AULA 6

CONTROLE ESTATÍSTICO
DA QUALIDADE

Prof. Rafael Simões Ribeiro

CONVERSA INICIAL

Até aqui aprendemos um pouco sobre a filosofia do controle de qualidade

moderno, passando pelos principais pontos de Deming (2003) e por várias
ferramentas que nos ajudam a conhecer, explorar, quantificar, analisar, interpretar
e, enfim, lidar com processos. Conhecemos como realizar uma avaliação do
sistema de medição (MSE), que é uma ferramenta fundamental para realizarmos
qualquer tipo de medição com o sistema correto.
Nesta aula, a última de nosso curso, analisaremos o planejamento de
experimentos, que é uma ferramenta também fundamental para o entendimento
e melhoria (otimização) de processos.

TEMA 1 – VANTAGENS DE PLANEJAR EXPERIMENTOS

Ainda estamos no início da revolução do controle de qualidade. Apesar de

muito ter sido feito desde a década de 1950, é comum encontrarmos empresas
(inclusive as grandes) operando de maneira pouco controlada. Nosso sistema de
educação tradicional ainda não dá a devida importância para o ensino da
estatística visando à qualidade. Dessa forma, você é um(a) privilegiado(a) por
entrar em contato com esse mundo, uma vez que poucos são os engenheiros que
conhecem e menos ainda os que dominam essa temática.
Usualmente, quando um engenheiro quer estudar ou buscar melhorias em
um processo, ele realiza experimentos com base na tentativa e erro ou, quando
muito, utilizando a metodologia one factor at a time (Ofat), que consiste em manter
vários parâmetros fixos e variar um deles por vez. Vejamos um exemplo de Box,
Hunter e Hunter (1978) para entendermos o porquê dessa escolha não ser das
mais inteligentes.
Suponha que um engenheiro químico queira realizar experimentos para
buscar o maior rendimento possível de uma reação. Com sua experiência, ele
identificou haver dois fatores que possivelmente influenciem no rendimento dessa
reação: o tempo de reação e a temperatura do meio em que a reação ocorre.
Impulsivo, ele resolve realizar experimentos Ofat. Primeiro, fixa a temperatura em
225 °C e faz testes da reação nessas condições de temperatura para cinco tempos
diferentes. Veja, na Figura 1, o comportamento obtido pelo engenheiro: o melhor
rendimento foi de aproximadamente 75 g para uma reação de 130 minutos.

2
Figura 1 – Primeira leva de experimentos para uma temperatura de 225 °C

Fonte: elaborado com base em Box; Hunter; Hunter, 1978, p. 511.

Em seguida, o engenheiro fixou o tempo no melhor resultado possível, de

130 minutos, e realizou uma segunda leva de experimentos variando a
temperatura. Na Figura 2 vemos o resultado disso: um rendimento de mais ou
menos 75 g para uma temperatura de 225 °C.

Figura 2 – Segunda leva de experimentos para tempo fixo de 130 minutos

Fonte: elaborado com base em Box; Hunter; Hunter, 1978, p. 511.

Segundo esses experimentos, a conclusão óbvia é a de que o rendimento

máximo é de aproximadamente 75 g para um tempo de 130 minutos, a uma
temperatura de 225 °C. Porém, esse resultado não é necessariamente verdadeiro,
uma vez que ele não leva em consideração a interação entre os fatores tempo e
temperatura.
Veja, na Figura 3, uma possível condição real da variação do rendimento
da reação química com a temperatura e com o tempo. Percebe-se que os
experimentos Ofat correspondem às linhas tracejadas, e fica evidente – vendo a

3
figura completa – que o rendimento de 75 g está longe de ser o maior rendimento
possível da reação (rendimento esse que é, de fato, de aproximadamente 91 g).
Experimentos planejados servem para estudar toda essa gama de possibilidades,
incluindo as interações entre fatores, com o melhor custo-benefício possível, de
maneira organizada, seguindo uma metodologia estatisticamente consistente.

Figura 3 – Possível resposta real para o rendimento em função da interação dos

fatores

Fonte: elaborado com base em Box; Hunter; Hunter, 1978, p. 512.

TEMA 2 – EXPERIMENTO FATORIAL

Quando falamos em experimentos planejados, nos referimos sempre a

fatores de variação em níveis. Por exemplo, se quisermos entender a influência
de três fatores em um processo, variando cada um em 2 níveis, temos o total de
23 = 8 combinações possíveis entre os 6 níveis em questão. Isso se chama
experimento fatorial e nos dá informações completas em relação aos fatores e
níveis testados. É possível que um fator tenha mais de dois níveis, mas,
geralmente, vale mais a pena fazer mais planejamentos com fatores de dois níveis
do que utilizar um número maior de níveis em algum fator de um experimento, por
conta do custo-benefício da modelagem.
Para entender o conceito de experimentos fatoriais vamos nos referir, por
conta de sua didática, ao exemplo de Box e Bisgaard (1987). Considere o seguinte
planejamento experimental de um processo de têmpera de molas no qual os

4
fatores temperatura do óleo de têmpera (O), percentual de carbono no aço (C) e
temperatura do aço (T) variam em dois níveis cada e a variável de resposta é a
porcentagem de molas sem trincas. A Tabela 1 mostra esse planejamento e os
resultados dos ensaios.

Tabela 1 – Planejamento e dados coletados de experimento fatorial

O C T Molas sem Dia do

Run
(Óleo) (Carbono) (Aço) trincas ensaio
1 70 °F 0,5% 1.450 °F 67% 1
2 70 °F 0,5% 1.600 °F 79% 2
3 70 °F 0,7% 1.450 °F 61% 2
4 70 °F 0,7% 1.600 °F 75% 1
5 120 °F 0,5% 1.450 °F 59% 2
6 120 °F 0,5% 1.600 °F 90% 1
7 120 °F 0,7% 1.450 °F 52% 1
8 120 °F 0,7% 1.600 °F 87% 2

Fonte: elaborado com base em Box; Bisgaard, 1987, p. 17.

Podemos representar um experimento fatorial com três fatores de dois

níveis cada, como o cubo da Figura 4. Os ensaios com a menor temperatura do
aço estão localizados na face esquerda do cubo; com a maior temperatura do aço,
na face direita do cubo; com baixo teor de carbono, na face de baixo do cubo; com
alto teor e carbono, na sua face de cima; a 70 °F de temperatura do óleo, na face
frontal do cubo; a 120° F de temperatura do óleo, na sua face traseira.

5
Figura 4 – Possível resposta real ao rendimento em função da interação dos
fatores

Fonte: elaborado com base em Box; Bisgaard, 1987, p. 19.

Uma das características principais de experimentos planejados é o cálculo

dos efeitos individuais de cada fator. Repare que o efeito individual da temperatura
do aço está embutido em cada par de resultados para esse fator: ( + ) e ( – ). Em
cada par, uma das leituras reflete o ensaio à alta temperatura do aço, enquanto a
outra, à baixa temperatura; porém, em cada par os outros fatores se mantêm
constantes. Calculamos o efeito principal de um fator do seguinte modo:
𝐸𝑓𝑒𝑖𝑡𝑜 𝑃𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 = 𝑦̅+ − 𝑦̅− (1)
Repare que poderíamos realizar os cálculos individualmente: (79 − 67) =
12, (75 − 61) = 14, (90 − 59) = 31 e (87 − 52) = 35; depois, calcularíamos a
média desses efeitos, que, nesse exemplo, é 23. Ou podemos utilizar a equação
(1) e fazer a média da face direita menos a média da face esquerda – executadas
as contas, o resultado é o mesmo.
Repetindo o mesmo procedimento para os outros fatores, obtemos:
𝑇 (𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑑𝑜 𝑎ç𝑜) + 23
𝐸𝑓𝑒𝑖𝑡𝑜 𝑃𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 𝐶 (𝑡𝑒𝑜𝑟 𝑑𝑒 𝑐𝑎𝑟𝑏𝑜𝑛𝑜) −5 (2)
𝑂 (𝑡𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 𝑑𝑜 ó𝑙𝑒𝑜) + 1,5
Veja que, “[...] utilizando um experimento fatorial, com apenas oito ensaios
somos capazes de testar cada um dos três fatores com a mesma precisão que
em um experimento Ofat que possui três vezes mais ensaios; dessa forma,

6
experimentos fatoriais reduzem drasticamente o número de ensaios necessários,
sem sacrificar a sua precisão.” (Box; Bisgaard, 1987, p. 21, tradução nossa).
Podemos calcular o efeito das interações entre fatores. Fazemos isso
pegando a variação em relação a outro fator dos efeitos principais do primeiro
fator. Por exemplo, utilizando 𝑇 como primeiro fator e 𝑂 como segundo, fazemos
a média das variações de 𝑇 para 𝑂 (+) e a subtraímos da média das variações
de 𝑇 para 𝑂 (−): (31 + 35)/2 = 33, subtraído de (12 + 14)/2 = 13, cujo resultado
dá 20. Como estamos realizando uma estimativa da interação 𝑇𝑂, dividimos o
resultado por 2 e obtemos 10.
Assim, calculando todos os efeitos principais e os efeitos de interações dos
fatores, temos:
𝑇 + 23
𝐶 −5
𝑂 + 1,5
(3)
𝑇𝐶 + 1,5
𝑂𝐶 0,0
𝑇𝑂 + 10
Repare que, nesse resultado (3), o fator de maior importância no
experimento é o fator 𝑇, seguido da interação 𝑇𝑂. Além disso, apesar de menos
importante, vemos que o aumento da concentração de carbono contribui
negativamente para a variável resposta, indicando que um menor teor de carbono
tende a gerar molas com menos trincas. Esses dados são mais bem
representados em um diagrama de Pareto, em que 𝐶 é representado em módulo,
pois estamos interessados em ver graficamente e de maneira rápida o tamanho
do impacto de cada fator sobre o experimento.

7
Figura 5 – Diagrama de Pareto para efeitos e interações de segunda ordem

Os cálculos dos efeitos principais e das interações no experimento podem

ser realizados de maneira simplificada – da forma com que fizemos na equação
(1) – para o experimento fatorial 23 , de acordo com o padrão geométrico de
contrastes.

Figura 6 – Padrão geométrico de contrastes para estimativa de efeitos para

experimento fatorial 23

Fonte: elaborado com base em Box; Hunter; Hunter, 1978, p. 312.

8
 Vimos, anteriormente, que há variações aleatórias em tudo. Uma maneira
de contornar efeitos indesejados de variações aleatórias em experimentos
planejados é utilizando um planejamento em blocos e com randomização.
Imagine que tenhamos capacidade de realizar apenas quatro experimentos por
dia, de forma que esse planejamento deva ser realizado em dois dias. Repare a
forma com que o experimento foi realizado em relação aos dias 1 e 2 de
experimento, na Tabela 1 ou nos círculos (dia 1) e quadrados (dia 2) da Figura 4.
A maneira balanceada de realizar esses experimentos em cada dia é uma
estratégia de bloco, pensada para evitar efeitos de aleatoriedade de determinado
dia (por exemplo, recalcule os efeitos adicionando um valor qualquer nos
resultados que estão dentro de círculos e você verá que o tamanho dos efeitos
são os mesmos). Nesse arranjo, o efeito do bloco está confundido com a interação
de terceira ordem; dizemos, assim, que há um confundimento. Geralmente,
interações de terceira ordem não são relevantes por ser difícil associá-las a um
fenômeno físico.
Agora, pensando em um dia de execução, queremos randomizar os
experimentos, ou seja, realizá-los em uma ordem aleatória. Dessa forma o
experimento estará mais protegido contra o aparecimento de padrões que possam
viciar os resultados. A randomização é uma estratégia de atenuação de ruído.

TEMA 3 – EXPERIMENTO FATORIAL FRACIONADO

O experimento fatorial é um grande avanço em termos de metodologia e

custo-benefício em relação à tentativa e erro e ao Ofat. No entanto, se quisermos
realizar um experimento com oito fatores em dois níveis, teremos 28 = 256 testes,
o que é impraticável. Para contornar isso, podemos escolher abrir mão de algumas
informações, tornando nosso modelo menos preciso, em prol de aumentar o
custo-benefício do nosso planejamento. Isso é realizado com os experimentos
fatoriais fracionados.
Vamos utilizar o mesmo exemplo da seção anterior para entendermos o
conceito de experimentos fatoriais fracionados. Veja, na Figura 7, à direita, a
seleção de quatro dos vértices do cubo; isso significa a realização de, ao invés
dos oito testes, apenas quatro, ou 23−1. Agora, à esquerda, na Figura 7, veja a
projeção desses pontos, como se tivéssemos uma forte luz iluminando cada face
do cubo. Uma projeção é como uma sombra, na qual não conseguimos visualizar
o objeto, mas, ao menos, temos uma ideia dele, por sua silhueta. Isso é o que
9
acontece quando fracionamos um experimento. Perdemos informações sobre os
seus dados principais (vértices), mas, com base em projeções (sombras),
podemos obter outras informações sobre o experimento, em que pese com um
nível maior de confundimento entre os fatores.

Figura 7 – Projeções de um experimento fracionado

Fonte: elaborado com base em Box; Bisgaard, 1987, p. 25.

Veja, na Tabela 2, um esquema que apresenta a resolução de

experimentos fatoriais fracionados. Nela, veja que F corresponde ao experimento
fatorial completo (isto é, sem confundimento), enquanto III, IV, V... correspondem
à resolução de experimentos fracionados. Um experimento de resolução III possui
confundimento entre fatores de primeira ordem e fatores de segunda ordem (III →
1 + 2), o que nem sempre é algo desejável, mas que pode ser utilizado em
experimentos exploratórios, com muitos fatores. Já a resolução IV gera
confundimentos entre fatores de primeira e terceira ordens e entre fatores de
segunda ordem (IV → 1 + 3, 2 + 2). Experimentos de ordem V possuem
confundimento entre fatores de primeira ordem com quarta ordem e entre fatores
de segunda ordem com terceira ordem (V → 1 + 4, 2 + 3) e assim por diante.

Tabela 2 – Resolução de experimentos fatoriais

Fatores
Run 2 3 4 5 6 7 8 9 10 11 12
4 F III
8 F IV III III III
16 F V IV IV IV III III III III

10
 32 F VI IV IV IV IV IV IV
64 F VII V IV IV IV IV
128 F VIII VI V V IV

Repare que as cores da Tabela 2 são sugestões de experimentos; não

necessariamente um experimento de ordem III é ruim, mas é importante tomar
cuidado com a interpretação dos seus resultados, buscando um significado físico
para as interações de segunda ordem e os confundimentos. Já uma resolução V
é considerada muito boa, uma vez que o confundimento de primeira ordem é com
a quarta ordem, ou seja, um efeito principal estará confundido com um efeito
conjunto de quatro fatores, o que é muito improvável acontecer. A resolução IV
está no meio-termo e é a resolução mais utilizada em aplicações reais, pois possui
um custo-benefício interessante.
Por fim, para esclarecer o conceito de confundimento, veja a Tabela 3, que
mostra um planejamento de quatro ensaios com três fatores, similar ao ilustrado
pela Figura 7.

Tabela 3 – Experimento fatorial fracionado de ordem III

Run A B C AB AC BC ABC
1 − + − − + − −
2 + − − − − + +
3 − − + + − − +
4 + + + + + + +

Repare que AB = C, AC = B e BC = A. Esses são os confundimentos, o que

significa que os valores que calcularmos para os efeitos principais do experimento
A, B e C podem se referir, na verdade, aos efeitos das interações AB, AC e BC.
Para entendermos qual é qual, necessitamos realizar uma análise prática,
pensando no fenômeno físico que está sendo testado e, enfim, utilizar nossas
habilidades de engenharia.

TEMA 4 – ANÁLISE DE RESULTADOS

Falamos do cálculo dos efeitos dos fatores principais e das interações nos
experimentos, e que podemos representá-los por meio do diagrama de Pareto.

11
Existem outras representações úteis, como o gráfico de probabilidade normal, o
diagrama de interações e outras. É comum, em indústrias que se preocupam com
a qualidade, o uso de softwares estatísticos, conforme já mencionado. Aqui,
apresentaremos alguns gráficos produzidos com o software JMP, um dos mais
tradicionais (SAS Institute, 2018).
Para mostrar algumas de suas funcionalidades, vamos utilizar o exemplo
fatorial completo, apresentado no Tema 2. O software faz inferências estatísticas
com base em parâmetros e utiliza uma modelagem matemática chamada de
análise da variância (Anova), que não abordamos nem abordaremos neste curso.
Um primeiro resultado encontrado com uso do software JMP no exemplo
mencionado são os cálculos das estimativas e o gráfico de Pareto (SAS Institute,
2018).

Figura 8 – Estimativas e diagrama de Pareto

Fonte: elaborado com base em SAS Institute, 2018.

Repare, na Figura 8, que a estimativa é apresentada como a metade do

valor calculado por nós, mas isso é avisado na parte superior do gráfico. Olhando
para o diagrama de Pareto, repare que ele está classificado em termos do t ratio
que é uma estatística baseada no parâmetro 𝑡 de Student.
Uma maneira mais fácil e direta de identificar os parâmetros que são
relevantes em um experimento é utilizando o gráfico de probabilidade normal. Na
Figura 9 vemos que o próprio software indica os termos estatisticamente
relevantes (ou que se afastam da reta).

12
Figura 9 – Gráfico de probabilidade normal

Fonte: elaborado com base em SAS Institute, 2018.

Por fim, repare, na Figura 10, o gráfico de interações. Ele é uma forma
visual de identificar a influência de uma interação entre fatores de segunda ordem.
Veja que a interação OT é identificada pelo cruzamento das retas, nesse gráfico.
Quanto maior o ângulo de intersecção, maior a influência da interação.

Figura 10 – Gráfico de interações

Fonte: elaborado com base em SAS Institute, 2018.

Obviamente, existem análises mais profundas. Porém, aprendemos por

aqui a identificar os fatores principais e possíveis interações de ordens superiores
em um experimento, o que já é mais do que o que a maioria dos engenheiros
estão acostumados a identificar. Além disso, conhecemos, agora, um método de
análise e apresentação de resultados. Recomendamos o estudo das referências
para mais informações e aprofundamento no tema.

13
TEMA 5 – EXEMPLO EXPOSITIVO

Em um exemplo simples, vamos realizar um experimento que você pode

replicar em sua casa. Estudaremos o comportamento de duas aspirinas, uma de
uma marca conhecida, e a outra um medicamento genérico. Queremos saber se
a marca realmente influencia, de alguma forma, no medicamento ou se estamos
apenas pagando mais caro por ela e não por um melhor efeito do medicamento.
Obviamente, não vamos nos referir ao efeito do medicamento em nosso corpo,
mas apenas estudar se uma aspirina dissolve mais facilmente que a outra sob
algumas condições, o que impactaria um tempo mais ou menos rápido para nos
sentirmos bem quando temos uma dor de cabeça, por exemplo, e utilizamos tal
medicamento.
Um possível planejamento desses testes é mostrado na Tabela 4, em que
foi adicionada, também, uma coluna de previsão do que esperamos que aconteça.
Ter essa disciplina de preenchimento de informações durante o planejamento do
experimento é fundamental para que, ao seu final, possamos aprender com os
resultados apresentados. Veja também que os níveis escolhidos são categóricos
(não numéricos) e que não importa se os classificarmos como + ou – no momento,
pois o resultado das estimativas nos dirá o direcionamento. Propositalmente,
colocaremos a marca famosa no nível (−).

Tabela 4 – Planejamento de testes de duas marcas de aspirina

Fatores Níveis Predição

Agitação sem (−) com (+) Agitação dissolve mais rápido
Marca famosa (−) genérica (+) Famosa dissolve mais rápido
Catalisador sem (−) com (+) Dissolve mais rápido com o
catalisador
Solvente refrigerante (−) água (+) Água é o solvente recomendado

Veja, na Tabela 5, a estrutura do experimento fatorial fracionado, de

resolução VI, com quatro fatores variando em dois níveis e oito rodadas.

Tabela 5 – Estrutura do experimento com duas marcas de aspirina

14
 Run Agitação Marca Catalisador Solvente Tempo de
dissolução
1 − − − − 13
2 + − − + 19
3 − + − + 32
4 + + − − 27
5 − − + + 16
6 + − + − 17
7 − + + − 23
8 + + + + 27

A execução dos experimentos apresentados na Tabela 5 ocorreu de forma

aleatória. Vejamos a sua matriz de confundimentos na Figura 11.

Figura 11 – Matriz de confundimentos

Fonte: elaborado com base em SAS Institute, 2018.

Na Figura 11 estão representados todos os confundimentos do modelo.

Como o experimento é de resolução IV, temos confundimentos de primeira com
terceira ordem e entre interações de segunda ordem. Isso significa, por exemplo,
que o termo Agitação*Catalisador está confundido com o termo Marca*Solvente
e, assim, nos resultados encontrados para esses termos não identificaremos, com
certeza, a qual termo se referem.
Vejamos, agora, na Figura 12, se algum fator se destacou no experimento.

15
Figura 12 – Estimativas para os fatores do experimento fracionado

Fonte: elaborado com base em SAS Institute, 2018.

A Figura 12 mostra um gráfico ligeiramente diferente do da Figura 8, pois

estamos conduzindo um experimento fatorial fracionado, em que temos o cálculo
do valor P, que vimos anteriormente. Para que um fator apresente significância
estatística em um teste de hipóteses com 𝛼 = 0,05, seu valor P deve ser menor
que 0,05. Assim, vemos que o único fator estatisticamente relevante no
experimento é o fator Marca; vemos também que sua relevância está em reduzir
o tempo de dissolução na ordem de 12,25 segundos (já que o estimate, no JMP
(SAS Institute, 2018), é metade da estimativa real), quando esse fator é do nível
(−). De propósito, colocamos a marca famosa de aspirinas como nível (−) e nossa
conclusão geral é que ela impacta sim, positivamente (no sentido de reduzir), o
tempo de dissolução. A mesma indicação de relevância estatística desse fator
pode ser vista no gráfico de probabilidade normal da Figura 13.

Figura 13 – Gráfico de probabilidade normal para o experimento fracionado

Fonte: elaborado com base em SAS Institute, 2018.

Por fim, vejamos como se comportam as interações na Figura 14.

16
Figura 14 – Gráfico de interações para o experimento fracionado

Fonte: elaborado com base em SAS Institute, 2018.

Veja que o único fator estatisticamente relevante, Marca, não realiza

cruzamento vistoso entre seus níveis e tampouco com os demais fatores. Apesar
de haver alguma interação entre Agitação e Solvente, a relevância dos dados para
esses fatores é muito pequena.
Conforme já mencionado, essa é uma exploração básica dos dados de um
experimento planejado. Recomendamos, caso seja de seu interesse, que você
procure outras referências para o aprofundamento do seu conhecimento sobre
esse assunto.

17
REFERÊNCIAS

BOX, G.; BISGAARD, S. The scientific context of quality improvement: report

n. 25. Madison: Center for Quality and Productivity Improvement of University of
Wisconsin-Madison, 1987.

BOX, G. E. P.; HUNTER, W. G.; HUNTER, J. S. Statistics for experimenters. 1.

ed. Nova York: John Wiley & Sons, 1978.

DEMING, W. E. Saia da crise: as 14 lições definitivas para controle de qualidade

de W. Edwards Demong. [S.l.]: Futura, 2003.

SAS INSTITUTE. JMP: Statistical Discovery. version 14.0.0. [S.l.], 2018.

18