento
preliminar.
• Notas sobre quaisquer ações de acompanhamento tomadas como resultado de
descobertas de experimentos preliminares.
98
5. Projeto experimental
• Classificação final de cada variável de entrada da análise de causa e efeito em uma
das seguintes categorias: variável experimental, variável para ser mantida variável fixa,
não controlada, não registrada, ou variável não controlada registrada.
• Cópias das variáveis e matrizes de design.
• Cópia do cálculo do tamanho da amostra ou outra justificativa do tamanho da
amostra.
• Cópia da análise de uma resposta simulada demonstrando que o modelo desejado
pode ser ajustado a partir do projeto. (Isso pode ser adiado e feito em combinação
com a validação do plano de randomização e bloqueio na próxima etapa.)
99
6. Plano de randomização e bloqueio

• Descrição e justificativa do plano de randomização e bloqueio.
• Cópia da análise validando o plano de randomização (por
exemplo, análise da ordem de execução como a resposta).
• Cópias das folhas de dados reais (com as execuções em ordem
aleatória) a serem usadas para coleta de dados.
100
7. registros de experiências
• Cópias de quaisquer autorizações formais necessárias para
criar o experimento.
• Cópias de todos os registros de dados originais.
• Cópias de todas as anotações feitas durante a execução do
experimento.
101
8. Análise Estatística
• Cópia dos dados experimentais após transcrição para a planilha eletrônica.
• Cópias das análises dos modelos completo e refinado, incluindo a análise
de resíduos.
• Cópias de quaisquer modelos alternativos considerados.
• Cópias de quaisquer notas ou observações especiais da análise referentes
a observações incomuns, e assim por diante, e quaisquer descobertas
relacionadas de atividades de acompanhamento.
102
9. Interpretação
• Interpretação escrita da análise estatística com referências a gráficos e tabelas.
• Explicação das aplicações especiais do modelo final, por exemplo, otimização, configurações de variáveis para
atingir um valor especificado da resposta e assim por diante.
• Descrição de quaisquer condições ou observações especiais que possam indicar a necessidade de uma
experiência de acompanhamento ou influenciar a direção da experiência de confirmação.
• Se apropriado, uma breve declaração sobre os pontos fortes e / ou fracos do processo, experiência e / ou
análise.
• Recomendações para a próxima etapa do projeto experimental, por exemplo, prosseguir para um
experimento de confirmação, executar mais réplicas do experimento original, realizar outro experimento
planejado e assim por diante.
103
10. Experiência de confirmação

• Descrição e justificativa para o experimento de confirmação.
• Cópias dos registros de dados originais, análise estatística e
interpretação do experimento de confirmação.
• Declaração resumida sobre o sucesso ou fracasso do
experimento de confirmação e implicações para os objetivos do
projeto experimental.
104
11. Relatório
• Cópia do relatório final da experiência (escrito e / ou
apresentação de slides) e lista de distribuição.
• Cópias de quaisquer comentários ou acompanhamento do
relatório.
• Lista de recomendações e / ou avisos para qualquer um que
possa reconsiderar este problema no futuro.
105
POR QUE OS EXPERIMENTOS VÃO MAL
• Experimentador inexperiente
• A presença do experimentador muda o processo
• Não identificar uma variável importante
• Escolhi as variáveis erradas para o experimento
• Falha em manter uma variável conhecida fixa
• Falha ao registrar o valor de uma variável conhecida mas incontrolável
• Falha ao bloquear uma variável influente
106
• Má compreensão do processo e procedimentos

• Múltiplos processos em uso
• Não consultar os operadores e técnicos
• Falha em identificar interações significativas
• Falha em reconhecer todas as respostas
• Definição operacional ambígua para uma ou mais variáveis ou para a
resposta.
107
• Repetibilidade e reprodutibilidade inadequadas (R & R) para medir as

respostas
• Não fazer qualquer experimentação preliminar ou suficiente
• Recursos esgotados e paciência com muita experimentação preliminar
• Escolheu níveis variáveis muito próximos
• Escolheu níveis variáveis muito distantes
• Design de experimento errado (interações negligenciadas, curvatura
ou primeiros princípios)
• Um experimento grande em vez de vários menores
108
• Vários pequenos experimentos em vez de um único maior

• Não replica o suficiente
• Muitos replicados
• Repetições em vez de replica
• Falha ao randomizar
• Plano de aleatorização ignorado por aqueles que criam a experiência.
• Falha ao registrar a ordem de execução real
• Pessoa crítica ausente quando o experimento é executado
109
• Erros de gravação ou transcrição de dados
• Falha ao registrar todos os dados
• Registros de dados perdidos ou confusos
• Falha em manter a identidade da peça
• Erro ao definir níveis variáveis
• Desvios dos níveis alvo variáveis
• Mudança imprevista do processo durante o experimento
• Equipamento não mantido adequadamente
• Falha ao concluir o experimento no tempo alocado (por exemplo, antes de uma
mudança de turno)
• Não notar ocorrências especiais
110
• Análise estatística incorreta
• Falha ao verificar as suposições (normalidade, igualdade de
variações, falta de ajuste e assim por diante)
• Falha ao especificar o modelo corretamente no software de
análise
• Maus tratos de execuções experimentais que sofreram de causas
especiais
• maus-tratos de corridas experimentais perdidas
• Falha ao refinar o modelo
111
• Interpretação errônea dos resultados

• Extrapolação fora dos limites experimentais
• Falha ao realizar um experimento de confirmação
• Recursos inadequados para construir um experimento de
confirmação
• documentação inadequada dos resultados
• apresentação inadequada dos resultados para o público
112
DÚVIDAS?
113
EXPERIMENTOS PARA
CLASSIFICAÇÕES
UNIDIRECIONAIS
(ANOVA DE 1 FATOR)
114
5.3 THE GRAPHICAL APPROACH TO ANOVA
ANOVA DE 1 FATOR
Consider the one-way classification data of k = 9 treatments shown in Table 5.1 and the
corresponding boxplots in Figure 5.1. Each of the k = 9 samples is of size n = 9 and is
drawn from a normal population. If we choose to use multiple two-sample t tests to
9
• Use o MINITAB para executar a ANOVA para os 2dados
check for differences between the treatment means, there would be ( datoTabela
) = 36 tests per- abaixo e
form. With a = 0.05 for individual tests, the overall Type 1 error rate is atotal = 1 – 0.9536
acompanhe o teste
or about 84 percent, whichHSD de Tukey
is obviously com uma taxa de erro familiar de
unacceptable.
aproximadamente = 0,05.
Table 5.1 Sample data from nine treatments.
Treatment
Observation 1 2 3 4 5 6 7 8 9
1 80.9 78.2 76.2 80.6 78.3 74.5 83.7 86.6 83.1
2 78.3 81.8 78.7 84.3 83.1 79.0 80.3 83.6 77.9
3 77.8 83.5 79.5 80.5 78.9 79.7 80.8 85.6 77.9
4 76.6 84.2 75.3 77.2 83.4 83.1 83.6 83.9 79.9
5 82.2 75.7 82.2 82.6 81.0 76.4 83.4 86.0 83.7
6 74.5 81.4 78.7 79.1 77.8 80.2 78.6 77.0 80.5
7 80.5 78.0 74.2 83.7 77.4 80.9 82.8 80.0 81.4
8 77.0 81.9 84.1 81.9 78.4 81.2 73.6 84.2 74.8
9 82.5 83.2 83.7 77.9 78.1 84.0 82.7 76.7 86.1
115
100
ANOVA DE 1 FATOR
116
117
ANÁLISE
118
119
ANÁLISE
A Figura mostra os
intervalos de Confiança de
95% para cada fator, a
partir do desvio padrão
combinado
120
ANÁLISE
A Figura mostra o gráfico de

valores individuais em cada fator,
e sua respectiva média
121
ANÁLISE
O gráfico de probabilidade normal dos resíduos

mostra que eles caem ao longo de uma linha
aproximadamente reta, o que suporta a afirmação
de que os resíduos são normalmente distribuídos. A Figura mostra um gráfico dos
resíduos versus os valores previstos (ou
seja, as médias do tratamento). A
quantidade de variação nos resíduos
parece ser comparável se a magnitude
da resposta é grande ou pequena,
histograma dos resíduos. Os resíduos parecem então os resíduos são provavelmente
seguir a curva normal esperada em forma de sino e homocedásticos em relação aos
não há evidência de outliers. valores previstos.
122
ANÁLISE
A Figura mostra os boxplots dos
dados por tratamento. Os
boxplots são todos
comparáveis em tamanho o que
sugere que os resíduos são
homocedásticos em relação aos
tratamentos. Os boxplots
também parecem ser
aproximadamente simétricos, de
modo que os resíduos podem ser
distribuídos normalmente.
123
TAMANHO DA AMOSTRA P/ ANOVA 1 FATOR
• Um experimento unidirecional completamente aleatório deve ser

realizado com k = 5 tratamentos diferentes. O desvio padrão do
processo é conhecido por ser s = 4,2. Se quisermos 90% de
probabilidade de detectar uma diferença de d = 10 entre um par de
meios de tratamento, quantas repetições n devem ser executadas?
Use um nível de significância de a = 0,05.
124
TAMANHO DA AMOSTRA P/ ANOVA 1 FATOR
125
OBRIGADO
! Cronos Quality https://cronosquality.com
" Prof Paris https://paris.eng.br
# Blog https://wandersonparis.blogspot.com/
$ LinkedIn https://www.linkedin.com/in/wanderson...
% Facebook https://www.facebook.com/CronosQuality
& Twitter https://twitter.com/cronosquality
' Instagram https://www.instagram.com/wandersonpa...
140

Doe Minitab 02new

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Doe Minitab 02new

Enviado por

Direitos autorais:

Formatos disponíveis

AULA 02

• Apresentação Gráfica de Dados • Tópicos Avançados da ANOVA

As amostras devem ser representativas da população da

= ei are {2, 0, –2,σ4,= –5, 1}. Note that the ei are

Why do• we where

• Precisamos abordar a questão da forma de distribuição.

N = 22x42x51 = 4x16x5 = 320

Three operators of ten possible operators are to be used in a gage 20err

n • Exercício: Solution: The means n that must be compared are 12

• Se uma amostra é representativa de sua população, então uma

• Outro tipo de inferência, o teste de hipótese, é usado para

• Considere o experimento gedanken (mental).

bution of the population is normal, or 2) the sam 40

1. Escolha hipóteses nulas e alternativas para um parâmetro

5. Construa o intervalo de aceitação de hipótese nula para a

• O MINITAB tem a capacidade de realizar muitos testes de

mtb > onez c1;

• Construa um intervalo de confiança de 99 % para m usando o

mtb > onez c1; onde cauda é: –1 para um

eft-tailed test, 1 for a right-tailed test, or 0 for a two-tailed test,

as the output for confidence intervals with the addition of the z

para criar um gráfico de probabilidade normal dos dados da amostra. Este

• Use o MINITAB para construir o gráfico de probabilidade normal dos

• Use o menu Stat> Estatísticas básicas> Teste

• Determine o tamanho da amostra necessário para

• Como qualquer disciplina altamente técnica, o DOE está cheio

• Os processos têm entradas que determinam como o processo opera e as saídas

• As entradas de processo são chamadas de variáveis, fatores ou preditores

• Talvez a melhor maneira de identificar e documentar as

Container Skill Batch size

Agitator Patience Surface Sanding Appearance

Resin Temperature Tensile strength

Materials Environment Mechanical

Figure 4.2 Cause-and-effect diagram for epoxy performance. 75

• Fornece um local conveniente para coletar ideias para novas variáveis.

• O diagrama de causa e efeito deve ser atualizado

• As entradas para um processo são referidas como variáveis,

• Sempre que possível, a resposta de uma experiência deve ser quantitativa.

• Os experimentos de superfície de resposta são mais

• Houve muitas referências a um modelo a ser construído a partir de dados

Níveis Variáveis Qualitativos

• Para variáveis qualitativas, a escolha de níveis não é tão crítica.

Níveis Variáveis Quantitativas

6. Plano de randomização e bloqueio

10. Experiência de confirmação

• Má compreensão do processo e procedimentos

• Repetibilidade e reprodutibilidade inadequadas (R & R) para medir as

• Vários pequenos experimentos em vez de um único maior

• Interpretação errônea dos resultados

A Figura mostra o gráfico de

O gráfico de probabilidade normal dos resíduos

• Um experimento unidirecional completamente aleatório deve ser

Você também pode gostar