Escolar Documentos
Profissional Documentos
Cultura Documentos
CONTROLE ESTATÍSTICO
DA QUALIDADE
2
Figura 1 – Primeira leva de experimentos para uma temperatura de 225 °C
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.
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.
5
Figura 4 – Possível resposta real ao rendimento em função da interação dos
fatores
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
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.
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
Run A B C AB AC BC ABC
1 − + − − + − −
2 + − − − − + +
3 − − + + − − +
4 + + + + + + +
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).
12
Figura 9 – Gráfico de probabilidade normal
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.
13
TEMA 5 – EXEMPLO EXPOSITIVO
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
15
Figura 12 – Estimativas para os fatores do experimento fracionado
16
Figura 14 – Gráfico de interações para o experimento fracionado
17
REFERÊNCIAS
18