Unesp Universidade Estadual Paulista FACULDADE DE ENGENHARIA
|
|
- Dalila Lombardi Caires
- 8 Há anos
- Visualizações:
Transcrição
1 Unesp Universidade Estadual Paulista FACULDADE DE ENGENHARIA CAMPUS DE GUARATINGUETÁ MBA-PRO ESTATÍSTICA PARA A TOMADA DE DECISÃO Prof. Dr. Messias Borges Silva e Prof. M.Sc. Leandro Valim de Freitas GUARATINGUETÁ, SP Setembro de 2013
2 Prof. Dr. Messias Borges Silva Engenheiro Industrial Químico (EEL-USP-FAENQUIL) Certified Quality Engineer (American Society for Quality-USA) Pós-graduado em Ciências Térmicas (ITA) Pós-graduado em Qualidade (USJT) Mestre em Engenharia Mecânica (UNESP) Doutor em Engenharia Química (UNICAMP) Livre Docente em Engenharia da Qualidade (UNESP) Esp. em Design of Experiments, Lean Enterprise, Lean Product Development (Massachusetts Institute of Technology-MIT-USA) Editor Chefe do livro Design of Experiments: Applications Pesquisador Visitante da Harvard University (HARVARD-USA) Professor da UNESP, USP e Ex-Diretor Geral da EEL-USP-FAENQUIL Coordenador do Curso de Pós-graduação em Engenharia da Qualidade da EEL-USP Consultor de empresas Prof. M.Sc. Leandro Valim de Freitas Engenheiro Químico (EEL-USP) Esp. em Design of Experiments (Massachusetts Institute of Technology-MIT-USA) Pós-graduado em MBA Gestão da Produção (UNESP) Mestre em Engenharia de Produção (UNESP) Doutorando em Engenharia de Produção (UNNESP) Editor Chefe do livro Multivariate Analysis in Management, Engineering and the Sciences Um dos autores dos livros Fuel Injection in Automotive Engineering e Design of Experiments: Applications Membro do Conselho Editorial do International Journal of Engineering Business Management, International Journal of Manufacturing, Materials and Mechanical Engineering, International Journal of Applied Management Sciences and Engineering e Independent Journal of Management & Production Concursado na PETROBRAS há 7 anos onde tem atuado como Supervisor de Otimização e Desenvolvimento de Produtos, Auditor Interno e Fiscal de Contratos Professor Convidado de MBA da UNESP e Instituto de Pós-graduação IPOG Instrutor de empresas na área de DOE 2
3 Capítulo 1: Uma breve revisão de Estatística Descritiva Fonte: Pedro Paulo Balestrassi (UNIFEI) A essência da ciência é a observação. A ciência que se preocupa com a organização, descrição, análise e interpretação dos dados experimentais é denominada de Estatística, um ramo da Matemática Aplicada. A palavra estatística provêm de Status. 1.1 Grandes Áreas O diagrama seguinte mostra o contexto em que se situa o estudo da Estatística, aqui subdividido em Estatística Descritiva e Estatística Indutiva (ou Inferencial). A Estatística Descritiva está relacionada com a organização e descrição de dados associada a cálculos de médias, variâncias, estudo de gráficos, tabelas, etc. É a parte mais conhecida. A Estatística Indutiva é o objetivo básico da ciência. A ela está associada, Estimação de Parâmetros, Testes de Hipóteses, Modelamento, etc. No Cálculo de Probabilidades, está a essência dos modelos Não-Determinísticos e a corroboração de que toda inferência estatística está sujeita a erros. A Amostragem é o ponto de partida (na prática) para todo um Estudo Estatístico. Aqui pode se ter origem um problema bastante comum em Engenharia: Análise profunda sobre dados superficiais! 1.2 Medidas Estatísticas As principais medidas estatísticas (ou simplesmente estatísticas) referem-se às medidas de posição (locação ou tendência central) ou às medidas de dispersão (ou variabilidade): 3
4 1.2.1 Medidas de Posição Mostram o valor representativo em torno do qual os dados tendem a agrupar-se com maior ou menor freqüência. * Média Aritmética simples (x ) x x x x n x i n 1 2 n 1 n i Usada em dados não agrupados em classes. * Média Aritmética ponderada (também x ) x x1 p1 x2 p2 xn p p p p 1 2 n n n i 1 n i1 x p i p i i onde, p i = peso da amostra x i Agora, para dados agrupados em classes, temos: n xi ni n i1 1 x n xi ni n i n i1 i n 1 i1 A média aritmética simples pode ser vista como a média ponderada com todos os pesos iguais. Para efeito de nomenclatura sempre trataremos a média aritmética simples ou ponderada simplesmente por média (x ). * Mediana (~ x ) É o valor do meio de um conjunto de dados, quando os dados estão dispostos em ordem crescente ou decrescente. Para dados não agrupados em classes: x f i i Se n é ímpar ~ x n 1 termo 2 o 4
5 Se n é par ~ x nn o termo 1 termo o Ex.: * Média Mediana 35, 36, 37, 38, 40, 40, 41, 43, 46 x~ , 14, 14, 15, 16, 16, 17, 20 ~ x 15, 5 2 A média é muito sensível a valores extremos de um conjunto de observações, enquanto a mediana não sofre muito com a presença de alguns valores muito altos ou muito baixos. A mediana é mais robusta do que a média. Devemos preferir a mediana como medida sintetizadora quando o histograma do conjunto de valores é assimétrico, isto é, quando há predominância de valores elevados em uma das caudas. Ex.: { 200, 250, 250, 300, 450, 460, 510 } x 345, 7 ~ x 300 Tanto x como ~ x são boas medidas de posição. Ex.: { 200, 250, 250, 300, 450, 460, 2300 } x = 601 ~ x = 300 Devido ao valor 2300, ~ x é preferível a x. * A Média Aparada É obtida eliminando do conjunto as m maiores e as m menores observações. Geralmente, 2,5% m 5% dos dados. Esta eliminação corresponde, na realidade, à supressão dos valores extremos - muito altos ou muito baixos. Tal média representa um valor entre x e ~ x. Ex.: {200, 250, 250, 300, 450, 460, 2300} x( m 1) * A moda e a classe modal (m o ) 5
6 É o valor que representa a maior freqüência em um conjunto de observações individuais. Para dados agrupados temos a classe modal. Em alguns casos pode haver mais de uma moda. Assim temos uma distribuição bimodal, trimodal, etc. Ex.: m o x X x i n i Classe Modal Distribuição Bimodal m o I m o II x Obs.: A moda geralmente não é fornecida em calculadoras Medidas de Dispersão ou Variabilidade Quase nunca uma única medida é suficiente para descrever de modo satisfatório um conjunto de dados. Torna-se então necessário estabelecer medidas que indiquem o grau de dispersão em relação ao valor central. Nos seguintes conjuntos de dados, por exemplo: A = { 3, 4, 5, 6, 7 } B = { 1, 3, 5, 7, 9 } C = { 5, 5, 5, 5 } D = { 3, 5, 5, 7 } E = { 3.5, 5, 6.5 } 6
7 Temos em todos eles a mesma média. A identificação de cada um desses conjuntos de dados pela sua média nada informa sobre as diferentes variabilidades dos mesmas. Algumas medidas que sintetizam essa variabilidade são: * Amplitude (R): Como anteriormente definida, R tem o inconveniente de levar em conta somente os dois valores extremos, o maior e o menor deles. * Desvio Médio (DM(x)), Variância (S 2,Var(X) ou 2 ) e Desvio Padrão (S,DP(X) ou ): Aqui o princípio básico é analisar os desvios das observações em relação à média das observações. Em A = {3, 4, 5, 6, 7}, por exemplo, os desvios x i - x são: -2, -1, 0, 1, 2. É fácil ver que a soma dos desvios, é identicamente nula e que portanto não serve como medida de dispersão: n i 1 n ( x x) x x n x n x 0 1 i 1 1 n i 1 Duas opções para analisar os desvios das observações são: a) considerar o total dos desvios em valor absoluto ou; b) considerar o total dos quadrados dos desvios. Assim, para o conjunto A, teríamos, respectivamente: 5 i 1 x i x e 5 i 1 x i 2 x Associando estas medidas à média, temos: DM(x)= n i 1 x i n x que é o desvio médio. n xi x S 2 = i 1 n 2 que é a variância ( Var(x)) 7
8 Sendo a variância uma medida que expressa um desvio quadrático médio, é conveniente usar uma medida que expresse a mesma unidade dos dados originais. Tal medida é o desvio padrão S (ou DP(x)), dada por: S S 2 O uso do DM(x) pode causar dificuldades quando comparamos conjuntos de dados com número diferentes de observações. Ex.: Em A = { 3, 4, 5, 6, 7 } temos: DM(x) = 6/5 = 1.2 e S 2 = 10/5 = 2 Em D = { 3, 5, 5, 7 } temos: DM(x) = 1,0 S 2 = 2,0 e Assim, podemos dizer que, segundo o Desvio Médio, o Grupo D é mais homogêneo (tem menor dispersão) do que A, enquanto que ambos tem a mesma homogeneidade segundo a variância. O desvio médio possui pequena utilização em estatística e em geral vale 0.8 vezes o desvio padrão O cálculo do desvio padrão exige o cálculo prévio da variância e uma fórmula alternativa para S 2 é dada por: S 2 n i 1 x i n x 2 n 2 xi i 1 2 n x Relacionados à inferência estatística, alguns autores usam (n - 1) como divisor para a variância: S 2 n i 1 x i x 2, e isto será visto adiante (tendenciosidade). n 1 Obs.: Muitas calculadoras científicas possuem duas medidas para desvio padrão. Uma associada à divisão por n (simbolizada geralmente por ou n ) e outra associada à divisão por n - 1 (simbolizada geralmente por S ou n-1 ). Verifique a simbologia usada pela sua calculadora, caso você possua uma! Para dados agrupados em classes, a variância é dada por: 8
9 S 2 K x x n i i i 1 2 n 2 ou K S x x f i 1 i 2 i É intuitivamente claro que a multiplicação de cada parcela (x i - x ) 2 por n i significa a repetição dos desvios quadrados (x i - x ) 2, n i vezes. 1.3 Histogramas Fonte: Messias Borges Silva Os dados obtidos de uma amostra servem como base para a decisão sobre uma população. Quanto maior for o tamanho da amostra maior será a informação sobre a população. Mas à medida que aumenta o tamanho da amostra fica difícil o entendimento da população, se estes dados estiverem dispostos apenas em uma tabela. Para facilitar então o entendimento, construímos o histograma, que permitirá entender a população de forma objetiva Como construir Histogramas a) Construção da Tabela de Freqüências. Exemplo: A Tabela 1 mostra as medidas de ph de 90 amostras de uma solução ácida. Construir o histograma desses dados. 9
10 Tabela 1. Medidas de ph de 90 amostras de solução ácida Nº amostra ph medido ,510 2,517 2,522 2,522 2,510 2,511 2,519 2,532 2,543 2, ,527 2,536 2,506 2,541 2,512 2,515 2,521 2,536 2,529 2, ,529 2,523 2,523 2,523 2,519 2,528 2,543 2,538 2,518 2, ,520 2,514 2,512 2,534 2,526 2,530 2,532 2,526 2,523 2, ,535 2,523 2,526 2,525 2,532 2,522 2,502 2,530 2,522 2, ,533 2,510 2,542 2,524 2,530 2,521 2,522 2,535 2,540 2, ,525 2,515 2,520 2,519 2,526 2,527 2,522 2,542 2,540 2, ,531 2,545 2,524 2,522 2,520 2,519 2,519 2,529 2,522 2, ,518 2,527 2,511 2,519 2,531 2,527 2,529 2,528 2,519 2,521 10
11 Nº amostra ph medido Máximo Valor Linha Mínimo Valor da Linha ,510 2,517 2,522 2,522 2,510 2,511 2,519 2,532 2,543 2,525 2,543 2, ,527 2,536 2,506 2,541 2,512 2,515 2,521 2,536 2,529 2,524 2,541 2, ,529 2,523 2,523 2,523 2,519 2,528 2,543 2,538 2,518 2,534 2,543 2, ,520 2,514 2,512 2,534 2,526 2,530 2,532 2,526 2,523 2,520 2,534 2, ,535 2,523 2,526 2,525 2,532 2,522 2,502 2,530 2,522 2,514 2,535 2, ,533 2,510 2,542 2,524 2,530 2,521 2,522 2,535 2,540 2,528 2,542 2, ,525 2,515 2,520 2,519 2,526 2,527 2,522 2,542 2,540 2,528 2,542 2, ,531 2,545 2,524 2,522 2,520 2,519 2,519 2,529 2,522 2,513 2,485 2, ,518 2,527 2,511 2,519 2,531 2,527 2,529 2,528 2,519 2,521 2,531 2,511 Maior Valor 2,545 Menor Valor 2,502 11
12 Passo 1: Calcular a Amplitude de R. R = Maior valor Menor valor R = 2, R = 0,043 Passo 2: Determinação dos intervalos de classe: No exemplo: 0, ,002 = 21,5 22 intervalos 0, ,005 = 8,6 9 intervalos 0, ,01 = 4,3 4 intervalos Portanto o intervalo de classe determinado é 0,005 Passo 3 : Preparação da tabela de freqüência Nesta tabela teremos as classes, ponto médio, nº de observações, freqüência, etc. 12
13 Passo 4: Determinação dos Extremos de cada classe. Primeiro determine o menor valor da 1ª classe e adicione o valor calculado do intervalo de classe(no exemplo 0,005). Então o intervalo da 1ª classe fica entre 2,5005 e 2,5055 de forma que a classe inclui o menor valor 2,502. O intervalo da 2ª classe fica entre 2,5055 e 2,5105 e assim por diante. Registrar esses intervalos na tabela. Passo 5: Cálculo do ponto médio da classe. Ponto médio = Soma do valor superior e inferior da classe 2 Ponto médio 1ª classe = 2, ,5055 = 2,503 2 Ponto médio 2ª classe = 2, ,5105 = 2,508 2 Passo 6: Obtenção da Freqüência Verificar os valores observados dentro dos intervalos registrando o número de vezes em que este valor apareceu. Registrar os valores na tabela (vide tabela anterior) Como construir graficamente o Histograma Passo 1: Numa tabela quadrada, marcar no eixo vertical do lado esquerdo, a freqüência de observações e do lado direito a porcentagem. No eixo horizontal os intervalos de classes. Passo 2: Em cada intervalo de classe, levantar um retângulo (barra) correspondente à freqüência de classes. Passo 3: Nos espaços em branco, registrar dados informativos: tamanho de amostra, média, desvio padrão. 13
14 14
15 1.3.3 Tipos de Histogramas a) Geral (simétrico) b) Combinado (Multi-modal) c) Positivamente desviado d) Precipício à esquerda e) Platô f) 2 Picos (Bimodal) 15
16 g) Pico Isolado Interpretação do Histograma a) Geral (simétrico): O valor médio do histograma está enquadrado no centro da amplitude dos dados. A freqüência é maior no centro e torna-se gradualmente menor à medida que nos aproximamos dos extremos. Obs. Este tipo é o que aparece na maior parte dos casos. b) Combinado (multi-modal): Muitas classes possuem uma freqüência baixa. Obs. Este tipo ocorre quando o número de unidades de dados incluídos nas classes varia de classe ou quando existe uma tendência particular em função do arredondamento dos dados. c) Positivamente Desviada (Negativamente Desviada): O valor médio histograma está localizado do lado esquerdo (direito) do centro da amplitude. A freqüência diminui um tanto abruptamente em direção ao lado esquerdo (direito). É assimétrica. d) Precipício à esquerda (Precipício à direita): O valor médio de histograma está localizado longe do lado esquerda (direito) do centro da amplitude. A freqüência diminui abruptamente do lado esquerdo e brandamente segue em direção ao lado direito (esquerdo). É assimétrica. Obs. Este tipo ocorre frequentemente quando 100% da classificação é feita com dados de processo de baixa capabilidade. e) Platô: A freqüência em cada classe forma um platô pelo fato das classes possuirem mais ou menos a mesma freqüência exceto para aqueles que estão no final. Obs. Este tipo ocorre com mistura de diversas distribuições possuindo valores diferentes de médias. f) Dois Picos (Bimodal): A freqüência é baixa no centro da amplitude dos dados e existe um pico de cada lado. Obs. Este tipo ocorre quando duas distribuições com diferentes valores de médias são misturados. g) Pico Isolado: Existe um pequeno pico isolado em adição ao tipo geral. Obs. Este caso aparece quando existem pequenas inclusões de dados oriundos de diferentes distribuições, 16
17 como no caso de anormalidade no processo, erro de medida ou inclusão de dados oriundos de diferentes processos Comparando Histogramas com Limites de Especificação Se existe uma especificação devemos levantar linhas dos limites superior e inferior de especificação (LSE) e (LIE) no histograma para comparar a distribuição com a especificação. A partir daí verificar se o histograma está bem localizado dentro dos limites. Casos típicos: 1) Histograma satisfaz as especificações a) Manter a presente situação, desde que o histograma satisfaça amplamente as especificações. b) A especificação é satisfeita, mas não há margem de segurança. Portanto, é melhor reduzir a variação. 17
18 2) Histograma não satisfaz as especificações c) É necessário tomar as medidas para trazer a média para o centro da especificação. d) Este requer ação para reduzir a variação. e) Tomar as medidas descritas em c e d. 18
19 Capítulo 2: Projeto de Experimentos Projeto de Experimentos (DOE, Design of Experiments), ferramenta que vem sendo utilizada para verificar o funcionamento de sistemas ou processos produtivos, permitindo melhoria destes, redução na variabilidade, e conformidade próxima do resultado desejado, além de redução no tempo de processo e, consequentemente, nos custos operacionais. Podemos, brevemente, citar alguns benefícios do DOE: Larga aplicação em todas as áreas; Mostra as variáveis mais importantes do processo; Permite otimização; Requer menor número de experimentos que os métodos convencionais; Maior controle dos processos; Redução significante dos custos; Redução no tempo de desenvolvimento de um produto; Redução na variabilidade dos produtos e maior aproximação com os requisitos exigidos pelos clientes; As etapas do DOE são divididas em: Planejamento; Execução dos experimentos; Análise dos dados; Experimento de confirmação; Conclusão. 2.1 Definições Experimento: Um conjunto planejado de operações com o objetivo de descobrir novos fatos ou confirmar ou negar resultados de investigações anteriores. 19
20 Fator: (Variável independente) Um fator é uma das variáveis controladas ou não, que exercem influência sobre a resposta que está sendo estudada no experimento. Um fator pode ser quantitativo, isto é, a temperatura em graus, o tempo em segundos. Um fator pode, também, por exemplo, ser qualitativo, ter diferentes máquinas, diferentes operadores, interruptor ligado ou desligado, catalisador A ou B. Nível: Os Níveis de um fator são os valores do fator examinado no experimento. Para os fatores quantitativos, cada valor escolhido constituiu um nível, isto é, se o experimento deve ser conduzido em quatro temperaturas diferentes, então o fator temperatura possuiu quatro níveis. No caso dos fatores qualitativos, o interruptor ligado ou desligado representa dois níveis para o fator interruptor; caso estejam sendo utilizadas seis máquinas por três operadores, então o fator máquina tem seis níveis, enquanto o fator operador tem três níveis. Tratamento: Um Tratamento é um nível atribuído a um fator único durante um experimento, por exemplo, a temperatura a 800 graus. Uma combinação de tratamento é o conjunto de níveis para todos os fatores num dado experimento. Por exemplo, um experimento utilizando temperatura de 800 graus, máquina 3, operador A, e interruptor desligado constituir-se-ia numa combinação de tratamento. Unidades Experimentais: As Unidades Experimentais consistem em objetos, materiais ou unidades aos quais se aplicam os tratamentos. Podem ser entidades biológicas, materiais naturais, produtos manufaturados etc. Ambiente Experimental: O Ambiente Experimental compreende as condições ambientais que podem vir a influenciar os resultados do experimento de modo conhecido ou desconhecido. Delineamento de Experimento: O plano formal para a condução do experimento é chamado delineamento de experimento ou modelo experimental. Ele inclui a escolha de respostas, fatores, níveis, blocos e tratamentos, além da utilização de determinadas ferramentas chamadas agrupamento planejado, aleatorização e replicação. Aleatorização: A seqüência de experimentos e/ou a atribuição de amostras a diferentes combinações de tratamento de maneira puramente casual é denominada Aleatorização. Tal atribuição aumenta a probabilidade de que o feito de variáveis incontroláveis seja eliminado. 20
21 Também aprimora a validade das estimativas da variância dos erros experimentais e torna possível a aplicação de testes estatístico de significância, além de construção de intervalos de confiança. Sempre que possível, a aleatorização deve fazer parte do experimento. Replicação: A Replicação é a repetição de uma observação ou medição de forma a aumentar a precisão ou fornecer os meios para medir a precisão. Uma replicação única consiste de uma única observação ou realização do experimento. Proporciona uma oportunidade para que se eliminem os efeitos de fatores incontroláveis ou de fatores desconhecidos pelo experimentador e assim, com a aleatorização, atua como ferramenta diminuidora de tendências. A replicação também ajuda a detectar erros graves nas medições. Nas replicações de grupos de experimentos, diferentes aleatorização devem ser aplicadas a cada grupo. 2.2 Experimentos Fatoriais (convencionais) No passado, na realização de experimentos que envolviam mais de um fator, e cada fator com mais de um nível, adotava-se o seguinte procedimento: Escolhia-se um fator, o qual era experimentado variando o seu nível, enquanto os outros fatores tinham seus níveis fixados. Terminada a experimentação com o primeiro fator escolhido, assumia-se para o mesmo o melhor valor desejado (máximo, mínimo, etc) e repetia-se o procedimento com os outros fatores, um de cada vez. Este processo não leva em consideração as eventuais interações existentes entre os fatores. Para tentar suprir esta lacuna foram usados os Experimentos Fatoriais, que passamos a detalhar Experimentos Fatoriais com K Fatores (cada fator com dois níveis) Os delineamentos fatoriais 2 k possuem ampla aplicação industrial. Tais delineamentos permitem a avaliação em separado dos efeitos individuais e dos efeitos de interação dos fatores num experimento no qual todos os fatores variam simultaneamente num padrão de tentativas cuidadosamente organizado. 21
22 Um experimento fatorial com fatores, cada um com dois níveis, é conhecido como o experimento fatorial 2 k. O experimento consiste de 2 k tentativas, uma tentativa em cada combinação dos dois níveis dos fatores. Para identificar as tentativas individuais é utilizada, dentre outras, a seguinte notação: - Os fatores são representados por letras - Os níveis pelos sinais de mais (+) e de (-) - O sinal de mais (+) representa o nível inferior, a condição ou a ausência de fator. Obs.: Os japoneses costumam utilizar o número 1 ao invés de (-) e o número 2 ao invés de (+) Experimentos Fatoriais com K Completos 2 3 Assim, se há 3 fatores a serem experimentados, teremos um fatorial de 2 3 com 8 experimentos, os fatores representados pelas letras A,B e C, e o planejamento do experimento será representado conforme a Tabela 1. Tabela 1. Matriz Experimental 2 3 ENSAIO FATORES Resposta A B C
23 2.2.2 Estimativa dos Efeitos Principais e Interações Os experimentos fatoriais 2 k permitem a estimativa de todos os K efeitos principais (efeitos de primeira ordem) de todas as interações de dois fatores, de todas as interações de três fatores, etc. Cada efeito estimado é uma estatística da forma (+) - (-), ou seja, é expresso pela diferença entre as duas médias, cada uma contendo 2 k-1 observações. Em um experimento 2 4 o analista seria, assim, capaz de estimar, além da média geral, quatro efeitos principais, seis interações de dois fatores, quatro interações de três fatores, e uma interação de quatro fatores, totalizando um total de 16 estatísticas. Notavelmente, todas estas estatísticas são distintas (ortogonais) umas das outras, isto é, as magnitudes e sinais de cada estatística não são de maneira alguma influenciadas pelas magnitudes e sinais das demais. Para o exemplo de 2 3 temos: Exp. A B C Resposta Y Y Y Y Y Y Y Y Estimativa dos Efeitos Principais E = R (+) + R (-) O maior resultado tem o maior efeito. 23
24 Estimativa dos Efeitos das Interações Lembrar que: - e + é igual a - 1 Então, o modelo matemático pode ser escrito como: 24
25 Variável reduzida: Variância (S 2 ): Desvio Padrão (S): Variância Global (Sp 2 ): i número de graus de liberdade = n 1 ( n número de repetições ) Teste t Testará a significância de cada efeito calculado; Critério: t calc > t tab ; o efeito é significante 25
26 2.3 Cases Experimento do Helicóptero Fonte: Fernando Branco Costa Fatores Nível Baixo ( - ) Nível Alto ( + ) A-Comprimento da Asa 80mm 130mm B- Comprimento da Haste 80mm 130mm C-Largura da haste 20mm 40mm D-Clip de papel sem com Experimentos Fatores Tempo de vôo (segundos) 1 A B C D.. 16 Tempo Médio S i 2 26
27 2.3.2 Otimização do Alcance utilizando o Projeto Experimental Fatorial Completo 2 k Processo: Arremesso de uma bola com o uso de uma catapulta. Fator Nível (-) (+) A Posição do dispositivo de arremesso Baixo Alto B Ângulo C Posição do dispositivo de tensão Baixo Alto D Turno A B Resposta: Distância (cm) Experimento Fatores Distância (cm) A B C D 1ª 2ª 3ª Média S 2 i
28 Tarefa: Executar os experimentos, calcular os efeitos principais e de interação, fazer o teste t para testar a significância dos efeitos dos fatores, propor um modelo matemático e testá-lo. Lembrando-se que: Abaixo, os efeitos principais e das interações: EP A = 20 E AB = 16 E BC = 15 E ABC = 19 EP B = -55 E AC = -6 E BD = -6,5 E ABD = 0 EP C = 91 E AD = 2 E CD = 23,5 E ACD = 16 EP D = -14 E BCD = -7 E ABCD = -16,5 = 3-1 = 2 S 2 p = 2 ( ) / 2 (16) = 926 S p = S 2 p = 30,4 Teste t : Agora testaremos a significância de cada efeito calculado; Critério: t calc > t tab ; o efeito é significante 28
29 32! Da tabela de estatística T, para o nível de significância de 95% e grau de liberdade t A = 0,66 < 2,04 Não é significante t B = 0,18 < 2,04 Não é significante t C = 2,99 > 2,04 Significante t D = 0,46 < 2,04 Não é significante t tabelado 95% = 2,04 Para todos os t s das interações => não significantes! Ajuste sugerido da Catapulta: A + B - C + D - Em relação ao turno (D), pode se utilizar os dois na prática, entretanto tomando-se medidas para minimizar EP(D). Entretanto, no experimento a maior média foi obtida com: A + B + C + D -! Efeito CD 650 Alcance ( - ) ( + ) nível baixo nível alto C 29
30 650 Efeito AB Alcance ( - ) ( + ) nível baixo nível alto B 650 Efeito BC Alcance ( - ) ( + ) nível baixo nível alto C Os gráficos de interações levam a: A + B + C + D + 30
31 2.3.3 Atividade 1 em Grupo Fatorial 2 5 Reactor Example Variable Low (-) High (+) 1-A Feed Rate (liters/min) B Catalyst (%) C Agitation Rate (rpm) D Temperature ( C) E Concentration (%) 3 6 Calcular os efeitos principais e de interação e discutir os resultados. Gerar um relatório Variable % Reacted
32 2.4 Fatoriais Fracionados 2 k-p São frações de um fatorial completo 2 K. São muito úteis em etapas investigatórias (exploratórias) quando se inicia o estudo do processo. Requerem um menor número de experimentos, se comparados com os fatoriais completos. Usualmente utilizados quando se tem muitos fatores para investigar e poucos recursos para a execução dos experimentos. Ex.: Fatorial Fracionado 2 5-1! p => grau de redução do fatorial! *5 => fatores *1 => grau de redução ~ 2 4 => 16 experimentos Como montar a matriz fracionada?! 32
33 2.4.1 Atividade 2 em Grupo Fatorial Fracionado Bottleneck at the Filtration Stage of na Industrial Plant Várias plantas químicas operaram com sucesso por vários anos em diferentes localidades. Nas plantas antigas o tempo para completar um ciclo particular de filtração foi 40 min, mas numa planta nova este ciclo demorou duas vezes mais, causando prejuízos. Qual foi a causa desta demora? Uma reunião com técnicos foi feita para tentar determinar as causas do problema. Possibilidades: 1) Engenheiro da planta suspeitou da fonte de água Planta nova - reserva da cidade Plantas velhas poços particulares (Conteúdo mineral de água pode afetar a filtração) 2) Superintendente do processo suspeitou da origem da matéria prima Fonte deste material na planta nova era diferente do que as fontes das plantas antigas. 3) Químico suspeitou do nível de temperatura de filtração. Temperatura na planta nova era um pouco mais baixa do que nas outras plantas. 4) Presença de um dispositivo de reciclagem na planta nova que não existe nas plantas antigas. 5) Velocidade de adição de soda cáustica. Estava mais alta na planta nova. O chefe dos operadores sugeriu que esta velocidade seja diminuída para resolver o problema. 6) Tipo de pano de filtro. Um novo tipo foi usado na planta nova. O superintendente do processo falou que seria relativamente simples de substituir este pano. 7) holdup time. Este tempo foi mais baixo na planta nova. O engenheiro de controle de qualidade sugeriu que talvez este tempo fosse a causa do problema. A pessoa responsável por este estudo achou que provavelmente somente uma ou duas destas condições foram responsáveis pelo problema. A chance de que mais do que duas variáveis sejam significantes foi considerada remota. 33
34 Foi decidido usar um planejamento fatorial fracionado que tem resolução III (efeitos principais e de interação de 2ª ordem são misturados). Fatores Níveis (-) (+) A Fonte de Água Reserva Poço B Matéria Prima Nova Velha C Temperatura Baixa Alta D Reciclagem Sim Não E Soda Cáustica Rápida Devagar F- Pano de Filtro Novo Velho G Hold up tima Baixo Alto Exp A B C AB AC BC ABC Tempo de Filtração (min) D E F G Pedem-se : a) calcular os efeitos dos fatores b) discutir os resultado e fazer uma primeira proposta de ajuste do processo, com as decisões necessárias 34
35 2.4 Método de Plackett-Burman São experimentos fatoriais fracionados saturados. N = N = N = N = Permite investigar (N-1) fatores! Matriz N = 12 Exp Resposta Resultado com 6 variáveis reais e 5 variáveis (fantasmas) ou inertes. - a experiência 1 sempre traz os sinais da matriz inicial - e a última experiência sempre teremos - para todos os fatores 35
36 2.4.1 Atividade 3 em Grupo Variável resposta: dureza de um material Coluna Fator Variável Nível A Controle de Tensão Manual Automático 2 B Máqina C Vazão (gal/min) D Mistura Simples dupla 5 E Temperatura ( o C) F Umidade (%) G Fantasma 8 H Fantasma 9 I Fantasma 10 J Fantasma 11 K Fantasma 36
37 2.4.2 Atividade 4 em Grupo Junta de Vedação Num problema industrial, deseja-se verificar exploratoriamente, a influência de 6 variáveis de processo (fatores) nas variáveis resposta de uma Junta de Fibra (produto). Para tal, optou-se por um Planejamento Plackett-Burman com N=12, sendo 6 variáveis reais e 5 variáveis inertes (fantasmas). As variáveis estão descritas na tabela a seguir: Fatores Níveis (+) (-) A Teor de Ligante Alto Baixo B Fantasma * * C Teor total de Fibras (%) Alto Baixo D Cargas A B E Teor de Fibras Orgânicas Alto Baixo F Fibras Orgânicas A B G Fantasma * * H Fantasma * * I Fantasma * * J Fibras Inorgânicas A B K Fantasmas * * Variáveis Respostas 1 Espessura 2 Densidade 3 Resistência à Tração 4 Compressão 5000 psi 5 Relaxação 5000 psi 6 Compressão 1000 psi 8 Flexibilidade 9 Retenção 10 Creep 37
38 Os resultados estão na tabela a seguir Exp Fatores Variáveis Resposta A B C D E F G H I J K ,07 1, , ,2 0, , ,12 0, , ,23 0, , ,87 1, ,1 1, ,97 1, , ,11 1, , ,83 1, , ,02 1, ,93 1, , ,71 1, , Pedem-se : a) Efeitos principais do fatores sobre as 10 respostas b) Testar a significância dos efeitos ( teste t usar fantasmas para estimar S 2 p ) c) Propor uma condição de ajuste do processo que atenda à maior parte das necessidades das variáveis resposta. Deseja-se minimizar a variável resposta 1 e maximizar as demais.
39 2.4 Método de Taguchi: Engenharia Robusta Ferramentas do Método: Arranjos Ortogonais (Matrizes Experimentais) Analise de Variância (ANAVA ou ANOVA) Razão Sinal/Ruído => S/N ou Condições Comuns: Maior-é-melhor => S/N = -10 log ( 1/y 2 )/n Menor-é-melhor => S/N = -10 log ( y 2 )/n Nominal-é-melhor => S/N = 10 log (y 2 )/(S 2 ) y => valor da resposta n => n de repetições S 2 => variância Arranjos Ortogonais (Matrizes Experimentais) matriz. Recebem a designação Ln, onde n representa o n de condições experimentais da
40 Matrizes Experimentais Arranjos Ortogonais Convencionais Nível Alto + 3 Nível Intermediário 0 2 Nível Baixo - 1 L 9 => até 4 fatores! Case: Taguchi Efeitos dos fatores sobre (S/N) ou Column Number and Fator Assigned Exp Observation Temperature Pressure Setling Cleaning N (A) (B) (C) (D) (db) Cálculo dos Efeitos : Fator A M A1 = = -20 3
41 M A2 = = M A3 = = Fator B M B1 = = M B2 = = M B3 = = Fator C M C1 = = M C2 = = M C3 = = Fator D M D1 = = M D2 = = M D3 = = Média: -41,67 A e B influenciam mais!
42 Representação gráfica A B C D A 1 B 1 C 2 D 3 ou 2 => menor variabilidade possível! Análise de Variância (ANOVA) de Variância. Usaremos o exercício anterior para mostrar como se monta uma Tabela de Análise Soma Total dos Quadrados (STQ): STQ = ( i - médio ) 2 médio = -41,67 STQ = (-20+41,67) 2 + (-30+41,67) (-70+41,67) 2 STQ = 3800 Soma dos Quadrados dos Fatores (SQF)
43 Fator A: SQF(A) = 3 (m A1 - médio ) (m A2 - médio ) (m A3 - médio ) 2 Onde: 3 => n de condições experimentais no nível i. Assim: SQF(A) SQF(B) SQF(C) SQF(D) Soma Quadrática do Erro (SQerro) SQ(Erro) = STQ - SQF SQ(Erro) = = 0 (erro calculado) => deve-se estimar o erro! TABELA ANOVA Fonte de Variação SQF g.l SMQF F Fator A ,25 Fator B ,75 Fator C * 350 * Fator D * 50 * ERRO (*) 400 (*) Onde: SMQF = SQF/g.l e F = SMQF/SMQF ERRO => usados para estimar o erro! Se F >= 2,0 => efeito é significante!
44 Capítulo 4: Relatórios Gerenciais Fonte: Leandro Valim de Freitas A seguir serão apresentadas as principais etapas para geração de relatórios gerenciais no software empresarial Minitab. Cada etapa será explorada em detalhes na sala de aula. 1ª. Etapa: Criar um experimento: Stat / DOE / Factorial / Create Factorial Design Nessa etapa é possível escolher o número de níveis e fatores. Em seguida, entre na opção Designs para determinar se trata de um experimento fatorial completo ou fracionado e, se serão realizadas réplicas.
45 2ª. Etapa: Cálculo dos efeitos, coeficientes e ANOVA. Stat / DOE / Factorial / Analyse Factorial Design Os relatórios serão reportados na Session:
46 3ª. Etapa: Geração dos gráficos dos efeitos dos fatores. Stat / DOE / Factorial / Factorial Plots
47 4.1 Case: Célula de Manufatura Uma determinada célula de manufatura apresenta uma produção média diária de 197 engrenagens. Deseja-se aumentar essa produção com o menor custo possível de aquisição de equipamentos. As suas características atuais são apresentadas na tabela: Fluxo Tempo de Movimentação De Para Comando MOVE FOR Depósito de Matéria-Prima (dmp) torno 2 min torno estação de inspeção 2 min estação de inspeção esteira 1 min esteira Depósito de Produto Acabado (dpa) 1 min dpa Exit - Tempos de Operação Local Capacidade Comando WAIT Dmp 20 - torno 1 2 min estação de inspeção 1 5 min esteira inf - Dpa 20 1 hora
48 Para tal, foi proposta uma simulação utilizando um planejamento fatorial completo em ambiente Promodel Student Version. a) Estruturar os processos no software de simulação; b) Identificar as variáveis de entrada e de saída. c) Propor uma matriz experimental com intuito de maximizar a produção diária. d) Rodar as simulações. e) Identificar a operação gargalo via Minitab. f) Discutir a viabilidade econômica de aquisição de equipamentos. g) Elaborar um relatório gerencial.
Distribuição de Freqüência
Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
Leia maisPLANEJAMENTO EXPERIMENTAL
PLANEJAMENTO EXPERIMENTAL Técnicas de Pesquisas Experimentais LUIS HENRIQUE STOCCO MARCIO TENÓRIO SANDRA MARCHI Introdução O Planejamento de Experimentos (Design of Experiments, DoE), técnica utilizada
Leia maisRevisão de Estatística Básica:
Revisão de Estatística Básica: Estatística: Um número é denominado uma estatística (singular). Ex.: As vendas de uma empresa no mês constituem uma estatística. Estatísticas: Uma coleção de números ou fatos
Leia maisDecidir como medir cada característica. Definir as características de qualidade. Estabelecer padrões de qualidade
Escola de Engenharia de Lorena - EEL Controle Estatístico de Processos CEP Prof. MSc. Fabrício Maciel Gomes Objetivo de um Processo Produzir um produto que satisfaça totalmente ao cliente. Conceito de
Leia maisAULAS 04 E 05 Estatísticas Descritivas
1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maishttp://www.de.ufpb.br/~luiz/
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências
Leia maisIntrodução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS
Introdução a Analise Química - II sem/2012 Profa Ma Auxiliadora - 1 Introdução à Análise Química QUI 094 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução
Leia maisTÉCNICAS DE ANÁLISE DE DADOS
observação = previsível + aleatória aleatória obedece algum modelo de probabilidade ferramenta: análise de variância identificar fatores, controláveis, que expliquem o fenômeno ou alterem a característica
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia maisAtividade 4 - Acerte no alvo
Atividade 4 - Acerte no alvo 1. Justificativa Para entender um processo estatístico, é possível criar um experimento em que os alunos possam vivenciá-lo, organizando, selecionando, interpretando e criticando
Leia maisApresentação de Dados em Tabelas e Gráficos
Apresentação de Dados em Tabelas e Gráficos Os dados devem ser apresentados em tabelas construídas de acordo com as normas técnicas ditadas pela Fundação Instituto Brasileiro de Geografia e Estatística
Leia maisIntrodução Visão Geral Processos de gerenciamento de qualidade. Entradas Ferramentas e Técnicas Saídas
Introdução Visão Geral Processos de gerenciamento de qualidade Entradas Ferramentas e Técnicas Saídas O que é qualidade? Qualidade é a adequação ao uso. É a conformidade às exigências. (ISO International
Leia mais4Distribuição de. freqüência
4Distribuição de freqüência O objetivo desta Unidade é partir dos dados brutos, isto é, desorganizados, para uma apresentação formal. Nesse percurso, seção 1, destacaremos a diferença entre tabela primitiva
Leia maisProcessos de gerenciamento de projetos em um projeto
Processos de gerenciamento de projetos em um projeto O gerenciamento de projetos é a aplicação de conhecimentos, habilidades, ferramentas e técnicas às atividades do projeto a fim de cumprir seus requisitos.
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES 1
CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,
Leia maisPreparação para a Certificação de Engenheiro da Qualidade 1
Preparação para a Certificação de Engenheiro da Qualidade 1 OBJETIVOS DO CURSO Apresentar aos participantes os conteúdos do Corpo de Conhecimento necessários à certificação, possibilitando que aprimorem
Leia maisPRIMAVERA RISK ANALYSIS
PRIMAVERA RISK ANALYSIS PRINCIPAIS RECURSOS Guia de análise de risco Verificação de programação Risco rápido em modelo Assistente de registro de riscos Registro de riscos Análise de riscos PRINCIPAIS BENEFÍCIOS
Leia maisDistribuição de Freqüências
Distribuição de Freqüências Por constituir-se o tipo de tabela importante para a Estatística Descritiva, faremos um estudo completo da distribuição de freqüências. Uma distribuição de freqüências condensa
Leia maisIntrodução a Química Analítica. Professora Mirian Maya Sakuno
Introdução a Química Analítica Professora Mirian Maya Sakuno Química Analítica ou Química Quantitativa QUÍMICA ANALÍTICA: É a parte da química que estuda os princípios teóricos e práticos das análises
Leia maisCONSTRUINDO UMA PONTE TRELIÇADA DE PALITOS DE PICOLÉ
CONSTRUINDO UMA PONTE TRELIÇADA DE PALITOS DE PICOLÉ Objetivo do projeto. Neste projeto, você irá construir um modelo de ponte treliçada que já estará previamente projetada. Quando terminada a etapa construção,
Leia mais5. BLOCOS ALEATORIZADOS QUADRADOS LATINOS
5. BLOCOS ALEATORIZADOS e QUADRADOS LATINOS Vamos analisar 4 tipos de experimentos: I) Projetos completamente aleatorizados II) Projetos em blocos aleatorizados III) Quadrados Latinos IV) Quadrados Greco-Latinos
Leia maisControle estatístico de processo: algumas ferramentas estatísticas. Linda Lee Ho Depto Eng de Produção EPUSP 2009
Controle estatístico de processo: algumas ferramentas estatísticas Linda Lee Ho Depto Eng de Produção EPUSP 2009 Controle estatístico de Processo (CEP) Verificar estabilidade processo Coleção de ferramentas
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisFerramentas da Qualidade. Professor: Fabrício Maciel Gomes fmgomes@usp.br
Ferramentas da Qualidade Professor: Fabrício Maciel Gomes fmgomes@usp.br ABORDAGENS DA QUALIDADE ABORDAGENS DA QUALIDADE Desde que a Qualidade se tornou um atributo do processo produtivo, ela vem sendo
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisPLANEJAMENTO DA MANUFATURA
58 FUNDIÇÃO e SERVIÇOS NOV. 2012 PLANEJAMENTO DA MANUFATURA Otimizando o planejamento de fundidos em uma linha de montagem de motores (II) O texto dá continuidade à análise do uso da simulação na otimização
Leia maisEstratégia Seis Sigma. Prof. Dr. Messias Borges Silva
Estratégia Seis Sigma Livre Docente em Engenharia da Qualidade (UNESP) Engenheiro Industrial Químico (FAENQUIL- EEL/USP) Certified Quality Engineer (American Society for Quality-ASQ-USA) Pós-graduado em
Leia maisIvan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente:
Rumo ao ITA Física Análise Dimensional Ivan Guilhon Mitoso Rocha A análise dimensional é um assunto básico que estuda as grandezas físicas em geral, com respeito a suas unidades de medida. Como as grandezas
Leia maisGARANTIA DA QUALIDADE DE SOFTWARE
GARANTIA DA QUALIDADE DE SOFTWARE Fonte: http://www.testexpert.com.br/?q=node/669 1 GARANTIA DA QUALIDADE DE SOFTWARE Segundo a NBR ISO 9000:2005, qualidade é o grau no qual um conjunto de características
Leia maisAnálise descritiva de Dados. a) Média: (ou média aritmética) é representada por x e é dada soma das observações, divida pelo número de observações.
Análise descritiva de Dados 4. Medidas resumos para variáveis quantitativas 4.1. Medidas de Posição: Considere uma amostra com n observações: x 1, x,..., x n. a) Média: (ou média aritmética) é representada
Leia maisO comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
Leia maisAula 5 Técnicas para Estimação do Impacto
Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos
Leia mais7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora
7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,
Leia maisEXERCÍCIOS EXERCÍCIOS. Definições Básicas. Definições Básicas. Definições Básicas. Introdução à Estatística. Dados: valores de variáveis observadas.
Definições Básicas Introdução à Estatística ESTATÍSTICA: estudo dos métodos para coletar, organizar, apresentar e analisar dados. População: conjunto constituído por todos os indivíduos que apresentem
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 maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisAPLICACAÇÃO DE METRICAS E INDICADORES NO MODELO DE REFERENCIA CMMI-Dev NIVEL 2
APLICACAÇÃO DE METRICAS E INDICADORES NO MODELO DE REFERENCIA CMMI-Dev NIVEL 2 Renan J. Borges 1, Késsia R. C. Marchi 1 1 Universidade Paranaense (UNIPAR) Paranavaí, PR Brasil renanjborges@gmail.com, kessia@unipar.br
Leia maisAMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll
AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll! Os parâmetros para decisão do auditor.! Tipos de planos de amostragem estatística em auditoria. Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisCAPÍTULO 9 Exercícios Resolvidos
CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159
Leia maisMétodo dos mínimos quadrados - ajuste linear
Apêndice A Método dos mínimos quadrados - ajuste linear Ao final de uma experiência muitas vezes temos um conjunto de N medidas na forma de pares (x i, y i ). Por exemplo, imagine uma experiência em que
Leia maisCampus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com /
Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com / andre.belini@ifsp.edu.br MATÉRIA: GESTÃO DE PROJETOS Aula N : 10 Tema: Gerenciamento
Leia mais2aula TEORIA DE ERROS I: ALGARISMOS SIGNIFICATIVOS, ARREDONDAMENTOS E INCERTEZAS. 2.1 Algarismos Corretos e Avaliados
2aula Janeiro de 2012 TEORIA DE ERROS I: ALGARISMOS SIGNIFICATIVOS, ARREDONDAMENTOS E INCERTEZAS Objetivos: Familiarizar o aluno com os algarismos significativos, com as regras de arredondamento e as incertezas
Leia maisPreparação para a Certificação Six Sigma Black Belt
Preparação para a Certificação Six Sigma Black Belt OBJETIVOS DO CURSO Apresentar aos participantes os conteúdos do Corpo de Conhecimento necessários à certificação, possibilitando que aprimorem os seus
Leia maisUNIVERSIDADE DE SÃO PAULO E S C O L A D E A R T E S, C I Ê N C I A S E H U M A N I D A D E
UNIVERSIDADE DE SÃO PAULO E S C O L A D E A R T E S, C I Ê N C I A S E H U M A N I D A D E Trabalho proposto pela disciplina de Orientado por Professor Dr. Fernando Coelho Mário Januário Filho 5365372
Leia maisSERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Leia maisCAPÍTULO 1 MEDIÇÃO E O ERRO DE MEDIÇÃO
CAPÍTULO 1 MEDIÇÃO E O ERRO DE MEDIÇÃO 1.1. Definições do Vocabulário Internacional de Metrologia (VIM) Metrologia: Ciência das medições [VIM 2.2]. Medição: Conjunto de operações que têm por objectivo
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisGuia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância.
números e funções Guia do professor Objetivos da unidade 1. Analisar representação gráfica de dados estatísticos; 2. Familiarizar o aluno com gráfico de Box Plot e análise estatística bivariada; 3. Utilizar
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisGerenciamento de Riscos do Projeto Eventos Adversos
Gerenciamento de Riscos do Projeto Eventos Adversos 11. Gerenciamento de riscos do projeto PMBOK 2000 PMBOK 2004 11.1 Planejamento de gerenciamento de riscos 11.1 Planejamento de gerenciamento de riscos
Leia maisInstalações Máquinas Equipamentos Pessoal de produção
Fascículo 6 Arranjo físico e fluxo O arranjo físico (em inglês layout) de uma operação produtiva preocupa-se com o posicionamento dos recursos de transformação. Isto é, definir onde colocar: Instalações
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisAnálise Exploratória de Dados
Análise Exploratória de Dados Profª Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Programa de Pós-graduação em Saúde Coletiva email: alcione.miranda@gmail.com Introdução O primeiro passo
Leia maisUNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO TÉCNICO INDUSTRIAL DE SANTA MARIA Curso de Eletrotécnica
UNIVERSIDADE FEDERAL DE SANTA MARIA COLÉGIO TÉCNICO INDUSTRIAL DE SANTA MARIA Curso de Eletrotécnica Apostila de Automação Industrial Elaborada pelo Professor M.Eng. Rodrigo Cardozo Fuentes Prof. Rodrigo
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisEstatística I Aula 1. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 1 Prof.: Patricia Maria Bortolon, D. Sc. Estatística Estatística
Leia maisISO 9001:2008. Alterações e Adições da nova versão
ISO 9001:2008 Alterações e Adições da nova versão Notas sobe esta apresentação Esta apresentação contém as principais alterações e adições promovidas pela edição 2008 da norma de sistema de gestão mais
Leia maisEpidemiologia. Profa. Heloisa Nascimento
Epidemiologia Profa. Heloisa Nascimento Medidas de efeito e medidas de associação -Um dos objetivos da pesquisa epidemiológica é o reconhecimento de uma relação causal entre uma particular exposição (fator
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia maisUTILIZANDO O HISTOGRAMA COMO UMA FERRAMENTA ESTATÍSTICA DE ANÁLISE DA PRODUÇÃO DE ÁGUA TRATADA DE GOIÂNIA
UTILIZANDO O HISTOGRAMA COMO UMA FERRAMENTA ESTATÍSTICA DE ANÁLISE DA PRODUÇÃO DE ÁGUA TRATADA DE GOIÂNIA Edson Kurokawa (*) Engenheiro Civil pela UFG e Mestre em Engenharia de Produção pela UFSC. Trabalha
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisCurso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti
Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Medidas de Posição Depois de se fazer a coleta e a representação dos dados de uma pesquisa, é comum analisarmos as tendências
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisMÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA
MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA Em um amostra, quando se têm os valores de uma certa característica, é fácil constatar que os dados normalmente não se distribuem uniformemente, havendo uma
Leia maisTópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções
Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento
Leia maisProf. Msc. Fernando Oliveira Boechat
Prof. Msc. Fernando Oliveira Boechat Prof. Fernando Oliveira Boechat 1 Controle de Processos: Objetivos Gerar as informações necessárias ao desenvolvimento dos novos produtos; Fornecer os subsídios necessários
Leia maisCotagens especiais. Você já aprendeu a interpretar cotas básicas
A UU L AL A Cotagens especiais Você já aprendeu a interpretar cotas básicas e cotas de alguns tipos de elementos em desenhos técnicos de modelos variados. Mas, há alguns casos especiais de cotagem que
Leia maisO planejamento do projeto. Tecnologia em Gestão Pública Desenvolvimento de Projetos Aula 8 Prof. Rafael Roesler
O planejamento do projeto Tecnologia em Gestão Pública Desenvolvimento de Projetos Aula 8 Prof. Rafael Roesler 2 Introdução Processo de definição das atividades Sequenciamento de atividades Diagrama de
Leia maisGerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto
Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com PMBoK Organização do Projeto Os projetos e o gerenciamento
Leia maisCÓDIGO CRÉDITOS PERÍODO PRÉ-REQUISITO TURMA ANO INTRODUÇÃO
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE GESTÃO E NEGÓCIOS CURSO DE CIÊNCIAS CONTÁBEIS, ADMINISTRAÇÃO E ECONOMIA DISCIPLINA: ESTRUTURA E ANÁLISE DE CUSTO CÓDIGO CRÉDITOS PERÍODO PRÉ-REQUISITO
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisMASTER IN PROJECT MANAGEMENT
MASTER IN PROJECT MANAGEMENT PROJETOS E COMUNICAÇÃO PROF. RICARDO SCHWACH MBA, PMP, COBIT, ITIL Atividade 1 Que modelos em gestão de projetos estão sendo adotados como referência nas organizações? Como
Leia maisOrganização e Arquitetura de Computadores I
Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números
Leia maisAplicações de Escritório Electrónico
Universidade de Aveiro Escola Superior de Tecnologia e Gestão de Águeda Curso de Especialização Tecnológica em Práticas Administrativas e Tradução Aplicações de Escritório Electrónico Folha de trabalho
Leia maisContagem I. Figura 1: Abrindo uma Porta.
Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 4 Contagem I De quantos modos podemos nos vestir? Quantos números menores que 1000 possuem todos os algarismos pares?
Leia maisOBJETIVOS: CARGA HORÁRIA MÍNIMA CRONOGRAMA:
ESTUDO DIRIGIDO COMPONENTE CURRICULAR: Controle de Processos e Instrumentação PROFESSOR: Dorival Rosa Brito ESTUDO DIRIGIDO: Métodos de Determinação de Parâmetros de Processos APRESENTAÇÃO: O rápido desenvolvimento
Leia maisMedidas de Variação ou Dispersão
Medidas de Variação ou Dispersão Estatística descritiva Recapitulando: As três principais características de um conjunto de dados são: Um valor representativo do conjunto de dados: uma média (Medidas de
Leia maisO ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2
3.2 O Espaço Nulo de A: Resolvendo Ax = 0 11 O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 Esta seção trata do espaço de soluções para Ax = 0. A matriz A pode ser quadrada ou retangular. Uma solução imediata
Leia maisAula 1: Demonstrações e atividades experimentais tradicionais e inovadoras
Aula 1: Demonstrações e atividades experimentais tradicionais e inovadoras Nesta aula trataremos de demonstrações e atividades experimentais tradicionais e inovadoras. Vamos começar a aula retomando questões
Leia maisIntrodução à Simulação
Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos
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 maisImplantação. Prof. Eduardo H. S. Oliveira
Visão Geral A implantação de um sistema integrado de gestão envolve uma grande quantidade de tarefas que são realizadas em períodos que variam de alguns meses a alguns anos, e dependem de diversos fatores,
Leia maisAbordagem de Processo: conceitos e diretrizes para sua implementação
QP Informe Reservado Nº 70 Maio/2007 Abordagem de Processo: conceitos e diretrizes para sua implementação Tradução para o português especialmente preparada para os Associados ao QP. Este guindance paper
Leia maisEstatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior
Gestão de TI Evanivaldo Castro Silva Júnior Porque estudar Estatística em um curso de Gestão de TI? TI trabalha com dados Geralmente grandes bases de dados Com grande variabilidade Difícil manipulação,
Leia maisA IMPORTÂNCIA DA GESTÃO DE CUSTOS NA ELABORAÇÃO DO PREÇO DE VENDA
553 A IMPORTÂNCIA DA GESTÃO DE CUSTOS NA ELABORAÇÃO DO PREÇO DE VENDA Irene Caires da Silva 1, Tamires Fernanda Costa de Jesus, Tiago Pinheiro 1 Docente da Universidade do Oeste Paulista UNOESTE. 2 Discente
Leia maisATIVIDADES EXTRA CLASSE
ATIVIDADES EXTRA CLASSE UNIVERSIDADE ESTADUAL DO SUDOESTE DA BAHIA- UESB 1) Em que consiste o processamento de Sinais? 2) Em processamento digital de sinas, o que significa codificação da informação? 3)
Leia maisPERGUNTAS MAIS FREQÜENTES SOBRE VALOR PRESENTE LÍQUIDO (VPL)
PERGUNTAS MAIS FREQÜENTES SOBRE VALOR PRESENTE LÍQUIDO (VPL) Melhor método para avaliar investimentos 16 perguntas importantes 16 respostas que todos os executivos devem saber Francisco Cavalcante(f_c_a@uol.com.br)
Leia maisDisponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas 4 questões, com as respectivas resoluções comentadas.
Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas questões, com as respectivas resoluções comentadas. Amigos, para responder às questões deste Simulado, vamos
Leia maisTÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO
1 TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior www.lira.pro.br direitos autorais. INTRODUÇÃO À ANÁLISE MULTIVARIADA Apenas uma breve apresentação Para não dizerem que
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia mais5 Equacionando os problemas
A UA UL LA Equacionando os problemas Introdução Nossa aula começará com um quebra- cabeça de mesa de bar - para você tentar resolver agora. Observe esta figura feita com palitos de fósforo. Mova de lugar
Leia maisGerenciamento de Projetos Técnicas e Ferramentas iniciais
Gerenciamento de Projetos Técnicas e Ferramentas iniciais Metodologia Aula Teórica Exemplos e Exercícios práticos Questões de concursos anteriores Metodologia e Bibliografia Fontes PMBOK, 2004. Project
Leia maisMétodos de Síntese e Evidência: Revisão Sistemática e Metanálise
Métodos de Síntese e Evidência: Revisão Sistemática e Metanálise Mirian Carvalho de Souza Divisão de Epidemiologia Coordenação de Pesquisa Populacional Coordenação Geral Técnico-Científica Estudos Revisão
Leia mais