Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
IM 317
METODOLOGIA PARA PLANEJAMENTO EXPERIMENTAL
E ANLISE DE RESULTADOS
CAMPINAS - AGOSTO/2004
IM 317
METODOLOGIA PARA PLANEJAMENTO EXPERIMENTAL E
ANLISE DE RESULTADOS
PROFESSOR
AULAS
PROGRAMA
AVALIAO
Conceito a partir de avaliaes por duas provas:
Primeira prova: 07/10/2004
Segunda prova: 09/12/2004
BIBLIOGRAFIA BSICA
1. MONTGOMERY, D.C., "Design and Analysis of Experiments", 3 edio, John Wiley and
Sons, 1.991.
2. DALLY, J.W., RILEY, W.F. e McCONNELL, K.G., "Instrumentation for Engineering
Measurements", John Wiley and Sons, 2 edio, 1.993.
3. MONTGOMERY, D.C., RUNGER, G.C., Applied Statistics and Probability for Engineers,
John Wiley and Sons, 1.994.
3. Apostila da disciplina.
1 - INTRODUO
A idia de escrever este texto surgiu da constatao de que muitos dos pesquisadores
em Engenharia de Materiais no contam com uma metodologia para o planejamento
experimental que seja ao mesmo tempo til e simples.
A dificuldade de lidar com termos e conceitos de outras reas de estudo que no a
Engenharia de Materiais (como a Estatstica e a Instrumentao) somada ao problema
inicial de definir-se um modelo fsico-matemtico que represente de maneira adequada os
fenmenos que desejamos estudar.
A respeito desse tema, GOULD (1.993)1 escreve sobre a confuso comum entre
termos que apresentam sentidos vulgares e cientficos, bem como sobre a idia de
aleatoriedade:
".... As diferenas existentes entre vrias definies cientficas e vulgares da mesma
palavra fornecem muitos exemplos deste frustrante fenmeno. "Significncia" em estatstica,
por exemplo, tem pouca relao com a acepo comum da palavra.....Mas, o mais srio de
todos os mal-entendidos entre o sentido tcnico e o vulgar o que afeta os conceitos ligados
probabilidade, sobretudo as expresses ao acaso, acidental e aleatrio (ou randmico).
Para a linguagem comum, um acontecimento aleatrio um evento que no tem ordem,
previsibilidade ou padro. A palavra denota desagregao, desmembramento, anarquia
amorfa e medo. No entanto, ironicamente, o sentido cientfico de aleatrio denota um
conjunto de associaes exatamente opostas. Qualquer fenmeno governado pelo acaso
apresenta uma simplicidade, uma ordem e uma previsibilidade mximas - pelo menos no
longo prazo. Se, por exemplo, estivermos interessados em perceber as foras que esto por
trs de um padro de mudana histrica em larga escala, a aleatoriedade ser nossa maior
esperana de chegar a um modelo maximamente simples e malevel. Se jogarmos uma
moeda ou um par de dados a cada segundo, dias a fio, chegaremos a uma distribuio de
resultados rigidamente previsvel. Com base no nmero total de lances, podemos prever as
margens de afastamento de um resultado de meio a meio no caso da moeda, ou a
porcentagem de setes que tiraremos com nossos dados. Quando o nmero de lances bem
grande, a mais simples das frmulas matemticas da teoria das probabilidades nos permite
chegar at estimativas precisas e a margens de erro definidas para as freqncias e as
extenses das sries..... claro que no temos como prever o resultado de nenhuma tentativa
em particular e nem saber em que momento ocorrer uma srie de resultados iguais...."
1 GOULD (1993) - GOULD, S.J., "Dedo Mindinho e Seus Vizinhos - Ensaios de Histria Natural",
Companhia das Letras, So Paulo, 1.993, pp. 412-413.
3
GOULD um paleontlogo que trabalha com eventos cuja base de tempo geolgica
e cuja datao faz-se atravs do mtodo radioativo e assim, pode contar com aleatoriedade do
decaimento radioativo e datar um dado evento com grande preciso, sem a necessidade de
correlacionar diversos fatores, fatos e variveis para definir quando ou como um dado evento
ocorreu.
J para os pesquisadores da Engenharia de Materiais, tal soluo no possvel, pois
no contam nem com um tempo disponvel elevado, nem com a possibilidade material da
realizao de um nmero infinito de ensaios que permitisse tratar os eventos estudados como
sendo de carter simplesmente aleatrio: testar todas as variveis, em todas as faixas de
valores possveis, com um grande nmero de repeties. Assim, deve-se buscar um mtodo
que estabelea as condies adequadas para a realizao dos experimentos e para a avaliao
dos resultados obtidos.
seleo das variveis que influem num processo com nmero reduzido de
ensaios;
Por exemplo, aps uma dada operao de usinagem, como determinar o nmero de
peas que devem ser controladas num lote? Qual a freqncia de controle atravs dos lotes?
Que instrumentos empregar para esse controle? Qual o critrio para aceitao ou rejeio das
peas produzidas?
Essas questes somente podem ser respondidas por quem tenha um grau razovel de
conhecimento sobre a importncia do controle para a continuidade do processo e para a
qualidade das peas, e sobre a influncia do processo, dos equipamentos, do operador e do
prprio controlador sobre os resultados desse tipo de anlise.
Outro exemplo no qual o mesmo tipo de abordagem pode ser adotada: a presena de
"chevrons" em eixos-pilotos forjados a frio. Nesse caso, fica claro a necessidade de se
controlar todas as peas de todos os lotes a fim de impedir que peas com esse defeito sejam
encaminhadas usinagem e tratamento trmico posteriores e finalmente, montagem em
caixas de transmisso.
O planejamento experimental uma ferramenta essencial no desenvolvimento de
novos processos e no aprimoramento de processos em utilizao. Um planejamento adequado
permite, alm do aprimoramento de processos, a reduo da variabilidade de resultados, a
reduo de tempos de anlise e dos custos envolvidos.
No que se refere ao projeto de produtos, o planejamento experimental permite a
avaliao e comparao de configuraes (projetos) distintas, avaliao do uso de materiais
diversos, a escolha de parmetros de projeto adequados a uma ampla faixa de utilizao do
produto e otimizao de seu desempenho.
Os conceitos descritos nos dois pargrafos anteriores podem ser resumidos em trs
termos muito empregados atualmente: qualidade, produtividade e competitividade.
Tabela 1
Presso
p1
p2
p3
10
11
12
Caso a seqncia estabelecida para os ensaios fosse 1, 2, 3....., 9, 10, 11 e 12, qualquer
problema experimental no detectado (como por exemplo, um efeito de "warm-up" do
instrumento de medida de velocidade) poderia acarretar a invalidao de todo o procedimento
experimental.
Ao se utilizar uma seqncia aleatria (por exemplo: 8, 5, 9, 1, 12, 3, 7, 4, 11, 2, 6 e
10) os erros experimentais devidos a qualquer varivel no-controlvel (como o "warm-up"
do instrumento) seriam distribudos ao longo de todo o procedimento, aleatorizando-o e
permitindo sua anlise estatstica.
A tcnica dos blocos permite realizar-se a experimentao com uma maior preciso,
reduzindo a influncia de variveis incontrolveis. Um bloco uma poro do material
experimental que tem como caracterstica o fato de ser mais homogneo que o conjunto
completo do material analisado. O uso de blocos envolve comparaes entre as condies de
interesse na experimentao dentro de cada bloco. Na anlise com blocos, a aleatorizao
restringida seqncia de ensaios interna dos blocos e no ao conjunto total de ensaios.
O uso de blocos pode ser analisado no seguinte exemplo:
Supe-se que ao realizar-se ensaios de dureza, cada um dos dois penetradores
disponveis para o durmetro estejam fornecendo resultados distintos. Caso fosse feita uma
aleatorizao completa do conjunto de ensaios, como no exemplo anterior, diferenas
significativas de propriedades entre materiais de diversas corridas de produo poderiam
mascarar a influncia dos penetradores. Assim, utiliza-se a tcnica de blocos. Escolhe-se
materiais provenientes de uma mesma corrida e separa-se corpos-de-prova para serem
ensaiados com os dois penetradores. Desta forma, criou-se um bloco: um conjunto de corposde-prova escolhidos de forma a garantir a homogeneidade do material. A aleatorizao dentro
desse bloco d-se quando escolhe-se ao acaso a seqncia como cada corpo-de-prova
ser ensaiado (primeiramente pelo penetrador no. 1 ou vice-versa).
2. escolha das variveis (fatores de influncia) e das faixas de valores em que essas
variveis sero avaliadas, definindo-se o nvel especfico (valor) que ser
empregado em cada ensaio. Deve-se verificar como essas variveis sero
controladas nos nveis escolhidos e como eles sero medidos. A avaliao
intensiva de diversas variveis pode ser necessria quando o estudo encontra-se
em seus estgios iniciais e no se detm uma experincia anterior, exigindo a
avaliao das variveis em diversos nveis. Quando deseja-se verificar a
influncia de uma varivel em particular, o nmero de nveis deve ser reduzido,
alm de manter-se as demais variveis influentes em nveis to constantes quanto
possvel.
3 - CONCEITOS DE ESTATSTICA
Ao realizar-se uma srie de ensaios sob condies preestabelecidas, normalmente
observa-se uma variao de resultados de ensaio para ensaio. Essa variao denomina-se erro
experimental e tambm um erro estatstico proveniente de condies de ensaio
incontrolveis. A existncia deste erro caracteriza a varivel de resposta como sendo uma
varivel aleatria, que pode ser discreta se apresentar um nmero finito de valores possveis,
ou contnua, se apresentar-se dentro de um intervalo de valores.
A probabilidade de uma varivel aleatria y dada pela sua distribuio de
probabilidade. Caso a varivel seja discreta, essa distribuio uma funo probabilidade
p(y), caso seja contnua, passa a ser denominada funo densidade de probabilidade f(y).
Na figura 1, representa-se p(y), para uma distribuio discreta, onde a funo
representa a probabilidade P da distribuio. Na figura 2, mostrada f(y), sendo
representada pela rea sob a curva num dado intervalo. Juntamente com cada figura,
apresenta-se as propriedades de cada uma das probabilidades em cada caso.
para todos yj
P( y = y j ) = p( y j ) para todos yj
p( y ) = 1
p(y )
0 p( y j ) 1
todos y j
y1
y2
y11
y14
yj
12
f(y)
P(a<=y<=b)
0 f ( y)
P (a y b) = f ( y )dy
a
f ( y)dy = 1
y p( y )
se y discreta, ou
todos y
y f ( y )dy
se y contnua
Pode-se definir como o valor mdio esperado para um nmero elevado de ensaios,
ou seja E(y), tambm denominado operador do valor esperado.
A varincia 2 representa a disperso de uma distribuio e definida como:
=
2
( y )
f ( y )dy
se y contnua, ou
2 =
( y )
p( y ) se y discreta
todos y
2 = E [( y ) 2 ]
Tambm pode-se definir um operador de varincia V(y) igual a
V ( y ) = E[( y ) 2 ] = 2
A partir dos parmetros , 2 e c (constante), tem-se as seguintes propriedades:
1. E(c) = c
2. E(y) =
3. E(c.y) = c.E(y) = c.
4. V(c) = 0
5. V(y) = 2
y1 E ( y 1 )
y2 E ( y2 )
12. E
representam.
14
y=
yi
S2 =
i =1
( y y)
i =1
n 1
SS =
(y
y )2
i =1
que a soma corrigida dos quadrados das observaes (yi), ou seja, a soma dos
quadrados das diferenas y1 - y , y2- y , y3 - y ,...., yn - y . Como a somatria dessas
diferenas igual a zero, somente n-1 elementos so independentes. Assim, SS tem n-1
graus de liberdade, ou = n-1, de modo que
SS
E = 2
15
f ( y) =
2
1
e (1/ 2 )[( y )/ ]
2
- < y <
com mdia - < < e varincia 2>0. A expresso y N(,2) representa uma
varivel aleatria, com mdia e varincia 2.
Uma distribuio normal padro a que apresenta = 0 e 2 = 1.
Seja y uma varivel com distribuio normal, assim:
z=
onde z N(0 , 1) e a operao dada pela equao anterior definida como padronizao de
uma varivel aleatria y.
No caso de uma amostra de tamanho n retirada de uma populao, seja finita ou
infinita, que apresenta mdia e varincia 2, se o valor mdio da amostra dado por y ,
tem-se pelo teorema do limite central que:
z=
y
/ n
k 2 = z12 + z2 2 +.... + zk 2
onde k2 uma varivel aleatria que segue a distribuio chi-quadrado com k graus
de liberdade. A funo densidade de chi-quadrado :
16
f ( 2 ) =
1
( k / 2 ) 1 2 / 2
2)
e
(
k /2 k
2
2
2 > 0
SS
=
2
(y
y )2
i =1
2n 1
2k
so variveis
tk =
2k / k
f (t ) =
[( k + 1 ) 2]
k ( k / 2 ) ( t / k ) + 1
2
( k +1 ) / 2
<t <
t=
y
S
u2
2v ,
com u e v graus de
u2 u
Fu,v = 2
v v
h( F ) =
u + v u
2 v
u /2
F ( u 2 ) 1
u v u
F + 1
2 2 v
( u + v )/ 2
0< F <
S12
Fn1 1, n2 1
S 22
onde S12 e S22 so as varincias das amostras. Ou seja, a razo das varincias das
amostras segue uma distribuio F.
Caso 12 22, tem-se que
S12
F=
S 22
12
22
S12
S22
2
pois
e
n
(
)
(n 1) 2n2 1
n1 1
22 2
12 1
18
S y2 =
S2
n
No caso de amostras pequenas (menores que 20) DALLY (1.993) indica o uso da
distribuio t de Student. Como a distribuio t depende do tamanho da amostra (n), o valor
de t pode ser usado para estimar n de tal forma que se obtenha uma estimativa da mdia da
amostra para uma dada confiana. Se o comprimento do intervalo de confiana for definido
como 2 e usar-se a expresso para Sy2 ,, tem-se:
S
n = t
DR =
yi y
S
posteriormente, compara-se com uma razo padro DR0, obtida da tabela abaixo em funo
de n:
Nmero de
Razo padro
Nmero de
Razo padro
medidas (n)
(DR0)
medidas (n)
(DR0)
1,15
15
2,13
1,38
25
2,33
1,54
50
2,57
1,65
100
2,81
1,80
300
3,14
10
1,96
500
3,29
20
21
7 PLANEJAMENTOS EXPERIMENTAIS
7.1 INTRODUO
Um dos objetivos do planejamento experimental a otimizao do nmero de ensaios
a ser realizado. Como visto anteriormente, esse nmero deve ser adequado de modo a
minimizar os erros experimentais (aleatrios) mas tambm deve contribuir para a viabilidade
econmica e prtica da experimentao. A seguir, apresenta-se alguns planejamentos
experimentais (tambm denominados planos) e procedimentos para sua otimizao, de modo
que sejam adequados para a obteno de dados experimentais. Para cada um desses
planejamentos tambm apresenta-se a metodologia para a anlise dos resultados obtidos.
H1: 1 2
22
t0 =
y1 y2
1
1
Sp
+
n1 n2
S p2 =
( n1 1) S12 + ( n2 1) S22
n1 + n2 2
H0
seria rejeitada, ou seja, as mdias das distribuies relativas s duas amostras so diferentes.
No exemplo apresentado, o teste de hipteses verificava se as mdias eram iguais ou
diferentes. Tambm possvel verificar se 1 < 2 ou se 1 > 2. No primeiro caso, H1:
1 < 2, de forma que H0 ser rejeitada caso t0 < t,n1 + n2 2 .
No outro caso, H1: 1 > 2, H0 ser rejeitada caso
t0 > t,n1 + n2 2 .
23
P( L U ) = 1
O intervalo L U denominado intervalo de confiana para o parmetro com
porcentagem de 100.(1-) .
Se, por exemplo, estamos interessados em determinar o intervalo de confiana para a
diferena das mdias de duas distribuies (1 e 2), com uma confiana de 100.(1-), podese determinar esse intervalo da seguinte forma:
Seja
y1 y 2 ( 1 2 )
Sp
1
1
+
n1 n2
y1 y 2 ( 1 2 )
P t / 2 ,n1 + n2 2
t / 2 ,n1 + n2 2 = 1
1
1
Sp
+
n1 n 2
ou
1
1
1
1
+
1 2 y1 y 2 + t / 2 ,n1 + n2 2 S p
+ = 1
P y1 y 2 t / 2 ,n1 + n2 2 S p
n1 n 2
n1 n 2
y1 y 2 t / 2 ,n1 + n2 2 S p
1
1
1
1
+
1 2 y1 y 2 + t / 2 ,n1 + n2 2 S p
+
n1 n 2
n1 n 2
t0 =
y1 y2
S12 S22
+
n1 n2
(S
S12 S 22
+
n1 n2
n1 )
2
1
n1 1
(S
2
2
n2 )
n2 1
Z0 =
y1 y2
12 22
+
n1 n2
y1 y2 Z 2
12 22
12 22
+
1 2 y1 y2 + Z 2
+
n1 n2
n1 n2
25
O teste de hiptese pode ser feito pela aplicao da distribuio normal, caso a
populao seja normal com varincia conhecida, ou caso o tamanho da amostras seja
suficientemente grande. Assim,
Z0 =
y 0
n
y Z 2
n y + Z 2
t0 =
y 0
S n
y t 2,n 1 S
n y + t 2,n 1 S
ou
26
Agora, considere o segundo teste de hipteses. Nesse caso, as garrafas sempre sero
aceitas a menos que H0 seja rejeitada, ou seja, conclui-se que as garrafas atendem
especificao a menos que haja uma forte evidncia em contrria.
Qual dos dois testes o mais adequado? A resposta "depende".
Para o primeiro teste, existe a probabilidade de que H0 no seja rejeitada mesmo que a
mdia verdadeira seja um pouco maior que 1,4 MPa, o que implica que o fabricante deve
provar que seu produto atinge ou excede as especificaes. Esse teste poderia ser adequado se
o "garrafeiro" teve dificuldades de atender especificaes no passado, ou se as consideraes
a respeito da segurana do produto exigem que o valor de 1,4 MPa seja alcanada dentro de
uma tolerncia estreita.
Para o segundo teste, existe a probabilidade de que H0 seja aceita e as garrafas sejam
consideradas aprovadas mesmo se a mdia real seja um pouco menor que 1,4 MPa. Assim, as
garrafas somente seriam rejeitadas se houvesse uma forte evidncia de que a mdia no
excede 1,4 MPa, ou seja quando H0 for rejeitada. Esse teste assume que o desempenho do
"garrafeiro" no passado foi satisfatrio e que pequenos desvios em torno de 1,4 MPa no
apresentaro riscos de segurana.
Ao formular testes de hipteses mono-caudais deve-se considerar que rejeitar H0
sempre uma concluso forte. Consequentemente, deve-se considerar qual a hiptese
alternativa mais forte, mais adequada para os objetivos da anlise. Nos experimentos do diaa-dia isso sempre depender de cada ponto de vista e da experincia prvia sobre o problema.
27
Hiptese
Teste estatstico
H 0 : = 0
Critrio de rejeio de H0
| Z 0 | > Z 2
H1 : 0
H 0 : = 0
Z0 =
y 0
H1 : < 0
Z 0 < Z
H 0 : = 0
H1 : > 0
Z 0 > Z
H 0 : 1 = 2
H1 : 1 2
H 0 : 1 = 2
| Z 0 | > Z 2
Z0 =
y1 y 2
12 22
+
n1
n2
H1 : 1 < 2
Z 0 < Z
H 0 : 1 = 2
H1 : 1 > 2
Z 0 > Z
28
Hiptese
Teste estatstico
Critrio de rejeio de H0
H 0 : = 0
| t 0 |> t 2 ,n 1
H1 : 0
H 0 : = 0
t0 =
y 0
S
H1 : < 0
t 0 < t ,n 1
H 0 : = 0
H1 : > 0
t 0 > t ,n 1
= =
2
1
H 0 : 1 = 2
2
2
y1 y 2
t0 =
Sp
H 1 : 1 2
1
1
+
n1 n2
= n1 + n 2 2
| t 0 |> t 2 ,
12 22
H 0 : 1 = 2
t0 =
y1 y 2
S12 S 22
+
n1 n 2
H 1 : 1 < 2
t 0 < t ,
H 0 : 1 = 2
2
H 1 : 1 > 2
S12 S 22
+
n1 n 2
=
2
2
S12 n1
S 22 n 2
+
n1 1
n2 1
) (
t 0 > t ,
29
02 =
SS (n 1) S 2
=
02
02
(n 1) S 2
(n 1) S 2
2
2
2/ 2 ,n 1
1 ( / 2 ),n 1
Uma outra anlise pode ser feita para comparar as varincias de duas populaes com
distribuio normal, com tamanhos de amostras aleatrias n1 e n2:
H0: 12 = 22
H1: 12 22
O teste estatstico para essas hipteses feito empregando o quociente das varincias
das amostras:
S 12
F0 = 2
S2
A hiptese nula ser rejeitada se
ou se
S12
12 S12
F
F
S 22 1 ( / 2 ),n1 1,n2 1 22 S 22 / 2 ,n1 1,n2 1
A tabela 4 apresenta os testes de varincia para distribuies normais.
Tabela 4 - Testes de varincia para distribuies normais
Hiptese
Teste estatstico
H 0 : =
2
Critrio de rejeio
02 > 2/ 2 ,n 1 ou
2
0
H1 : 2 02
H 0 : 2 = 02
02 =
(n 1) S 2
02
02 < 12 ,n 1
H1 : 2 < 02
H 0 : 2 = 02
H1 : 2 > 02
02 > 2,n 1
H 0 : 12 = 22
H1 :
2
1
2
2
S 22
F0 = 2
S1
S12
S 22
H 0 : 12 = 22
H1 : <
2
1
2
2
H 0 : 12 = 22
H1 : 12 > 22
F0 =
Obs.: F1 , 1 , 2 =
1
F , 2 , 1
31
i = 1,2
yij = i + j + ij
j = 1,2,..., n
onde, yij uma observao (ou resultado), obtida para o nvel i na rplica j, i a
mdia para o nvel i, j o efeito sobre o resultado devido j-sima rplica e ij, um erro
experimental que apresenta mdia nula e varincia i2 .
Se fizermos a anlise da diferena entre os pares:
d j = y1 j y2 j
j = 1, 2, ...., n
( )
= E( y y )
= E( y ) E( y )
= + ( + ) =
d = E d j
1j
2j
1j
2j
O teste da hiptese nula H0: 1=2 pode ser feito pela diferena por pares d, ou seja,
H0: d = 0
H 1: d 0
O teste estatstico feito com
32
t0 =
d
Sd
1 n
onde d = d j
n j =1
n
2
d d
j = 1 j
S =
d
n 1
12
2
n
n
2
d j n d j
j =1
j =1
=
n 1
12
Nvel
Observaes
Totais
Mdias
(Tratamento)
1
y11
y12
...
y1n
y1.
y21
y22
...
y2n
y2.
y 1.
y 2.
...
...
...
...
yan
ya.
y a.
y..
y ..
ya1
ya2
onde yij o j-simo elemento obtido no tratamento (nvel) i. Esses elementos podem
ser definidos pelo modelo estatstico linear:
i = 1,2,... a
y ij = + i + ij
j = 1,2,... n
33
=0
i =1
yi . = yij
j =1
a
y.. = yij
i =1 j =1
yi . = y i . n
i = 1,2,..., a
y.. = y.. N
onde N = a.n o nmero total de observaes e y.. representa a mdia geral de todas as
observaes.
34
mdia
estimada
E ( yij ) i = + i ,
do
i-simo
tratamento
dada
por
i = 1, 2, ..., a . Ou seja, consiste da mdia geral somada ao efeito
do tratamento i .
O teste de hipteses feito para verificar se as mdias dos tratamentos so iguais:
H0 : 1 = 2 = ... = a
H1 : i j (pelo menos para um par i,j)
ou,
H0 : 1 = 2 = ... = a = 0
H1 : i 0 (para pelo menos um i)
caso H0 seja verdadeira, de modo que todos os tratamentos tm mdia igual a .
Para essa verificao, a anlise de varincia a que melhor se aplica. O termo anlise
de varincia deriva da diviso da variabilidade total em seus componentes.
A variabilidade total dos resultados representada pela soma corrigida dos quadrados
SST, que dividida pelo nmero de graus de liberdade N-1 fornece a varincia da amostra.
a
SS T = y ij y..
i =1 j =1
(y
a
i =1 j =1
ij
y ..
) = [( y
a
i =1 j =1
y.. ) + y ij y i .
i.
)]
ou
(
a
i =1 j =1
yij y ..
= n ( y i . y.. ) + yij y i .
2
i =1
i =1 j =1
+ 2 ( yi . y.. ) y ij yi .
i =1 j =1
(y
n
i =1
ij
y i . = y i . nyi . = y i . n( yi . n) = 0
Assim,
35
(
a
i =1 j =1
yij y ..
= n ( y i . y.. ) + yij y i .
a
i =1
i =1 j =1
Como se observa na expresso acima, a soma corrigida dos quadrados - que representa
a variabilidade dos dados - representada pela somatria dos quadrados das diferenas entre
as mdias dos tratamentos e a mdia geral de todos elementos, adicionada somatria dentro dos tratamentos - dos quadrados das diferenas entre as observaes e as mdias dos
tratamentos.
Assim,
SST = SSTratamentos + SSE
onde SSTratamentos denomina-se soma dos quadrados devidos aos tratamentos (entre
tratamentos) e SSE denominada soma dos quadrados devidos ao erro (dentro dos
tratamentos). SST apresenta N-1 graus de liberdade, SSTratamentos apresenta a-1 e SSE, N-a
graus de liberdade.
Assim,
SS E
uma estimativa da varincia dentro de cada um dos tratamentos e
N a
SSTRATAMENTOS
, a estimativa da varincia entre os tratamentos.
a 1
Para a anlise estatstica das hipteses apresentadas no item 7.3.1, tem-se que SST uma
soma de quadrados de variveis aleatrias normalmente distribudas, SST/2, SSE/2 e
SSTRATAMENTOS/2 so distribudas como chi-quadrado respectivamente, com N-1, N-a e
a-1 graus de liberdade, se a hiptese nula H0 : i = 0 for verdadeira. Nesse caso, aplicandose o teorema de Cochran (N-1 = N-a + a-1) tem-se que SSE/2 e SSTRATAMENTOS/2 so
variveis aleatrias chi-quadrado independentes.
Se a hiptese nula verdadeira, ou seja, no h diferena entre as mdias dos
tratamentos, a razo
F0 =
SS TRATAMENTOS ( a 1)
SS E ( N a )
36
Fonte de
Soma de
Graus de
Mdias dos
variao
quadrados
liberdade
quadrados
Entre
SSTRATAMENTO
a-1
SSTRAT/(a-1)
tratamentos
SSE
N-a
SSE/(N-a)
SST
N-1
F0
F0 =
tratamentos)
Total
SSTRATAMENTOS ( a 1)
SS E ( N a )
n
i =1
a ni
y2
SS T = yij2 ..
i =1 j =1 N
e
a y2 y2
SS TRAT = i . ..
i =1 ni N
Deve-se preferir o uso de tratamentos com amostras de tamanhos iguais pois a hiptese
de que as varincias sejam iguais para todos os tratamentos mais facilmente verificada
quando ni = n e tambm porque a capacidade do teste maximizada nessa situao.
Comparao das mdias individuais dos tratamentos
O mtodo apresentado anteriormente permite verificar-se se as mdias de diversos
tratamentos so diferentes ou no, mas no possibilita verificar-se quais delas divergem. Para
tanto, h necessidade de as somatrias das observaes de cada tratamento ( yi. ) ou de suas
mdias ( yi. ). Essas comparaes so feitas atravs dos denominados mtodos de comparao
mltipla.
Muitos desses mtodos usam o conceito de contraste. Um contraste C uma
combinao linear dos totais yi. que permite a comparao das mdias dos tratamentos.
37
C = ci y i .
i =1
c
i =1
=0
n c
i =1
i i
=0
SS C =
ci y i .
i =1
n c
i =1
SS C =
2
i
ci y i .
i =1
n c
i =1
2
i i
Um contraste testado comparando-se SSC com SSE/(N-a) que deve ser distribudo
como F,1,N-a caso a hiptese nula seja verdadeira, ou seja, com:
F0 =
SS C
SS E ( N a )
38
c d
i =1
=0
ou
a
n c d
i =1
i i
=0
Exemplo: Para o exerccio 12, ser construdo o quadro de anlise de varincia com
modelo de efeitos fixos, verificado se as condies de tratamento trmico afetam a
propriedade mecnica da liga e comparadas as mdias dos diversos tratamentos, usando-se
contrastes que sero verificados quanto ortogonalidade, ou seja, se so independentes
entre si.
Tratamentos
TLE [MPa]
Totais
Mdias
312.9
300
286.5
289
1188.4
297.1
320
330
297.5
315
1262.5
315.6
280
290
298.5
305
1173.5
293.3
260
270
260
276.5
1066.5
266.6
4690.6
293.2
N= n.a
SST = 6436.5
N =16
SSTRAT/(a-1) = 1632.5
SSTRAT = 4897.4
SSE /(N - a) = 128.3
SSE = 1539.1
F0 = 12.7
F0.05,3,12 = 3.49
Como F0 > F0.05,3,12 tem-se que a hiptese nula rejeitada, ou seja, os tratamentos
afetam a propriedade da liga metlica.
Para comparar as mdias dos diversos tratamentos sero verificadas as seguintes
hipteses nulas:
1) H 0: 1 = 2
2 ) H 0: 1 = 3
3) H 0: 2 = 4
4 ) H 0: 1 + 3 = 2 + 4
5) H 0: 2. 2 = 1 + 3
39
i =1
os contrastes:
Para C1, tem-se: 1 -1 +0 +0 = 0. Para C2, tem-se: 1 +0 -1+0 = 0. Para C3, tem-se: 0
+1 +0 -1= 0. Para C4, tem-se: 1 -1 +1 -1 = 0. Para C5, tem-se: -1 +2 -1 +0 = 0. Ou seja,
todos os contrastes propostos satisfazem o critrio.
Com os cinco contrastes propostos, quatro pares so ortogonais (C2C3, C2C4, C2C5
e C3C4) ou seja, independentes entre si.
Analisando-se a primeira hiptese
SSE/(N-a) = 128,3. Assim, F0 = 5,41. Como F0,05, 1, 12 igual a 4,75, tem-se F0 > F0,05,
1, 12, assim, pode-se concluir que existe diferena significativa entre as mdias dos
tratamentos 1 e 2.
i = 1,2,... a
yij = + i + ij
j = 1,2,... n
ondei e ij so variveis aleatrias. Se i apresenta varincia 2 e independente
de ij , a varincia de qualquer observao dada por
( )
V y ij = 2 + 2
onde as duas parcelas so denominadas componentes de varincia e o modelo, modelo
de componentes de varincia ou modelo de efeitos aleatrios.
O teste de hipteses neste modelo, assume-se que {ij} seja NID(0,2), que {i} seja
NID(0,2) e que ambas sejam independentes.
A representao da soma de quadrados
40
H0 : 2 = 0
H1: 2 > 0
Se 2 = 0, todos os tratamentos apresentam os mesmos efeitos. Porm, se 2 > 0
esses tratamentos apresentam variabilidade significativa.
Novamente, SSE/2 e SSTRATAMENTOS/2 so distribudas como chi-quadrado
respectivamente, com N-a e a-1 graus de liberdade, se a hiptese nula H0 for verdadeira e
ambas so variveis aleatrias chi-quadrado independentes. Desta forma, a razo
F0 =
SS TRATAMENTOS ( a 1)
SS E ( N a )
( N a ) pode-
se provar que
E ( MS TRAT ) = 2 + n 2
e
E ( MS E ) = 2
A hiptese nula ser rejeitada se F0 > F ,a 1, N a .
As varincias 2 e 2 podem ser estimadas:
$ 2 = MS E
e
MS TRAT MS E
$2 =
n
No caso de amostras desiguais, n substitudo por
1 a
n
n0 =
a 1 i =1 i
i =1
ni
i =1
2
i
41
2N a .
O intervalo de confiana 100(1-) para o componente de varincia 2 dado por:
( N a)MSE
2
2,N a
( N a)MSE
12 2,N a
2
dado por:
2 + 2
L
U
2
2
1 + L +
1+U
2
onde
L=
1 MS TRAT
1
1
n MS E F 2 ,a 1, N a
U=
1 MS TRAT
1
1
n MS E F1 2 ,a 1, N a
i = 1,2,... a
y ij = + i + j + ij
j = 1,2,... b
42
do bloco j (
j =1
i =1
= 0 ) j o efeito
= 0)
yi . = yij
y. j = yij
yi . = yi . b
y. j = y . j a
i = 1,2,..., a
j = 1,2,..., b
y.. = y.. N
N = a. b
j =1
i =1
y.. = yij
i =1 j =1
43
Somatria de quadrados
a
SS T = y ij y ..
i =1 j =1
Graus de liberdade
2
SS TRAT = b ( yi . y.. )
i =1
SS BLOCOS = a ( y. j y.. )
b
a b
y2
2
SS T = y ij ..
i =1 j =1
N
N-1
a y 2
SS TRAT = i .
i =1 b
a-1
SS BLOCOS
j =1
y .. 2
b y. j 2
=
j =1 a
Assim,
SSTRATAMENTOS
a 1
y2
..
N
b-1
(a-1).(b-1)
SS E
uma estimativa da varincia do conjunto total de dados,
( a 1). ( b 1)
SS BLOCOS
, a estimativa da varincia dentro de cada um dos tratamentos e
,a
b 1
F0 =
SS TRATAMENTOS ( a 1)
SS E
F0 =
(( a 1)( b 1) )
SS BLOCOS ( b 1)
SS E
(( a 1)(b 1) )
para os tratamentos, ou
para os blocos
Caso a hiptese nula seja rejeitada (os tratamentos tm influncia), pode-se verificar a
influncia de cada tratamento atravs de comparaes mltiplas, com o uso de contrastes.
Nesse caso, o procedimento idntico ao usado no modelo de efeitos fixos, apenas
empregando-se:
SS C =
ci y i .
i =1
b ci2
i =1
Um contraste ser testado comparando-se SSC com SSE/((a-1).(b-1)) que deve ser
distribudo como F,1,(a-1).(b-1) caso a hiptese nula seja verdadeira, ou seja, com:
F0 =
SS C
SS E (( a 1). ( b 1) )
onde
a - nmero de tratamentos
r ( k 1)
a 1
b - nmero de blocos
tratamento
i = 1,2,... a
y ij = + i + j + ij
j = 1,2,... b
semelhante ao obtido para anlise de modelos fixos.
A variabilidade total do modelo pode ser representada por:
SST = SSTratamentos(ajustado) + SSblocos + SSE
A somatria dos quadrados das diferenas para anlise dos nveis
(SSTratamentos(ajustado)) deve ser ajustado pois o nmero de observaes difere dentro de
cada bloco.
Assim, tem-se:
a b
y ..2
2
SS T = y ij
i =1 j =1
N
SS BLOCOS
b y. j 2 y 2
..
=
j =1 k N
SSTRAT( ajust.) =
k Qi
i =1
.a
onde
Qi = yi .
1 b
nij y. j
k j =1
F0 =
SS TRAT .( ajust .) ( a 1)
SS E ( N a b + 1)
5x5
A B D C
A D E B C
B C A D
D A C B E
C D B A
C B A C D
D A C B
E C D A B
47
y ijk
i = 1,2,... p
= + i + j + k + ijk j = 1,2,... p
k = 1,2,... p
48
Somatria de quadrados
Graus de liberdade
SS T = y ijk 2
i =1 j =1 k =1
N
p
y. j .
SS TRAT =
2
...
j =1
SS LINHAS =
i =1
y ...
N
yi ..
y
...
p
N
SS COLUNAS =
k =1
N-1
p-1
p-1
y ..k
y
...
p
N
p-1
(p-1).(p-2)
Novamente, para a anlise estatstica das hipteses, tem-se que SST uma soma de
quadrados de variveis aleatrias normalmente distribudas, SST/2, SSTRATAMENTOS/2,
SSLINHAS/2, SSCOLUNAS/2 e SSE/2so distribudas como chi-quadrado
respectivamente, com N-1 , p-1, p-1, p-1 e (p-2).(p-1) graus de liberdade, se a hiptese nula
H0 : i = 0 for verdadeira.
Nesse caso, aplicando-se o teorema de Cochran (N-1 = p-1+p-1+p-1+(p-2).(p-1)),
onde N = p2, tem-se que SSE/2, SSLINHAS/2, SSCOLUNAS/2 e SSTRATAMENTOS/2
so variveis aleatrias chi-quadrado independentes.
Se a hiptese nula verdadeira, ou seja, no h diferena entre as mdias dos
tratamentos, a razo
F0 =
( p 1)
(( p 1)( p 2))
SS TRATAMENTOS
SS E
para os tratamentos.
F0 > F , p 1,( p 1) .( p 2 )
49
Os testes com as fontes das linhas e das colunas perde objetividade estatstica visto que
durante o planejamento eles foram bloqueados, ou seja, tiveram sua aleatoriedade restrita.
A grande desvantagem do planejamento quadrado latino com quadrados pequenos (3 x
3 ou 4 x 4) o pequeno nmero de graus de liberdade associado. Para evitar esse problema,
usa-se replicar os experimentos. Essa rplica pode ser feita de trs modos distintos:
1. usando combinaes com os mesmos nveis das fontes (linhas e colunas) em
cada rplica;
2. alternando nveis das fontes em cada rplica, fixando o nvel da linha e alterando
o nvel da coluna, ou vice-versa, para cada combinao;
3. usando diferentes nveis de linhas e colunas para cada rplica.
Graus de liberdade
y
SS T = y ijk 2
i =1 j =1 k =1 l =1
N
p
SS TRAT =
y. j .. 2
np
j =1
SS LINHAS =
i =1
2
....
y.... 2
N
yi ... 2 y.... 2
np
N
SS COLUNAS =
i =1
SS RPLICAS =
i =1
N-1
p-1
p-1
y..k . 2 y.... 2
np
N
p-1
y...l 2 y.... 2
N
p2
n-1
(p-1)[n(p+1)-3]
50
COLUNAS
LINHAS
yijkl
i = 1,2,... p
j = 1,2,... p
= + i + j + k + l + ijkl k = 1,2,... p
l = 1,2,.... p
51
Somatria de quadrados
Graus de liberdade
p p p p
y ....2
2
SS T = y ijkl
i =1 j =1 k =1 l =1
N
SS TRAT ( latinas )
p y. j .. 2 y.... 2
=
N
j =1 p
p-1
y ..k .2
y ....2
p
N
p-1
SS TRAT ( gregas ) =
k= 1
SS LINHAS =
i= 1
SS COLUNAS =
N-1
l= 1
yi ... 2 y ....2
p
N
p-1
y...l 2
y .... 2
p
N
p-1
F0 > F , p 1,( p 1) .( p 3)
onde
F0 =
( p 1)
(( p 1)( p 3))
SS TRATAMENTOS
SS E
52
Fator A
nveis
B1
B2
A1
A1B1
A1B2
A2
A2B1
Fator A
nveis
B1
B2
A1
A1B1
A1B2
A2
A2B1
A2B2
Analisando dois casos distintos, pode-se analisar a interao das variveis pelo PF:
53
caso 1
Fator B
nveis
B1
B2
A1
20
30
A2
40
52
nveis
B1
B2
A1
20
40
A2
50
12
Fator A
caso 2
Fator B
Fator A
B2
B1
B2
B1
A1
A2
Observa-se que os dois fatores interferem na vida das baterias, mas que eles no
interagem.
J no caso 2, representado pela figura abaixo, observa-se novamente que os fatores
afetam a vida mas, tambm, que eles interagem, pois o efeito de A depende do nvel de B.
54
ij
B1
B2
B2
B1
A1
A2
yijk = + i + j + (
onde
) ij + ijk
Fator B
Fator A
nveis
...
y111,y112,...,y11n
y121,y122,...,y12n
...
...
y1b1,y1b2,...,y1bn
:
a
ya11,ya12,...,ya1n
yab1,yab2,...,yabn
55
SS T = y ijk
2
i =1 j =1 k =1
SS A =
i =1
SS B =
Graus de liberdade
y ...2
abn
abn - 1
yi .. 2 y... 2
bn abn
a-1
y. j . 2
j =1
y... 2
an abn
SS AB =
i =1 j =1
yij . 2
n
b-1
y... 2
SS A SS B
abn
(a-1)(b-1)
ab.(n-1)
Novamente, para a anlise estatstica das hipteses, tem-se que SST uma soma de
quadrados de variveis aleatrias normalmente distribudas, SST/2, SSA/2, SSB/2, SSAB/
2 e SSE/2so distribudas como chi-quadrado respectivamente, com N-1 , a-1, b-1, (a-1)(b1) e ab(n-1) graus de liberdade, se a hiptese nula H0 : i = 0, ou j = 0, ou ()ij = 0 for
verdadeira.
Assim, tem-se
F0 =
SS A ( a 1)
SS E a.b.( n 1 )
SS B ( b 1)
SS E a .b.( n 1 )
SS (a 1).(b 1)
F0 = AB
SS E a.b.(n 1)
ou
F0 =
ou
56
concluindo-se que os fatores influenciam a resposta e que sua interao tambm tem
influncia.
Varivel de resposta - vida da bateria
Exemplo:
Fator A - material
Fator B - temperatura
a = b = 3 nveis
n = 4 rplicas
Temperaturas ( F)
15
1
Materiais
70
125
130
155
34
40
20
70
74
180
80
75
82
58
150
188
126
122
25
70
159
126
106
115
58
45
138
110
174
120
96
104
168
160
150
139
82
60
Tem-se: SST = 77647, SSMAT = 10684, SSTEMP = 39119, SSINTER = 9614 e SSE
= 18230,75, com GLMAT = 2, GLTEMP = 2, GLINTER = 4 e GLERRO = 27.
Assim, tem-se F0 MAT = 7.91, F0 TEMP = 28.97 e F0 INTER = 3.56. Com = 0.05,
tem-se F0.05,2,27 = 3.35 e F0.05,4,27 = 2,73, que so menores que os valores de F0
encontrados. Desta forma, pode-se concluir que tanto o material quanto a temperatura
influem na vida das baterias e que esses dois fatores apresentam uma interao
estatisticamente importante e que tambm afeta essa vida.
Para definir-se qual o melhor material (aquele que leva maior vida) deve-se utilizar
de contrastes, como apresentado para a anlise do modelo de efeitos fixos.
57
Como h somente dois nveis para anlise de cada fator, assume-se que a varivel de
resposta apresente comportamento linear entre esses nveis.
O modelo estatstico, o teste de hipteses e as somatrias dos quadrados das diferenas
so idnticas s do planejamento fatorial geral, assumindo-se a =2 e b = 2.
Os nveis podem ser quantitativos ou qualitativos.
Os nveis so representados por: + mximo e - mnimo.
A e B representam os efeitos das variveis de influncia. A representao do ensaio
com a significa que usou-se o nvel mximo de A (+). J b representa o uso do nvel mximo
de B (+).
Neste caso, para 2 nveis, o nmero de graus de liberdade igual a 1. Aumentando-se o
nmero de rplicas (n), tem-se maior objetividade na anlise pois F0 tambm aumenta.
Fator A
Fator B
nvel baixo
nvel alto
nvel alto
ab
nvel baixo
(1)
No caso de um planejamento 3k, tem-se trs nveis: mnimo (0), intermedirio (1) e
mximo (2).
Exemplo de um planejamento fatorial 2k: deseja-se estudar como o tempo de uma
reao afetado por dois fatores, a concentrao de reagente (A) e a quantidade de
catalisador (B).
Assumindo dois nveis para A, 15% (-) e 25% (+) e dois nveis para B, 2 medidas (+) e
1 medida (-) e cada experimento foi replicado 3 vezes, tem-se:
Rplicas
Combinao
II
III
Total
A-B-
28
25
27
80
A+B-
36
32
32
100
A-B+
18
19
23
60
A+B+
31
30
29
90
58
a (1) n =
100 80
= 6,6 . Ou seja, ao
3
ab b n =
90 60
= 10 , representando
3
A=
1 [a (1)] [ ab b]
+
2 n
n
A=
1
[a (1)] + [ ab b]
2n
B=
1 [ ab a ] [b (1)]
+
2 n
n
B=
1
[ ab a ] + [b (1)]
2n
1
[ ab b] [ a (1)]
2n
1
AB =
{ab + (1) a b}
2n
AB =
59
1
( 90 + 100 60 80) = 8.33
2.3
1
B=
(90 + 60 100 80) = 5
2.3
1
(90 + 80 100 60) = 167
.
AB =
2.3
A=
SS A
2
ab + a b (1)]
[
=
DOF = 1
SS B
2
ab + b a (1)]
[
=
DOF = 1
SS AB
n.4
n.4
2
ab + (1) a b]
[
=
n.4
2 2 n
y2
SS T = y ijk2 ...
i =1 j =1 k =1
4. n
DOF = 1
DOF = 4n 1
SS E = SS T SS A SS B SS AB DOF = 4(n 1)
com
MS A
MS B
MS AB
ou F0 =
ou F0 =
F0 =
MS E
MS E
MS E
No exemplo, tem-se F0 A = 53.15, F0 B = 19.13 e F0 AB = 2.13. Com = 0.05, temse F0.05,1,8 = 5.32, concluindo-se que tanto a concentrao, quanto o catalisador influem
no tempo de reao, mas sua interao no o afeta de modo significativo.
60
8. A METODOLOGIA DE TAGUCHI
Este texto foi extrado do item 12.5, pp. 414-433 do livro de Montgomery.
A metodologia proposta por Genechi Taguchi, no incio da dcada de 80, apresenta trs
objetivos principais:
1. Projetar produtos ou processos que sejam robustos em relao s condies
ambientais;
2. Projetar e desenvolver produtos que sejam robustos variabilidade de seus
componentes;
61
Variveis de influncia
Nveis
A = Interferncia dimensional
Baixo
Mdio
Alto
Fina
Mdia
Espessa
C = Profundidade de montagem
Rasa
Mdia
Profunda
Baixa
Mdia
Alta
24 horas
120 horas
72 F
150 F
25%
75%
Fontes de variabilidade
E Tempo de secagem do adesivo
62
Arranjo ortogonal L9
Arranjo ortogonal L8
Variveis
FONTES
Ensaio
Ensaio
ExF
ExG
FxG
Fontes
Resultados de fora de arrancamento
Ensaio
O mtodo de Taguchi prope que se analise a resposta mdia para cada combinao no
arranjo interno, e que a variabilidade seja analisada escolhendo uma razo sinal-rudo (SN)
apropriado. Trs razes SN padro so amplamente empregadas:
63
y2
SN T = 10. log 2
S
2) A quanto maior melhor SNL, usada quando se deseja maximizar os resultados, que
o caso deste exemplo:
1 n 1
SN L = 10. log 2
n i =1 yi
3) A quanto menor melhor SNS, usada quando se deseja minimizar os resultados:
1 n
e assim, minimizar a
64
65
B
A
M
66
9 - EXERCCIOS
1) A tenso de resistncia compresso de corpos-de-prova de concreto podem ser
modeladas por uma distribuio normal com mdia de 600 MPa e um desvio-padro igual a
10 MPa.
3) O volume preenchido por uma mquina automtica para latas de refrigerantes apresenta-se
normalmente distribudo com uma mdia de 12,4 cm3 e desvio-padro igual a 0,1 cm3.
se todas latas com volume menor que 12,1 ou maiores que 12,6 devem ser
descartadas, qual a porcentagem de latas nessa situao?
que apresenta mdia igual a 8,2 minutos e desvio-padro de 1,5 minutos. Suponha que uma
amostra aleatria de 49 passageiros foi observada. Qual a probabilidade de que o tempo
mdio de espera seja:
entre 5 e 10 minutos
7) Uma amostra aleatria n1 = 16 foi retirada de uma populao normal com mdia igual a 75
e desvio-padro igual a 8. Uma segunda amostra aleatrio n2 = 9 foi retirada de uma outra
populao normal com mdia 70 e desvio-padro igual a 12. Determine:
Calibre 1
Calibre 2
2,65
2,64
2,65
2,65
2,66
2,64
2,67
2,66
2,67
2,67
2,65
2,68
2,67
2,64
2,67
2,65
2,65
2,65
10
2,68
2,67
11
2,68
2,68
12
2,65
2,69
68
Usando = 0,05, defina se existe uma diferena significativa entre as mdias das
populaes representadas pelas duas amostras.
10) A tenso limite de resistncia de uma liga metlica deve ser no mnimo igual a 150 MPa.
Estudos prvios indicaram que o desvio padro da tenso igual a 3 MPa. Uma amostra
aleatria de 10 corpos-de-prova foi ensaiada e a tenso mdia observada foi de 148 MPa.
Considerando um valor de = 0,05, pode-se considerar aceitvel a liga analisada? Qual o
intervalo de confiana para uma porcentagem de 95%?
11) Estabelea um teste para verificar se a modificao das condies de tratamento trmico
de uma dada pea metlica acarreta melhoria de sua resistncia mecnica.
12) Deseja-se verificar se a modificao das condies de tratamento trmico influem na
tenso limite de escoamento de uma liga metlica. Foram ensaiadas quatro condies
distintas, obtendo-se os resultados mostrados na tabela a seguir:
Condio de
Tratamento
1
312,9
300,0
286,5
289,0
320,0
330,0
297,5
315,0
280,0
290,0
298,5
305,0
260,0
270,0
260,0
276,5
764,6
764,4
765,2
764,5
764,5
765,7
765,4
764,8
765,3
765,2
764,9
764,6
765,1
764,6
14) Uma pequena amostra (n<20) de medidas para determinao do coeficiente de arrasto
CD de uma asa esto mostrados abaixo:
69
0,043
0,052
0,050
0,049
0,053
0,055
0,047
0,046
0,049
0,051
Tear
Produo (kg/min)
14,0
14,1
14,2
14,0
14,1
13,9
13,8
13,9
14,0
14,0
14,1
14,2
14,1
14,0
13,9
13,6
13,8
14,0
13,9
13,7
13,8
13,6
13,9
13,8
14,0
2
d) Determine o intervalo para 95% de confiana de 2
+ 2
16) Vrios fornos de uma forjaria so usados para aquecimento de tarugos. Supe-se que
todos os fornos operam na mesma temperatura, embora suspeite-se que isso no ocorra na
prtica. Trs fornos foram selecionados aleatoriamente e suas temperaturas foram medidas
em aquecimentos sucessivos, fornecendo os seguintes resultados:
Forno
Temperatura
491,50
498,30
498,10
493,50
488,50
484,65
479,80
477,35
490,10
484,80
488,25
473,00
493,60
471,85
478,65
70
i =1
i =1
18) Uma varivel aleatria que apresenta-se normalmente distribuda, tem mdia
desconhecida e varincia conhecida igual a 2 = 9. Determine o tamanho de amostra
necessrio para obter-se um intervalo com 95% de confiana para a mdia, sendo que o
comprimento total desse intervalo deve ser igual a 1,0.
19) Duas mquinas so usadas para preencher garrafas com um volume lquido de 160 ml. Os
processos de preenchimento so assumidos como normais, com desvio padro de 0,15 para a
primeira mquina e 0,18 para a segunda. A engenharia de qualidade suspeita que ambas
mquinas preenchem o mesmo volume lquido, mesmo que esse volume no seja igual a 160
ml.
Uma amostra aleatria foi tomada para cada mquina, obtendo-se:
Mquina 1
Mquina 2
160,3
160,1
160,2
160,3
160,4
159,6
159,7
160,4
160,5
159,8
159,6
160,2
160,5
160,2
160,1
160,1
160,2
159,9
159,9
160,0
21) Um artigo do Journal of Strain Analysis (vol. 18, no.2, 1.983), compara diversos
procedimentos para prever a tenso limite de cisalhamento de um dado componente metlico.
Foram obtidos dados experimentais para nove diferentes componentes, utilizando dois dos
procedimentos, como segue:
O procedimento empregado influi nos resultados da tenso limite? (Use a tcnica de
comparao por pares - blocos).
Componente
1
2
3
4
5
6
7
8
9
Procedimento 1
1.186
1.151
1.322
1.339
1.200
1.402
1.365
1.537
1.559
Procedimento 2
1.061
0.992
1.063
1.062
1.065
1.178
1.037
1.086
1.052
H 0 : 1 = 2
H 0 : 1 2
onde as varincias das duas populaes (12 e 22) so conhecidas. Nossos recursos
experimentais so limitados de tal modo que n1 + n2 = N. Como poderamos alocar entre as
populaes, os N corpos-de-prova disponveis de modo que obtivssemos o teste de hipteses
mais objetivo?
23) Um fabricante de televisores est interessado no efeito de quatro diferentes tipos de
recobrimento para tubos catdicos, sobre a condutividade. Aps o planejamento
experimental, obtiveram-se os seguintes resultados:
Tipo de recobrimento
Condutividade
143
141
150
146
152
149
137
143
134
136
132
127
129
127
132
129
72
Catalisador nmero 1
Catalisador nmero 2
91,5
89,2
94,2
91,0
95,4
93,2
91,8
97,2
89,1
--
73
Corpo-de-prova
Procedimento nmero 1
Procedimento nmero 2
1,2
1,4
1,3
1,7
1,5
1,5
1,4
1,3
1,7
2,0
1,8
2,1
Qual o erro aceito para afirmar-se que ambos procedimentos oferecem resultados iguais?
27) Ensaios foram realizados para determinar se a temperatura de queima afeta a densidade
de um tipo de tijolo refratrio. Foram definidas quatro temperaturas de ensaio e os resultados
so mostrados a seguir:
Temperatura
Densidade
(C)
100
21,8
21,5
21,7
21,6
21,7
125
21,7
21,4
21,5
21,6
--
150
21,9
21,9
21,8
21,5
21,6
74
Ambiente
10
Freqncia
1
0.1
Ar
gua
Sal e gua
2.29
2.06
1.90
2.47
2.05
1.93
2.48
2.23
1.75
2.12
2.03
2.06
2.65
3.20
3.10
2.68
3.18
3.24
2.06
3.96
3.98
2.38
3.64
3.24
2.24
11.00
9.96
2.71
11.00
10.01
2.81
9.06
9.36
2.08
11.30
10.40
75
Carro
Aditivo
17
14
13
12
13
10
13
12
12
14
14
12
13
11
11
11
12
10
32) Num processo qumico estudado, h duas variveis mais importantes: a presso e a
temperatura. Trs nveis de cada um desses fatores so selecionados, e um planejamento
fatorial com duas rplicas foi realizado. Os dados so apresentados a seguir. Pede-se para
analisar os dados e concluir sob que condies operaria o processo.
Presso
Temperatura
200
215
230
Baixa
90.4
90.7
90.2
90.2
90.6
90.4
90.1
90.5
89.9
90.3
90.6
90.1
90.5
90.8
90.4
90.7
90.9
90.1
Mdia
Alta
33) Johnson e Leone (Statistics and Experimental Design in Eng. and Phis. Sciences, Wiley,
1.977) descrevem um experimento para investigar o empenamento de chapas de cobre. Os
dois fatores estudados foram a temperatura e a composio das chapas. A varivel de resposta
medida foi o grau de empenamento, como segue com duas rplicas para cada combinao:
Composio qumica (% de cobre)
Temperatura
40
60
80
100
50
17
20
16 21
24 22
28 27
75
12
18
13
17 12
27 31
100
16 12
18 21
25 23
30 23
125
21 17
23 21
23 22
29 31
76
34) Quais informaes voc exigiria que constassem das especificaes tcnicas de um
instrumento para pesquisa cientfica? Justifique sua resposta.
35) Um artigo da American Industrial Hygiene Association Journal (vol. 37, 1.976, pp.
418-422) descreve um teste utilizado para detectar a presena de impurezas em amostras
retiradas de quatro operrios. Comparou-se a influncia do procedimento de teste, a partir de
ensaios realizados por um estagirio, por um tcnico e no laboratrio. Os resultados de
concentrao de impurezas em ppm so mostrados a seguir:
Operrio
Teste
Estagirio
0.05
0.05
0.04
0.15
Tcnico
0.05
0.05
0.04
0.17
Laboratrio
0.04
0.04
0.03
0.10
Imerso
Asperso
Primer
1
4.0
4.5
4.3
5.4
4.9
5.6
5.6
4.9
5.4
5.8
6.1
6.3
3.8
3.7
4.0
5.5
5.0
5.0
77
38) Um processo qumico foi avaliado usando cinco bateladas de matria-prima, cinco
concentraes de cido, cinco tempos de permanncia (A, B, C, D, E) e cinco concentraes
de catalisador (, , , , ), obtendo os seguintes resultados:
a) Analise o planejamento experimental utilizado.
b) Que concluses podem ser tiradas a partir dos resultados apresentados?
Concentrao de cido
Matria-prima
A = 26
B = 16
C = 19
D = 16
E = 13
B = 18
C = 21
D = 18
E = 11
A = 21
C = 20
D = 12
E = 16
A = 25
B = 13
D = 15
E = 15
A = 22
B = 14
C = 17
E = 10
A = 24
B = 17
C = 17
D = 14
78
79