Melhoria (Improvement( Improvement) Melhoria
|
|
- Paulo Nunes Borja
- 6 Há anos
- Visualizações:
Transcrição
1 Melhoria Melhoria (Improvement( Improvement) 7. Selecionar Causas Potenciais de Variação; 8. Definir Relações entre as Variáveis e Propor Solução; 9. Estabelecer Tolerâncias Operacionais & Solução Piloto. Melhoria 1
2 Melhoria Melhoria 2
3 Melhoria A Linha de Conhecimento Estado atual do Processo de Conhecimento Baixo Alto Tipo de DOE Efeito Principal Fatoriais Fatoriais Superfície de /Exploratório Fracionados Completos Resposta Nº Normal de Fatores > Objetivo: Identificar Efeito Principal Algumas Relacões Configuração fatores críticos interações entre fatores Ideal dos fatores Estimativa Direção bruta Algumas Todos os Efeitos Curvatura em resposta, para melhoria interações Principais e modelos empíricos interações Etapa 7 Etapa 8/9 exploração otimização Melhoria 3
4 Melhoria 7. Selecionar Causas Potenciais de Variação Brainstorming (muitas variáveis) DOE de Varredura (Screening) (Seleção de Variáveis) Melhoria 4
5 Melhoria 7. Selecionar Causas Potenciais de Variação Ex.: Resultados de um DOE de Varredura (Screening) Melhoria 5
6 Melhoria 8. Definir Relações entre as Variáveis e Propor Solução Melhoria 6
7 Melhoria 8. Definir Relações entre as Variáveis e Propor Solução Melhoria 7
8 Melhoria 9. Estabelecer Tolerâncias Operacionais & Solução Piloto. Melhoria 8
9 7 - Selecionar Causas Potenciais de Variação Objetivo: Determinar os X s Vitais que impactam Y Principais Ferramentas: DOE Exploratórios Foco X Placket Burman 8 - Definir Relações entre as Variáveis & Propor Solução Objetivos: 1) Estabelecer a função de transferência entre Y e os X s vitais 2) Determinar os pontos ótimos dos X s vitais. 3) Executar estudo confirmatório. Principais Ferramentas: DOE Fatoriais
10 Design Of Experiments Planejamento de Experimentos
11 Source Input Fatores de um Processo Fatores Controláveis x1 x2... Process... xp Output SIPOC y1 y2 ym Client z1 z2 zq Fatores Incontroláveis (ruído)
12 X Pressão de ar air strip Pressão de ar air bag Pressão de ar front piston Pressão Hidráulica Temperatura Vazão de óleo Solúvel Pressão do Nitrogênio X,Y,Z Y Espessura da parede Top Wall Espessura da Parede Mid Wall Profundidade do Dome Altura da Lata Visualização Processo de fabricação de latas: Bodymaker Z Operador Rede Elétrica Qualidade da Bobina
13 Assuma que você está trabalhando em uma planta de uma indústria química e está estudando as reações que influenciam no rendimento de um determinado produto. De experiência passada sabe-se que os seguintes fatores são fundamentais nesse rendimento. Temperatura (Níveis de 40 e 60 o C) Catalisador (Níveis A e B) Pratique no Minitab Concentração (Níveis de 1 e 1.5 M) Deseja-se determinar por experimentação qual a melhor combinação entre os níveis dos fatores acima para se ter o melhor rendimento. Valores dos rendimentos para um DOE Fatorial Completo de 2 Níveis com Replicação e Sequência de Aleatorização com Base 9:
14 <DOE> <Factorial Design>
15 Observe o resultado abaixo em Worksheet Matriz de Contrastes Observe se a planilha gerada foi exatamente igual a essa! Esses valores devem ser agora digitados na planilha pois correspondem às respostas dos experimentos. Salve a Planilha na Desktop com um nome conveniente
16 <DOE> <Analyse Factorial Design> Responses: Rendimento Efeitos e Coeficientes Observe o resultado abaixo em <Session> Qual o componente tem o maior efeito no rendimento?
17 Normal / Pareto <DOE> <Analyse Factorial Design> Responses: Rendimento Graphs: Normal e Pareto Use o ícone Edit Last Dialog como shortcut Observe os gráficos gerados usando o ícone <Show Graph Folder>
18 <DOE> <Analyse Factorial Design> <Factorial Plots> Selecione o Setup para Main Effects, Interaction e Cube Responses: Rendimento Selected: Temperatura, Catalisador Concentração Factorial Plots Observe os gráficos gerados usando o ícone <Show Graphs Folder>
19 Ressurgimento do DOE: Planejamento e Análise de Experimentos Eficientes Programas Computacionais Metodologia 6 Sigma Determinação dos fatores X que mais afetam Y (DOE exploratórios) Estabelecer a função de transferência f e determinar os valores ótimos de X (DOE Fatoriais e RSM) Y=f(X)
20 Usar DOE Como... Uma técnica para a redução da quantidade de experimentos; Um método gráfico para análise de experimentos Um método numérico para a análise de experimentos
21 Eficiente Experimentação Considere os fatores X1.. X7 em apenas dois níveis (-/) e os seguintes resultados experimentais: Experimentos X1 X2 X3 X4 X5 X6 X7 Resultado Final Estratégia Vencedor Continua (Stick-A-Winner Strategy) Um Fator Por Vez
22 Stick-a-Winner Strategy Considere os fatores X1.. X7 em apenas dois níveis (-/) e os seguintes resultados experimentais: Experimentos X1 X2 X3 X4 X5 X6 X7 Resultado Final Estratégia Vencedor Continua (Stick-A-Winner Strategy) Um Fator Por Vez
23 Evite Um fator por vez Conclusões a respeito das estratégias Vencedor Continua e Um Fator Por Vez Tais estratégias são convencionais (denominadas de multifatorial) e envolvem a variação de apenas um fator por vez; Tais estratégias são ineficientes em determinar quais fatores agregam mais informação e afetam em maior grau a resposta. Interação é algo negligenciado nesse tipo de análise.
24 Considerações sobre a estratégia Um Fator Por Vez para 3 fatores em 2 níveis Experiência Fatorial Completo Fator 1 Fator 2 Fator 3 Quais outras combinações estão faltando? - representa nível baixo e representa nível alto Isso é a transição para DOE! 8
25 Ordem Padrão Ordem Padrão Fator 1 Fator 2 Fator 3 Use: Stat... DOE...Create Fatorial Design Ordene com Stat...DOE...Display Design
26 2 3 Ordem Padrão Fator 1 Fator 2 Fator Amarelo Verde Amarelo Verde Amarelo Observe que as variáveis podem ser Qualitativas e Quantitativas 6 Verde Amarelo Verde
27 Cube Plot 2 Fatores = Um Quadrado 3 Fatores = Um Cubo Fator 2 Fator 2 Fator 1 Fator 1 Fator 3
28 Espaço Experimental Exp. Fator Fator Fator Quais outras combinações estão faltando? Na estratégia de variar um fator por vez, muitas oportunidades são perdidas
29 Quarta Dimensão 4 Fatores: Dois Cubos Fator 4
30 5 Fatores: 4 Cubos B 8 = - - Fator E em (-) Cube Plot 16 = - O que representa a área em cinza? 1 = A C Fator D 32 = Fator E em () 17 = ---- Fator D
31 Tabela de Contrastes (k fatores) Número de Experimentos = (2 níveis) = 2 k. Quantos experimentos são necessários para um experimento fatorial completo em 7 fatores de dois níveis? Escreva a tabela de contrastes para 3 fatores em 2 níveis em uma ordem padrão.
32 Projetos Fatoriais A variação de um fator por vez (pensamento convencional) aborda apenas parte do espaço experimental. Tal tipo de estratégia deve ser evitada. Projetos fatoriais cobrem o inteiro espaço experimental. Projetos fatoriais são fáceis de conduzir devido a um padrão bem estabelecido. Número de Experimentos = (2 níveis) (k fatores) = 2 k
33 Replicação A B Resposta Replicação e Repetição Repetição A B Resp1 Resp2 Média , , , ,5
34 4 Replicação 5 Prefira Replicação (45)/2 Repetição 2 3 4,5 4, ,5 2,5 3 2
35 Replicação Replicação Não é o mesmo que múltiplo teste ou medida Porque Replicar? Para avaliar a variabilidade experimental: Se existe Causas Especiais ou somente Causas Comuns Para obter a importância de um fator (p-value) Para obter uma medida de Posição e outra de Dispersão Para balancear fatores incontroláveis
36 Replicação e Repetição - Exemplo Avalie as alternativas 1) Lançar 1 avião de papel e medir o tempo com 3 relógios; 2) Lançar 1 avião de papel 3 vezes e medir o tempo com 1 relógio; 3) Fazer 3 aviões e lançá-los uma vez cada e medir o tempo com 1 relógio.
37 Não é Ordem Padrão Não é uma ordem conveniente Aleatorização O Minitab Possui eficientes recursos de Aleatorização Porque Aleatorizar? Ajuda a validar as conclusões estatísticas a partir de experimentos; Faz com que os efeitos de uma variável oculta (Lurking) se distribua em média sobre todos os fatores do experimento.
38 Exemplo (Galinhas longe do Abatedouro): Variáveis Ocultas (Lurking) 1) Comparação de dois tipos de rações 2) Duas populações de galinhas 3) Ensaios destrutivos 4) Teste de Hipóteses de duas médias 5) Duas regiões (Longe e perto do Matadouro) 6) A importância de identificar os experimentos Lurking: Uma variável que tem um importante efeito no experimento e não foi ainda incluída como um fator devido a: existência desconhecida sua influência ser negligenciada inexistência de dados
39 Terminologia Experimento: Teste da espessura de uma latinha de refrigerante em um processo automatizado; Erro Experimental: Nas mesmas condições experimentais a espessura tem uma variação; Fatores: Variáveis independentes que influenciam na definição da espessura; Interação: Dois ou mais fatores afetam a espessura de uma forma dependente; Nível: Os diferentes valores (quantitativos ou qualitativos) dos fatores que afetam a espessura; Aleatorização: Uma importante forma de conduzir os experimentos para se testar a influência dos fatores na espessura; Repetição: Múltiplas medidas ou testes dos fatores na espessura em uma mesma condição experimental; Replicação: Múltiplas medidas ou testes dos fatores da espessura em diferentes condições experimentais
40 O que medir e como medir? Investigar um Item de Controle ou Processo que tenha um maior impacto (no consumidor, financeiro, etc...); Um grande número de experimentos pode não agregar valor; Definir um número ótimo; Fatores correlacionados não precisam ser inseridos mutuamente na experimentação; A identificação dos experimentos é fundamental para a rastreabilidade de erros e problemas; Identificar as ferramentas corretas de medição; Um estudo de Repetitividade e Reprodutividade é algo que gera confiança para as conclusões estatísticas finais.
41 Modelo Y = f (X 1, X 2, X 3,, X n ) Y (Resposta) X i (Fatores) = X1, X2, X3 Y=Constante <Média> k1x1 k2x2 k3x3 <Fatores Principais> k4x1x2 k5 X1X3 k6x2x3 <Interações ordem 2> k7x1x2x3 <Interação ordem 3>
42 Efeitos Principais Y X3 Quando X3 vai de - para a resposta Y aumenta de 0.95 Y Quando X2 vai de - para a resposta Y diminui de 0.45 X2 -
43 Coeficientes dos Fatores Y Quando X3 vai de - para a resposta Y aumenta de X3 Um Efeito do fator é a mudança na resposta devido a duas unidades entre 1 e 1. Nesse caso, Um Coeficiente do fator é a mudança na resposta devido a uma unidade entre 1 e 0 eou 0 e1. Nesse caso, Coeficiente =Efeito/2 Y=49,77 k1x1 k2x X3 k4x1x2 k5 X1X3 k6x2x3 k7x1x2x3
44 Saúde de um indivíduo Ótima Boa Interação Com Remédio Sem Remédio Regular Morte Sem Com Consumo de álcool
45 Sem Interação Pouca Interação Resposta Resposta Fator B Fator B Fator A Fator A Resposta Resposta Gráfico de Interações Fator B Fator B Fator A Fator A Sempre que possível, consulte o P_value Alta Interação Resposta Fator B Factor A Resposta Fator B Fator A Adapted from Lawson, John and John Erjavac, Basic Experimental Strategies and Data Analysis. Provo, UT: Brigham Young University, p. 104.
46 Efeito da Interação A B AB Resposta Simbologia: A x B ou AB Efeito AB = (Média AB ) - (Média AB - ) Efeito AB = (5060)/2 - (54100)/2 Efeito AB = - 22 Coeficiente AB = - 11 Resposta = Constante k1 A k2b 11AB Faça no Minitab
47 Matriz de contrastes Std. Order A B C AB AC BC ABC Resposta Média Colunas para um projeto 2 3
48 P-Value / Teste de Hipóteses H o : O fator não tem efeito sobre a resposta H a : O fator tem um efeito sobre a resposta Se p > α: Aceita-se H o Se p < α: Rejeita-se H o
49 Quais são os termos significativos que podem ser vistos na análise dos fatores do DOE ao lado? Modelo Fractional Factorial Fit: Resposta versus A; B Estimated Effects and Coefficients for Resp (coded units) Os termos com p<0,05 devem fazer parte do modelo inicial. Os outros não são significativos estatisticamente. Assim Resp= 12 3,5 B Term Effect Coef SE Coef T P Constant 12,0000 0, ,66 0,000 A -0,5000-0,2500 0,4677-0,53 0,621 B 7,0000 3,5000 0,4677 7,48 0,002 A*B -0,5000-0,2500 0,4677-0,53 0,621
50 Qual o valor maximizado da resposta do experimento fatorial ao lado? O valores a serem substitídos em A e B devem ser simplesmente (1 e -1), que são os valores codificados e não os valores reais. Nesse caso para maximizar a resposta, usa-se o valor 1. Substituindo Coded Unit Resposta= 50 0,5A 0,3B Níveis (-1) (1) Fator A Fator B 0 10 Resposta= 500,5(1)0,3(1)=50,8
51 Número de Experimentos 2 k Quando lidamos com experimentos fatoriais completos, mesmo em dois níveis, o número de experimentos pode ser proibitivo. Número de Fatores Número de Experimentos ,768 1,048,576 Fatoriais Completos
52 Número de Fatores Efeitos Principais Fatoriais Completos - Informações Disponíveis Interações Ordem Interações Ordem > ,647 1,048,365 2 k Existe um número enorme de interações de ordem superior; A maioria das interações de ordem superior não são significativas; A maioria dos sistemas são dominados pelos efeitos principais e interações de baixa ordem. Num. Runs=Núm. efeitos 1 Ex.: 1024=
53 2 4 Resposta=Constante <Média> A B C D <Fatores Principais> AB AC AD BC BD CD <Interações ordem 2> ABC ABD ACD BCD <Interações ordem 3> ABCD <Interação ordem 4> O modelo ao lado contém 16 termos, 4 fatores principais e 11 interações. A estratégia fatorial é um método eficiente de experimentação. Isto, contudo, pode resultar em um grande número de ensaios, mesmo com um número relativamente pequeno de fatores.
54 Desejando-se fazer apenas metade dos experimentos, há apenas duas soluções que levam teoricamente ao mesmo resultado: Experimentos: 1, 4, 6 e 7 ou 2, 3, 5 e 8 As outras soluções são perda de tempo! Quais combinações escolher? Std. Order Order A A B B C C B B A A C C Meia fração
55 Propriedades da Meia Fração O projeto abrange boa parte da região de interesse O projeto é bem balanceado, isto é, cada fator é estudado o mesmo número de vezes em cada nível (igual número de - e ). Caso algum fator não seja relevante, o resultado é um fatorial completo nos outros dois fatores. 7 8 Order A B C Order A - B C B C A 1 2
56 7 - Selecionar Causas Potenciais de Variação; DMA Construindo uma Meia Fração A B C D = ABC Base2 3 D=ABC= Design Generator A B C D E Base2 4 E=ABCD= Design Generator
57 Fatorial Completo ou Meia Fração? Trade-Offs. Número de Efeitos Computados Efeitos Média Principais Interação ordem 2 Interação ordem 3 Interação ordem 4 Interação ordem 5 Completo Fração É factível rodar 32 experimentos? Se não há razão para acreditar que interações de ordem superior possam existir faça Meia Fração. Total de efeitos Computados Número de experimentos
58 Confundimento A=B Run Fator A Fator B Resposta Os efeitos dos fatores A e B estão confundidos. Confundimento (ou Aliases) é a combinação dos efeitos de dois ou mais fatores em um resultado, de forma que a magnitude dos efeitos sobre os fatores individuais não podem ser separados.
59 A B C D A = B = C = D = AB = AC = AD = Média = AB BCD ACD ABD ABC CD BD BC ABCD CD Confundimento D=ABC A partir de D=ABC podemos ter: 1 A.D=A.ABC=1.BC=BC 1 AD.D=A.1=D.BC Etc...
60 7 - Selecionar Causas Potenciais de Variação; DMA Confundimento E=ABCD A B C D E = ABCD Questões 1. Qual efeito pincipal é confundido com ABCD? 2. Qual efeito pincipal é confundido com ABCE? 3. Prove que AB é confundido com CDE. 4. AC é confundido com qual efeito?
61 Significado de ABCD A B C D AB CD Resposta Efeito de ABCD = ( )/4 ( )/4 = 11-19= -8 Tal efeito não é nem de AB nem de CD exclusivamente. Não se sabe também como esse efeito está dividido entre AB e CD.
62 A Linha de Conhecimento Baixo Estado atual do Processo de Conhecimento Alto Tipo de Projeto Efeito Principal Fatorial Fatorial Superfície de /Exploratório Fracionado Completo Resposta Nº de Fatores > Objetivo: Identificar Efeito Principal Algumas Relação Configuração fatores críticos interações entre fatores do Fator Ideal Estimativa Direção Bruta Algumas Todos os Efeitos Curvatura na para melhoria interações Principais e resposta, interações modelos empíricos Exploratório Otimização
63 Número Mínimo de Experimentos Número Mínimo de Experimentos= Número de Fatores 1 Ex.: Para uma análise exploratória de 7 fatores em 8 experimentos A = BD= CE = FG B C E F = = = = AD= CF AE= BF = EG = DG D = AB= CG = EF AC= BG = DF AG= BC = DE G = AF = BE = CD DOE Exploratório de 7 fatores Fatorial Completo A, B, & C 1. Tabela de fatorial completo em 3 fatores D = AB E = AC F = BC G = ABC A B C D E F G A B C AB AC BC ABC 2. Tabela de Interações 3. Associação dos fatores às interações
64 A Resolução de um DOE define a quantidade de Confundimento. Resolução Ex.: Dado um projeto de Resolução IV, as interações de segunda ordem se confundem com o que? 1. Levante o número de dedos igual a resolução do projeto para Resolução IV = 4 dedos. 2. Com a outra mão, agarre o número de dedos igual ao dos Efeitos Principais/Interações que deseja investigar quanto ao confundimento - por exemplo, para determinar com quem as interações de segunda ordem estão confundidos, agarre dois dedos. 3. O numero de dedos remanescente é o nível mais baixo de efeitos de interação que estão confundidos. Para resolução IV, por exemplo, as interações de segunda ordem estão confundidas entre sí. Quanto maior a Resolução, menor o confundimento dos fatores principais V 1-4, 2-3 R III 1-2 Confundimento IV 1-3, 2-2 DOE Exploratórios tem resolução III
65 Resolução Ex.: Qual a vantagem de um projeto de Resolução V em relação à Resolução IV? A vantagem de um projeto de Resolução V em relação à Resolução IV ocorre quando as interações de alta ordem podem ser desprezadas. Nesse caso,... os fatores principais e de segunda ordem se relacionam com as interações de ordem superiores, que geralmente não são significativas. Veja isso na regra "Manual" Quanto maior a Resolução, menor o confundimento dos fatores principais R Confundimento IV 1-3, 2-2 V 1-4, 2-3
66 Display Availale Design
67 7 fatores 2 Vezes 2 níveis Resolução IV 3 fatores principais confundidos com interações Com replicação Um total de 32 experimentos
68 SAPQ: Step 7/8
69 Exemplo de Anexo SAPQ REDUÇÃO DO CICLO E HORAS DE FABRICAÇÃO DE CAIXA ESPIRAL
70 Otimização do tempo de vôo de um helicóptero de papel (Adaptado de Box, Bisgaard and Fung Designing Industrial Experiments: The Engineer s Key to Quality, 1990)
71 Tuiuiu O Problema A empresa TUIUIU Papercóptero deseja otimizar o tempo de vôo de seus helicópteros de papel. Quanto maior o seu tempo de vôo tanto melhor. A sua equipe deverá desenvolver o seguinte estudo consistindo em quatro importantes fases: 1) Baseline: Fazer um estudo dos helicópteros atuais (padrão), e determinar o nível sigma do tempo de vôo atual; 2) Exploratória: Desenvolver um DOE para determinar possíveis modificações a serem feitas; 3) Otimização: Desenvolver (caso necessário) uma análise de otimização de acordo com os resultados anteriores; 4) Verificação: Fazer um estudo do melhor projeto de helicóptero definindo o novo nível sigma. Comparar com o valor Baseline.
72 Sobre os experimentos Os experimentos consistem no lançamento de helicópteros de uma certa altura cronometrando-se o seu tempo de queda. Clipe Fita de junta Fita do corpo dobrada em volta Dados financeiros: Construção de cada protótipo: R$ ; Teste de vôo: R$ Exemplo de construção do helicóptero
73 Equipe Papel Responsabilidade Quem Engenheiro Chefe Engenheiro de Testes Engenheiro de Montagem Analista Liderar a equipe na decisão de qual protótipo construir. Tem a palavra final sobre quais protótipos serão construídos e testados. Cuida também dos gastos. Lidera a equipe na condução dos testes de vôo de todos os protótipos. Tem a palavra final quanto a condução dos testes. Lidera a equipe na construção de protótipos. Tem a palavra final quanto a todos os aspectos da construção. Lidera a equipe no registro dos dados gerados nos ensaios. Controla o Minitab. Relator(es) Elabora o relatório final. Deve ficar atento a todas as observações importantes ocorridas no estudo e anotá-las
74 Considerações Bons projetos incluem Replicação e Aleatorização; Monte uma linha de produção para dividir o trabalho de fabricação; (Um encontro entre engenheiros de montagem, em caso de várias equipes, é fundamental); Rotule os helicópteros claramente; Estabeleça um processo de medição adequado; (Um encontro entre engenheiros de testes, em caso de várias equipes, é fundamental) Faça anotações das observações discrepantes dos vôos (outliers).verifique a estabilidade; Menor variação experimental significa resultados mais conclusivos; Dicas para um bom projeto: ângulo de asa consistente, estabilidade da dobra, dobra do corpo, método de soltura, armazenagem dos helicópteros, evitar correntes de ar. Salve a planilha de dados em intervalos regulares!
75 Faça um baseline da capacidade do processo atual (Padrão) para a seguinte situação (não é necessário testar fatores): Tempo de vôo de segundos (Limite Inferior de Especificação); Queda de metros (ou um referencial de testes) Restrição Orçamentária: R$ Resultado esperado: Nível Sigma do Processo e PPM; Considere: Quantos experimentos são necessários? Há replicação e repetição? Principais estatísticas descritivas; Análise gráfica Fase 1: Baseline Tipo de Papel Clipe de Papel Corpo com Fita Junta da Asa Colada com Fita Padrão amarelo Não Não Não Largura do Corpo 1,5" Comprimento do Corpo 3,00" Comprimento da Asa 3,00"
76 Planilha para Baseline Helicóptero Repetição 1 Repetição 2 Repetição 3 Repetição 4 1 Quantos helicópteros e testes serão feitos? (Escolha o número Replicações e Repetições)
77 Fase 2: Exploração (Screening) Avalie, usando DOE, dentre os 7 fatores abaixo, aqueles que apresentam maior probabilidade de impactar o tempo de vôo: Resultados: Identifique os fatores que tem um impacto significativo no projeto dos helicópteros; Analise o confundimento; Tempo de vôo previsto conforme o resultado da filtragem DOE nas configurações melhoradas; Quanto dinheiro foi usado? Análise quantitativa e gráfica dos resultados; Fatores Padrão Níveis Sugeridos Mudanças Permissíveis Tipo de Papel amarelo Sulfite (branco) Clipe de Papel Não Sim Corpo com Fita Não Sim (consultar padrão) Junta da Asa Colada com Fita Não Sim (consultar padrão) Largura do Corpo 1,5" 2,00 " Comprimento do Corpo 3,00" 4 ¾ " Comprimento da Asa 3,00" 4 ½ " Restrição Orçamentária: R$
78 (Escolha o tipo de DOE) Considere: Fator 1 Fator 2 Fator 3 Fator 4 Fator 5 Fator 6 Fator 7 Tempo Vôo Helicóptero Qual o método de experimentação escolhido (fracionado, fatorial,...)? Qual o projeto escolhido? (Defina Fatores, Resolução, etc.) Qual o planejamento financeiro? Planilha para Screening
79 Selecione e desenvolva um DOE de otimização de acordo com os resultados da etapa anterior. Quais fatores devem ser agora melhor investigados? Restrição Orçamentária: R$ Resultados: Identifique os níveis dos fatores investigados acima. Tempo de vôo previsto conforme o resultado da filtragem DOE nas configurações melhoradas; Quanto dinheiro foi utilizado? Fase 3: Otimização do Projeto Análise quantitativa e gráfica dos resultados;
80 (Escolha o tipo de DOE) Considere: Qual o método de experimentação escolhido (fracionado, fatorial,...)? Qual o projeto escolhido? (Defina Fatores, Resolução, etc.) Qual o planejamento financeiro? Planilha para Otimização Fator 1 Fator 2 Fator 3 Fator 4 Fator 5 Fator 6 Fator 7 Tempo Vôo Helicóptero
81 Faça uma verificação da capacidade do novo processo considerando as mesmas restrições da fase de Baseline. Resultado esperado: Otimizado Nível Sigma do novo Processo e PPM; Considere: Quantos experimentos são necessários? Há replicação e repetição? Principais estatísticas descritivas; Análise gráfica Fase 4: Verificação Tipo de Papel Clipe de Papel Corpo com Fita Junta da Asa Colada com Fita Largura do Corpo Comprimento do Corpo Comprimento da Asa
82 Planilha para Verificação Helicóptero Repetição 1 Repetição 2 Repetição 3 Repetição 4 (Calcule o nível Sigma do Projeto Otimizado)
83 Cite 10 conclusões sobre o estudo: Dever de Casa: Escreva um relatório sobre todo o experimento fazendo uma análise criteriosa da planilha de dados.
84 9 - Tolerâncias Operacionais Estabelecer Tolerâncias Operacionais & Solução Piloto. Foco Y,X Objetivo: Estabelecer Tolerâncias operacionais para os X s Vitais Principais Ferramentas: Regressão Simulação M9:84
85 9 - Tolerâncias Operacionais Tolerâncias M9:85
86 9 - Tolerâncias Operacionais Uso de Regressão para o cálculo de Tolerâncias Ex.: Obter a equação da reta (chamada de reta dos mínimos quadrados) para os seguintes pontos experimentais: x y 0,5 0,6 0,9 0,8 1,2 1,5 1,7 2,0 Traçar a reta no diagrama de dispersão. Calcular o coeficiente de correlação linear. Qual o valor previsto para x=9? Qual a Tolerância de X para 1<Y<1.5? M9:86
87 9 - Tolerâncias Operacionais Regressão linear simples Ho: modelo não é bom Portanto rejeita-se Ho Regressão. MTW Previsão M9:87
88 9 - Tolerâncias Operacionais Linear Ajuste da Regressão R-quadrado é a porcentagem da variação explicada pelo seu modelo. R-quadrado (ajustado) é a porcentagem da variação explicada pelo seu modelo, ajustada para o número de termos em seu modelo e o número de pontos de dados. O valor-p para a regressão é para ver se o modelo de regressão inteiro é significativo. H a : O modelo permite significativamente prever a resposta. M9:88
89 9 - Tolerâncias Operacionais Ajuste da Regressão Intervalos de confiança e de previsão Uma faixa (ou intervalo) de confiança é uma medida da certeza da forma da linha de regressão ajustada. Em geral, uma faixa de 95% implica em uma chance de 95% de que as linha verdadeira fique dentro da faixa. [Linhas vermelhas] Uma faixa (ou intervalo) de previsão é uma medida da certeza da dispersão dos pontos individuais em torno da linha de regressão. Em geral, 95% dos pontos individuais (da população em que a linha de regressão se baseia) estarão contidos dentro da faixa. [Linhas azuis] M9:89
90 9 - Tolerâncias Operacionais Ajuste da Regressão Tolerâncias CTQ M9:90
91 9 - Tolerâncias Operacionais Ajuste da Regressão Estreitando Tolerâncias e estabelecendo valores alvos CTQ Cuidado.: Só válido quando X1 for menor que X2 em regressão crescente! M9:91
92 9 - Tolerâncias Operacionais Ajuste da Regressão Estreitando Tolerâncias CTQ 1 2 M9:92
93 9 - Tolerâncias Operacionais Ajuste da Regressão Estreitando Tolerâncias e estabelecendo valores alvos CTQ 2 2 Cuidado.: Só válido quando X1 for menor que X2 em regressão decrescente Se a especificação estiver muito estreita, só tem sentido o valor alvo! 1 1 M9:93
94 9 - Tolerâncias Operacionais Kg Semana 3 Exemplo CTQ: Meta de perder 2Kg/semana No mínimo perder 1 Kg/semana Não perder mais de 3Kg/semana por motivos de saúde Perda de Peso Função de Transferência Perda de Peso=f(horas exercício) Exercícios hr/semana M9:94
95 9 - Tolerâncias Operacionais Perda de Peso Perda de Peso Kg semana Kg semana 3 2 LSE LIE LSE Alvo Alvo Exercício (2) (1) 3 hr/semana Perda de Peso Tolerâncias em função do CTQ: (1) A tolerância é simplesmente dada em função da função de transferência; (2) A variação em Y (CTQ) estreita os limites de tolerância; (3) A variação em X estreita ainda mais a tolerãncia; Kg semana 3 2 LSE Alvo (3) 1 LIE 1 LIE Exercício 3 hr/semana 1 2 Exercício 3 hr/semana M9:
96 9 - Tolerâncias Operacionais SIMULAÇÃO M9:96
97 9 - Tolerâncias Operacionais Um simples problema de Simulação Clientes chegam a um banco e entram na fila de um único caixa. Assim que alcançam o caixa, cada um executa a sua transação. Quando esta transação inicial é encerrada, o caixa determina se o cliente precisa passar pelo supervisor. Caso sim, o cliente move-se até um supervisor e, depois de atendido, retorna ao caixa para encerrar a transação. Caso o cliente não precise passar pelo supervisor, ele simplesmente deixa o banco. O tempo entre chegadas de clientes segue uma distribuição exponencial com média de 5 minutos. Os tempos de deslocamento entre a entrada do banco e a fila do caixa, e deste até a saída são ambos de 1 minuto. O tempo de qualquer transação segue uma distribuição normal com média 4.9 minutos e desvio padrão de 1 minuto. 10% dos clientes passam pelo supervisor. Um mesmo cliente pode passar várias vezes pelo supervisor. O tempo de deslocamento até o supervisor é de 1.5 minutos e o seu tempo de atendimento segue uma distribuição triangular de parâmetros (12, 15, 20). O supervisor tem uma parada de 15 minutos de manhã, almoço de 60 minutos, e uma parada de 15 minutos à tarde. Se ele está atendendo algum cliente, ele terminará esta atividade e então tirará a parada completa. O supervisor também deverá atender a emergências bancárias. De acordo com experiências em um banco similar, a freqüência de emergências é de duas vezes ao dia. Dados recolhidos neste banco similar serão utilizados para avaliar o tempo necessário para resolver cada emergência. Após um estudo desses dados concluiu-se que a expressão 1.13 LOGN(0.015, ) representa a melhor escolha para o tempo de emergência. O tempo entre emergências obedece a uma distribuição EXPO(255). Se a emergência ocorre quando o supervisor está fora do escritório, ele as atenderá em seu retorno. Coletar estatísticas da utilização do caixa e do supervisor, tempo total que os clientes permanecem no sistema, e o número de clientes esperando na fila do caixa. Simule por um período de 8,5 horas M9:97
98 9 - Tolerâncias Operacionais M9:98
99 9 - Tolerâncias Operacionais M9:99
100 9 - Tolerâncias Operacionais Lidando com Distribuições de Probabilidade no Excel Crystal Ball é um software querodaemexcel; Crystal Ball Y=f(X) Y é a resposta de um modelo e X é representada por uma (ou mais) Distribuição de Probabilidade O método de geração de repetidas amostras de X com o respectivo cálculo de Y é chamado de Simulação de Monte Carlo. M9:100
101 9 - Tolerâncias Operacionais Crystal Ball... Crystal Ball - Detalhes é usado apenas em processos que possam ser modelados pelo Excel. Em casos mais complexos, softwares como o ARENA ou ProModel são melhores; só pode fazer previsões dadas as suas suposições iniciais. Portanto, suposições pobres originarão resultados pobres! deveria ser usado para aproximações. Os valores extremos não são confiáveis; M9:101
102 9 - Tolerâncias Operacionais Simulação: Crystal Ball Utilize o Crystal Ball para... fazer previsões das saídas na forma de amplitude de valores associados às suas probabilidades fornecer estatísticas da variável de saída ajustar distribuições aos dados de entrada ou saída realizar análise de sensibilidade das variáveis independentes do modelo. M9:102
103 9 - Tolerâncias Operacionais Exemplo Imagine-se como um potencial comprador de um complexo de apartamentos. Você deseja comprá-los e, posteriormente, alugá-los. Após uma pesquisa de mercado, você verifica que o número de unidades alugadas em qualquer mês está entre 30 e 40 unidades. O valor do aluguel na região do complexo é de aproximadamente $500/mês, e as despesas mensais de aproximadamente $ Quão lucrativo você espera que seja o seu empreendimento? M9:103
104 9 - Tolerâncias Operacionais Passo 1: Crie a planilha no Excel Planilha Excel Crie uma equação para a previsão de Y M9:104
105 9 - Tolerâncias Operacionais Barra de Ferramentas do Crystal Ball A seguinte barra deve aparecer no Excel O Crystal Ball é uma adds in. M9:105
106 9 - Tolerâncias Operacionais Defina suas suposições (X) usando o conhecimento e os dados do processo Número de Unidades alugadas: é uma Distribuição Uniforme com amplitude entre 30 e 40; Selecione a célula correspondente ao Número de unidades alugadas (D5); Selecione DEFINE ASSUMPTION na barra de ferramentas; em seguida, selecione: Uniform Distribution, Click OK. Passo 2: Defina suposições Entre com os valores conforme indicado. Click ENTER M9:106
107 9 - Tolerâncias Operacionais Distribution Gallery M9:107
108 9 - Tolerâncias Operacionais Aluguel por unidade: Distribuição Triangular, com valor mais provável de $500/mês, com valor mínimo de $450 e máximo de $575. Selecione a célula correspondente ao valor do aluguel (D6); Selecione DEFINE ASSUMPTION e escolha Triangular Distribution, Click OK. Aluguel por unidade Entre com os valores conforme indicado. Click ENTER, e depois em OK. M9:108
109 9 - Tolerâncias Operacionais Triangular Distributiom M9:109
110 9 - Tolerâncias Operacionais Despesas Mensais: Distribuição Normal com média $ e Desvio Padrão de $1.000; Selecione a célula correspondente à Despesas Mensais (D7); Selecione DEFINE ASSUMPTION, selecione: Normal Distribution, Click OK. Despesas Mensais Entre com os valores conforme indicado. Click ENTER, e OK. M9:110
111 9 - Tolerâncias Operacionais Normal Distribution M9:111
112 9 - Tolerâncias Operacionais Passo 3: Y (Lucro ou Prejuízo) Defina a variável de previsão Y Selecione a célula correspondente ao LUCRO OU PREJUÍZO (D9) Selecione DEFINE FORECAST ; M9:112
113 9 - Tolerâncias Operacionais Y (Lucro ou Prejuízo) M9:113
114 9 - Tolerâncias Operacionais Passo 4: Simulação de Monte Carlo Defina suas preferências para rodar a simulação; Entre com: Número máximo de Interações (Simulações) (Trials) Informe o critério de parada da simulação; Selecione OPTIONS: Selecione Sensitivity Analysis Click OK M9:114
115 9 - Tolerâncias Operacionais Run Preferences M9:115
116 9 - Tolerâncias Operacionais Passo 5: Rodando a Simulação M9:116
117 9 - Tolerâncias Operacionais Resultados: Forecast Qual a probabilidade do empreendimento ser lucrativo? Entre com ZERO no limite inferior (Isto significa a probabilidade de se ter lucro com o negócio P(X>0)). M9:117
118 9 - Tolerâncias Operacionais Resultados: Statistics / Percentiles M9:118
119 9 - Tolerâncias Operacionais Resultados: Statistics M9:119
120 9 - Tolerâncias Operacionais Resultados: Percentiles M9:120
121 9 - Tolerâncias Operacionais Resultados: Best Fitting Para uma previsão particular, uma Distribuição de Probabilidades pode ser ajustada aos dados. M9:121
122 9 - Tolerâncias Operacionais Resultados: Best Fitting M9:122
123 9 - Tolerâncias Operacionais Resultados: Best Fitting M9:123
124 9 - Tolerâncias Operacionais Resultados: Best Fitting Vá clicando em NEXT DISTRIBUTION até encontrar a distribuição que melhor se ajusta aos dados. M9:124
125 9 - Tolerâncias Operacionais Resultados: Best Fitting Ao encontrá-la, clique em Accept e OK. Como fazer isso no Minitab? M9:125
126 9 - Tolerâncias Operacionais Resultados:Análise de Sensibilidade Quanto maior for a porcentagem, maior a colaboração da variável para o valor de Y. M9:126
127 9 - Tolerâncias Operacionais Crystal Ball: Outras Funções Para copiar e colar células de suposição Para rodar a simulação novamente Para criar relatórios M9:127
128 9 - Tolerâncias Operacionais Relatórios Crystal Ball criará um relatório de resumo dos resultados. Isto inclui gráficos e objetos que poderão ser copiados para o Word ou Powerpoint. M9:128
129 9 - Tolerâncias Operacionais Churrasco Faça o planejamento de um churrasco usando uma planilha Excel com o Crystal Ball. Faça estimativas do número de convidados, preço de ingredientes, custos, aluguel, etc... Obtenha a distribuição do custo por indivíduo, etc... M9:129
Engenharia da Qualidade
Engenharia da Qualidade Pedro Paulo Balestrassi UNIFEI-Universidade Federal de Itajubá IEPG www.pedro.unifei.edu.br ppbalestrassi@gmail.com 35-36291161 88776958 Pensar estatisticamente será um dia, para
Leia maisCurso de MINITAB Universidade Federal de Ouro Preto. Planejamento de Experimentos (DOE)
Planejamento de Experimentos (DOE) - Introdução Um experimento é um procedimento no qual as alterações propositais são feitas nas variáveis de entrada de um processo ou sistema, de modo que se possa avaliar
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 1 6.4 Os Modelos fatoriais 2 k : o caso geral. O modelo estatístico para um plano 2 k inclui k ( k 2 ( k ) ) efeitos principais efeitos de interação de ordem 2 efeitos de interação
Leia maisEstatística Aplicada. CESE Métodos Computacionais. Pedro Paulo Balestrassi
CESE Métodos Computacionais Estatística Aplicada Pedro Paulo Balestrassi UNIFEI-Universidade Federal de Itajubá www.pedro.unifei.edu.br ppbalestrassi@gmail.com 35-88776958 Pensar estatisticamente será
Leia maisDOE Design of Experiment
DOE Design of Experiment Fatores de um Processo SIPOC Fatores Controláveis... x1 x2 xp Source Input Process Output y1 y2 Client... ym z1 z2 zq Fatores Incontroláveis (ruído) Motivação das empresas para
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisNOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia mais+ 2. = - 1 se A = 15 = 1 se A = 25
Yˆ = 7,5 + 8, X + 5,00 X = - se A = 5 = se A = 5 = - se B = = se B = Exemplo 8.6...4. Outro exemplo: Fatorial ³ Montgomery (997), p. 05. Estudo do efeito da porcentagem de carbonation, A, pressão de operação,
Leia maisPesquisador. Planejamento de Experimentos Design of Experiments - DOE NOÇÕES SOBRE EXPERIMENTOS FATORIAIS. 1 - Fixar T e variar P até > Pureza
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planeamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Probabilidade Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Planejamento Experimental 2 fatores manipuláveis x 1 x 2 x p entradas Processo...... saídas
Leia maisUFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA
UFRJ - CCMN - IM - Departamento de Métodos Estatísticos Planejamento de Experimentos - P2 Turma: MAA 18-06-2012 1. (Montgomery e Runger) Quatro fatores influenciam o sabor de um refrigerante, a saber,
Leia maisTrabalho 5. Gustavo Mello Reis Página 1
Trabalho 5 Gustavo Mello Reis Página ) a) Uma empresa fabricante de pentes deseja melhorar seu controle de qualidade. Para isto, a empresa selecionou 5 lotes de 00 unidades. Para cada lote foram amostrados
Leia maisREGRESSÃO E CORRELAÇÃO
Vendas (em R$) Disciplina de Estatística 01/ Professora Ms. Valéria Espíndola Lessa REGRESSÃO E CORRELAÇÃO 1. INTRODUÇÃO A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem
Leia maisPlanejamento de experimentos (DOE)
Planejamento de experimentos (DOE) 1 Terminologia Independent vs. Dependent variables Categorical vs. Continuous variables Between- vs. Within-subjects manipulations Experimental vs. Control conditions
Leia maisPLANIFICAÇÃO FACTORIAL 2 k
PLANIFICAÇÃO FACTORIAL k A PROGRAMAÇÃO FACTORIAL É MUITO USADA EM EXPERIÊNCIAS QUE ENVOLVEM VÁRIOS FACTORES E ONDE É NECESSÁRIO ESTUDAR A INTERACÇÃO DESSES FACTORES NOS VALORES DA RESPOSTA. A APLICAÇÃO
Leia maisPlanejamento de Experimentos. 7 Blocagem e Confundimento(Superposição) nos Planos 2 k
Planejamento de Experimentos 7 Blocagem e Confundimento(Superposição) nos Planos 2 k 7.1 Introdução Em muitas situações é impossível rodar todas as combinações de tratamento num plano 2 k sob condições
Leia mais1. INTRODUÇÃO AO PLANEJAMENTO DE EXPERIMENTOS
1. INTRODUÇÃO AO PLANEJAMENTO DE EXPERIMENTOS A metodologia conhecida como projeto de experimentos foi introduzida por Fischer em 1935 e inicialmente aplicada a experimentos de agricultura. Posteriormente,
Leia maisPlanejamento de experimentos (DOE)
Planejamento de experimentos (DOE) 1 Terminologia Independent vs. Dependent variables Categorical vs. Continuous variables Between- vs. Within-subjects manipulations Experimental vs. Control conditions
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 8. Planos Fatoriais Fracionários 2 k 8.1 Introdução A medida que o número de fatores k cresce, o número de combinações de tratamento em cada replicação cresce exponencialmente
Leia maisApostila de estatística básica Minitab Organizador: Daniel Magalhães Lima. Autores:
Apostila de estatística básica Minitab Organizador: Daniel Magalhães Lima Autores: Sumário Importando dados... 3 Explorando dados Tendência central, dispersão e gráficos... 3 Teste de normalidade... 3
Leia maisPlanejamento e Otimização de Experimentos Métodos de Superfície de Resposta
Planejamento e Otimização de Experimentos Métodos de Superfície de Resposta Prof. Dr. Anselmo E de Oliveira www.quimica.ufg.br/docentes/anselmo elcana@quimica.ufg.br Visão geral técnicas matemáticas estatísticas
Leia mais2 ou mais fatores são de interesse.
5. Experimentos Fatoriais 5.1 Definições e Princípios Básicos 2 ou mais fatores são de interesse. Experimentos Fatoriais: em cada replicação do experimento todas as combinações dos níveis de tratamento
Leia maisExperimentos Fatoriais 2 k Fracionados
Experimentos Fatoriais k Fracionados Prof. Silvio S. Zocchi ESALQ/USP /09/015 Prof. Silvio S. Zocchi (ESALQ/USP) Experimentos Fatoriais k Fracionados /09/015 1 / 8 1. Introdução Ex. Fatorial com k = 6
Leia maisAnálise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
Leia maisModelos: Verificação, Validação e Experimentação
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO Modelos: Verificação, Validação e Experimentação Prof. Luís César da Silva (UFES/CCA) ESA 01 Engenharia de Sistemas Modelos Validados e Confiáveis Fundamentos: (Naylor
Leia maisPlanejamento e Otimização de Experimentos
Planejamento e Otimização de Experimentos Metodologia de Superfície de Resposta e Simplex Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com Visão geral técnicas matemáticas
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisPlanejamento de Experimentos. 8. Experimentos Fatoriais Fracionários 2 k
Planejamento de Experimentos 8. Experimentos Fatoriais Fracionários 2 k 1 Exemplo 8.5: Suponha um experimento para o qual há sete fatores a serem investigados. O interesse está na estimação dos efeitos
Leia maisSSC546 -Avaliação de Desempenho de Sistemas
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 -Avaliação de Desempenho de Sistemas Parte 1 -Aula 2 Sarita Mazzini Bruschi Material
Leia maisMetodologia de simulação
Metodologia de simulação OBJETIVOS E DEFINIÇÃO DO SISTEMA FORMULAÇÃO DO MODELO ANÁLISE E REDEFINIÇÃO MODELO ABSTRATO RESULTADOS EXPERIMENTAIS (Capítulo 6) MODELO CONCEITUAL (Capítulo 3) REPRESENTAÇÃO DO
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisPCM01. Curso de Estatística Aplicada. Pedro Paulo Balestrassi. www.pedro.unifei.edu.br ppbalestrassi@gmail.com 35-36291161 / 88776958 (cel)
PCM01 Curso de Estatística Aplicada Pedro Paulo Balestrassi www.pedro.unifei.edu.br ppbalestrassi@gmail.com 35-36291161 / 88776958 (cel) 1 Pensar estatisticamente será um dia, para a eficiente prática
Leia maisAnálise dos Resultados da Simulação
Análise dos Resultados da Simulação Prof. Paulo José de Freitas Filho, Dr. Eng. Universidade Federal de Santa Catarina Dep. Informática e Estatística PerformanceLab freitas@inf.ufsc.br Tópicos Introdução
Leia maisBibliografia Recomendada.
Bibliografia Recomendada http://paginapessoal.utfpr.edu.br/ebona Bibliografia Recomendada Montgomery, D. C. Design and Analysis of Experiments. Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.;
Leia mais4 Parte experimental Desenvolvimento do Método
35 4 Parte experimental Desenvolvimento do Método O vanádio por suas características e baixos níveis no soro levou os experimentos a condições extremas. Conseqüentemente, foram obtidos resultados com maiores
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisEstatística para Cursos de Engenharia e Informática
Estatística para Cursos de Engenharia e Informática BARBETTA, Pedro Alberto REIS, Marcelo Menezes BORNIA, Antonio Cezar MUDANÇAS E CORREÇOES DA ª EDIÇÃO p. 03, após expressão 4.9: P( A B) = P( B A) p.
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos 6. Os Modelos fatoriais 2 k Trataremos agora de um caso especial de experimentos fatoriais no qual todos os fatores têm apenas dois níveis. Tais níveis podem ser quantitativos
Leia maisAvaliação de Desempenho
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação Avaliação de Desempenho Planejamento de Experimentos 2 Aula 2 Marcos José Santana Regina
Leia maisConceitosintrodutórios Planejamentode Experimentos. Prof. Dr. Fernando Luiz Pereira de Oliveira Sala1 ICEB I DEMAT
Conceitosintrodutórios Planejamentode Experimentos Prof. Dr. Fernando Luiz Pereira de Oliveira Sala1 ICEB I DEMAT Email: fernandoest@ig.com.br Um planejamento de experimentos consiste em um teste ou umas
Leia maisPlanejamento de Experimentos (DOE)
RESUMO DO ASSISTENTE DO MINITAB Este documento consiste em uma série de ensaios que descrevem a pesquisa conduzida pelos estatísticos para desenvolver os métodos e verificações de dados usados no Assistente
Leia mais9. Experimentos Fatoriais Confundidos em Blocos. Algumas vezes a aleatorização completa fica restringida.
9. Experimentos Fatoriais Confundidos em Blocos Algumas vezes a aleatorização completa fica restringida. Por exemplos, talvez não seja possível rodar todos os ensaios: No mesmo dia; Na mesma sala; Com
Leia maisEdenir Rodrigues Pereira Filho
Edenir Rodrigues Pereira Filho Professor Adjunto DQ-UFSCar Contatos 27/03/13 e-mail: erpf@uol.com.br ou erpf@ufscar.br Home page: http://www.ufscar.br/dq-gaia Experiência Profissional (1) Espectroanálise
Leia maisDPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Morgana Pizzolato, Dr a. Aula 20 Introdução à otimização experimental e experimentos de um fator DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Projetos de Experimentos
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisExperimentos Fatoriais 2 k em Blocos
Experimentos Fatoriais 2 k em Blocos Prof. Dr. Silvio Sandoval Zocchi 15 de Setembro de 2016 Prof. Dr. Silvio Sandoval Zocchi Experimentos Fatoriais 2 k em Blocos 15 de Setembro de 2016 1 / 32 1. Introdução
Leia maisEvolutionary Operation EVOP
Evolutionary Operation EVOP Projeto de Experimentos II Prof. Flávio Fogliatto 1 O que é EVOP? Método de monitoramento e melhoria contínua de processos: Objetivo é mover as condições operacionais na direção
Leia maisPlanejamento de Experimentos
Planejamento de Experimentos Exercício 6.17 Um pesquisador rodou uma única replicação de um plano 2 4, tendo obtido as seguintes estimativas dos efeitos: A = 76, 95, B = 67, 52, C = 7, 84 e D = 18, 73
Leia maisAula Teórica: Elaboração de gráficos com o Excel
Aula Teórica: Elaboração de gráficos com o Excel Objetivo O objetivo dessa atividade é exercitar a elaboração de gráficos com a utilização de um software de planilha eletrônica. Também faremos uso da função
Leia mais1 semestre de 2014 Gabarito Lista de exercícios 3 - Estatística Descritiva III C A S A
Exercício 1. (1,0 ponto). A tabela a seguir mostra o aproveitamento conjunto em Física e Matemática para os alunos do ensino médio de uma escola. Notas Notas Notas Física/Matemática Altas Regulares Baixas
Leia maisAPLICAÇÃO DE PROJETO DE EXPERIMENTOS PARA A OTIMIZAÇÃO DE UM PROCESSO DE USINAGEM EM TORNO CNC
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 1 a15 de outubro
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisAula 03 Estatística, Correlação e Regressão
BIS0005-15 Bases Computacionais da Ciência Aula 03 Estatística, Correlação e Regressão http://bcc.compscinet.org Prof. Rodrigo de Alencar Hausen hausen@ufabc.edu.br 1 Medidas de tendência central: Média,
Leia maisProjeto Robusto: Experimentos para Melhores Produtos
Projeto Robusto: Experimentos para Melhores Produtos Materiais de ensino para acompanhar: Product Design and Development Capítulo 5 Karl T. Ulrich e Steven D. Eppinger 2 nd Edition, Irwin McGraw-Hill,
Leia maisUsar Ferramentas de Análise para executar análises de dados complexas
Página 1 de 7 Usar Ferramentas de Análise para executar análises de dados complexas IMPORTANTE Este recurso não está disponível no Office em um computador com Windows RT. Quer saber qual versão do Office
Leia maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia maisSumário. Prefácio, 13
Sumário 5 Sumário Prefácio, 13 1 VISÃO GERAL (Roberto G. Rotondaro), 17 1.1 Que é Seis Sigma?, 17 1.2 Por que aplicar o Seis Sigma?, 20 1.3 Onde aplicar Seis Sigma?, 21 Referências bibliográficas, 22 2
Leia maisANÁLISE QUÍMICA INSTRUMENTAL. Calibração de equipamentos/curva analítica
ANÁLISE QUÍMICA INSTRUMENTAL Calibração de equipamentos/curva analítica 6 Ed. Cap. 1 Pg.25-38 6 Ed. Cap. 0 Pg.1-9 7 Ed. Cap. 0 Pg.1-9 8 Ed. Cap. 5-8 Pg. 82-210 Site: Cálculo de cafeína diária. http://www.pregnancytod
Leia maisPRINCÍPIOS BÁSICOS DE EXPERIMENTAÇÃO. Profª. Sheila Regina Oro
PRINCÍPIOS BÁSICOS DE EXPERIMENTAÇÃO Livro: Curso de estatística experimental Autor: Frederico PIMENTEL-GOMES Capítulo: 2 Livro: Estatística experimental Autor: Sonia VIEIRA Capítulo: 1 Profª. Sheila Regina
Leia maisSSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi Material
Leia maisaula AJUSTE POR MÍNIMOS QUADRADOS
AJUSTE POR MÍNIMOS QUADRADOS META Conduzir o aluno a aplicar o método de ajuste por mínimos quadrados, efetuando uma regressão linear e oferecer ao aluno uma oportunidade de praticar a aplicação do método
Leia maisMetodologia Seis Sigma
Metodologia Seis Sigma Pedro Paulo Balestrassi / João Batista Turrioni Universidade Federal de Itajubá Aplicações Utilize os exemplos dos slides seguintes como base para desenvolver 15 aplicações em sua
Leia maisBibliografia Recomendada. Cornell, J. A. A Primer on Experiments with Mixtures.
Bibliografia Recomendada Cornell, J. A. A Primer on Experiments with Mixtures. Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.; Bruns, R. E. Como Fazer Experimentos. Bibliografia Recomendada
Leia maisPlanejamento e pesquisa
Planejamento e pesquisa Introdução Lane Alencar Lane Alencar - Planejamento e Pesquisa 1-2 Pesquisa Experimental: o pesquisador pode interferir nos valores de variáveis explicativas, por exemplo, indicando
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisVERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1
PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO
Leia maisSummary of Comments on VQEB_tutorial_LC50_prob_stat_2011.pdf
1 2 3 4 5 Summary of Comments on VQEB_tutorial_LC50_prob_stat_2011.pdf Page: 1 Number: 1 Author: mrebelo Subject: Sticky Note Date: 27/03/11 14:19:35 Oi, seja bem vindo ao meu tutorial para calcular a
Leia maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisExperimento Fatorial Fracionado em Parcelas Sub-Subdivididas: Uma aplicação didática
Experimento Fatorial Fracionado em Parcelas Sub-Subdivididas: Uma aplicação didática Jordânia Furtado de Oliveira 1 Fábio Azevedo de Souza 1 Renato Tigre Martins da Costa 1 Carla Almeida Vivacqua 2 1 Introdução
Leia maisPROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2006
Instruções para a prova: PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 006 a) Cada questão respondida corretamente vale um ponto. b) Questões deixadas em branco valem zero pontos (neste caso marque todas
Leia maisEstatística Computacional Profª Karine Sato da Silva
Estatística Computacional Profª Karine Sato da Silva karine.sato.silva@gmail.com Introdução Quando analisamos uma variável qualitativa, basicamente, construímos sua distribuição de frequências. Ao explorarmos
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisFatos inesperados na execução de um experimento: o que fazer?
Fatos inesperados na execução de um experimento: o que fazer? Jordânia Furtado de Oliveira 1 Jocelânio Wesley de Oliveira 2 Carla Almeida Vivacqua 3 1 Introdução Em alguns experimentos, a execução acontece
Leia maisEstatística Descritiva. Objetivos de Aprendizagem. 6.1 Sumário de Dados. Cap. 6 - Estatística Descritiva 1. UFMG-ICEx-EST. Média da amostra: Exemplo:
6 ESQUEMA DO CAPÍTULO Estatística Descritiva 6.1 IMPORTÂNCIA DO SUMÁRIO E APRESENTAÇÃO DE DADOS 6.2 DIAGRAMA DE RAMO E FOLHAS 6.3 DISTRIBUIÇÕES DE FREQUÊNCIA E HISTOGRAMAS 6.4 DIAGRAMA DE CAIXA 6.5 GRÁFICOS
Leia maisPlanejamento e Otimização de Experimentos
Planejamento e Otimização de Experimentos Planejamentos Fatoriais Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com Planejamento Fatorial Fatores ou Variáveis Temperatura
Leia maisGuia do inventário de florestas plantadas
Parte I Índice Guia do inventário de florestas plantadas Cálculos do Inventário Florestal e suas Interpretações Índice 03...... Sobre a autora 04...... Introdução 06...... Cálculos 08...... Variância 10......
Leia maisProbabilidade e Estatística (Aula Prática - 23/05/16 e 24/05/16)
Probabilidade e Estatística (Aula Prática - 23/05/16 e 24/05/16) Resumo: Veremos nesta aula tabelas, cálculos de porcentagem e gráficos; amostras e tipo de amostragem; Medidas de tendência central e medidas
Leia maisMódulo 5. Estudos de sistemas de medição por atributos, Sistemas complexos/não replicáveis
Módulo 5 Estudos de sistemas de medição por atributos, Sistemas complexos/não replicáveis Conteúdos deste módulo Estudos por atributos Método da tabulação cruzada Caso 1 Método da tabulação cruzada Caso
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisObjetivo: Determinar experimentalmente a resistência elétrica de um resistor a partir da curva V x I.
Determinação da resistência elétrica de um resistor Universidade Tecnológica Federal do Paraná - Curitiba Departamento Acadêmico de Física Física Experimental Eletricidade Prof. Ricardo Canute Kamikawachi
Leia maisCapacidade de Processo Material Complementar
Capacidade de Processo Material Complementar Exemplo Pistões Anéis de pistão para motores de automóveis produzidos por processo de forja Objetivo: Controle estatístico para diâmetro interno dos anéis por
Leia maisTópicos Extras 1ª parte. Testes Não Paramétricos, Análise Multivariada, Outras Técnicas
Tópicos Extras 1ª parte Testes Não Paramétricos, Análise Multivariada, Outras Técnicas 1 2 Técnicas de dependência 3 4 Situações Comparar 3 tipos de rede de computadores, C1, C2 e C3, em termos do tempo
Leia maisPlanejamento de Experimentos /2. Aulas terças e quintas de 8 às 10h. Terças na sala F2-007 e quintas no LIG.
Planejamento de Experimentos - 2015/2 Aulas terças e quintas de 8 às 10h. Terças na sala F2-007 e quintas no LIG. Livro-texto: Design and Analysis of Experiments, Motgomery, D. C., 2009, 7th Ed., John
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisvariável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência
REGRESSÃO LOGÍSTICA É uma técnica recomendada para situações em que a variável dependente é de natureza dicotômica ou binária. Quanto às independentes, tanto podem ser categóricas ou não. A regressão logística
Leia maisEstatística Descritiva
Estatística Descritiva ESQUEMA DO CAPÍTULO 6.1 IMPORTÂNCIA DO SUMÁRIO E APRESENTAÇÃO DE DADOS 6.2 DIAGRAMA DE RAMO E FOLHAS 6.3 DISTRIBUIÇÕES DE FREQUÊNCIA E HISTOGRAMAS 6.4 DIAGRAMA DE CAIXA 6.5 GRÁFICOS
Leia maisProjeto de Experimentos e Superfícies de Resposta (Design of Experiments DOE Response Surfaces - RS) (ENG03024-Análise de Sistemas Mecânicos)
UFRGS - Universidade Federal do Rio Grande do Sul EE - Escola de Engenharia DEMEC - Departamento de Engenharia Mecânica e Superfícies de Resposta (Design of Experiments DOE Response Surfaces - RS) (ENG0304-Análise
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisANÁLISE DE RESULTADOS
ANÁLISE DE RESULTADOS Conteúdo 2 1. Planejamento de Experimentos 2. Introdução Medidas de Desempenho Análise Estatística dos Resultados Comparação de Resultados Procedimento para análise de resultados
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisMCE1540 UTILIZAÇÃO DA CATAPULTA COMO INSTRUMENTO DE APRENDIZAGEM DA TÉCNICA DE DESENHO DE EXPERIMENTOS (DOE) COM USO DO SOFTWARE
XVII Encontro de Iniciação Científica XIII Mostra de Pós-graduação VII Seminário de Extensão IV Seminário de Docência Universitária 16 a 20 de outubro de 2012 INCLUSÃO VERDE: Ciência, Tecnologia e Inovação
Leia maisPlanejamento e Otimização de Experimentos
Planejamento e Otimização de Experimentos Planejamentos Fatoriais 2 Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com Planejamento Fatorial Fracionário k fatores 2 k
Leia maisão, Regressão & Simulação
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 09: Correlação ão, Regressão & Simulação 1/43 Pode-se pesar um urso com fita métrica? Como os ursos, em sua
Leia maisEspecialização em Métodos Estatísticos Computacionais
Avaliação de Sistemas de Medição Roteiro 1. Características de um Sistema de Medição 2. Avaliação do Erro Sistemático 3. Repetitividade e Reprodutibilidade 4. Adequabilidade de Sistema de Medição 5. Aplicação
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 2019 Estatística Descritiva e Análise Exploratória Etapas iniciais. Utilizadas para descrever e resumir os dados. A disponibilidade de uma grande quantidade
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia mais