Unesp Universidade Estadual Paulista FACULDADE DE ENGENHARIA

Tamanho: px
Começar a partir da página:

Download "Unesp Universidade Estadual Paulista FACULDADE DE ENGENHARIA"

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 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 mais

Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer

Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer Tema DoE Projeto Curso Disciplina Tema Professor Pós-graduação Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer Introdução O DoE Design of Experiments é uma ferramenta

Leia mais

TÉCNICAS DE ANÁLISE DE DADOS

TÉCNICAS 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 mais

PLANEJAMENTO EXPERIMENTAL

PLANEJAMENTO 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 mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 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 mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I:

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I: Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados usados no Assistente no Software Estatístico

Leia mais

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS

Introdução 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 mais

Controle 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: algumas ferramentas estatísticas Linda Lee Ho Depto Eng de Produção EPUSP 2009 Controle estatístico de Processo (CEP) Verificar estabilidade processo Coleção de ferramentas

Leia mais

6) Estatística Gráfica:

6) Estatística Gráfica: Estatística Descritiva Básica prof. Ilydio Pereira de Sá 36 UNIDADE II: ESTATÍSTICA GRÁFICA E MEDIDAS DE POSIÇÃO OU TENDÊNCIA CENTRAL Gráficos: barras, colunas, histogramas e polígonos de freqüências.

Leia mais

http://www.de.ufpb.br/~luiz/

http://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 mais

DOE-Design of Experiments Applied to Metrology Prof. Dr. Messias Borges Silva

DOE-Design of Experiments Applied to Metrology Prof. Dr. Messias Borges Silva XI SEMETRA Junho 2015 DOE-Design of Experiments Applied to Metrology Prof. Dr. Messias Borges Silva 1 MESSIAS BORGES SILVA Faculty member at UNIVERSITY OF SÃO PAULO-USP School of Engineering of Lorena-

Leia mais

Treinamento: Metrologia em Química

Treinamento: Metrologia em Química Treinamento: Metrologia em Química Local: SINPROQUIM Rua Rodrigo Cláudio, 185 Aclimação - São Paulo SP MÓDULO 1 Curso: Estatística para Laboratórios Analíticos Data: 16 e 17 de junho de 2008 Horário: das

Leia mais

Decidir como medir cada característica. Definir as características de qualidade. Estabelecer padrões de qualidade

Decidir 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 mais

Análise 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. 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 mais

Ferramentas da Qualidade. Professor: Fabrício Maciel Gomes fmgomes@usp.br

Ferramentas 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 mais

3 Planejamento de Experimentos

3 Planejamento de Experimentos 3 Planejamento de Experimentos Segundo Montgomery (2004) os métodos de controle estatístico do processo e o planejamento experimental, são duas ferramentas muito poderosas para a melhoria e otimização

Leia mais

Estratégia Seis Sigma. Prof. Dr. Messias Borges Silva

Estratégia 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 mais

ESTATÍSTICA EXPERIMENTAL Dr. Sérgio do N. Kronka 1. INTRODUÇÃO

ESTATÍSTICA EXPERIMENTAL Dr. Sérgio do N. Kronka 1. INTRODUÇÃO ESTATÍSTICA EXPERIMENTAL Dr. Sérgio do N. Kronka 1. INTRODUÇÃO A Estatística Experimental tem por objetivo o estudo dos experimentos, incluindo o planejamento, execução, análise dos dados e interpretação

Leia mais

Estatística I Aula 1. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística I Aula 1. Prof.: Patricia Maria Bortolon, D. Sc. Estatística I Aula 1 Prof.: Patricia Maria Bortolon, D. Sc. Estatística Estatística

Leia mais

Revisão de Estatística Básica:

Revisão 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 mais

PÓS 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 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 mais

Preparação para a Certificação de Engenheiro da Qualidade 1

Preparação 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 mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

Histórico. Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes.

Histórico. Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes. MINITAB 14 Histórico Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes. Possui ferramentas para diversos tipos de análise

Leia mais

Thiago P. Arouca Toledo (UNIFEI) thiagoarouca@hotmail.com Pedro Paulo Balestrassi (UNIFEI) pedro@iem.efei.br

Thiago P. Arouca Toledo (UNIFEI) thiagoarouca@hotmail.com Pedro Paulo Balestrassi (UNIFEI) pedro@iem.efei.br Tuiuiu Papercóptero: Um exemplo didático para a metodologia Seis Sigma na otimização de duas respostas simultâneas utilizando planejamento de experimentos. Thiago P. Arouca Toledo (UNIFEI) thiagoarouca@hotmail.com

Leia mais

Estatística Aplicada ao Serviço Social

Estatística Aplicada ao Serviço Social Estatística Aplicada ao Serviço Social Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução O que é Estatística? Coleção de métodos

Leia mais

Aula ERROS E TRATAMENTOS DE DADOS

Aula ERROS E TRATAMENTOS DE DADOS ERROS E TRATAMENTOS DE DADOS METAS Apresentar os algarismos significativos e operações que os envolvem; apresentar os conceitos de precisão e exatidão; apresentar os tipos de erros experimentais; apresentar

Leia mais

MEDIDAS DE DISPERSÃO

MEDIDAS DE DISPERSÃO MEDIDAS DE DISPERSÃO 1) (PETROBRAS) A variância da lista (1; 1; 2; 4) é igual a: a) 0,5 b) 0,75 c) 1 d) 1,25 e) 1,5 2) (AFPS ESAF) Dada a seqüência de valores 4, 4, 2, 7 e 3 assinale a opção que dá o valor

Leia mais

CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE

CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE Número de classes a considerar (k): a) Tabela de Truman L. Kelley n 5 10 25 50 100 200 500 1000 k 2 4 6 8 10 12 15 15 b) k=5 para n 25 e para n >25.

Leia mais

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior

Estatística 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 mais

Capítulo 7 Medidas de dispersão

Capítulo 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 mais

APLICAÇÃO DA METODOLOGIA DoE UM PROCESSO DE FABRICAÇÃO DE DIAFRAGMAS DE FREIO. (Design of Experiments) EM. Carlos Eduardo GEHLEN Jordão GHELLER

APLICAÇÃO DA METODOLOGIA DoE UM PROCESSO DE FABRICAÇÃO DE DIAFRAGMAS DE FREIO. (Design of Experiments) EM. Carlos Eduardo GEHLEN Jordão GHELLER APLICAÇÃO DA METODOLOGIA DoE (Design of Experiments) EM UM PROCESSO DE FABRICAÇÃO DE DIAFRAGMAS DE FREIO Carlos Eduardo GEHLEN Jordão GHELLER Experimento Procedimento no qual alterações propositais são

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Distribuição de Freqüências

Distribuição 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 mais

Aula 5 Técnicas para Estimação do Impacto

Aula 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 mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE 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 mais

5. BLOCOS ALEATORIZADOS QUADRADOS LATINOS

5. 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 mais

Nosso negócio é a melhoria da Capacidade Competitiva de nossos Clientes

Nosso negócio é a melhoria da Capacidade Competitiva de nossos Clientes Nosso negócio é a melhoria da Capacidade Competitiva de nossos Clientes 1 SÉRIE GESTÃO AUTOMOTIVA SEMINÁRIO APQP / PPAP Propiciar aos participantes uma visão crítica do APQP e do PPAP, seus benefícios

Leia mais

Guia do professor. Ministério da Ciência e Tecnologia. Ministério da Educação. Secretaria de Educação a Distância.

Guia 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 mais

JORNALISMO DE DADOS E VISUALIZAÇÃO. Noções de Estatística para Jornalistas. Marcelo Leme de Arruda www.chancedegol.com.br

JORNALISMO DE DADOS E VISUALIZAÇÃO. Noções de Estatística para Jornalistas. Marcelo Leme de Arruda www.chancedegol.com.br JORNALISMO DE DADOS E VISUALIZAÇÃO Noções de Estatística para Jornalistas Marcelo Leme de Arruda www.chancedegol.com.br Introdução Conceitos matemáticos 1 Somatório (Σ) Soma geral de termos Notação: n

Leia mais

Intervalos Estatísticos para uma Única Amostra

Intervalos Estatísticos para uma Única Amostra Roteiro Intervalos Estatísticos para uma Única Amostra 1. Introdução 2. Intervalo de Confiança para Média i. População normal com variância conhecida ii. População normal com variância desconhecida 3.

Leia mais

Metodologia Seis Sigma

Metodologia 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 mais

ESTUDO DOS FATORES INFLUENTES NAS MÚLTIPLAS RESPOSTAS MECÂNICAS EM ARAMES SAE 9254.

ESTUDO DOS FATORES INFLUENTES NAS MÚLTIPLAS RESPOSTAS MECÂNICAS EM ARAMES SAE 9254. ESTUDO DOS FATORES INFLUENTES NAS MÚLTIPLAS RESPOSTAS MECÂNICAS EM ARAMES SAE 9254. cristie diego pimenta (feg unesp ) pimentadiego@yahoo.com.br Messias Borges Silva (feg unesp ) messias@dequi.eel.usp.br

Leia mais

Medidas de Tendência Central

Medidas de Tendência Central Medidas de Tendência Central Generalidades Estatística Descritiva: Resumo ou descrição das características importantes de um conjunto conhecido de dados populacionais Inferência Estatística: Generalizações

Leia mais

ESTATÍSTICA. Professor: Ricardo Vojta

ESTATÍSTICA. Professor: Ricardo Vojta ESTATÍSTICA Ciências Contábeis Professor: Ricardo Vojta RAMOS DA ESTATÍSTICA A estatística dedutiva (também conhecida como Estatística Descritiva) se encarrega de descrever o conjunto de dado desde a elaboração

Leia mais

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA João Cirilo da Silva Neto jcirilo@araxa.cefetmg.br. CEFET-MG-Centro Federal de Educação Tecnológica de Minas Gerais-Campus IV, Araxá Av. Ministro Olavo Drumonnd,

Leia mais

ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL

ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL ANÁLISE DOS SISTEMAS DE MEDIÇÃO MSA SISTEMA DE MEDIÇÃO NÃO REPLICÁVEL Vinicius Fechio Técnico de Metrologia Brasmetal Waelzholz S. A. Ind. e Com. Julho/ 2009 E-mail: vfechio@brasmetal.com.br / Site: www.brasmetal.com.br

Leia mais

INSTRUMENTAÇÃO INDUSTRIAL 1. INTRODUÇÃO / DEFINIÇÕES

INSTRUMENTAÇÃO INDUSTRIAL 1. INTRODUÇÃO / DEFINIÇÕES 1 INSTRUMENTAÇÃO INDUSTRIAL 1. INTRODUÇÃO / DEFINIÇÕES 1.1 - Instrumentação Importância Medições experimentais ou de laboratório. Medições em produtos comerciais com outra finalidade principal. 1.2 - Transdutores

Leia mais

CAPÍTULO 9 Exercícios Resolvidos

CAPÍTULO 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 mais

MINISTE RIO DA EDUCAÇA O UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIE NCIAS EXATAS

MINISTE RIO DA EDUCAÇA O UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIE NCIAS EXATAS MINISTE RIO DA EDUCAÇA O UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIE NCIAS EXATAS Programa de Pós-Graduação em Estatística e Experimentação Agropecuária Prova do Processo Seletivo para o Mestrado

Leia mais

Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível

Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível Problema Um fabricante de bicos injetores de combustível instala um novo sistema digital de medição. Os investigadores

Leia mais

Introdução à Simulação

Introdução 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 mais

Modelagens e Gerenciamento de riscos (Simulação Monte Carlo)

Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Prof. Esp. João Carlos Hipólito e-mail: jchbn@hotmail.com Sobre o professor: Contador; Professor da Faculdade de Ciências Aplicadas e Sociais

Leia mais

Áurea Sousa /Deptº. Matemática U.A. Áurea Sousa /Deptº. Matemática U.A.

Áurea Sousa /Deptº. Matemática U.A. Áurea Sousa /Deptº. Matemática U.A. Métodos Estatísticos Mestrado em Gestão (MBA) Objectivos O que é a estatística? Como pode a estatística ajudar? Compreender o método de análise estatística; Reconhecer problemas que podem ser resolvidos

Leia mais

Modelagem e Simulação Material 02 Projeto de Simulação

Modelagem e Simulação Material 02 Projeto de Simulação Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação

Leia mais

Artigo Número 76 TESTES ESTATÍSTICOS PARA COMPARAÇÃO DE MÉDIAS. Andréia Fróes Galuci Oliveira 1

Artigo Número 76 TESTES ESTATÍSTICOS PARA COMPARAÇÃO DE MÉDIAS. Andréia Fróes Galuci Oliveira 1 Revista Eletrônica Nutritime, v.5, n 6, p.777-788 Novembro/Dezembro 008. Artigo Número 76 TESTES ESTATÍSTICOS PARA COMPARAÇÃO DE MÉDIAS Andréia Fróes Galuci Oliveira 1 INTRODUÇÃO Quando a análise de variância

Leia mais

EXERCÍCIOS EXERCÍCIOS. Definições Básicas. Definições Básicas. Definições Básicas. Introdução à Estatística. Dados: valores de variáveis observadas.

EXERCÍCIOS 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 mais

Mini Curso # 4: Estatística para Bioquímica e Biotecnologia. Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br

Mini Curso # 4: Estatística para Bioquímica e Biotecnologia. Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br Mini Curso # 4: Estatística para Bioquímica e Biotecnologia Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br CONSIDERAÇÕES INICIAIS A competitividade e o alto custo tornam, a cada momento,

Leia mais

Preparação para a Certificação Six Sigma Black Belt

Preparação 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 mais

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia

EXCEL 2013. Público Alvo: Arquitetos Engenheiros Civis Técnicos em Edificações Projetistas Estudantes das áreas de Arquitetura, Decoração e Engenharia EXCEL 2013 Este curso traz a vocês o que há de melhor na versão 2013 do Excel, apresentando seu ambiente de trabalho, formas de formatação de planilhas, utilização de fórmulas e funções e a criação e formatação

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti

Curso: 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 mais

A Estatística, um ramo da Matemática, é aplicada em diferentes áreas, como Administração, Engenharia, Medicina, Psicologia, Ciências Sociais etc.

A Estatística, um ramo da Matemática, é aplicada em diferentes áreas, como Administração, Engenharia, Medicina, Psicologia, Ciências Sociais etc. ESTATÍSTICA DESCRITIVA MÓDULO 1 - INTRODUÇÃO À ESTATÍSTICA DESCRITIVA A Estatística, um ramo da Matemática, é aplicada em diferentes áreas, como Administração, Engenharia, Medicina, Psicologia, Ciências

Leia mais

CURSO DE ESTATÍSTICA APLICADA

CURSO DE ESTATÍSTICA APLICADA CURSO DE ESTATÍSTICA APLICADA Prof. Henrique Dantas Neder Instituto de Economia Universidade Federal de Uberlândia. SUMÁRIO 1. Introdução... 4. Estatística Descritiva... 8.1 Tipos de Variáveis... 8. Tabelas

Leia mais

Introdução à Inferência Estatística

Introdução à Inferência Estatística Introdução à Inferência Estatística 1. População: conjunto de indivíduos, ou itens, com pelo menos uma característica em comum. Também será denotada por população objetivo, que é sobre a qual desejamos

Leia mais

Apresentação de Dados em Tabelas e Gráficos

Apresentação 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 mais

ANÁLISE DE DADOS ESTATÍSTICOS COM O MICROSOFT OFFICE EXCEL 2007

ANÁLISE DE DADOS ESTATÍSTICOS COM O MICROSOFT OFFICE EXCEL 2007 ANÁLISE DE DADOS ESTATÍSTICOS COM O MICROSOFT OFFICE EXCEL 2007 2 Professor Claodomir Antonio Martinazzo Sumário 1 Introdução... 03 2 Instalação da ferramenta Análise de Dados... 04 3 Estatística Descritiva...

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

Identificação de camadas com diferentes estados de compactação pela análise fatorial da resistência do solo à penetração

Identificação de camadas com diferentes estados de compactação pela análise fatorial da resistência do solo à penetração Identificação de camadas com diferentes estados de compactação pela análise fatorial da resistência do solo à penetração Gubiani, P. I. 1 ; Reinert, D. J. 1 ; Reichert, J. M. 1 ; Gelain, N. S. 1 ; Oliveira,

Leia mais

Método de Monte Carlo e ISO

Método de Monte Carlo e ISO Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza

Leia mais

Omatematico.com ESTATÍSTICA DESCRITIVA

Omatematico.com ESTATÍSTICA DESCRITIVA Omatematico.com ESTATÍSTICA DESCRITIVA 1. Classifique as variáveis abaixo: (a) Tempo para fazer um teste. (b) Número de alunos aprovados por turma. (c) Nível sócio-econômico (d) QI (Quociente de inteligência).

Leia mais

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc...

RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS. o Flutuações aleatórias ou imprecisões em dados de entrada, precisão numérica, arredondamentos etc... RUÍDOS EM IMAGENS FILTRAGEM DE RUÍDOS RUÍDOS EM IMAGENS Em Visão Computacional, ruído se refere a qualquer entidade em imagens, dados ou resultados intermediários, que não são interessantes para os propósitos

Leia mais

Módulo 2. Identificação dos requisitos dos sistemas de medição, critérios de aceitação e o elemento 7.6 da ISO/TS.

Módulo 2. Identificação dos requisitos dos sistemas de medição, critérios de aceitação e o elemento 7.6 da ISO/TS. Módulo 2 Identificação dos requisitos dos sistemas de medição, critérios de aceitação e o elemento 7.6 da ISO/TS. Conteúdos deste módulo Discriminação Decomposição da variação do sistema de medição Variação

Leia mais

MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA

MÉDIA 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 mais

Aula Nº 05 Determinação do Cronograma

Aula Nº 05 Determinação do Cronograma Aula Nº 05 Determinação do Cronograma Objetivos da Aula: Os objetivos desta aula são, basicamente, apresentar as atividades necessárias para se produzir o cronograma do projeto. Ao final desta aula, você

Leia mais

PCM01. 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) 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 mais

Mecânica Geral Básica

Mecânica Geral Básica Mecânica Geral Básica Conceitos Básicos Prof. Nelson Luiz Reyes Marques Unidades - o sistema métrico O sistema internacional de unidades (SI) o sistema MKS Baseado em potências de 10 de unidades de base

Leia mais

GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA

GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA Eduardo Saggioro Garcia Leonardo Salgado Lacerda Rodrigo Arozo Benício Erros de previsão de demanda, atrasos no ressuprimento

Leia mais

Teste de Hipótese para uma Amostra Única

Teste de Hipótese para uma Amostra Única Teste de Hipótese para uma Amostra Única OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Estruturar problemas de engenharia de tomada de decisão, como

Leia mais

Análise Exploratória de Dados

Análise 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 mais

Ferramentas da Qualidade. Professor: Leandro Zvirtes UDESC/CCT

Ferramentas da Qualidade. Professor: Leandro Zvirtes UDESC/CCT Ferramentas da Qualidade Professor: Leandro Zvirtes UDESC/CCT Histogramas Histograma O histograma é um gráfico de barras no qual o eixo horizontal, subdividido em vários pequenos intervalos, apresenta

Leia mais

Pós-Graduação Exatas

Pós-Graduação Exatas Pós-Graduação Exatas O DESENVOLVIMENTO DAS EMPRESAS INCUBADAS A PARTIR DOS PROGRAMAS DISPONIBILIZADOS PELAS INCUBADORAS DE BASE TECNOLÓGICA DO VALE DO PARAÍBA PAULISTA Walter Saraiva Lopes w.saraiva@uninove.edu.br

Leia mais

6 Sistemas Terminais e Não-Terminais

6 Sistemas Terminais e Não-Terminais 6 Sistemas Terminais e Não-Terminais 1 A fim de poder realizar uma análise mais precisa dos resultados de simulação, é preciso saber classificar o sistema modelado como sendo terminal ou não-terminal.

Leia mais

Curso Calibração, Ajuste, Verificação e Certificação de Instrumentos de Medição

Curso Calibração, Ajuste, Verificação e Certificação de Instrumentos de Medição Curso Calibração, Ajuste, Verificação e Certificação de Instrumentos de Medição Instrutor Gilberto Carlos Fidélis Eng. Mecânico com Especialização em Metrologia pelo NIST - Estados Unidos e NAMAS/UKAS

Leia mais

Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33

Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33 Sumário Apresentação... 19 Prefácio da primeira edição... 21 Prefácio da segunda edição... 27 Introdução... 33 Capítulo I CIÊNCIA, CONHECIMENTOS E PESQUISA CIENTÍFICA... 37 1. Conceito de ciência e tipos

Leia mais

DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS)

DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS) 18º Congresso de Iniciação Científica AVALIAÇÃO DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS) Autor(es) MARCO

Leia mais

SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS

SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS Creusa Sayuri Tahara Amaral Grupo ei2 NUMA EESC USP São Carlos Agenda Introdução Metodologia Seis sigma Design

Leia mais

Aula 1: Medidas Físicas

Aula 1: Medidas Físicas Aula 1: Medidas Físicas 1 Introdução A Física é uma ciência cujo objeto de estudo é a Natureza. Assim, ocupa-se das ações fundamentais entre os constituíntes elementares da matéria, ou seja, entre os átomos

Leia mais

A normalidade em função do arredondamento e baixa discriminação dos dados.

A normalidade em função do arredondamento e baixa discriminação dos dados. A normalidade em função do arredondamento e baixa discriminação dos dados. Image credit: wavebreakmediamicro / 123RF Banco de Imagens Normalmente nós

Leia mais

PLANEJAMENTO FATORIAL: UMA FERRAMENTA PODEROSA PARA OS PESQUISADORES

PLANEJAMENTO FATORIAL: UMA FERRAMENTA PODEROSA PARA OS PESQUISADORES PLANEJAMENTO FATORIAL: UMA FERRAMENTA PODEROSA PARA OS PESQUISADORES Mary R. M. Marinho - maryroberta@terra.com.br Universidade Federal de Campina Grande, Departamento de Engenharia Mecânica Av Aprígio

Leia mais

MÉTODOS DE CALIBRAÇÃO

MÉTODOS DE CALIBRAÇÃO MÉTODOS DE CALIBRAÇÃO Sinais obtidos por equipamentos e instrumentos devem ser calibrados para evitar erros nas medidas. Calibração, de acordo com o INMETRO, é o conjunto de operações que estabelece, sob

Leia mais

6 Conclusões e Trabalhos futuros 6.1. Conclusões

6 Conclusões e Trabalhos futuros 6.1. Conclusões 6 Conclusões e Trabalhos futuros 6.1. Conclusões Neste trabalho estudou-se o comportamento do sistema que foi denominado pendulo planar com a adição de uma roda de reação na haste do pendulo composta de

Leia mais

DOE Design of Experiment

DOE 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 mais

TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA. Prof. MSc. Francisco Zacaron Werneck

TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA. Prof. MSc. Francisco Zacaron Werneck TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA Prof. MSc. Francisco Zacaron Werneck INTRODUÇÃO A escolha das técnicas está condicionada ao Problema de Pesquisa. Três perguntas básicas devem ser respondidas

Leia mais

Probabilidade. Renata Souza. Introdução. Tabelas Estatísticas. População, Amostra e Variáveis. Gráficos e Distribuição de Freqüências

Probabilidade. Renata Souza. Introdução. Tabelas Estatísticas. População, Amostra e Variáveis. Gráficos e Distribuição de Freqüências Probabilidade Introdução Tabelas Estatísticas População, Amostra e Variáveis Gráficos e Distribuição de Freqüências Renata Souza Conceitos Antigos de Estatística stica a) Simples contagem aritmética Ex.:

Leia mais

Tradução livre do PMBOK 2000, V 1.0, disponibilizada através da Internet pelo PMI MG em abril de 2001

Tradução livre do PMBOK 2000, V 1.0, disponibilizada através da Internet pelo PMI MG em abril de 2001 Capítulo 8 Gerenciamento da Qualidade do Projeto O Gerenciamento da Qualidade do Projeto inclui os processos necessários para garantir que o projeto irá satisfazer as necessidades para as quais ele foi

Leia mais

Medidas e Incertezas

Medidas e Incertezas Medidas e Incertezas O que é medição? É o processo empírico e objetivo de designação de números a propriedades de objetos ou eventos do mundo real de forma a descreve-los. Outra forma de explicar este

Leia mais

O PROBLEMA DO BAIXO NÚMERO DE REPETIÇÕES EM EXPERIMENTOS DE COMPETIÇÃO DE CULTIVARES

O PROBLEMA DO BAIXO NÚMERO DE REPETIÇÕES EM EXPERIMENTOS DE COMPETIÇÃO DE CULTIVARES O PROBLEMA DO BAIXO NÚMERO DE REPETIÇÕES EM EXPERIMENTOS DE COMPETIÇÃO DE CULTIVARES Cristiano Nunes Nesi 1, Antônio Lourenço Guidoni 2 Cleber Bringhenti 1 INTRODUÇÃO Uma questão importante a ser definida

Leia mais