AULA 4

ENGENHARIA DO PRODUTO,
QFD, FMEA E DOE

Prof. Thiago Shoji Obi Tamachiro

TEMA 1 – INTRODUÇÃO AO PLANEJAMENTO DE EXPERIMENTOS E ANÁLISE
DE 1 FATOR

Neste tópico, serão abordados inicialmente os conceitos envolvidos na

técnica de Planejamento de Experimentos. Em seguida, será exposto um exemplo
utilizando o primeiro modelo de DOE, que é a análise 1 fator. Por fim, será
apresentado o programa estatístico Minitab para execução do DOE.

1.1 Conceitos do Planejamento de Experimentos

Um processo ou sistema generalizado de produção (Figura 1) pode ser

representado como uma combinação de recursos de entrada a serem
transformados (materiais, informações e consumidores) e de recursos de entrada
de transformação (máquinas e mão de obra) em algo com características
diferentes (saídas), seja um produto ou material. Além disso, dentro do processo
de transformação, existem fatores que podem ser controláveis, tais como
velocidade de corte de uma máquina, % de concentração de um determinado
reagente, entre outros, além de fatores que não são controláveis, como, por
exemplo, a umidade do ar.

Figura 1 – Modelo de sistemas e processos

Fatores controláveis

X1 X2 Xn

...

Input (entradas) Output (saídas) Y

Sistema/processo

...

Z1 Z2 Zn

Fatores não-controláveis

Fonte: elaborado com base em Montgomery, 2005.

Com base neste contexto, a ferramenta de Planejamento de Experimentos

tem por objetivo determinar quais fatores apresentam maior impacto no processo,

2
a fim de maximizar ou minimizar uma determinada variável resposta (saída) de
um produto ou material. Para cada um desses fatores, devem ser elegidos, no
mínimo, dois níveis (tratamentos) para realização do experimento. Exemplos de
níveis são apresentados a seguir:

• Fator: Temperatura do forno de fundição

• Nível 1: 1000°C
• Nível 2: 1300°C
• Nível 3: 1500°C
• Fator: Método de laminação de um corpo metálico
• Nível 1: laminação a quente
• Nível 2: laminação a frio

Além disso, por se tratar de uma ferramenta estatística, é utilizado o teste

de hipóteses denominado de Análise de Variância (ANOVA), na qual são testadas
k (k ≥ 2) médias populacionais com base na estatística F. Outro ponto importante
que deve ser considerado antes de executar a ANOVA é verificar se os resíduos
dos dados coletados são normalmente distribuídos (média igual a zero e desvio-
padrão igual a 1) e se a variância é constante (homocedasticidade).

1.2 Análise de 1 Fator

O primeiro modelo de Planejamento de Experimentos consiste naqueles

que possuem apenas um fator de análise, sendo ele fixo, ou seja, determinado
por aqueles que irão realizar o experimento. Sendo assim, veja o exemplo a
seguir.
Em uma empresa fabricante de bolas de tênis, a equipe de
desenvolvimento de produtos pretende criar um novo modelo de bola de tênis que
apresente uma resistência superior às convencionais. Após a realização de
pesquisas, a equipe identificou que a adição de enxofre na matéria-prima do
produto, que é a borracha (processo de vulcanização), tem a capacidade de
aumentar sua dureza e resistência.
Dessa forma, foi decidido investigar 4 níveis/tratamentos para o fator
concentração de enxofre: 5%, 10%, 15% e 20%. Para obter as análises, foram
fabricados 4 corpos de prova, para cada nível de concentração. Todos os 24
corpos de prova foram testados e coletados o valor de resistência à compressão
por meio de ensaios laboratoriais. Os dados são mostrados no Quadro 1.

3
Quadro 1 – Valores de resistência à compressão (psi) para cada % de
concentração de enxofre

Concentração Concentração Concentração Concentração

5% 10% 15% 20%

7 12 14 19

8 17 18 25

15 13 19 22

11 18 17 23

9 19 16 28

10 15 18 20

Fonte: Thiago Shoji Obi Tamachiro, 2022.

Tendo definido o objetivo do experimento, que é aumentar a resistência à

compressão da bola de tênis, a próxima etapa é executar a ANOVA para verificar
se a porcentagem de concentração de enxofre exerce influência na resistência do
produto. Sendo assim, são definidas duas hipóteses para serem testadas:

• H0 (hipótese nula): µ1= µ2= µ3= µ4 (as médias populacionais não se diferem
de forma significativa; logo, a concentração de enxofre não influencia na
resistência à compressão do produto);
• H1 (hipótese alternativa): pelo menos uma das médias populacionais se
difere das demais, ou seja, um dos níveis do fator influencia na resistência
à compressão do produto.

Na sequência, é necessário determinar o nível de significância para o teste,

que corresponde à porcentagem de erro que o teste pode apresentar. De forma
usual, é utilizado um nível de significância de 5% (0,05).
Com a definição das hipóteses e do nível de significância, a etapa seguinte
consiste em comparar dois valores da estatística F: o Ftabelado e o Fcalculado. Para
encontrar o Ftabelado, é necessário consultar a tabela de distribuição F de Snedecor
(encontrada facilmente na web ou em livros de estatística) e calcular os dois graus
de liberdade:

4
 • GL1 (Grau de Liberdade 1) = k -1; sendo k o número de níveis do fator.
Para o exemplo, GL1 será: GL1 = k -1 = 4 – 1 = 3
• GL2 (Grau de Liberdade 2) = N – k; sendo N o número de elementos da
amostra. Para o exemplo, GL2 será: GL2 = N – k = 24 – 4 = 20

Tendo os valores dos graus de liberdade, é utilizada a tabela F de Snedecor

com um nível de significância de 0,05 para encontrar o valor de Ftabelado, ou seja,
F3,20. A Figura 2 apresenta um extrato da tabela F com o valor a ser buscado.

Figura 2 – Exemplo da tabela F de Snedecor

Fonte: elaborado com base em Marques; Marques, 2009.

5
 Após encontrar o valor de Ftabelado que é de 3,10, o passo seguinte é realizar
os cálculos de soma de quadrados e quadrados médios da ANOVA para chegar
ao valor de Fcalculado. Ao realizar a ANOVA, é recomendável dispor os resultados
dos cálculos conforme o Quadro 2.

Quadro 2 – Quadro ANOVA para um fator de análise

Fonte de Soma de Grau de Quadrado

Estatística F
variação quadrados liberdade médio
Entre 𝑆𝑆𝑆𝑆𝑆𝑆 𝑠𝑠𝐸𝐸2
SQE K-1 𝑠𝑠𝐸𝐸2 = 𝐹𝐹 =
amostras 𝑘𝑘 − 1 𝑠𝑠𝑅𝑅2
𝑆𝑆𝑆𝑆𝑆𝑆
Residual SQR N-k 𝑠𝑠𝑅𝑅2 =
𝑁𝑁 − 𝑘𝑘
Total SQT N-1
Fonte: elaborado com base em Costa Neto, 2002.

Na sequência, são apresentados todos os cálculos do quadro ANOVA até

chegar ao valor de Fcalculado.

• Médias amostrais
7+8+15+11+9+10
• Concentração de 5% (x1): ���
𝑥𝑥1 = = 10
6
12+17+13+18+19+15
• Concentração de 10% (x2): ���
𝑥𝑥2 = = 15,66
6
14+18+19+17+16+18
• Concentração de 15% (x3): ���
𝑥𝑥3 = = 17
6
19+25+22+23+28+20
• Concentração de 20% (x4): ���
𝑥𝑥4 = = 22,83
6
7+8+15+⋯+20
• Todos os elementos (N=24): 𝑋𝑋� = = 16,37
24

• Quadrado médio total (𝑠𝑠𝑡𝑡2 ) e Soma dos quadrados totais (SQT):

2
∑ ∑�𝑥𝑥𝑖𝑖𝑖𝑖 −𝑋𝑋��
• 𝑠𝑠𝑡𝑡2 =
𝑁𝑁−1
(7−16,37)2 +(8−16,37)2 +⋯+(20−16,37)2
• 𝑠𝑠𝑡𝑡2 = = 28,24
24−1

• 𝑆𝑆𝑆𝑆𝑆𝑆 = 𝑠𝑠𝑡𝑡2 (𝑁𝑁 − 1) = 28,24 ∗ (24 − 1) = 649,52

• Quadrado médio entre amostras (𝑠𝑠𝑒𝑒2 ) e Soma dos quadrados entre amostras (SQE):
∑ 𝑛𝑛𝑖𝑖 (𝑥𝑥�𝚤𝚤 −𝑋𝑋�)2
• 𝑠𝑠𝑒𝑒2 =
𝑘𝑘−1
6∗(10−16,37)2 +6∗(15,66−16,37)2 +⋯+6∗(22,83−16,37)2
• 𝑠𝑠𝑒𝑒2 = = 166,63
4−1

• 𝑆𝑆𝑆𝑆𝑆𝑆 = 𝑠𝑠𝑒𝑒2 (𝑘𝑘 − 1) = 166,63 ∗ (4 − 1) = 499,89

• Quadrado médio residual (𝑠𝑠𝑟𝑟2 ) e Soma dos quadrados residual (SQR):
• 𝑆𝑆𝑆𝑆𝑆𝑆 = 𝑆𝑆𝑆𝑆𝑆𝑆 − 𝑆𝑆𝑆𝑆𝑆𝑆 = 649,52 − 499,89 =149,63

6
 𝑆𝑆𝑆𝑆𝑆𝑆 149,63
• 𝑠𝑠𝑟𝑟2 = = = 7,48
𝑁𝑁−𝑘𝑘 24−4

• Fcalculado:
𝑠𝑠𝑒𝑒2 166,63
• 𝐹𝐹𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = = = 22,28
𝑠𝑠𝑟𝑟2 7,48

Por fim, para concluir o teste de hipóteses, como Fcalculado(22,28) é maior do

que Ftabelado(3,10), rejeita-se H0 e aceita-se H1, o que significa que uma das
concentrações de enxofre influencia na resistência à compressão da bola de tênis.
No entanto, ainda não é possível afirmar qual dos níveis do fator é o que apresenta
a maior influência na variável resposta. Para responder a essa pergunta, pode ser
utilizado o teste de Fisher da Mínima Diferença Significativa (MDS), que compara
todos os pares de médias com a hipótese H0, utilizando a tabela T de Student. A
aplicação deste teste para o exemplo da bola de tênis será apresentada no
próximo tópico por meio do programa estatístico Minitab.

TEMA 2 – PLANEJAMENTO DE EXPERIMENTOS DE UM ÚNICO FATOR COM

O PROGRAMA MINITAB

O Minitab é um programa estatístico utilizado tanto para fins acadêmicos

quanto empresariais, com objetivo de realizar análises estatística de dados, tais
como modelos de Regressão e Séries Temporais para predição, Controle
Estatístico de Processos e, inclusive, o Planejamento de Experimentos.
Este recurso computacional possui uma licença gratuita de 30 dias,
podendo ser baixado no site oficial do Minitab, por meio do link:
<https://www.minitab.com/pt-br/products/minitab/free-trial/>.
A utilização desse recurso computacional apresenta vantagens de
aumentar a produtividade, evitando a realização de cálculos manuais e a
possibilidade de analisar o comportamento dos dados de forma gráfica. Dessa
forma, neste tópico, será apresentado como utilizar o Minitab no Planejamento de
Experimentos.

2.1 Realização do Teste ANOVA 1 Fator e Teste de Fisher

Considerando o mesmo exemplo do experimento da bola de tênis, o

primeiro passo para execução do Planejamento de Experimentos no Minitab é
inserir os dados do Quadro 1 no campo da planilha do programa, conforme
mostrado na Figura 3.

7
Figura 3 – Inserção dos dados no Minitab

Fonte: Tamachiro / Minitab 17, 2022.

Após a inserção dos dados na planilha, é necessário seguir os seguintes

comandos para obter as respostas do teste ANOVA e teste de Fisher:
Clicar em Stat -> ANOVA -> One-way (Ver Figura 4)

Figura 4 – Inicialização do teste ANOVA no Minitab

Fonte: Tamachiro / Minitab 17, 2022.

No próximo passo, são selecionados os seguintes itens para configuração

do teste (Figura 5):

1) Selecionar a opção “Response data are in a separate columm for each fator
level”;
2) Em ‘Responses”, adicionar os 4 níveis de concentração;

8
 3) Em “Options”, selecionar o tipo de intervalo de confiança (“Type of
confidence interval”) para limite superior (“Upper bound”);
4) Em “Comparissions”, selecionar Fisher;
5) Em “Storage”, marcar a caixinha “Residuals”;
6) Após todos esses ajustes, clicar em Ok.

Figura 5 – Configurações para o teste ANOVA no Minitab

Fonte: Tamachiro / Minitab 17, 2022.

Após a execução do comando com as configurações necessárias, o

programa irá apresentar os resultados da ANOVA (Quadro 3), similar aos cálculos
realizados para encontrar o valor de Fcalculado, no tópico 1.2.

Quadro 3 – Resultados da ANOVA pelo Minitab

Fonte Grau de Soma de Quadrado Valor F P-valor

liberdade quadrados médio
Fator 3 382,8 127,597 19,61 0,000
Erro 20 130,2 6,508
Total 23 531,0

Fonte: Thiago Shoji Obi Tamachiro, 2022.

Para concluir o teste de hipóteses, é possível utilizar a mesma forma de

comparação entre o Fcalculado e o Ftabelado já vista no tópico anterior ou realizar a
análise com o uso do p-valor. Para o exemplo, o p-valor é igual a zero. Logo, como

9
esse indicador é menor que o nível de significância (considerando 0,05), rejeita-
se H0. Sendo assim, pode-se concluir que o fator concentração de enxofre
influencia na resistência à compressão da bola.
Já para determinar qual das concentrações exerce a maior influência na
resistência, basta analisar o gráfico do teste de Fisher, conforme mostrado na
Figura 6, que é gerado juntamente com os resultados do quadro ANOVA.

Figura 6 – Teste de Fisher

Fisher Individual 95% CIs

Difference of Means for 5%; 10%; ...

10% - 5%

15% - 5%

20% - 5%

15% - 10%

20% - 10%

20% - 15%

0 4 8 12 16

If an interval does not contain zero, the corresponding means are significantly different.

Fonte: Tamachiro/ Minitab 17, 2022.

Analisando o teste de Fisher, pode-se chegar a duas conclusões:

• As concentrações de 15% e 10% apresentam médias significativamente

próximas entre si, visto que o intervalo dessas duas concentrações cruza o
eixo x que contém o zero (linha vertical pontilhada);
• O intervalo que contém as concentrações de 20% e 5% representa que a
diferença das médias entre essas duas concentrações é a maior das
combinações. Logo, a concentração de 20% é a que mais influência na
resistência a compressão do produto.

10
TEMA 3 – PLANEJAMENTO DE EXPERIMENTOS COM 2 FATORES

O segundo tipo de Planejamento de Experimentos é quando existem 2

fatores de análise, sendo que cada fator possui n replicatas que contêm todas as
combinações de níveis. Nesse modelo, também é utilizada a ANOVA para testar
se existe diferença significativa entre as médias.
O cálculo do Quadro ANOVA segue a mesma lógica para a análise de 1
fator. Logo, a demonstração dos cálculos para a análise de 2 fatores não será o
foco deste material, mas sim mostrar como planejar o experimento de 2 fatores e
como interpretar os resultados gerados pelo programa Minitab.

3.1 Aplicações de Planejamento de Experimentos com 2 Fatores

O objetivo do Planejamento de Experimentos com 2 fatores é determinar

se uma variável resposta y tem relação com os fatores controláveis ou não
controláveis do processo. Alguns exemplos de análises podem ser as seguintes:

• A produtividade de um funcionário é influenciada pelo nível de autonomia

(Fator 1) e/ou pelo tipo de modalidade de trabalho (Fator 2)? Além disso, o
nível de autonomia e o tipo de modalidade de trabalho se influenciam entre
si?
• O tempo de vida útil de um celular é influenciada pela capacidade de
memória RAM (Fator 1) e/ou pelo tipo de bateria (Fator 2)? Além disso, a
capacidade de memória RAM e o tipo de bateria se influenciam entre si?

Com base no último exemplo, considere que foram selecionados três

celulares para cada tipo de combinação de capacidade de memória e tipo de
bateria e, para cada modelo, foi anotado o tempo de vida útil (em anos). Os dados
coletados são apresentados no Quadro 4.

Quadro 4 – Tempo de vida útil (em anos) para celulares com diferentes
capacidades de memória e tipo de bateria

Tipo de Bateria
Lítio-Polímero Íon-Lítio
4 GB 4,1; 4,6; 4,6 5,4;5;5;4
Capacidade de Memória RAM 8 GB 3,9; 3,5; 4,1 5,1; 5,2; 5
16 GB 5,5; 5; 5,2 5,9; 6; 6,1
Fonte: Thiago Shoji Obi Tamachiro, 2022.

11
 No DOE de 2 fatores, o Minitab não irá entender se os dados do Quadro 4
forem adicionados do jeito que eles estão estruturados. Para executar o modelo,
é necessário realizar uma codificação das variáveis, que pode ser feita da seguinte
forma:

• Capacidade de memória RAM:

• 4 GB = -1
• 8 GB = 0
• 16 GB = 1
• Tipo de bateria:
• Lítio-Polímero = -1
• Íon-Lítio = 1

Com as codificações, os dados podem ser reordenados conforme o Quadro

5:

Quadro 5 – Codificação das variáveis de entrada

Tempo de vida Capacidade Bateria

4,1 -1 -1
4,6 -1 -1
4,6 -1 -1
5,4 -1 1
4,9
5 -1 1
. . .
. . .
. . .
6,1 1 1
Fonte: Thiago Shoji Obi Tamachiro, 2022.

Com os dados reordenados, as três colunas serão repassadas para a

planilha do Minitab e, em seguida, são realizados os seguintes passos para a
execução do teste ANOVA:

1) Estat -> ANOVA -> General Linear Model -> Fit General Linear Model
2) Em “Responses”, adicionar a variável “tempo de vida”;
3) Em “Factors”, adicionar as variáveis “Capacidade” e Bateria”;

12
 4) Clicar em Ok.
Seguindo os comandos, o Minitab irá exibir os resultados da ANOVA
conforme a Figura 7.

Figura 7 – Resultados do quadro ANOVA 2 fatores

Fonte: Tamachiro / Minitab 17, 2022.

Com relação aos resultados do Quadro ANOVA, são analisados os p-

valores (p-value) das variáveis “capacidade” e “bateria” para chegar as seguintes
conclusões:

• Para o fator capacidade, como p-valor é igual a zero, aceita-se a hipótese

de que a capacidade de memória RAM influencia no tempo de vida útil do
celular;
• Para o fator bateria, como p-valor é igual a zero, aceita-se a hipótese de
que o tipo de bateria influencia no tempo de vida útil do celular;

Por fim, para identificar qual é a melhor combinação de capacidade de

memória e tipo de bateria que maximiza o tempo de vida útil do produto, é plotado
o gráfico de interações, por meio dos seguintes passos:

1) Estat -> ANOVA -> Interaction plot;

2) Em “Responses”, adicionar a variável “tempo de vida”;
3) Em “Factors”, adicionar as variáveis “Capacidade” e Bateria”;
4) Habilitar a caixa “Display full interaction plot matrix”;
5) Clicar em Ok.

O gráfico de interações é exibido na Figura 8.

13
Figura 8 – Gráfico de interações

Interaction Plot for Tempo de Vida

Data Means
-1 1
6.0 Capacidade
-1
5.5 0
1
5.0
Capacidade
4.5

4.0

6.0 Bateria
-1
5.5 1

5.0
Bateria
4.5

4.0

-1 0 1

Fonte: Tamachiro / Minitab 17, 2022.

Interpretando o gráfico de interação, conclui-se que não há iteração entre

os fatores, uma vez que as diferentes linhas são paralelas. Além disso, uma vez
que um valor alto na resposta indica o maior tempo de vida útil, conclui-se também
que a capacidade de 16GB e a bateria do tipo Íon-Lítio são as melhores
combinações.

TEMA 4 – CRITÉRIO DE CHAUVENET PARA DESCARTE DE MEDIÇÕES

Na etapa de Preparação da Produção do Processo de Desenvolvimento de

Produtos (PDP), de Rosenfeld et al. (2006), é realizada a produção de um lote
piloto para verificar se o produto está em conformidade com as especificações de
projeto. A primeira forma básica de analisar a conformidade é verificar se as
amostras estão de acordo com as dimensões requeridas no projeto. No entanto,
erros de medições podem acontecer durante a coleta de dados e cabe ao
engenheiro decidir se uma determinada medida suspeita (outlier) deva ser
mantida ou descartada e, em seguida, realizar uma nova medição. Para tomada,
dessa decisão pode ser utilizado o Critério de Chauvenet.

14
4.1 Critério de Chauvenet

De acordo com Lira (2013), o critério de Chauvenet se baseia nas

distâncias entre a medida suspeita (xi) e a média (𝑋𝑋�) de todos os elementos (n) de
uma amostra e também levando em conta o desvio-padrão (s(𝑋𝑋�)) da amostra.
Assim, pode-se calcular a razão da medida (r) dada por:
𝑥𝑥𝑖𝑖 −𝑋𝑋�
• 𝑟𝑟 = � �
𝑠𝑠(𝑋𝑋�)

O valor de r é comparado com o fator Rc que depende do tamanho da

amostra e é tabelado conforme mostra o Quadro 6.

Quadro 6 – Valores de Rc para cada tamanho de amostra

n 2 3 4 5 6 7 8 9 10 12
Rc 1,15 1,38 1,53 1,64 1,73 1,80 1,86 1,91 1,96 2,00
n 12 13 14 15 16 17 18 19 20 21
Rc 2,04 2,07 2,10 2,13 2,15 2,18 2,20 2,22 2,24 2,26
n 22 23 24 25 30 40 100 500 1000
Rc 2,28 2,30 2,31 2,33 2,40 2,50 2,81 3,29 3,48
Fonte: elaborado com base em Lira, 2013.

Com o valor de r calculado e consultado o valor de Rc, são realizadas as

seguintes conclusões:

• Se r > Rc, a medida não pertence a amostra; logo, ela deve ser descartada
e ser realizada uma nova medição;
• Se r < Rc a medida pertence a amostra; portanto, deve ser mantida.

TEMA 5 – CRITÉRIO DE DIXON PARA DESCARTE DE MEDIÇÕES

Assim como o critério de Chauvenet, o critério de Dixon é outra forma de

realizar o descarte de medidas suspeitas e que leva em conta o grau de risco que
se deseja correr em aceitar ou descartar uma medição.

5.1 Critério de Dixon

A utilização do critério de Dixon é baseada nas seguintes etapas:

1) Ordenar as medições coletadas em ordem crescente;

15
 2) Observar o tamanho da amostra e identificar a estatística Qij a ser
utilizada de acordo com o Quadro 7.

Quadro 7 – Identificação da estatística Qij

Número de medições Qij

[3;7] Q10
[8;12] Q11
13 ou mais Q22
Fonte: elaborado com base em Lira, 2013.

3) Calcular a estatística Qij para o primeiro valor (Z1) e para o último valor (Zn),
conforme o Quadro 8.

Quadro 8 – Fórmulas para o cálculo de Qij

Qij Menor resultado qm Maior resultado Qm

Q10 (Z2 - Z1) / (Zn - Z1) (Zn – Zn-1) / (Zn - Z1)
Q11 (Z2 - Z1) / (Zn-1 - Z1) (Zn – Zn-1) / (Zn – Z2)
Q22 (Z3 - Z1) / (Zn-2 - Z1) (Zn – Zn-2) / (Zn – Z3)
Fonte: elaborado com base em Lira, 2013.

4) Selecionar um grau de risco (Qrc), conforme o Quadro 9, e compará-lo com

os valores de Qm e qm.

Quadro 9 – Valores de graus de risco de acordo com o tamanho amostral

n 10% 5% 1% n 10% 5% 1%
3 0,886 0,941 0,988 11 0,517 0,576 0,679
4 0,679 0,765 0,889 12 0,490 0,546 0,642
5 0,557 0,642 0,780 13 0,467 0,521 0,615
6 0,482 0,560 0,698 14 0,492 0,546 0,641
7 0,434 0,507 0,637 15 0,472 0,525 0,616
8 0,479 0,554 0,683 16 0,454 0,507 0,595
9 0,441 0,512 0,635 17 0,438 0,490 0,577
Fonte: elaborado com base em Lira, 2013.

5) Realizar as seguintes conclusões:

16
• Se Qm ou qm > Qrc, a medida não pertence a amostra; logo, ela deve ser
descartada e ser realizada uma nova medição;
• Se Qm ou qm < Qrc, a medida pertence a amostra, ou seja, ela deve ser
mantida.

17
REFERÊNCIAS

COSTA NETO, P. L. O. Estatística. 3. ed. São Paulo: Blucher, 2002.

LIRA, F. A. Metrologia na indústria. São Paulo: Érica, 2013.

MARQUES, J. M.; MARQUES, M. A. M. Estatística básica para os cursos de

engenharia. Curitiba: Domínio do Saber, 2009.

MONTGOMERY, D. C. Design and analysis of experiments. 6. ed. Arizona:

John Wiley & Sons, 2005.

ROSENFELD, H.; FORCELLINI, F. A.; AMARAL, D. C.; TOLEDO, J. C.; SILVA, S.

L.; ALLIPRANDINI, D. H.; SCALICE, R. K. Gestão de desenvolvimento de
produtos: uma referência para a melhoria do processo. São Paulo: Saraiva, 2006.

18