OTIMIZAÇÃO EXPERIMENTAL E

EXPERIMENTO DE UM FATOR
(ONE-WAY ANOVA)
Aula 10
Engenharia da Qualidade A
ENG 09008
TÓPICOS DESTA AULA
Projetos de Experimentos
ü Terminologia

ü Passos de implementação

ü ANOVA
ü Otimização

2
PROJETO DE EXPERIMENTOS
É utilizada na otimização de um sistema para redução da
variabilidade inerente por meio da coleta de dados
experimental.

Entende-se por sistema, qualquer produto, processo ou

serviço.
Entrada Saída (variáveis Ys)
Sistema
Características de qualidade
Indicadores de desempenho

Parâmetros do sistema (Xs) Fatores não controláveis ou de ruído (Zs)

(control. e ctes) • Temperatura e umidade do dia
• Produto: material e dimensões • Desgaste dos equipamentos
• Processo: temperatura e pressão • Habilidade e cansaço do operador
• Serviço: nº func. e layout • Variações na matéria prima

3
PROJETO DE EXPERIMENTOS
Objetivo: obter um ajuste ótimo para maximizar o
desempenho do sistema, minimizar custos e tornar o
sistema pouco sensível aos fatores de ruído.

Como?
Ø Definir sequencia de ensaios econômica e eficiente
Ø Avaliar estatisticamente os dados
ü Assegurar respaldo científico
ü Maximizar informações obtidas

4
 PROJETO DE EXPERIMENTOS
Ø Estudo sistêmico de diversos fatores
simultaneamente que podem afetar uma ou mais
características de qualidade ou indicador de
desempenho.
OTIMIZAÇÃO EXPERIMENTAL DE
UM SISTEMA
Planejamento da
Análise e otimização
sequência de ensaios

Execução

5
TERMINOLOGIA
VARIÁVEL DE RESPOSTA (Ys)
Ø Característica da qualidade que é avaliada em um sistema.
ü Ex.: produtividade, custos, características dimensionais, nível de satisfação,
faturamento, entre outras.

PARÂMETROS DO SISTEMA
Ø Todas as variáveis que podem ser alteradas e que possam ter
efeito sobre as variáveis de resposta.
• Fatores controláveis (Xs)
• Fatores constantes

6
TERMINOLOGIA
Fatores controláveis (Xs)
Ø Subconjunto dos parâmetros do sistema: parâmetros
escolhidos para estudo em vários níveis do experimento. Podem
ser qualitativos ou quantitativos.

Fatores constantes
Ø Parâmetros do sistema que são mantidos constantes durante o
experimento.

7
TERMINOLOGIA
FATORES NÃO CONTROLÁVEIS (Z - RUÍDO)
Ø Variáveis que não podem ser controladas; são responsáveis
pelo erro experimental ou variabilidade residual.
Considere:
ü Fatores de ruído à nível de água
ü Icebergs à efeito dos fatores controláveis A e B.
Experimento com pouco erro experimental permite detectar mesmo os
efeitos pequenos dos fatores controláveis como sendo significativos.

Nível de ruído grande não permite a Ao reduzir o nível de ruído o

8
percepção do efeito do fator B, pois é efeito do fator B também
pequeno. passa a ser percebido.
Apenas o fator A é percebido.
ETAPAS DO PROJETO DE EXPERIMENTOS
OUVIR A VOZ DO
CLIENTE

OUVIR A VOZ DO
ESPECIALISTA

PLANEJAMENTO
FINAL E EXECUÇÃO

ANÁLISE

OTIMIZAÇÃO

9
ETAPAS DO PROJETO DE EXPERIMENTOS
OUVIR A VOZ DO
1. OUVIR A VOZ DO CLIENTE CLIENTE

ü Pesquisa de mercado,
OUVIR A VOZ DO
ü Identificar as C.Q. de interesse; ESPECIALISTA

ü Identificar a importância relativa das C.Q. PLANEJAMENTO

FINAL E EXECUÇÃO

ANÁLISE

OTIMIZAÇÃO

10
ETAPAS DO PROJETO DE EXPERIMENTOS OUVIR A VOZ
DO CLIENTE

2. OUVIR A VOZ DO ESPECIALISTA (ENGENHEIRO)

OUVIR A VOZ
ü Definir variáveis de resposta associadas às C.Q.; DO
ESPECIALISTA

ü Identificar outras variáveis de resposta de interesse (em geral PLANEJAMENTO

FINAL E
associadas a custos/produtividade); EXECUÇÃO

ü Identificar os parâmetros do sistema (PS); ANÁLISE

ü Identificar o intervalo de variação dos PS;

ü Identificar os fatores controláveis (FC); OTIMIZAÇÃO

ü Definir o número de níveis para cada FC (geralmente de 2 a 5 níveis);

ü Definir possíveis interações entre os FC;
ü Identificar as restrições experimentais:
- Numero máximo de ensaios;
- Equipamento e RH disponíveis;
- Tempo disponível, etc.

11
VOZ DO CLIENTE VS ESPECIALISTA

VOZ DO CLIENTE VOZ DO ENGENHEIRO

CARACTERÍSTICAS VARIÁVEIS DE
DE QUALIDADE RESPOSTA

Aspectos que podem Mensuráveis, quantitativas

ser vagos

12
ETAPAS DO PROJETO DE EXPERIMENTOS
3. PLANEJAMENTO FINAL E EXECUÇÃO OUVIR A VOZ
DO CLIENTE
ü Escrever a matriz experimental;
ü Definir a ordem dos ensaios (aleatorização); OUVIR A VOZ
DO
ESPECIALISTA
ü Definir os procedimentos de ensaio (uniformização);
ü Desenhar planilhas de coleta de dados; PLANEJAMENTO
FINAL E
EXECUÇÃO
ü Executar o experimento e anotar resultados.
ANÁLISE

OTIMIZAÇÃO

13
ETAPAS DO PROJETO DE EXPERIMENTOS
4. ANÁLISE OUVIR A VOZ
DO CLIENTE
ü Fazer a análise de variância;
ü Escrever uma tabela de médias; OUVIR A VOZ
DO
ESPECIALISTA
ü Fazer gráficos dos efeitos dos fatores principais;
ü Fazer gráficos das interações significativas. PLANEJAMENTO
FINAL E
EXECUÇÃO

ANÁLISE

OTIMIZAÇÃO

14
ETAPAS DO PROJETO DE EXPERIMENTOS
5. OTIMIZAÇÃO
ü Modelar individualmente cada Variável de Resposta: V.R. =
f (F.C.) OUVIR A VOZ DO
CLIENTE

ü Definir uma função objetivo:

L = f1 (V.R.) à L = f2 (F.C.) OUVIR A VOZ DO
ESPECIALISTA

ü Otimizar, isto é, achar o ajuste dos F.C. que minimiza/

PLANEJAMENTO
maximiza L; FINAL E EXECUÇÃO

ü Verificar a consistência da solução.

ANÁLISE

OTIMIZAÇÃO

15
ETAPAS DO PROJETO DE EXPERIMENTOS
OUVIR A VOZ DO
CLIENTE

OUVIR A VOZ DO
ESPECIALISTA

PLANEJAMENTO
FINAL E EXECUÇÃO

ANÁLISE

OTIMIZAÇÃO

16
ANÁLISE DE VARIÂNCIA (ANOVA)
Avalia se existe efeitos dos fatores controláveis (e seus efeitos
de interações) sobre as variáveis de resposta.

A palavra significativo avalia se os efeitos identificados na

coleta experimental podem ser extrapoladas para a
população e vão se repetir no futuro.

17
ONE-WAY ANOVA
Experimentos que envolvem:
• 1 Variável de Resposta (Y) medida na saída do sistema
• 1 Fator Controlável (X) alterado a vários níveis ou grupos (k)
Objetivo:
• Identificar se a média dos valores da variável de resposta (Y)
investigada nos diferentes níveis ou grupos (k) diferem
significativamente entre si devido ao efeito do FC.
 FORMULAÇÃO MATEMÁTICA DA ONE-WAY ANOVA
Modelo Estatístico: yij = µ + t j + e ij
onde: µ é a média geral;
t j é o efeito do grupo j;
e ij é um erro aleatório.
Efeito fator igual a zero, pois médias dos
Hipóteses: H0 : t j = 0 grupos são iguais
H1 : t j ¹ 0 " j Efeito fator diferente de zero, pois médias
dos grupos diferem entre si
Objetivo:
• Rejeitar H0 de que as médias da VR não diferem com a alteração
do FC com uma certo intervalo de confiança (geralmente 95%) ou
uma probabilidade de erro máxima que é nível de significância
adotado α (geralmente α =5%)
19
ONE-WAY ANOVA
Disposição dos dados:
Fator A A1 A2 ... Ak
y11 y12 ... y1k
y21 y22 ... y2k
: : yij :
: : ... :
yn1 yn2 ... ynk
Totais T.j T.1 T.2 ... T.k T.. =
No.Obs. nj n1 n2 ... nk N =
Médias y. j y.1 y.2 ... y.k y.. =

20
ONE-WAY ANOVA
Exemplo:
Um profissional deseja estudar se o FC temperatura ambiente
(x) influencia na VR produtividade (y) dos funcionários. Para
isso realizou n=três medidas de produtividade (peças/hora) em
k= três temperaturas diferentes.
Temperatura Fator controlável
15°C 25°C 35°C Níveis do fator controlável k=3
12 20 17
13 19 16 Repetições n=3
11 18 18
Medição da variável de resposta
(produtividade dos funcionários em
peças/hora) 21
 Temperatura

15°C 25°C 35°C

EXEMPLO 12 20 17

13 19 16

11 18 18

T. j = 36 57 51 T.. = 144
nj = 3 3 3 N =9
Y. j = 12 19 17 Y.. = 16

SQG = variação entre os grupos

provocada pelo fator controlável

SQT = SQG + SQR

22
 Temperatura

15°C 25°C 35°C

EXEMPLO 12 20 17
SQR = dentro do grupo
13 19 16
(erro)
11 18 18

T. j = 36 57 51 T.. = 144
nj = 3 3 3 N =9
Y. j = 12 19 17 Y.. = 16

SQT = SQG + SQR

23
FORMULAÇÃO MATEMÁTICA DA ONE-WAY ANOVA

Exemplo: Temperatura

15°C 25°C 35°C

12 20 17

13 19 16

11 18 18

T. j = 36 57 51 T.. = 144
nj = 3 3 3 N =9
Y. j = 12 19 17 Y.. = 16

24
DECOMPOSIÇÃO DA VARIABILIDADE
Yij= 20 (Y ij - Y.j ) = 20 - 19 = 1 = SQR
(Yij - Y ) = 20 - 16 = 4
Y .2 = 19
(Y.j - Y.. ) = 19 - 16 =3 = SQG
..

Y .3 = 17

Y.. = 16

Y .1 = 12

15o C 25o C 35o C

SQT = SQG + SQR

Yij = µ + t j + e ij
(Y - Y ) = (Y
ij .. .j )
- Y.. + (Yij - Y. j )
20 = 16 + 3 + 1
(20-16) = (19-16) + (20-19)
4 = 3 + 1 25
FORMULAÇÃO MATEMÁTICA DA ONE-WAY ANOVA

Decomposição dos resíduos:

(Y - Y ) = (Y
ij .. .j )
- Y.. + (Yij - Y. j )
Total Grupos Resíduos
Elevando ao quadrado e somando:
n k k n k

åå ij ..
(Y - Y
i =1 j =1
) = n å . j .. åå ij . j
(Y - Y ) + 2
(Y - Y ) 2

j =1
2

i =1 j =1

SQT = SQG + SQR

Graus de liberdade:
K = núm. de níveis ou grupos
(N - 1) = (K - 1) + (N - K) N = total de observações

Calcula a variância das Calcula a variância de

médias K em relação a todos as obs N em relação
média geral a média de cada grupo k 26
FORMULAÇÃO MATEMÁTICA DA ONE-WAY ANOVA
n

å ( y -y )
i
2

Médias quadradas são as variâncias amostrais: MQ = S 2 = i =1

n -1

MQG= variâncias entre grupos devido

MQG = SQG / (K - 1) ao Fator Controlável

MQR = SQR / (N - K) MQR= variâncias dentro do grupo

devido ao erro experimental (resíduo)
K = núm. de níveis ou grupos
N = total de observações

ü Médias quadradas são grandezas que podem ser

comparadas entre si, pois já foram padronizadas devido a
divisão pelos graus de liberdade.

27
TESTE F – Distribuição de Fischer
ü O teste F compara as duas variâncias:
Variância entre grupos MQG( fator )
Fcalc = =
Variância dentro do grupo MQR(residuo)

ü Comparar Fcalculado com Ftabelado

ü O valor de Ftab é estabelecido usando os valores tabelados da

distribuição de Fischer
Ftab = Fa ,GLnumerador ,GLdenomnador = Fa , K -1, N - K

a : nível de significância (usualmente 0,05 ou 5%)

k-1: graus de liberdade do numerador (MQG)
N-k : graus de liberdade do denominador (MQR)

28
TESTE F - Significativo
ü Quando a MQG fator >> MQR erro

Variância entre grupos MQG ( fator )

Fcalc = = > Ftab = Fa ,k -1, N - k
Variância dentro do grupo MQR(erro)

ü O teste Fcalc >>Ftab ou valor-p < α =0,05

ü Nesse caso, rejeita-se Ho e conclui-se que existem

diferenças significativas entre as médias dos grupos
devido ao fator controlável.

29
 TESTE F – Não significativo
ü Se não há diferenças significativas entre os grupos a
variância do fator é igual a variância do erro ou resíduo
E [MQG] = E [MQR]
ü E o TESTE Fcal resulta aproximadamente 1:
Variância entre grupos MQG ( fator )
Fcalc = = @1
Variância dentro do grupo MQR(erro)

ü Conclui-se que não existem evidências suficientes (rejeitar

Ho) para afirmar que existe efeito do fator controlável.

30
TESTE F –Não significativo
Ø Quando o efeito não é detectado como
significativo o experimento não é conclusivo. Isso
pode ser devido a:

ü o efeito do fator controlável realmente não existir;

ü o nível do ruído foi elevado e não permitiu
identificar o efeito do fator que era pequeno;
ü Talvez realizando mais repetições, a confiança nos
dados seria maior e reduzir-se-ia o valor do critério
de rejeição (Ftab) para comprovar a detecção do
efeito.

31
 TABELA ANOVA
Fonte SQ GDL MQ Fcalc Ftab
Entre Grupos F = MQG /
SQG K-1 MQG F0,05,k-1,n-k
(fator controlável) MQR
Dentro Grupos
SQR N-K MQR
(erro residual)
Total SQT N-1

K = núm. de níveis do FC
N = núm. total de observações
n = núm de obs. em um nível

32
 ANOVA - EXEMPLO
SUMMARY

Groups Count Sum Average Variance

15°C 3 36 12 1

25°C 3 57 19 1

35°C 3 51 17 1

ANOVA
Source of Variation SS df MS Fcalc P-value F crit
Entre grupos (fator) 78 2 39 39 0,000364 5,143253

Dentro grupo (erro) 6 6 1

Existe efeito significativo do fator controlável temperatura (x) sobre a

variável de resposta produtividade (Y) considerando um nível de
significância de 5% (Fcalc=39>Ftab=5,14) ou (valor-p=0,000364 <
0,05).

33
FÓRMULAS SIMPLIFICADAS
TC = T..2 / N TC = termo de correção

SQT = ∑(Yij2) – TC
SQG = ∑(T.j2 / nj) – TC
SQR = SQT - SQG
T.. = soma total das observações
Yij = valor de cada observação
T.j = soma de obs. em um nível
N= núm. total de observações
nj = núm de obs. em um nível

Fonte SQ GDL MQ Fcalc Ftab

Entre Grupos F = MQG /
SQG K-1 MQG F0,05,k-1,n-k
(fator controlável) MQR
Dentro Grupos
SQR N-K MQR
(erro residual)
Total SQT N-1
34
TABELA ANOVA
Fonte SQ GDL MQ Teste F calc Ftab Valor-p
Entre
SQG K-1 MQG F = MQG / MQR
Grupos
Dentro
SQR N-K MQR
Grupos
Total SQT N-1

TC = T..2 / N termo de correção

SQT = ∑(Yij2) – TC
SQG = ∑(T.j2 / nj) – TC
SQR = SQT - SQG

35
Fator A A1 A2 ... Ak
y11 y12 ... y1k

y21 y22 ... y2k

: : yij :
: : ... :

yn1 yn2 ... ynk

Totais T.j T.1 T.2 ... T.k T.. =

No.Obs. nj n1 n2 ... nk N =

Médias y. j y.1 y.2 ... y.k y.. =

36
TABELA ANOVA
Fonte SQ GDL MQ Teste F

Entre Grupos SQG K-1 MQG F = MQG / MQR

Dentro Grupos SQR N-K MQR

Total SQT N-1

TC = T..2 / N Função no Excel=(Yij2)=Somaquad

SQT = ∑(Yij2) – TC
SQG = ∑(T.j2 / nj) – TC
SQR = SQT - SQG

37
Fator A A1 A2 ... Ak
y11 y12 ... y1k

y21 y22 ... y2k

: : yij :
: : ... :

yn1 yn2 ... ynk

Totais T.j T.1 T.2 ... T.k T.. =

No.Obs. nj n1 n2 ... nk N =

Médias y. j y.1 y.2 ... y.k y.. =

38
TABELA ANOVA
Fonte SQ GDL MQ Teste F

Entre Grupos SQG K-1 MQG F = MQG / MQR

Dentro Grupos SQR N-K MQR

Total SQT N-1

TC = T..2 / N
SQT = ∑(Yij2) – TC
SQG = ∑(T.j2 / nj) – TC
SQR = SQT - SQG

39
Fator A A1 A2 ... Ak
y11 y12 ... y1k

y21 y22 ... y2k

: : yij :
: : ... :

yn1 yn2 ... ynk

Totais T.j T.1 T.2 ... T.k T.. =

No.Obs. nj n1 n2 ... nk N =

Médias y. j y.1 y.2 ... y.k y.. =

40
TABELA ANOVA
Fonte SQ GDL MQ Teste F

Entre Grupos SQG K-1 MQG F = MQG / MQR

Dentro Grupos SQR N-K MQR

Total SQT N-1

TC = T..2 / N
SQT = ∑(Yij2) – TC
SQG = ∑(T.j2 / nj) – TC
SQR = SQT - SQG

41
TABELA ANOVA

Fonte SQ GDL MQ Teste F

Entre Grupos SQG K-1 MQG F = MQG / MQR

Dentro Grupos SQR N-K MQR

Total SQT N-1

TC = T..2 / N
𝑺𝑸𝑮
SQT = ∑(Yij2) – TC MQG (fator controlável) =
(𝑲&𝟏)
𝑺𝑸𝑹
SQG = ∑(T.j2 / nj) – TC MQR (resíduo) =
(𝑵&𝑲)
SQR = SQT - SQG

42
TABELA ANOVA
Fonte SQ GDL MQ Teste F

Entre Grupos SQG K-1 MQG F = MQG / MQR

Dentro Grupos SQR N-K MQR

Total SQT N-1

TC = T..2 / N
𝑺𝑸𝑮
SQT = ∑(Yij2) – TC MQG (fator controlável) =
(𝑲&𝟏)
𝑺𝑸𝑹
SQG = ∑(T.j2 / nj) – TC MQR (resíduo) =
(𝑵&𝑲)
SQR = SQT - SQG
Para rejeitar Ho: Fcalc>Ftab ou valor-p<5% (0,05)
43
EXEMPLO
Os dados a seguir representam o Y=alongamento (maior-é-melhor com LIE = 52)
medido sobre um composto de borracha, em função da quantidade (%) de agente
de processo (X).

Agente 0 5 10 15 20
43 47 55 50 52
47 53 50 54 49
46 52 54 54 54
45 50 55 55 55
45 49 52 56 55 K=5
46 51 53 52 56
47 55 55 57 56 n=12
44 48 56 57 53
42 49 59 55 57
48 50 56 60 60
49 47 57 56 57
44 49 54 58 55
Totais 546 600 656 664 659 T..= 3125
No.Obs. 12 12 12 12 12 N = 60
Médias 45,5 50,0 54,7 55,3 54,9 Y.. = 52,08
44
EXEMPLO
Cálculos iniciais:

TC = T..2 / N = (3125)2 / 60 = 162.760,42

Função no Excel=(Yij2)=Somaquad
SQT = S (Yij)2 - TC = 163.971,00 - 162.760,42 = 1210,58

SQG = S (T.j2 / nj) - TC = [(546)2 / 12] + ... + [(659)2 / 12] - 162.760,42 = 875,33

SQT = SQG + SQR

SQR = SQT - SQG = 1210,58 - 875,33 = 335,25

45
EXEMPLO
Ftab=INV.F.CD (0,05;k-1;N-K)= INV.F.CD(0,05;4;55)
Tabela ANOVA:
Fonte SQ GDL MQ Teste F Ftab Valor-p
MQG-Entre Grupos
875,33 4 218,83 35,9 2,55 9,6x10-19
(Agente de processo)
MQR-Dentro Grupos
335,25 55 6,09
(Residual)
Total 1210,58 59
Valor-p= DIST.F.CD(Fcalc;k-1;N-K)=DIST.F.CD(35,9;4;55)

Área de rejeição de H0 Há diferenças significativas

α = 0,05 entre os grupos quando:

Fcal > Ftab

Valor-p = 9,6.10-15
Valor-p < α

0 F0,05,4,55 = 2,55 Fcal = 35,9

46
ETAPAS DO PROJETO DE EXPERIMENTOS
OUVIR A VOZ DO
CLIENTE

OUVIR A VOZ DO
ESPECIALISTA

PLANEJAMENTO
FINAL E EXECUÇÃO

ANÁLISE

OTIMIZAÇÃO

47
OTIMIZAÇÃO
ü ANOVA comprova se um fator controlável (x) influencia na variável de
resposta (Y).
ü Se na Tabela ANOVA, a hipótese nula for rejeitada (Fcalc>Ftab ou valor-
p<0,05) conclui-se que o efeito do fator é significativo sobre a variável de
resposta.
ü Neste caso, é necessário realizar uma otimização para identificar o ajuste
ótimo à identificar o nível do fator controlável que otimiza a variável de
resposta
ü Para isto, é necessário realizar uma comparação múltipla de médias (CMM)
para os fatores que possuam mais do que dois níveis a fim de identificar quais
deles diferem entre si.
ü Existem diversos métodos de CMM: Duncan, Tukey, Scheffé, Bartlett, etc

Como a CMM é de médias precisamos relembrar o

Teorema do Limite Central
48
 TEOREMA DO LIMITE CENTRAL
ü As médias seguem SEMPRE a distribuição Normal
independente da distribuição dos valores individuais
ü Média das médias amostrais é igual a média dos valores
individuais
ü Desvio-padrão das médias é menor do que o desvio-padrão dos
s
valores individuais na razão de 1 / n sy =
n

Distribuição
das médias Quanto maior o tamanho de
sy amostra (n), menor o desvio
padrão entre médias.
Distribuição
s Dos indivíduos

3 2 1 1 2 3
 COMPARAÇÃO MÚLTIPLA DE MÉDIAS (CMM)
ü O desvio padrão das médias é menor do que o desvio padrão dos
s
indivíduos na proporção de s y =
n
ü Como compara-se médias é necessário calcular o tamanho da curva
usando 3 x desvio-padrão das médias.
ü Considera-se que as médias diferem significativamente se a média de
um grupo estiver fora da curva do outro grupo, ou seja, quando a
distância entre médias for maior > 3 x desvio-padrões das médias.

Ho=médias não diferem

H1=médias diferem significativamente
signficativamente

𝑦! 𝑦" 𝑦# 𝑦$ 𝑦% 𝑦&

50
COMPARAÇÃO MÚLTIPLA DE MÉDIAS (CMM)
O método apresentado a seguir é o de Duncan:

1. Calcular o desvio padrão das médias s y pelo Teorema do Limite Central a partir
do desvio padrão dos valores individuais s

O desvio padrão dos valores individuais é calculado a partir da raiz do MQR (Média
quadrada dos resíduos) pois ela é uma variância.

O valor esperado da MQR é igual a variância: E(MQR) = s2

s MQR MQR
sy = SYij . = =
n n n

51
COMPARAÇÃO MÚLTIPLA DE MÉDIAS (CMM)

2. Calcular o limite de decisão considerando o tamanho da curva Normal da

distribuição das médias, ou seja, 3 vezes o desvio padrão das médias
Ld = 3 x S Y
.j

3. Escrever as médias em ordem crescente ou decrescente e compará-las duas

a duas (todas combinações). A diferença será significativa se for maior que o
Ld.

4. Usar barras para indicar se as médias diferem entre si (barra contínua =

não diferem).
Médias não diferem entre si Médias diferem entre si

𝑦! 𝑦" 𝑦# 𝑦$ 𝑦% 𝑦&
52
COMPARAÇÃO MÚLTIPLA DE MÉDIAS (CMM)

ü No exemplo:

1. Calcular o desvio padrão das médias pelo Teorema do Limite Central

s MQR 6,09
sy = SY. j = = = 0,71
n 12 12
onde nc = (n1 + n2 + ... + nk) / k

2. Calcular o limite de decisão

Ld = 3 x SY = 3 x 0,71 = 2,13
.j

53
 COMPARAÇÃO MÚLTIPLA DE MÉDIAS (CMM)

3. Escrever as médias em ordem crescente ou decrescente e compará-las

duas a duas (todas combinações). A diferença será significativa se for
maior que o Ld (=2,13)
50,0 – 45,5 = 4,5 > Ld=2,13 DS

45,5 50,0 54,7 54,9 55,3 54,7 – 50,0 = 4,7 > Ld=2,13 DS
54,9 – 54,7 = 0,2 < Ld=2,13 DNS
Y.1 Y.2 Y.3. Y.5 Y.4
55,3 – 54,9 = 0,4 < Ld=2,13 DNS
55,3 – 54,7 = 0,6 < Ld=2,13 DNS

4. Usar barras para indicar se as médias diferem entre si.

Y.1=45,5 Y.2=50,0 Y.3=54,7 Y.5=54,9 Y.4=55,3

54
COMPARAÇÃO MÚLTIPLA DE MÉDIAS (CMM)
Probabilidade da média Y.5
ficar nestes limites
Y.5 - Y.3 = 54,9 - 54,7 = 0,2
β = 99,73%
Ld = 3.0.71 = 2.13
0,2
Y.5 - Y.3 =0,2< Ld=2,13 DNS α/2 = 0,135% α/2 = 0,135%
Ld = 2.13

54,9-3.0,71 Y.5=54,9 54,9+3.0,71

(=52,77) (=57,03)

54,7-3.0,71 Y.3=54,7 54,7+3.0,71

(=52,57) (=56,83)

55
COMPARAÇÃO MÚLTIPLA DE MÉDIAS (CMM)

Y.3 - Y.2 = 54,7 - 50,0 = 4,7> Ld=2,13 DS

Ld = 2.13

50,0-3.0,71 Y.2=50,0 50,0+3.0,71 54,7-3.0,71 Y.3=54,7 54,7+3.0,71

(=47,87) (=52,13) (=52,57) (=56,83)

Y.2=50,0 Y.3=54,7 Y.5=54,9 56

OTIMIZAÇÃO
ü Em geral, deve ser considerado o binômio:
• Qualidade
• Custo
ü Os resultados estatísticos, em conjunto com a análise gráfica
dão suporte à tomada de decisão a respeito do processo.
ü O experimento revela opções para a redução de custos e
melhoria da qualidade, simultaneamente.
ü Quando houver empate técnico em termos de qualidade, o
critério de desempate é o custo

57
OTIMIZAÇÃO
ü Para realizar a otimização do produto ou processo é
feita uma análise técnica.
ü A análise técnica deve acompanhar e completar a
análise estatística.
ü Para isso, é recomendável representar graficamente os
dados, por exemplo, num boxplot ou num gráfico de
barras.

58
 OTIMIZAÇÃO - GRÁFICO DE BARRAS
70
60
Alongamento

50
40
30
20
10
0
0% 5% 10% 15% 20%
Concentração de agente

Como a CQ alongamento é do tipo maior-é-melhor (LIE > 52), então a escolha da

concentração de agente pode ser 10, 15 e 20%, pois produzem a mesma resposta
média (não diferem significativamente)
Contudo, quanto maior a concentração do agente, mais caro é a borracha, então
a escolha recomendada é a concentração de 10%.

59
OTIMIZAÇÃO - BOXPLOT
65
Q3 Max Mediana
Média Min Q1
60
Alongamento

55

50

45

40
0% 5% 10% 15% 20%
Concentração do Agente

Como o LIE do cliente é 52, então a escolha da concentração de agente

pode ser 10, 15 e 20%, pois atendem a especificação.

60
PRÓXIMA AULA

Ø ANOVA 2 FATORES

61
ATIVIDADES DE AULA
ü EXERCÍCIO 6

• Correção no início da próxima aula

• Entrega no Moodle até 1h antes da aula
seguinte

62