PLANEJAMENTO_EXPERIMENTO_2014
-
Upload
ataremessias -
Category
Documents
-
view
52 -
download
12
Transcript of PLANEJAMENTO_EXPERIMENTO_2014
-
PLANEJAMENTO DE EXPERIMENTOS
1. SEMESTRE/2014
-
2
O presente material foi elaborado com o objetivo de facilitar as atividades em sala de
aula, seguindo muito de perto a bibliografia apresentada no final do texto. Esclarece-se que o
material, no substitui a bibliografia apresentada, portanto, necessrio consultar os livros
recomendados.
Profa. Sachiko Araki Lira
-
3
SUMRIO
1 INTRODUO ........................................................................................................................ 4
2 PLANEJAMENTOS EXPERIMENTAIS.................................................................................... 5 2.1 Definies Importantes no Planejamento de Experimentos .................................................. 5 2.2 Planejamento com um nico Fator ....................................................................................... 6 2.3 Diagnstico do Modelo ....................................................................................................... 10
3 EXPERIMENTOS FATORIAIS .............................................................................................. 15 3.1 Experimentos Fatoriais com 2 Fatores - sem Repetio ..................................................... 15 3.2 Experimentos Fatoriais com 2 Fatores - com Repetio ..................................................... 22 3.3 Comparaes Mltiplas de Mdias ..................................................................................... 28 3.3.1 Modelos de classificao a dois critrios (dois fatores) sem repetio ............................... 28 3.3.2 Modelos de classificao a dois critrios (dois fatores) com repetio ............................... 29 3.4 Determinao do Tamanho da Amostra ............................................................................ 31
3.5 Experimento k2 Fatorial ................................................................................................... 34
3.5.1 Experimento Fatorial 22 .......................................................................................................... 35
3.5.2 Experimento Fatorial 32 ............................................................................................................ 40 3.5.3 Experimentos Fatoriais sem Rplicas .................................................................................... 43
3.5.4 Adio de Pontos Centrais a um Planejamento k2 ............................................................ 48 3.6 Experimentos Fatoriais Fracionados (Cada Fator com Dois Nveis) ................................... 51 3.6.1 Delineamento de um Experimento Fatorial Fracionrio ........................................................ 51
4 EXPERIMENTO EM QUADRADO LATINO ........................................................................... 68
5 MTODOS E PLANEJAMENTOS DE SUPERFCIE DE RESPOSTA ................................... 74 5.1 Mtodo de Ascendente de Maior Inclinao (Steepest Ascent) .......................................... 75 5.2 Anlise de uma Superfcie de Resposta de Segunda Ordem ............................................. 79 5.2.1 Planejamento Composto Central (central composite design) .............................................. 79
BIBLIOGRAFIA ........................................................................................................................ 82
TABELA A1 - DISTRIBUIO DE t DE STUDENT ........................................................................ 84
TABELA A2 - DISTRIBUIO DE 2 ........................................................................................... 85
TABELA A3 - DISTRIBUIO DE F DE SNEDECOR (Nvel de Significncia de 1%) ........................ 86
TABELA A4 - DISTRIBUIO DE F DE SNEDECOR (Nvel de Significncia de 5%) ........................ 87
TABELA A5 - DISTRIBUIO DE F DE SNEDECOR (Nvel de Significncia de 10%) ....................... 88
TABELA A6 DISTRIBUIO DE Fmx ......................................................................................... 89
TABELA A7 VALORES CRTICOS PARA TESTE DE COCHRAN (OUTLIERS DA VARINCIA) ....... 90
TABELA A8 - VALORES MNIMOS DE PARA CERTOS VALORES MXIMOS DE E ........... 91
TABELA A9 - VALORES CRTICOS DA DISTRIBUIO DA ESTATSTICA D DE K-S, SEGUNDO
LILLIEFORS ............................................................................................................................... 92
TABELA A10 - COEFICIENTES 1ina PARA O TESTE DE NORMALIDADE w DE SHAPIRO-
WILK ......................................................................................................................................... 93
TABELA A11 - VALORES CRTICOS DA ESTATSTICA w DE SHAPIRO-WILK .............................. 94
TABELA A12 VALORES CRTICOS PARA O TESTE DE COCHRAN ............................................ 95
TABELA A13 - VALORES CRTICOS PARA q (TESTE DE TUKEY) ............................................... 96
-
4
1 INTRODUO
O planejamento de experimentos, chamado tambm de delineamento de experimentos,
compreende um conjunto de ensaios estabelecido com critrios cientficos e estatsticos, e tem
como objetivo determinar a influncia de diversas variveis nos resultados de um dado sistema
ou processo.
A metodologia para elaborao de experimentos foi proposta por Ronald A. Fisher, em
seu livro Design of Experiments (1935). Ele descreveu como testar a hiptese da possibilidade
de uma certa senhora distinguir, s pelo sabor, se o leite ou o ch foi colocado primeiro na
xcara. Esta aplicao lhe permitiu ilustrar as ideias mais importantes do desenho experimental.
Nas diversas reas que envolvem pesquisa, h interesse em saber quais variveis so
importantes no estudo que se est realizando, assim como a variabilidade das variveis
envolvidas. O planejamento experimental atualmente amplamente utilizado para resolver
esse tipo de problema. De acordo com o objetivo dos ensaios possvel:
a) determinar quais variveis tm maior influncia nos resultados;
b) atribuir valores s variveis de maior influncia de modo a otimizar os resultados;
c) atribuir valores s variveis de maior influncia de modo a minimizar a variabilidade dos
resultados;
d) atribuir valores s variveis de maior influncia de modo a minimizar a influncia de variveis
no controlveis.
O planejamento experimental uma ferramenta essencial no desenvolvimento de novos
processos e no aprimoramento de processos em utilizao. Um planejamento adequado
possibilita, 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 a otimizao de seu desempenho.
Os mtodos bsicos usados para realizar um eficiente planejamento experimental tm
como objetivos:
a) a seleo do melhor modelo entre uma srie de modelos plausveis;
b) a estimao eficiente de parmetros do modelo selecionado.
Todo planejamento experimental comea com uma srie inicial de experimentos, com o
objetivo de definir as variveis e os nveis importantes. Podem-se ter variveis qualitativas (tipo
de catalisador, tipo de equipamento, operador, etc.) e quantitativas (temperatura, presso, ph
do meio, etc.).
Antes de comear a realizar os experimentos, os objetivos e os critrios devem estar
bem claros, de modo a dar subsdios para a escolha:
-
5
1) das variveis envolvidas nos experimentos;
2) da faixa de variao das variveis selecionadas;
3) dos nveis escolhidos para essas variveis. No caso de muitos fatores, melhor escolher
inicialmente dois nveis;
4) da varivel de resposta;
5) do planejamento experimental. Nessa etapa, h que se considerar o tamanho da amostra
(nmero de rplicas), a seleo de uma ordem de realizao dos experimentos e se h
vantagem em fazer a blocagem dos experimentos; dos mtodos de anlise dos resultados
dos experimentos. Os mtodos estatsticos so usados para guiar uma tomada objetiva de
deciso.
Anlise do planejamento de experimentos foi construda sobre o fundamento da anlise
de varincia, que um conjunto de modelos em que a variao observada dividida em
componentes, devido a diversos fatores, que so estimados e / ou testados.
2 PLANEJAMENTOS EXPERIMENTAIS
2.1 Definies Importantes no Planejamento de Experimentos
Experimento: definido como um ensaio ou uma srie de ensaios nos quais so feitas
mudanas propositais nas variveis de entrada de um processo ou sistema, de forma que se
possa observar e identificar as razes para mudanas na resposta de sada (CALEGARE,
2009).
Fator (varivel independente): Um fator uma varivel, podendo ser controlada ou no, que
exerce influncia sobre a resposta (varivel dependente) que est sendo estudada no
experimento. Um fator pode ser uma varivel quantitativa, por exemplo, a temperatura em
graus, o tempo em segundos, a presso em pascal (Pa). Pode, tambm, ser varivel
qualitativa, como por exemplo, diferentes mquinas, diferentes operadores, interruptor ligado
ou desligado.
Nvel: Os nveis de um fator so os valores assumidos pelo fator. Para os fatores quantitativos,
cada valor constituiu um nvel, isto , se o experimento conduzido em trs temperaturas
diferentes, ento o fator temperatura possuiu trs nveis. J, no caso dos fatores
qualitativos, o interruptor ligado ou desligado representa dois nveis para o fator interruptor;
caso estejam sendo utilizadas seis mquinas por trs operadores, ento o fator mquina tem
seis nveis, enquanto o fator operador tem trs nveis.
Tratamento: Tratamento um nvel atribudo a um nico fator durante um experimento, como
por exemplo, a temperatura a 800 graus.
-
6
Uma combinao de tratamento o conjunto de nveis para todos os fatores num dado
experimento. Por exemplo, um experimento utilizando temperatura de 800 graus, mquina 3,
operador A, e interruptor desligado constituir-se-ia numa combinao de tratamento.
Unidades Experimentais: As unidades experimentais so os objetos, materiais ou unidades
aos quais se aplicam os tratamentos. Podem ser materiais naturais, objetos, pessoas, etc.
Bloco: Um fator no experimento que exerce influncia como fonte de variabilidade chamado
bloco. Um Bloco uma poro do material experimental ou do meio experimental que
apresenta uma probabilidade maior de homogeneidade em si mesma do que entre pores
diferentes. Por exemplo, amostras de um nico lote de material tm mais probabilidade de
serem uniformes do que amostras de lotes diferentes. Um grupo de amostras de um nico lote
considerado um bloco. As observaes feitas num mesmo dia tm mais probabilidade de
homogeneidade (variao menor) do que observaes feitas por dias a fio. Dias torna-se,
ento, um fator de blocagem.
Delineamento de Experimento: O plano formal para a conduo do experimento chamado
delineamento de experimento ou modelo experimental. Ele inclui a escolha de respostas,
fatores, nveis, blocos e tratamentos.
Aleatorizao: A sequncia de experimentos e/ou a atribuio de amostras a diferentes
combinaes de tratamento de maneira puramente casual denominada Aleatorizao. Tal
atribuio aumenta a probabilidade de que o feito de variveis incontrolveis seja eliminado.
Tambm aprimora a validade das estimativas da varincia dos erros experimentais e torna
possvel a aplicao de testes estatsticos de significncia, alm de construo de intervalos de
confiana. Sempre que possvel, a aleatorizao deve fazer parte do experimento.
Replicao : A replicao a repetio de uma observao ou medio de modo a aumentar
a preciso ou fornecer os meios para medir a preciso. Uma replicao nica consiste de uma
nica observao ou realizao do experimento.
Proporciona uma oportunidade para que se eliminem os efeitos de fatores incontrolveis ou de
fatores desconhecidos pelo experimentador e assim, a aleatorizao, atua como ferramenta
diminuidora de tendncias. A replicao tambm ajuda a detectar erros graves nas medies.
Nas replicaes de grupos de experimentos, diferentes aleatorizaes devem ser aplicadas a
cada grupo.
2.2 Planejamento com um nico Fator
Experimentos com um nico fator so aqueles com apenas uma nica varivel de
interesse para o estudo. Os testes de hipteses para comparao de duas mdias (ou dois
-
7
tratamentos), so casos particulares desse tipo de situao. No entanto, estes procedimentos
somente podem ser utilizados em situaes onde o nmero de tratamentos em estudos no
mximo igual a dois. Usualmente, os estudos experimentais tm por objetivo comparar trs ou
mais tratamentos, ou ainda, nessa situao, estudar um fator de interesse que apresenta trs
ou mais possveis valores (tratamentos). Por exemplo, h interesse em estudar o rendimento
de uma dada reao qumica considerando trs diferentes tipos de catalisadores. Nesse caso
existe um nico fator.
Modelo Estatstico
A anlise estatstica para verificar o problema em estudo (igualdade ou no dos
tratamentos) passa pelo ajuste de um modelo linear estatstico definido da seguinte forma:
jiijix
onde:
jix a varivel aleatria denotando o i-simo tratamento e j-sima unidade experimental;
o efeito comum a todos os tratamentos, chamado de mdia global;
i o efeito especfico do i-simo tratamento;
ji o erro aleatrio (parte da resposta no representada pelo modelo).
A suposio do modelo de que os erros ij sejam normal, independentes e
identicamente distribudos, ou seja, ji so iid ),0(N2 . Assim, cada tratamento pode ser
pensado como sendo uma populao normal com mdia zero e varincia 2 .
Notao utilizada:
N nmero total de elementos observados;
i nmero de tratamentos: 1,2,...,a
j nmero de observaes de cada tratamento: 1,2,..., n
in nmero de elementos no tratamento i;
n
x
X
n
1jji
i
a mdia dos tratamentos (i=1,2,...,a)
N
x
X
a
1i
n
1jji
a mdia total
onde: naN
-
8
TRATA-MENTOS
OBSERVAES ( jix ) SOMAS MDIAS
1 11x 12x ... n1x 1x 1X
2 21x 22x ... n2x 2x 2X
... ... ... ... ... ... ...
a 1ax 2ax ... nax ax aX
x X
Clculo das Varincias
A ANOVA um teste de mdias, utilizando as varincias e ela analisa as variaes
dentro da amostra (variaes aleatrias) e as variaes entre amostras (variaes explicadas).
Varincia Total
A varincia total 2 estimada considerando-se todas as amostras reunidas em uma
nica amostra. Isso ser possvel devido hiptese inicial (suposio do modelo) de que as
varincias populacionais so todas iguais a 2 . A varincia ser estimada atravs de:
1N
Xx
S
2
1i
n
1jji
2T
a
A expresso acima denominada de Quadrado Mdio Total (QMT) e o numerador, de
Soma de Quadrados Total (SQT), dado por:
N
2
1i
n
1j
2ji
2
1i
n
1jji
xx)Xx(SQT
aa
Essa estimativa ter sentido somente se a hiptese 0H for verdadeira, o que implica em
se ter todas as populaes normalmente distribudas de mesma mdia e mesma varincia.
Varincia entre Amostras (Tratamentos)
Sendo verdadeira a hiptese 0H , pode-se estimar a varincia 2 , atravs das mdias
de a amostras, ou seja, como se fosse uma amostra de a valores.
1a
)XX(n
S
a
1i
2ii
2E
A expresso acima denominada de Quadrado Mdio entre Amostras (QME) e o
numerador, de Soma de Quadrados entre Amostras (SQE). Ento:
N
x
n
x)XX(nSQE
2
1i i
2i
1i
2ii
aa
-
9
Desta forma possvel comparar as duas estimativas da varincia atravs de um teste
F, pois se 0H for verdadeira, ambas sero estimativas no viesadas de 2 e o valor do
quociente entre elas ser prximo de 1. Por outro lado, se o valor de F for elevado, pode-se
concluir que a 2ES superestima 2 e pode-se rejeitar 0H em favor de 1H .
Varincia Residual ( ou Varincia Dentro da Amostra)
Consiste em estimar as varincias dentro de cada amostra e em seguida estimar um
nico valor 2 , atravs da combinao dessas k varincias. A estimativa obtida atravs de:
)1n(a
Xx
S
a
1i
n
1j
2
iji2R
A expresso acima denominada de Quadrado Mdio Residual (QMR) e o numerador,
de Soma de Quadrados Residuais (SQR).
21i
n
1j
iji )Xx(SQRa
Tem-se que:
SQESQTSQR
QUADRO DA ANLISE DE VARINCIA - ANOVA
FONTE DE
VARIAO SOMA DE QUADRADOS G.L QUADRADOS MDIOS F
Entre amostras
(Tratamentos) N
x
n
xSQE
2
1i i
2i
a
1a 1a
SQEQME
QMR
QMEF Dentro da amostra
(residual) SQESQTSQR )1n(a
)1n(a
SQRQMR
Total N
2
1i
n
1j
2ji
xxSQT
a
1na
Se tabcalc FF , para um nvel de significncia , rejeita-se 0H . O valor de tabF dado
com )1n(a);1a( 21 graus de liberdade.
No experimento com amostras de tamanhos diferentes (desbalanceado), pode-se
utilizar o mtodo apresentado fazendo uma adaptao para o ndice j ( j nmero de
observaes ). Este ndice variar de 1 a in , sendo in o tamanho da i-sima amostra.
-
10
2.3 Diagnstico do Modelo
Deve-se verificar se as suposies estabelecidas para obteno do ajuste e teste dos
parmetros, so satisfeitas.
A suposio do modelo de que os erros ij sejam normal, independentes e
identicamente distribudos, ou seja, i j so iid ),0(N2 . Assim, cada tratamento pode ser
pensado como sendo uma populao normal com mdia zero e varincia 2 .
Para atender a suposio acima, faz-se necessrio verificar as seguintes questes:
Presena de valores extremos (outliers)
Independncia (aleatoriedade)
Normalidade
Homocedasticidade (varincia constante)
a) Identificao de Valores Extremos (outliers)
A identificao de valores extremos (discrepantes) faz parte da anlise descritiva e
exploratria dos dados. No caso de planejamento de experimentos, alguns procedimentos
especficos podem ser destacados, na busca da verificao da existncia de valores extremos.
Procedimentos usuais que auxiliam na anlise descritiva e exploratria destes dados
o Box Plot. possvel utilizar esses procedimentos a partir de:
(i) dados originais: para se verificar a presena de valores extremos (ou dados discrepantes)
pode-se utilizar o Box Plot. Deve-se verificar, neste caso, valores que se destacam dos
demais na apresentao dos valores observados.
(ii) resduos: uma alternativa para identificao de valores extremos a utilizao dos
resduos do modelo estimado, ou seja:
jijijiji yye
Nota: Diversos autores propem o uso dos chamados resduos padronizados no lugar dos
resduos ordinrios acima definidos. Os resduos padronizados so definidos por:
QMR)(Var
ji
ji
ji
Como procedimento alternativo, considerando que os erros tm distribuio ),0(N 2 ,
pode-se esperar que a mdia contm aproximadamente 68% dos dados, a mdia
2 contm aproximadamente 95% dos dados e a mdia 3 contm aproximadamente
99% dos dados. Desta forma, podem ser considerados valores extremos aqueles que forem
superiores a 3 .
-
11
Identificado um valor extremo, normalmente ele excludo da anlise. No entanto, na
pratica, o pesquisador quem deve definir se um valor extremo pode realmente ser assim
considerado. Pois os valores extremos podem fornecer informaes importantes sobre o
experimento e estatisticamente demonstrar que uma outra distribuio deve melhor
representar o comportamento dos dados.
b) Verificando a Independncia ( erros no correlacionados):
A independncia dos resduos, usualmente avaliada atravs de um grfico dos
valores preditos (ou ajustados) versus resduos. Na hiptese de ser satisfeita a suposio de
independncia no dever existir nenhum padro neste grfico, ou seja, nenhum
comportamento no aleatrio dos valores observados.
FIGURA 1 INDEPENDNCIA
FIGURA 2 NO INDEPENDNCIA
Existindo o registro da ordem de obteno dos valores, recomenda-se o uso do
grfico dos resduos versus a ordem de coleta de forma a verificar algum padro na resposta
e, consequentemente uma dependncia entre as observaes.
-
12
c) Verificando a Normalidade
A suposio de normalidade dos resduos pode ser verificada graficamente ou atravs
de testes. Graficamente, usual a utilizao do grfico normal probabilstico e os testes mais
utilizados so: Teste de Shapiro-Wilk e Kolmogorov-Smirnov com correo de Lilliefors.
Teste de Shapiro-Wilk
O mtodo de Shapiro-Wilk fornece o valor da estatstica W, variando de 0 a 1. A
estatstica do teste dada por:
n
1i
2i
2
)Xx(
bW , onde
2/)1n(
1i
2/n
1i
mparnse)xx(a
parnse)xx(a
b
)i()1in(1in
)i()1in(1in
em que n21 x...xx so dados ordenados, em ordem crescente, e os sai so constantes
tabelados.
Este teste utilizado quando o conjunto de observaes pequeno )50n( .
A estatstica W comparada ao valor obtido em tabelas, caso tabWW , o teste rejeita
oH , indicando a no normalidade das observaes.
d) Verificando a Homocedasticidade:
A suposio de homocedasticidade significa que a variabilidade entre repeties de um
mesmo tratamento deve ser semelhante a dos demais tratamentos. A verificao desta
suposio pode ser feita atravs do uso de testes ou por meio de anlise grfica.
(i) Testes de Homocedasticidade (homogeneidade das varincias):
1. Passo: Hipteses
2k
22
21 ...:Ho (as varincias entre as populaes so homogneas)
:H1 i,i t.q. 22
ii (as varincias entre as populaes so heterogneas)
2. Passo: Escolha do nvel de significncia
3. Passo: Estatstica apropriada
4. Passo: Definio da regio crtica
5. Passo: Concluso
Diferentes testes so propostos na literatura para testar a hiptese acima. Os testes
mais conhecidos so:
a) Teste de Bartlett: Pode ser utilizado para qualquer nmero de repeties nos tratamentos;
b) Teste de Cochran: Pode ser utilizado para qualquer nmero de repeties nos tratamentos.
-
13
Teste de Bartlett
O teste de Bartlett dever ser aplicado quando as populaes cujas homogeneidades
sero testadas, apresentarem distribuio normal.
A estatstica para testar a hiptese 2k22
21:0 ...H contra :H1 pelo menos uma das
varincias diferente das demais, dada por:
k
1i
2ii
k
1i
2ii
2 Slogkn
S
log)kn(c
3026,2
em que:
k
1iinn
1nii
k
1i kn
11
)1k(3
11C
i
2iS a varincia da amostra i, i=1,2,...,k
in o tamanho da amostra i, i=1,2,...,k
A estatstica 2 calculada pela expresso acima tem 1k graus de liberdade. Portanto,
se 2 ;1k2
1k , rejeita-se 0H .
Duas precaues na utilizao do teste de Bartlett:
1) O teste de Bartlett fortemente sensvel Normalidade das observaes subjacentes.
2) A distribuio 2 apenas assinttica. Uma regra comum considerar que o teste apenas
deve ser usado caso 5ni , k...,,2,1i .
Teste de Cochran
um teste muito simples e de fcil execuo, que consiste em calcular todas as
varincias envolvidas no experimento e dividir a maior delas pela soma de todas. O valor
resultante da diviso ento comparado com os valores crticos de uma tabela estatstica
apropriada, que leva em conta o nmero de varincias envolvidas (k) e o nmero de graus de
liberdade utilizado nos clculos. O tamanho da amostra in deve ser igual para todos os grupos.
Estatstica do teste para testar as hipteses 2k22
21 ...:Ho contra :H1 i,i t.q.
22
ii dada por:
k
1i
2i
2max
S
SC
Rejeita-se a hiptese 0H se ,n,kCC .
-
14
(ii) Anlise Grfica para Verificao da Homocedasticidade:
a) Box Plot dos Tratamentos versus Resduos:
Se existe homocedasticidade, espera-se que os Box Plots sejam semelhantes, ou
seja, apresentem um variabilidade muito prxima nas caixas dos diferentes tratamentos.
Se existe heterocedasticidade, a variabilidade diferente entre as caixas. s vezes, a
heterocedasticidade pode ser tambm um indicio da falta de normalidade. Problema: Pequenas
Amostras.
FIGURA 3 BOX PLOT DOS RESDUOS
b) Grfico de Disperso dos Valores Estimados versus Resduos:
O grfico dos valores estimados versus resduos , no caso de experimentos com
um fator (ONEWAY), semelhante ao grfico de tratamento versus resduos. Este no ser
o caso quando dois ou mais fatores estiverem envolvidos na anlise.
Se existe homocedasticidade, espera-se que os desvios se distribuam de forma homognea
dentre de um mesmo intervalo. Se os desvios apresentarem variao com diferentes
amplitudes, tem-se a situao de heterocedasticidade.
FIGURA 4 VARINCIA CONSTANTE
FIGURA 5A VARINCIA NO CONSTANTE
-
15
FIGURA 5B VARINCIA NO CONSTANTE
Violaes aos pressupostos do modelo no tm sempre igual gravidade. Alguns
comentrios gerais:
1) O teste F da ANOVA relativamente robusto a desvios hiptese de normalidade;
2) As violaes ao pressuposto de varincias homogneas so em geral pouco graves no caso
de delineamentos equilibrados, mas podem ser mais graves em delineamentos no
equilibrados;
3) A falta de independncia entre erros aleatrios a violao mais grave dos pressupostos e
deve ser evitada, o que em geral possvel com um delineamento experimental adequado.
3 EXPERIMENTOS FATORIAIS
Existem situaes experimentais onde as unidades experimentais so heterogneas,
devido presena de uma (ou mais) fonte(s) de variao(es) conhecida(s) e que pode(m)
ser controlada(s) quando da realizao do experimento.
O experimento fatorial utilizado quando dois ou mais fatores esto sendo estudados
em dois ou mais nveis e a interao entre os fatores pode ser importante.
De acordo com o nmero de fontes de variabilidade conhecidas que tornam as
unidades homogneas, tem-se diferentes tipos de planejamento:
a) experimentos fatoriais com 2 fatores;
b) experimentos fatoriais com 3 fatores;
c) experimentos k2 fatorial.
3.1 Experimentos Fatoriais com 2 Fatores - sem Repetio
Seja o experimento com um fator A com a tratamentos e um fator B com b
tratamentos. Deve-se realizar ensaios com todas as combinaes dos tratamentos de A e B,
totalizando )ba( ensaios.
-
16
FATOR A (linhas)
FATOR B (colunas)
1C 2C ... bC
1L 11x 12x ...
b1x
2L 21x 22x ...
b2x
... ... ... ... ...
aL 1ax 2ax ...
abx
Modelo Estatstico
jijijiy , a...,,2,1i ; b...,,2,1j
onde:
o efeito comum que independe dos fatores;
i o efeito do fator A (linha);
j o efeito do fator B (coluna);
ji o erro aleatrio que apresenta mdia nula e varincia 2 .
Notao utilizada:
i nmero de linhas: a...,,2,1 ;
j nmero de colunas: b...,,2,1 ;
abN nmero total de elementos observados.
As mdias entre linhas (fator A), entre colunas (fator B) e total, so dadas por:
b
X
X
b
1jji
i
mdia entre linhas
a
x
X
a
1iji
j
mdia entre colunas
N
x
X
a
1i
b
1jji
mdia total
As hipteses a serem testadas so:
1) ... a21 ...:H01 (linhas)
b21 ... ...:H02 (colunas)
2) :H 11 pelo menos uma das mdias .i diferente das demais
:H 21 pelo menos uma das mdias j. diferente das demais
-
17
Estudo das variaes
Variao total
N
x
xXxSQT
2a
1j
b
1iji
a
1j
b
1i
2ji
2a
1j
b
1iji
SQT tem distribuio 2 com (N-1) graus de liberdade.
Variao devido ao 1. Fator (entre linhas)
N
x
b
x
XXSQL
2b
1j
a
1iji
a
1i
2b
1jji
b
1j
a
1i
2
i
SQL tem distribuio 2 com (n-1) graus de liberdade.
Variao devido ao 2. Fator (entre colunas)
N
x
a
x
XXSQC
2b
1j
a
1iji
b
1j
2a
1iji
2
j
a
1i
b
1j
SQC tem distribuio 2 com (k-1) graus de liberdade.
Variao residual ou aleatria
SQCSQLSQTXXXxSQR2a
1i
b
1j
jiji
SQR tem distribuio 2 com (a-1)x(b-1) graus de liberdade.
Tem-se que: SQRSQCSQLSQT
possvel demonstrar que cada uma das variaes dividida pelos seus respectivos
graus de liberdade uma estimativa no viesada de 2 , quando se supe que no hajam
diferenas significativas nas mdias das linhas ou nas mdias das colunas ( 0H verdadeira).
1a
XX
S
b
1j
a
1i
2
i
2L
1b
XX
S
a
1i
b
1j
2
j
2C
)1b()1a(
XXXx
S
2a
1i
b
1j
jiji2R
-
18
O quadro da ANOVA para um experimento fatorial com 2 fatores - sem repetio
FONTE DE VARIAO (FV)
SOMA DE QUADRADOS
(SQ)
GRAUS DE LIBERDADE
(G.L.)
QUADRADO MDIO (QM)
ESTATSTICA F
Entre linhas SQL a-1 1a
SQLS2L
2R
2L
LS
SF
Entre colunas SQC b-1 1b
SQCS 2C
2R
2C
CS
SF
Residual SQR (a-1) (b-1) )1b()1a(
SQRS2R
Total SQT ab-1=N-1
Se ;)1b)(1a()1a(L ;FF , rejeita-se 0H e conclui-se que h diferena de mdia entre linhas. Se
;)1b)(1a()1b(C ;FF , rejeita-se 0H e conclui-se que h diferena de mdia entre colunas.
Exemplos de aplicao:
1) Um engenheiro resolveu testar a influncia do fator umidade, no tempo para incio de
oxidao de certo metal ferroso. Para isso, delineou um experimento com 4 nveis de umidade
relativa e temperatura em 3 nveis. Os resultados, em horas, so apresentados a seguir.
TEMPE-RATURA
UMIDADE RELATIVA (%)
90 80 70 60
85 oC 32 34 40 36
75 oC 35 36 40 42
65 oC 37 39 43 45
Testar a influncia dos dois fatores, com nvel de significncia de 5%.
Soluo:
1) ... a21 ...:H01 (linhas)
b21 ... ...:H02 (colunas)
2) :H 11 pelo menos uma das mdias .i diferente das demais
:H 21 pelo menos uma das mdias j. diferente das demais
TEMPE-RATURA
UMIDADE RELATIVA (%) SOMA DE
ix 90 80 70 60
85 oC 32 34 40 36 142
75 oC 35 36 40 42 153
65 oC 37 39 43 45 164
SOMA DE jx 104 109 123 123 459
-
19
VALORES AO QUADRADO
TEMPE-RATURA
UMIDADE RELATIVA (%) SOMA DE
2ix 90 80 70 60
85 oC 1.024 1.156 1.600 1.296 5.076
75 oC 1.225 1.296 1.600 1.764 5.885
65 oC 1.369 1.521 1.849 2.025 6.764
SOMA DE 2
jx 3.618 3.973 5.049 5.085 17.725
168,2512
459725.17
N
x
xSQT2
2b
1j
a
1iji
b
1j
a
1i
2ji
60,5012
459
4
164
4
153
4
142
N
x
b
x
SQL2222
2b
1j
a
1iji
a
1i
2b
1jji
94,9212
459
3
123
3
123
3
109
3
104
N
x
a
x
SQC22222
2b
1j
a
1iji
b
1j
2a
1iji
12,8392,9450,6025,168SQCSQLSQTSQR
Quadro da ANOVA a dois critrios de classificao - sem repetio
FONTE DE VARIAO (FV)
SOMA DE QUADRADOS
(SQ)
GRAUS DE LIBERDADE
(G.L.)
QUADRADO MDIO (QM)
ESTATSTICA F
Entre linhas 60,50 2 2
50,60S2L 14,143FL
Entre colunas 94,92 3 3
92,94S2C
14,792FC
Residual 12,83 6 6
83,12S2R
Total 168,25 11
Concluses:
Como 14,5FF 62;05,0L ; , rejeita-se 0H , portanto, existe diferena significativa entre os
tempos mdios segundo as temperaturas (linhas);
Como 76,4FF 63;05,0C ; , rejeita-se 0H , portanto, existe diferena significativa entre os
tempos mdios segundo as umidades relativas (colunas).
2) Um engenheiro de qualidade delineou um experimento para verificar se existe influncia dos
fatores temperatura e presso na quantidade percentual de impurezas resultantes na
-
20
fabricao de um produto qumico. Os resultados so apresentados na tabela abaixo. Verificar
se existem diferenas nos diversos tratamentos, usando nvel de significncia de 1%.
TEMPERATURA
PRESSO
30 35 40 45 50 55
100 oF 3,0 4,3 3,8 4,6 3,5 2,8
125 oF 2,9 4,1 3,6 4,4 3,6 2,2
Soluo:
.. 21:H01 (linhas)
621 ... ...:H02 (colunas)
:H 11 pelo menos uma das mdias .i diferente das demais :H 21 pelo menos uma das mdias j. diferente das demais
Nvel de significncia: 01,0
Clculo das Somas de Quadrados e Quadrados Mdios
TEMPERATURA
PRESSO (jix ) SOMA
DE ix 30 35 40 45 50 55
100 oF 3,0 4,3 3,8 4,6 3,5 2,8 22,0
125 oF 2,9 4,1 3,6 4,4 3,6 2,2 20,8
SOMA DE jx 5,90 8,40 7,40 9,00 7,10 5,00 42,8
TEMPERATURA
2jix
SOMA
DE 2ix 30 35 40 45 50 55
100 oF 9,0 18,5 14,4 21,2 12,3 7,8 83,2
125 oF 8,4 16,8 13,0 19,4 13,0 4,8 75,3
SOMA DE 2jx 17,4 35,3 27,4 40,5 25,2 12,7 158,5
Tem-se que:
67,3X1 mdia do percentual de impurezas - temperatura 1 (100 oF)
47,3X2 mdia do percentual de impurezas - temperatura 1 (125 oF)
95,2X 1 mdia do percentual de impurezas - presso 30
20,4X 2 mdia do percentual de impurezas - presso 35
70,3X 3 mdia do percentual de impurezas - presso 40
50,4X 4 mdia do percentual de impurezas - presso 45
55,3X 5 mdia do percentual de impurezas - presso 50
50,2X 6 mdia do percentual de impurezas - presso 55
-
21
Soma de quadrados:
87,512
8,425,158
N
x
xSQT2
2b
1j
a
1iji
b
1j
a
1i
2ji
(Total)
12,012
8,42
6
3,75
6
2,83
N
x
b
x
SQL222
2b
1j
a
1iji
a
1i
2b
1jji
(Entre linhas)
N
x
a
x
SQC
2b
1j
a
1iji
b
1j
2a
1iji
(Entre colunas)
62,512
8,42
2
7,12
2
2,25
2
5,40
2
4,27
2
3,35
2
4,17SQC
2222222
13,062,512,087,5SQCSQLSQTSQR (Residual)
Quadrados Mdios:
12,012
12,0
1a
SQLS2L
(Entre linhas)
1233,116
6167,5
1b
SQCS2C
(Entre colunas)
0260,0)16()12(
1300,0
)1b()1a(
SQRS2R
(Residual)
Estatstica F
6154,40260,0
12,0
S
SF
2R
2L
L (Entre linhas)
2051,430260,0
6167,5
S
SF
2R
2C
C (Entre colunas)
Utilizando o Sistema R:
ANOVA
Df Sum Sq Mean Sq F value Pr(>F)
temp 1 0.1200 0.1200 4.6154 0.0844215 .
pressao 5 5.6167 1.1233 43.2051 0.0004080 ***
Residuals 5 0.1300 0.0260
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Concluso: Sendo o valor-p menor que 0,01, conclui-se que existe diferena de resultados de
impurezas devido variao do fator presso. No entanto, no possvel afirmar que existe
influncia da temperatura.
-
22
3.2 Experimentos Fatoriais com 2 Fatores - com Repetio
Neste caso, para cada tratamento so feitas n observaes, sendo 1n . Ou seja, tem-
se n observaes, correspondente ao cruzamento da linha )a...,,2,1i(i com a coluna
)b...,,2,1j(j , totalizando nba observaes.
Pelo fato de haver repeties, possvel obter uma estimativa de 2 dentro dos ab
tratamentos. A soma de quadrados dentro dos tratamentos ser representada por rSQT e ser
obtida atravs de:
N
x
n
xSQT
2b
1j
a
1i
n
1kkji2
jia
1i
b
1jr
O efeito dos tratamentos pode ser decomposto em uma parcela devida s diferenas
entre linhas e outra devida diferenas entre colunas. Ainda, deve-se considerar a existncia
de uma parcela adicional, referente interao entre linhas e colunas. As somas de quadrados
entre linhas, colunas e devido interao so dadas por:
N
x
bn
)x(SQL
2b
1j
a
1i
n
1kkji
a
1i
2i
N
x
an
)x(SQC
2b
1j
a
1i
n
1kkji
b
1j
2j
SQCSQLSQTSQI r
Tem-se que a soma de quadrados residual a diferena entre a soma de quadrados
total e soma de quadrados entre tratamentos.
N
x
xSQT
2b
1j
a
1i
n
1kkji
b
1j
a
1i
n
1k
2kji
rSQTSQTSQR
As estimativas das varincias sero dadas atravs das expresses a seguir:
1a
SQLS2L
1b
SQCS 2C
1ab
SQTS r2Tr
)1b()1a(
SQIS2I
-
23
)1n(ab
SQRS2R
1abn
SQTS2T
Quadro da ANOVA para um experimento fatorial com 2 fatores - com repetio
FONTE DE VARIAO (FV)
SOMA DE QUADRADOS
(SQ)
GRAUS DE LIBERDADE
(G.L.)
QUADRADO MDIO (QM)
ESTATSTICA F
Entre linhas SQL a-1 1a
SQLS2L
2R
2L
LS
SF
Entre colunas SQC b-1 1b
SQCS 2C
2R
2C
CS
SF
Interao SQI )1b()1a( )1b()1a(
SQIS2I
2R
2I
IS
SF
Residual SQR ab(n-1) )1n(ab
SQRS2R
Total SQT abn-1=N-1
Exemplos de aplicao:
1) Foram observados os tempos, em segundos, gastos por quatro operrios para montar certa
pea, segundo trs mtodos diferentes. Cada operrio montou duas peas segundo cada
mtodo, sendo os resultados fornecidos no quadro abaixo. considerada admissvel a
existncia de interao entre operrios e mtodos. Verificar, utilizando a anlise da varincia,
se existe diferena significativa entre os mtodos e/ou entre os operrios. Usar 05,0 .
MTODOS
OPERRIOS
1 2 3 4
1 54 46 55 51
52 47 54 60
2 59 61 59 56
57 55 61 57
3 59 63 63 59
62 58 61 60
Soluo:
Hipteses Estatsticas
1) ... 321:H01 (linhas) 321 ...:H02 (colunas)
2) :H 11 pelo menos uma das mdias .i diferente das demais :H 21 pelo menos uma das mdias j. diferente das demais 3) 0)(:H ji03
:H13 pelo menos um 0)( ji
-
24
MTODOS
jix
ix 1 2 3 4
1 106 93 109 111 419
2 116 116 120 113 465
3 121 121 124 119 485
jx 343 330 353 343 1.369
MTODOS
2sjix
b
1j
a
1i
n
1k
2kjix
1 2 3 4
1 2.916 2.116 3.025 2.601
2.704 2.209 2.916 3.600
2 3.481 3.721 3.481 3.136
3.249 3.025 3.721 3.249
3 3.481 3.969 3.969 3.481
3.844 3.364 3.721 3.600
b
1j
a
1i
n
1k
2kjix 78.579
286,33 24
369.1
8
485
8
465
8
419
N
x
bn
)x(SQL
2222
2b
1j
a
1i
n
1kkji
a
1i
2i
44,46 24
369.1
6
343
6
353
6
330
6
343
N
x
an
)x(SQC
22222
2b
1j
a
1i
n
1kkji
b
1j
2j
403,4624
369.1
2
119
2
124...
2
109
2
93
2
106
N
x
n
xSQT
222222
2b
1j
a
1i
n
1kjki2
jia
1i
b
1jr
67,7246,4433,28646,403SQCSQLSQTSQI r
488,9624
369.1579.78
N
x
xSQT2
2b
1j
a
1i
n
1kkji
b
1j
a
1i
n
1k
2kji
85,5046,40396,488SQTSQTSQR r
Quadro da ANOVA a dois critrios de classificao com repetio
FONTE DE VARIAO (FV)
SOMA DE QUADRADOS
(SQ)
GRAUS DE LIBERDADE
(G.L.)
QUADRADO MDIO (QM)
ESTATSTICA F
Entre linhas 33,286 2 2
33,286S2L 20,09 FL
Entre colunas 46,44 3 3
46,44S2C
2,08 FC
Interao 67,72 6 6
67,72S2I
1,70 FI
Residual 50,85 12 12
50,85S2R
Total 96,488 23
b
1j
a
1i
n
1kkji
x
-
25
I) 3,89 FF 122;05,0L ; , rejeita-se 0H , portanto, existe diferena significativa entre linhas;
II) 3,49FF 123;05,0C ; , aceita-se 0H , portanto, no existe diferena significativa entre as
colunas. III) 00,3FF 126;05,0I ; , aceita-se 0H , a interao no significativa.
Como a interao no significativa, a SQI pode ser somada SQR e justifica-se testar
as hipteses:
1) ... a21 ...:H01 (linhas)
b21 ... ...:H02 (colunas)
2) :H 11 pelo menos uma das mdias .i diferente das demais :H 21 pelo menos uma das mdias j. diferente das demais
Refazendo a anlise da varincia, tem-se:
Quadro da ANOVA a dois critrios de classificao com repetio
FONTE DE VARIAO (FV)
SOMA DE QUADRADOS
(SQ)
GRAUS DE LIBERDADE
(G.L.)
QUADRADO MDIO (QM)
ESTATSTICA F
Entre linhas 33,286 2 2
33,286S2L 16,29 FL
Entre colunas 46,44 3 3
46,44S2C
1,69 FC
Residual 158,17 18 18
7,158S2R
Total 96,488 23
I) 3,55 FF 182;05,0L ; , rejeita-se 0H , portanto, existe diferena significativa entre linhas;
II) 16,3FF 183;05,0C ; , aceita-se 0H , portanto, no existe diferena significativa entre as
colunas.
Concluso: Conclui-se, portanto, que existe diferena significativa entre os mtodos.
2) Foram feitos ensaios com baterias para verificar a influncia dos fatores material e
temperatura ambiente, na sua vida til. Foram testados 3 tipos de baterias em 3 temperaturas
diferentes, com ensaios com 4 repeties. Os resultados so apresentados a seguir, em horas.
Verificar se existem vidas mdias diferentes, para os fatores considerados, com 05,0 .
Verificar tambm, se existe interao entre os fatores.
TEMPERATURA MATERIAL
Alfa (A) Beta (B) Gama (G)
+ 50oC (1)
69 58 39 60 60 38 64 65 47 58 59 42
+ 20oC (2)
67 61 53
58 60 59
66 67 63
70 62 58
- 10oC (3)
75 62 60
60 65 63
68 63 61
70 69 61
-
26
Soluo:
a) Hipteses Estatsticas
1) ... 321:H01 (linhas)
621 ... ...:H02 (colunas)
2) :H 11 pelo menos uma das mdias .i diferente das demais :H 21 pelo menos uma das mdias j. diferente das demais
3) 0)(:H ji03
:H13 pelo menos um 0)( ji
b) Nvel de significncia: 05,0
c) Clculo das Somas de Quadrados e Quadrados Mdios
Tem-se que:
92,54X1 vida til mdia para temperatura 50 oC
00,62X2 vida til mdia para temperatura 20 oC
75,64X3 vida til mdia para temperatura -10 oC
42,65X 1 vida til mdia para material alpha
58,62X 2 vida til mdia para material beta
67,53X 3 vida til mdia para material gama
TEMPERA-
TURA MATERIAL (
jix )
TOTAL
Alfa (A) Beta (B) Gama (G)
+ 50oC (1) 251 242 166 659
+ 20oC (2) 261 250 233 744
- 10oC (3) 273 259 245 777
TOTAL 785 751 644 2.180
TEMPERA-
TURA MATERIAL (
2kjix )
Alfa (A) Beta (B) Gama (G)
+ 50oC (1)
4.761 3.364 1.521 3.600 3.600 1.444 4.096 4.225 2.209 3.364 3.481 1.764
+ 20oC (2)
4.489 3.721 2.809
3.364 3.600 3.481
4.356 4.489 3.969
4.900 3.844 3.364
- 10oC (3)
5.625 3.844 3.600
3.600 4.225 3.969
4.624 3.969 3.721
4.900 4.761 3.721
2.180 xb
1j
a
1i
n
1kkji
134.374 xb
1j
a
1i
n
1k
2kji
-
27
Soma de quadrados:
2.362,89 36
180.2374.134
N
x
xSQT2
2b
1j
a
1i
n
1kkji
b
1j
a
1i
n
1k
2kji
(Total)
N
x
bn
)x(SQL
2b
1j
a
1i
n
1kkji
a
1i
2i
(Entre linhas)
617,72 36
180.2
43
777
43
744
43
659SQL
2222
N
x
an
)x(SQC
2b
1j
a
1i
n
1kkji
b
1j
2j
(Entre colunas)
902,39 36
180.2
43
644
43
751
43
785SQC
2222
N
x
n
xSQT
2b
1j
a
1i
n
1kkji2
jia
1i
b
1jr
(Entre tratamentos)
1.905,3936
180.2
4
245
4
242
4
261
4
251SQT
22222
r
385,28 39,90272,61739,905.1SQCSQLSQTSQI r (Entre interao)
457,50 39,905.189,362.2SQTSQTSQR r (Residual)
Quadrados Mdios:
308,8612
72,617
1a
SQLS2L
(Entre linhas)
451,19 12
39,902
1b
SQCS2C
(Entre colunas)
238,17 133
39,905.1
1ab
SQTS r2Tr
(Entre tratamentos)
96,32)13()13(
28,385
)1b()1a(
SQIS2I
(Interao)
16,94)14(33
50,457
)1n(ab
SQRS2R
(Residual)
67,51 1433
89,362.2
1abn
SQTS2T
(Total)
-
28
d) Estatstica F
18,2394,16
86,308
S
SF
2R
2L
L (Entre linhas)
26,63 94,16
19,451
S
SF
2R
2C
C (Entre colunas)
5,6894,16
32,96
S
SF
2R
2I
I (Interao)
Utilizando o R:
Df Sum Sq Mean Sq F value Pr(>F)
temp 2 617.72 308.86 18.2279 9.774e-06 ***
tipo 2 902.39 451.19 26.6279 4.102e-07 ***
temp:tipo 4 385.28 96.32 5.6844 0.001878 **
Residuals 27 457.50 16.94
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Concluso: Como os nveis de significncia so < 0,05, conclui-se que:
a) existe diferena de mdias entre temperaturas;
b) existe diferena de mdias entre materiais ;
c) a interao entre os fatores material e temperatura significativa.
3.3 Comparaes Mltiplas de Mdias
3.3.1 Modelos de classificao a dois critrios (dois fatores) sem repetio
Teste HSD de Tukey
O modelo de Tukey recomenda considerar distintas as mdias:
b
QMRqXX )1b()1a(; ;a.. mi (para testar a diferena entre linhas)
a
QMRqXX )1b)(1a(;b;mj .. (para testar a diferena entre colunas)
Onde:
a nmero de linhas i= 1,2,...,a;
b nmero de colunas j= 1,2,..., b.
Teste de Scheff
A estatstica do teste de Scheff dada por:
-
29
)1a()1b(,1a;Fb
)1a(2QMRXX ml .. (para testar a diferena entre linhas)
)1a()1b(,1b;Fa
)1b(2QMRXX .. ml (para testar a diferena entre colunas)
3.3.2 Modelos de classificao a dois critrios (dois fatores) com repetio
Teste de Tukey
nb
QMRqXX )1n(ab;a;.. mi (para testar a diferena entre linhas)
na
QMRqXX )1n(ab;b;mj .. (para testar a diferena entre colunas)
n
QMRqXX ;)1n(ab;ab;mj .. (para testar a diferena entre interaes)
Teste de Scheff
A estatstica do teste de Scheff dada por:
)1n(ml ab,1a;Fbn
)1a(2QMRXX .... (para testar a diferena entre linhas)
)1n(ml ab,1b;Fan
)1b(2QMRXX .... (para testar a diferena entre colunas)
Onde:
a nmero de linhas i= 1,2,...,a;
b nmero de colunas j= 1,2,..., b;
n nmero de repeties
Exemplos de aplicao
1) Considere o exemplo da pg. 19, apresentado a seguir.
Um engenheiro resolveu testar a influncia do fator umidade, no tempo para incio de oxidao
de certo metal ferroso. Para isso, delineou um experimento com 4 nveis de umidade relativa e
temperatura em 3 nveis. Os resultados, em horas, so dados a seguir.
TEMPE-RATURA
UMIDADE RELATIVA (%)
90 80 70 60
85 oC 32 34 40 36
75 oC 35 36 40 42
65 oC 37 39 43 45
Testar a influncia dos dois fatores, com nvel de significncia de 5%.
-
30
Soluo:
Concluiu-se atravs da ANOVA que existe diferena significativa entre os tempos
mdios segundo as temperaturas (linhas) e entre os tempos mdios segundo as umidades
relativas (colunas).
Portanto, deve-se aplicar o teste de comparao entre mdias tanto para as linhas
quanto para as colunas. Aplica-se ento, o teste de Tukey, para modelo de classificao a dois
critrios (dois fatores) sem repetio, para linhas e colunas.
a) Comparao de tempos mdios segundo temperaturas (linhas)
05,0
3)linhas(a
4)colunas(b
3392,4q crit
1383,2SQMR 2R
(do quadro da ANOVA)
1730,3b
QMRcritqHSD
TEMPE-RATURA
MDIA DO TEMPO DE INCIO
DA OXIDAO
85 oC 35,50
75 oC 38,25
65 oC 41,00
TEMPERA-TURAS
DIFERENA DE MDIAS
SIGNIFI-CATIVA
85 E 75 2,75 no
85 E 65 5,50 sim
75 E 65 2,75 no
Conclui-se que existe diferena significativa entre o tempo mdio para o incio da
oxidao, entre as temperaturas 85 oC e 65 oC, para nvel de 5% de significncia.
b) Comparao de tempos mdios segundo umidades relativas (colunas)
05,0
3)linhas(a
4)colunas(b
8956,4q crit
1383,2SQMR 2R
(do quadro da ANOVA)
-
31
1337,4a
QMRcritqHSD
UMIDADE RELATIVA
MDIA DO TEMPO DE INCIO DA OXIDAO
90 34,67
80 36,33
70 41,00
60 41,00
UMIDADES DIFERENA DE MDIAS SIGNIFICATIVA
90 E 80 1,67 no
90 E 70 6,33 sim
90 E 60 6,33 sim
80 E 70 4,67 sim
80 E 60 4,67 sim
70 E 60 0,00 no
Conclui-se que existe diferena significativa entre o tempo mdio para o incio da
oxidao, entre as umidade relativas 90 e 80 com 70 e 60, para nvel de 5% de significncia.
3.4 Determinao do Tamanho da Amostra
Etapas para determinao do nmero mnimo de rplicas (CALEGARE, 2009):
1 Estabelecer os mximos erros permitidos:
Erro tipo I = ; e
Erro tipo II =
2 Estimar a varincia )( 2 do processo (na falta de dados mais precisos, usar 2RSQMR da
ANOVA).
3 Estabelecer a diferena mnima (D) que se deseja detectar entre duas mdias de
tratamentos.
4 Calcular 2 e para os fatores 1 e 2, atravs de:
Para o fator 1: 2
221
a2
nbD
;
Para o fator 2: 2
222
b2
naD
;
Tem-se que 1 e 2 , so respectivamente a raiz quadrada positiva de 21 e
22 .
5 Obter o min na tabela, usando os graus de liberdade apresentados a seguir:
Para o fator 1: 1,min
1a1 ; )1n(ab2
-
32
Para o fator 2: 2min,
1b1 ; )1n(ab2
6 Comparar 1,min com 1 . Se 1min,1 , o nmero de rplicas insuficiente e deve ser
aumentado; comparar 2min, com 2 . Se 2min,2 , o nmero de rplicas insuficiente e
deve ser aumentado.
Em havendo interesse na deteco de uma diferena mnima (D) entre dois efeitos
quaisquer da interao entre A e B, o procedimento a ser seguido dado por:
1)1b()1a(2
nDeraointda
2
22
BA2
Calcular 2BABA e comparar com o valor tabelado de )BA(min, , com
)1b()1a(1 e )1n(ab2 graus de liberdade.
Exemplo de aplicao:
Calcular o nmero mnimo de rplicas para um experimento com dois fatores, sendo o fator 1
com 4 nveis e fator 2 com 3 nveis, mm3 , considerando as diferena entre as duas
mdias de mm94,4D1 e mm17,4D2 . Utilizar %5 e %1 .
Soluo:
4a
3b
mm3
%5
%1
mm94,4D1
mm17,4D2
3141a1
Para o fator 1:
n1,0168342
94,43n
a2
nbD22
221
2
, logo: n1,00841 . Atribuindo diferentes valores para n,
tem-se:
n 21 1 ab(n-1) 1,min
4 4,0673 2,0167 36 53,2
5 5,0841 2,2548 48 50,2
6 6,1009 2,4700 60 47,2
-
33
Para o fator 2:
2131b1
n1,2881332
17,44n
b2
naD2
2
2
222
, logo: n1,13492 . Atribuindo diferentes valores para n,
tem-se:
n 22 2 ab(n-1) 2,min
4 5,1523 2,2699 36 87,2
5 6,4403 2,5378 48 82,2
6 7,7284 2,7800 60 78,2
O nmero mnimo de rplicas deve ser igual a 6.
LISTA DE EXERCCIOS No. 1
1) Trs pesquisadores utilizando quatro mtodos diferentes, determinam a velocidade do som
(em m/s) em certo meio, obtendo os resultados:
MTODOS PESQUISADORES
P1 P2 P3
A 341 342 340
B 345 344 346
C 338 339 340
D 343 341 342
Pode-se identificar se existe diferena significativa, no nvel de 5% de significncia, entre os
mtodos utilizados ou entre os pesquisadores? Caso existe diferena significativa, utilizar o
teste de Tukey para identificar quais mdias so diferentes, ao nvel de 5% de significncia.
2) Um engenheiro suspeita que o acabamento de uma superfcie de peas metlicas seja
influenciado pelo tipo de tinta usada e pelo tempo de secagem. Ele selecionou trs tempos de
secagem - 20, 25 e 30 minutos - e usou dois tipos de tinta. Trs peas so testadas com cada
combinao de tipo de tinta e tempo de secagem. Os dados so apresentados a seguir.
TINTA TEMPO DE SECAGEM (min)
20 25 30
1 74 73 78 64 61 85 50 44 92
2 92 98 66 86 73 45 68 88 85
a) Estabelea as hipteses de interesse nesse experimento;
b) testar as hipteses anteriores e tirar concluses, usando a anlise da varincia com
05,0 .
-
34
3) Pesquisadores descrevem um experimento conduzido para investigar a toro das placas de
cobre. Os dois fatores estudados foram temperatura e teor de cobre nas placas. A varivel
resposta a intensidade de toro. Os dados so apresentados a seguir.
TEMPERA-
TURA ( Co )
TEOR DE COBRE (%)
40 60 80 100
50 17,20 16,21 24,22 28,27 75 12,90 18,13 17,12 27,31 100 16,12 18,21 25,23 30,23 125 21,17 23,21 23,22 29,31
H qualquer indicao de que cada fator afeta a intensidade de toro? Em caso afirmativo,
utilizar o teste de Tukey. Usar 05,0 .
4) Realizou-se um experimento para investigar o efeito de dois fatores (tipo de vidro e tipo de
fsforo) no brilho de um tubo de televiso. A varivel de resposta medida a corrente (em
microampres) necessria para obter um nvel especificado de brilho. Os dados so
apresentados na tabela abaixo.
TIPO DE VIDRO
TIPO DE FSFORO
1 2 3
1 280 300 290 290 310 285 285 295 290
2 230 260 220 234 240 225 240 235 230
a) Estabelea as hipteses de interesse nesse experimento;
b) teste as hipteses anteriores e tire concluses, usando a anlise da varincia com 05,0 .
3.5 Experimento k2 Fatorial
Neste tipo de experimento fatorial o nmero de nveis de cada fator fixado em 2 e o
nmero de tratamentos funo do nmero de fatores k, ou seja, o nmero de tratamentos
k22...22 .
Os delineamentos fatoriais k2 possuem grande aplicao industrial. Esses
delineamentos permitem a avaliao em separado dos efeitos individuais e dos efeitos de
interao dos fatores num experimento.
O experimento consiste de k2 tentativas, uma tentativa em cada combinao dos dois
nveis dos fatores. Para identificar as tentativas individuais utilizada, dentre outras, as
notaes a seguir:
(i) os fatores so representados por letras;
(ii) os nveis pelos sinais + e - ( baixo nvel representado por - e alto nvel por +).
-
35
Em experimentos que envolvem desenhos k2 sempre importante examinar a
magnitude e direo dos efeitos dos fatores para determinar quais variveis so realmente
importantes. A Anlise da Varincia pode ser geralmente usada para confirmar esta
interpretao (o teste t tambm pode ser usado).
A ANOVA o meio formal para determinar quais efeitos so diferentes de zero. No
entanto, outros mtodos podem ser utilizados para avaliar a significncia dos efeitos.
3.5.1 Experimento Fatorial 22
Um experimento 22 fatorial tem dois fatores, A e B, cada um a dois nveis. Este
experimento tem 4222 2 combinaes (tratamentos/ensaios), que podem ser
representadas por )1( a b ab . Por conveno, (1) utilizado para denotar ambos os fatores
de baixo nvel.
A seguir, a tabela de sinais para o clculo dos efeitos em um experimento 22 .
TRATA-MENTOS
I EFEITO FATORIAL
A B AB
)1( + - - +
a + + - -
b + - + -
ab + + + +
Os sinais para a interao AB so obtidos a partir do produto dos sinais das colunas A e
B.
CLCULO DOS EFEITOS
O efeito de um fator a mudana que se verifica na resposta quando o nvel deste fator
alterado.
)n2())1(b()aab(A
)n2())1(a()bab(B
Efeito da interao:
)n2()ba())1(ab(AB
As letras minsculas (1), a, b e ab, representam o total de todas as n repeties,
obtido para o correspondente tratamento.
Nas frmulas acima, as expresses entre colchetes so chamadas de contrastes, isto
:
)1(baabCContraste AA
-
36
)1(ababCContraste BB
ba)1(abCContraste ABAB
Assim, os efeitos podem ser obtidos por:
n2
contraste
n2
contrasteefeito
1k
Tem-se que:
Os contrastes so ortogonais
A soma dos sinais dos coeficientes de ab, a, b e (1) igual a zero
A soma dos produtos dos sinais dos coeficientes igual a zero.
ANLISE DA VARINCIA
O modelo da anlise da varincia para um plano fatorial 22 executado no
delineamento experimental bsico inteiramente casualizado :
ljijijiljiy , com
2,1ji
n...,,2,1l
ljiy a resposta observada da l-sima repetio do i-simo nvel do fator A e j-simo nvel do
fator B;
o parmetro que fornece uma informao mdia da resposta no experimento;
i o efeito do i-simo nvel do fator A;
j o efeito do j-simo nvel do fator B;
ji o efeito da interao da ij-sima combinao dos fatores A e B;
lji o erro experimental associado a i, j, l-sima unidade experimental.
Os graus de liberdade segundo as causas de variao encontram-se abaixo:
FONTES DE VARIAO
G.L.
Fator A 1
Fator B 1
Interao AxB 1
Resduo 4(n-1)
TOTAL 4n-1
As somas de quadrados podem ser obtidas a partir dos contrastes:
n2
)contraste(SQ
k
2
)n2())1(b()aab(SQA k2
-
37
)n2())1(a()bab(SQB k2
)n2()ba()1(ab(SQAB k2
A soma de quadrados total ( SQT) obtida de forma usual:
N
TxSQT
2
kji
2kji
...
Tambm a soma de quadrados residual (SQR ):
SQABSQBSQASQTSQR
Exemplo 1:
Seja o experimento em que se deseja verificar o efeito de 2 fatores: fator A, que
representa o percentual de cimento, que assume os nveis: 15% e 20%; fator B, representando
a ausncia ou presena de aditivo. A varivel resposta o tempo de secagem (em dias).
TRATAMENTO REPETIES
TOTAL I II III
Baixo, Ausente 11 14 11 36 Alto, Ausente 20 16 18 54
Baixo, Presente 15 19 14 48 Alto, Presente 19 18 22 59
Um experimento 22 pode ser representado pela figura abaixo:
Clculo dos efeitos:
83,4)32/())3648()5459(()n2())1(b()aab(A
83,2)32/())3654()4859(()n2())1(a()bab(B
17,1)32/())4854()3659(()n2()ba())1(ab(AB
Contrastes:
2936485459)1(baabCContraste AA
FATOR B
ADITIVO
FATOR A
% DE CIMENTO
+
-
-
+
b=48
(1) 36
ab=59
a=54
-
38
1736544859)1(ababCContraste BB
748543658ba)1(abCContraste ABAB
Tem-se ento:
TRATAMEN-TOS
I A B AB
+ - - + a + + - - b + - + - ab + + + +
Efeitos 4,83 2,83 -1,17 Contrastes 29 17 -7
Clculo das somas de quadrados:
08,70)32(29)n2(C)n2())1(b()aab(SQA 222 kA
k2
08,24)32(17)n2(C)n2())1(a()bab(SQB 222 kB
k2
08,4)32()7()n2(C)n2()ba()1(ab(SQAB 222 kAB
k2
92,13412
197)22111411(
N
TxSQT
22222
2
kji
2kji
...
67,3608,408,2408,7092,134SQABSQBSQASQTSQR
Tabela da ANOVA:
FONTES DE VARIAO
SOMA DE QUADRADOS
G.L. QUADRADOS
MDIOS F
Fator A 70,08 1 70,08 15,29 Fator B 24,08 1 24,08 5,25 Interao AxB 4,08 1 4,08 0,89 Resduo 36,67 8 4,58 TOTAL 134,92 11
Para nvel de significncia de 5% tem-se que o 32,5F )8,1;05,0( . Logo, o fator A
significativo.
Exemplo 2:
(Montgomery, pg. 291). Considere o experimento para verificar o efeito da
concentrao de um reagente e a quantidade de um catalisador na produo de uma reao
qumica. Fator A: reagente nveis = 15% e 25%. Fator B: catalisador nveis 2 pounds e
1 pound (1 pound = 0,454 kg).
O menor e o maior nvel de um fator podem ser representados pelos sinais - e +,
respectivamente. O efeito AB representa a interao entre o fator A e o fator B.
-
39
FATOR TRATAMENTOS
REPETIES TOTAL
A B I II III
- - A15, B1 28 25 27 80
+ - A25, B1 36 32 32 100
- + A15, B2 18 19 23 60
+ + A25, B2 31 30 29 90
Os 4 tratamentos so representados por letras minsculas: (1), a, b, ab. Assim, (1), o
tratamento correspondente aos menores nveis de A (-) e B (-); a, corresponde ao nvel alto de
A (+) e baixo de B (-); b, corresponde ao nvel alto de B (+) e baixo de A (-); ab, corresponde a
combinao dos nveis altos de A (+) e B (+).
Graficamente, este delineamento usualmente representado por um quadrado.
Clculo dos efeitos principais de A e de B e da interao AB.
Pode-se calcular esses efeitos por meio da figura acima.
33,8)32/())8060()10090(()n2())1(b()aab(A
00,5)32/())80100()6090(()n2())1(a()bab(B
67,1)32/())60100()6090(()n2()ba())1(ab(AB
Interpretao: o efeito de A positivo sugerindo que o aumento da concentrao do reagente
de 15% para 25%, aumenta a produo. O efeito de B negativo o que sugere que,
aumentando-se a quantidade do catalisador, diminui a produo. O efeito da interao
pequeno em relao aos efeitos principais.
Contrastes:
00,50806010090)1(baabACAContraste
00,30801006090)1(ababBCBContraste
00,10601008090ba)1(abABCABContraste
Clculo das somas de quadrados:
208,33)32(50)nk2(A
C)nk2(2))1(b()aab(SQA 222
(1)=80 a=100
b=60 ab=90
- +
+
-
A
B
-
40
75,00)32()30()nk2(B
C)nk2(2))1(a()bab(SQB 222
8,33)32()10()nk2(AB
C)nk2(2)ba()1(ab(SQAB 222
00,323075.9398.912
300)29272528(
N
2T
kji
2kji
xSQT2
2222...
34,3133,800,7533,20800,323SQABSQBSQASQTSQR
Tabela da ANOVA:
FONTES DE VARIAO
SOMA DE QUADRADOS
G.L. QUADRA-
DOS MDIOS
F
Fator A 208,33 1 208,33 53,15 Fator B 75,00 1 75,00 19,13 Interao AxB 8,33 1 8,33 2,13 Resduo 31,24 8 3,92 TOTAL 323,00 11
Para nvel de significncia de 5% tem-se que o 32,5F )8,1;05,0( . Logo, os fatores A e B
so significativos. A interao no significativa.
3.5.2 Experimento Fatorial 32
Este plano tem 82222 3 tratamentos. Os tratamentos podem ser representados
por (1), a, b, ab, c, ac, bc e abc.
Modelo:
smjimjimjmimjijismjiy
smjiy a resposta observada da s-sima repetio do i-simo nvel do fator A, j-simo nvel do
fator B e m-simo nvel do fator C;
o parmetro que fornece uma informao mdia da resposta no experimento;
i o efeito do i-simo nvel do fator A;
j o efeito do j-simo nvel do fator B;
ji o efeito da interao da ij-sima combinao dos fatores A e B;
m o efeito do m-simo nvel do fator C;
mjimjmi ,, so os efeitos das interaes AxC, BxC e AxBxC, respectivamente;
smji o erro experimental associado a i, j, m, s-sima unidade experimental.
A seguir, a tabela de sinais para o clculo dos efeitos em um experimento 32 .
TRATA-
MENTO
EFEITO FATORIAL
I A B AB C AC BC ABC
(1) + - - + - + + - a + + - - - - + + b + - + - - + - +
ab + + + + - - - - c + - - + + - - +
ac + + - - + + - - bc + - + - + - + - abc + + + + + + + +
-
41
Efeitos principais:
n4bccb)1(abcacabaA
n4acca)1(abcbcabbB
n4abba)1(abcbcaccC
As interaes so obtidas a partir de:
n4cacbcabc)1(ababAB
n4bbcababc)1(caacAC
n4aacababc)1(cbbcBC
n4)1(ababcacbcabcn4))1(a()bab()cac()bcabc(ABC
Nas frmulas acima, as expresses entre colchetes so chamadas de contrastes, isto
:
bccb)1(abcacabaCContraste AA
acca)1(abcbcabbCContraste BB
abba)1(abcbcaccCContraste CC
cacbcabc)1(ababContraste AB
bbcababc)1(caacContraste AC
aacababc)1(cbbcContraste BC
)1(ababcacbcabcContraste ABC
Assim, os efeitos podem ser obtidos por:
n4
contraste
n2
contrasteefeito
1k
As somas de quadrados so obtidos a partir de:
n2
)contraste(SQ
k
2
Os graus de liberdade segundo as causas de variao encontram-se abaixo:
CAUSAS DE VARIAO G.L.
Fator A 1
Fator B 1
Interao AxB 1
Fator C 1
Interao AxC 1
Interao BxC 1
Interao AxBxC 1
Resduo 8(n-1) TOTAL 8n-1
-
42
As somas de quadrados tambm podem ser obtidas na forma tradicional:
n8
yySQT
22
1i
2
1j
2
1m
n
1s
2smji
....
n8
y
n4
y
SQA
2
2
1i
2i .......
n8
y
n4
y
SQB
2
2
1j
2
....... j
n8
y
n4
y
SQC
2
2
1j
2m .......
SQBSQAn8
y
n2
y
SQAxB
2
2
1i
2
1j
2
......ji
SQCSQAn8
y
n2
y
SQAxC
2
2
1i
2
1m
2m ......i
SQCSQBn8
y
n2
y
SQBxC
2
2
1j
2
1m
2m ...... j
SQBxCSQAxCSQAxBSQCSQBSQAn8
y
n2
y
SQAxBxC
2
2
1i
2
1j
2
1m
2mi .....j
SQAxBxCSQBxCSQAxCSQAxBSQCSQBSQASQTSQR
Exemplo: Um tcnico deseja melhorar a transparncia da gua (maior melhor). Os fatores
controlveis so:
Fator A: quantidade de sulfato de alumnio
Fator B: quantidade de cal
Fator C: temperatura ( Co )
Nota: mL/glitro/mg)milhoporpartes(ppm
Sulfato de alumnio
30 ppm (-) 40 ppm (+)
Cal 10 ppm (-) 15 ppm (+) 10 ppm (-) 15 ppm (+)
Temperatura 15 (-) 20 (+) 15 (-) 20 (+) 15 (-) 20 (+) 15 (-) 20 (+)
replicaes 6,1 6,6 5,1 6,4 8,3 10,4 9,5 8,7
7,6 6,0 4,6 5,5 9,2 9,8 10,7 10,7
6,8 6,2 5,7 6,0 10,3 8,7 8,5 9,4
Soluo:
A tabela dos sinais do experimento fatorial 32 dada por:
-
43
TRATA-MENTO
EFEITO FATORIAL
I A B AB C AC BC ABC
(1) + - - + - + + - a + + - - - - + + b + - + - - + - +
ab + + + + - - - - c + - - + + - - +
ac + + - - + + - - bc + - + - + - + - abc + + + + + + + +
Assim, os tratamentos sero identificados como segue:
Sulfato de alumnio
30 ppm (-) 40 ppm (+)
Cal 10 ppm (-) 15 ppm (+) 10 ppm (-) 15 ppm (+)
Temperatura 15 (-) 20 (+) 15 (-) 20 (+) 15 (-) 20 (+) 15 (-) 20 (+)
Replicaes 6,1 6,6 5,1 6,4 8,3 10,4 9,5 8,7
7,6 6,0 4,6 5,5 9,2 9,8 10,7 10,7
6,8 6,2 5,7 6,0 10,3 8,7 8,5 9,4
Tratamentos (1) c b bc a ac ab abc
Tem-se ento o clculo dos efeitos:
TRATAMENTOS A B C AB AC BC ABC
EFEITOS 3,47 0,43 0,17 0,57 0,03 0,27 0,43
SIGNIFICNCIA
( %)5 Sim No No No No No No
Anlise da varincia:
Df Sum Sq Mean Sq F value Pr(>F)
A 1 72.107 72.107 111.9379 1.246e-08 ***
B 1 1.127 1.127 1.7490 0.2046
C 1 0.167 0.167 0.2587 0.6179
A:B 1 1.927 1.927 2.9909 0.1030
A:C 1 0.007 0.007 0.0103 0.9202
B:C 1 0.427 0.427 0.6624 0.4277
A:B:C 1 1.127 1.127 1.7490 0.2046
Residuals 16 10.307 0.644
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
O fator A (quantidade de sulfato de alumnio) fortemente significativo. O seu controle
fundamental para assegurar a transparncia da gua.
3.5.3 Experimentos Fatoriais sem Rplicas
Em algumas situaes, o nmero de combinaes dos fatores do experimento
(tratamentos) grande. Nestes casos, os recursos disponveis podem ser para uma nica
execuo do projeto, ou seja, o experimento no possuir rplicas.
-
44
Um risco evidente quando se conduz um experimento sem rplicas que o modelo
ajustado pode levar a concluses erradas. Alm disto, neste caso no h estimativa interna de
erro (erro puro).
Uma aproximao para anlise assumir que interaes de ordem maior so
negligenciveis e combinar suas estimativas dos erros quadrticos mdio. O mtodo de anlise
devido a Daniel (1959), proporciona uma forma simples para superar este problema. Daniel
sugere analisar o grfico de probabilidade normal das estimativas dos efeitos. Os efeitos que
so negligenciveis so normalmente distribudos com mdia zero e varincia 2 e tende a
ficar prximo da reta. Ento, o modelo inicial ser especificado para conter aqueles efeitos
aparentemente diferentes de zero, com base no grfico de probabilidade normal. Os efeitos
aparentemente negligenciveis so combinados como estimativa do erro.
3.5.3.1 Grfico de Probabilidade Normal
Para a construo do grfico de probabilidade normal, deve-se seguir os seguintes
passos:
1) Considere os efeitos amostra x1, ..., xn;
2) Ordene os elementos da amostra, ou seja, x(1) x(2) ... x(n);
3) Calcule n valores n
)5,0j(100p j
, com n...,,2,1j .
4) Plote o grfico representando a varivel jx (efeito) no eixo das abcissas e jp no eixo das
ordenadas. Os valores da varivel jx prximos da linha reta, no so importantes. A linha a
reta traada subjetivamente. Uma boa regra traar a linha aproximadamente entre percentil
25 e percentil 75.
3.5.3.2 Mtodo de Lenth
Outro mtodo para analisar um experimento fatorial sem rplica o Metodo de Lenth.
um mtodo que possibilita decidir quais efeitos so ativos na anlise de experimentos sem
rplicas, em que no h graus de liberdade para estimar a varincia do erro. Assim, proposto
um mtodo para estimar uma quantidade semelhante ao erro padro, chamado de pseudo erro
padro ou PSE.
Seja um experimento fatorial com dois nveis e suponha que existam m contrastes ou
efeitos estimados. Sejam m21 c...,,c,c os contrastes ou efeitos estimados, com 12mk .
Inicialmente, calcula-se a quantidade
j0 cmediana5,1s
-
45
Assim, o clculo do pseudo erro padro (PSE) ser:
0jj s5,2ccmediana5,1PSE :
Em relao ao critrio de deciso de quais efeitos so ativos, define-se uma margem de
erro dos contrastes jc , representado por ME. O valor da margem de erro dado por:
PSEtME d;2
Onde: 3
md e, normalmente, utiliza-se 05,0 .
Assim, tem-se que ME uma margem de erro para jc com nvel de confiana
aproximada de %95 . Contrastes que excedem o valor de ME em valor absoluto so
considerados ativos com nvel de significncia de %95 .
Entretanto, quando h um grande nmero de contrastes m , espera-se que uma ou duas
estimativas de contrastes inativos excedam o valor de ME, conduzindo a uma falsa concluso.
Desta forma, a fim de tratar estes casos, definida uma margem de erro simultnea, que ser
denotada por SME. Esta medida calculada multiplicando o pseudo erro padro PSE por um
fator d;t . Assim,
PSEtSME d;
em que: 2/)95,01( m/1
usual construir um grfico para mostrar as medidas apresentadas. Para isto, constri-
se um grfico de barra mostrando os valores absolutos das estimativas dos contrastes ou
efeitos estimados e adiciona-se linhas de referncias com os valores de ME e SME. Os
contrastes cujas barras estendem a linha SME so considerados ativos. J aqueles cujas
barras no estendem a linha de referncia ME so considerados inativos. Os contrastes cujas
barras esto entre as linhas de referncias ME e SME requerem um cuidado maior na deciso.
A regio entre as linhas ME e SME dita regio de incerteza e necessrio um bom
argumento para decidir se o(s) contraste(s) (so) ativo(s) ou no.
Exemplo:
(Montgomery, D. C. , pg. 231). Um produto qumico produzido em um vaso de presso. Com
o objetivo de estudar quais fatores influenciam na taxa de filtrao do produto (Y), foi realizado
um experimento fatorial em que se considerou 4 fatores: A (temperatura), B (presso), C
(concentrao de formaldeido) e D (velocidade de agitao). Cada fator observado em dois
nveis.
A matriz de planejamento e a resposta dos dados, considerando um experimento sem
rplicas encontra-se apresentada abaixo.
-
46
TRATAMENTO A B C D Y
(1) -1 -1 -1 -1 45
a 1 -1 -1 -1 71
b -1 1 -1 -1 48
ab 1 1 -1 -1 65
c -1 -1 1 -1 68
ac 1 -1 1 -1 60
bc -1 1 1 -1 80
abc 1 1 1 -1 65
d -1 -1 -1 1 43
ad 1 -1 -1 1 100
bd -1 1 -1 1 45
abd 1 1 -1 1 104
cd -1 -1 1 1 75
acd 1 -1 1 1 86
bcd -1 1 1 1 70
abcd 1 1 1 1 96
Calcula-se as estimativas dos efeitos por clculos diretos.
TERMO ESTIMATIVA DOS EFEITOS
A 21,625
B 3,125
C 9,875
D 14,625
AB 0,125
AC -18,125
AD 16,625
BC 2,375
BD -0,375
CD -1,125
ABC 1,875
ABD 4,125
ACD -1,625
BCD -2,625
ABCD 1,375
a) Grfico de Probabilidade Normal
j TRAT EFEITO 100(j-0,5)/15
1 AC -18,125 3,33
2 BCD -2,625 10,00
3 ACD -1,625 16,67
4 CD -1,125 23,33
5 BD -0,375 30,00
6 AB 0,125 36,67
7 ABCD 1,375 43,33
8 ABC 1,875 50,00
9 BC 2,375 56,67
10 B 3,125 63,33
11 ABD 4,125 70,00
12 C 9,875 76,67
13 D 14,625 83,33
14 AD 16,625 90,00
15 A 21,625 96,67
-
47
b) Mtodo de Lenth
Clculo da mediana das estimativas dos efeitos:
625,2Me
938,3625,25,1cmediana5,1s j0
Desta forma, tem-se que:
844,9938,35,20s5,2
Logo,
844,9ccmediana5,1PSE jj : Assim, a mediana 75,1Me e tem-se que:
2,62575,15,1PSE
Tem-se que 15152m , logo 5d e adotando 05,0 , o valor de t tabelado
2,5715;025,0t . Assim,
6,749625,2571,2ME
A margem de erro simultnea SME dada por:
PSEd;tSME , sendo 998,02/)15/195,01( logo 22,55;998,0t
Logo, 13,703625,222,5SME
20100-10-20
99
95
90
80
70
60
50
40
30
20
10
5
1
Effect
Pe
rc
en
t
A A
B B
C C
D D
Factor Name
Not Significant
Significant
Effect Type
AD
AC
DC
A
Normal Plot of the Effects(response is Y, Alpha = 0,05)
Lenth's PSE = 2,625
-
48
Portanto, pelos resultados obtidos, temos que os efeitos dos fatores A, C e D e das
interaes A:C e A:D so importantes.
3.5.4 Adio de Pontos Centrais a um Planejamento k2
Uma preocupao no uso de planejamentos fatoriais com dois nveis a suposio de
linearidade nos efeitos dos fatores. Naturalmente, a linearidade perfeita desnecessria e o
sistema k2 funcionar bem mesmo quando a suposio de linearidade for apenas aproximada.
H um mtodo que ir proteger contra curvatura, que replicar certos pontos do fatorial
k2 , e que permite uma estimativa independente do erro a ser obtido. Este mtodo consiste em
adicionar pontos centrais ao planejamento k2 . So Cn rplicas no ponto )k...,,2,1i(0xi . O
fato de adicionar os tratamentos replicados no centro do planejamento que pontos centrais
no afetam nas estimativas usuais dos efeitos em um planejamento k2 .
Consideremos que os k fatores so quantitativos. Como exemplo, consideremos um
experimento fatorial 22 com uma observao em cada um dos pontos fatoriais: (1), a, b, ab e
cn observaes nos pontos centrais (0,0). Seja FY a mdia dos quatro tratamentos nos quatro
pontos fatoriais e seja CY a mdia das Cn tratamentos no ponto central. Se a diferena
CF YY for pequena, os pontos centrais estaro no (ou muito prximo do) plano passando
atravs dos pontos fatoriais, no havendo assim curvatura. No entanto, se CF YY for grande,
ento a curvatura estar presente.
Ento, a soma dos quadrados da curvatura, com um grau de liberdade, para a curvatura,
dada por:
AB
BD
CD
ABCD
ACD
ABC
BC
BCD
B
ABD
C
D
AD
AC
A
20151050
Te
rm
Effect
6,75
A A
B B
C C
D D
Factor Name
Pareto Chart of the Effects(response is Y, Alpha = 0,05)
Lenth's PSE = 2,625
-
49
2
CF
CF
CF
2CFCF
curvatura
n
1
n
1
YY
nn
)YY(nnSQ
onde Fn o nmero de pontos do planejamento fatorial.
A grandeza acima pode ser comparada com a mdia quadrtica do erro (QMR) para
testar a curvatura.
Quando pontos centrais so adicionados ao centro do planejamento k2 , o modelo que se tem
:
k
1j
2
ji
k
1jjj jjijijj0
xxxxY
sendo os j j os efeitos quadrticos puro.
As hipteses do teste para curvatura so:
k
1j
0:H j j0
k
1j
0:H j j1
Se os pontos fatoriais do planejamento no forem replicados, possvel usar os Cn
pontos centrais para construir uma estimativa de erro com Cn -1 graus de liberdade.
Exemplo: (Montgomery, 2009, pg.353)
Um engenheiro qumico est estudando a converso percentual ou o rendimento de um
processo. H duas variveis de interesse: o tempo e a temperatura de reao. Pelo fato de no
ter certeza em relao linearidade da regio de explorao, o engenheiro decide conduzir um
planejamento 22 (com uma nica rplica de cada tratamento fatorial), aumentado com cinco
pontos centrais. O planejamento e os dados de rendimento esto apresentados na figura
abaixo.
(1)=80 a=100
b=60 ab=90
- +
+
-
A
B
b=40
,0 ab=41,50
(1)=39,3 a=40,9
40,3 40,5 40,7 40,2 40,6
160
155
150
30 35 40
-
50
Soluo:
TRAT A B AB Y Y2
(1) -1 -1 1 39,3 1544,5
a 1 -1 -1 40,9 1672,8
b -1 1 -1 40,0 1600,0
ab 1 1 1 41,5 1722,3
5 0 0 40,3 1624,1
6 0 0 40,5 1640,3
7 0 0 40,7 1656,5
8 0 0 40,2 1616,0
9 0 0 40,6 1648,4
364,0 14724,8
Clculo dos Contrastes:
3,1CA
1,3CB
-0,1CAB
Clculo das Somas de Quadrados:
2,4025SQA 0,4225SQB
0,0025SQAB 2
CF
CFcurv atura
n
1
n
1
YYSQ
40,425YF
40,460YC
4nF
5nC
0,0027SQcurvatura
3,00229
364,0-14.724,8SQT
2
Quadro da Anlise da Varincia
FV SQ GL QM F
A 2,4025 1 2,4025 55,87
B 0,4225 1 0,4225 9,83
AB 0,0025 1 0,0025 0,06
CURVATURA 0,0027 1 0,0027 0,06
RESDUO 0,1720 4 0,0430
TOTAL 3,0022 8
-
51
Para nvel de significncia de 5% tem-se que 71,7F 4;1;05,0 . Portanto, conclui-se que:
a) o fator A significativo;
b) o fator B significativo;
c) a interao no significativa;
d) a curvatura no significativa.
3.6 Experimentos Fatoriais Fracionados (Cada Fator com Dois Nveis)
Quando existem muitos fatores, um experimento fatorial completo, com todas as
combinaes possveis dos nveis dos fatores, envolve um grande nmero de teste, mesmo
quando somente dois nveis de cada fator esto sendo analisados. Nesses casos, torna-se til
um plano que exija menos testes do que o experimento fatorial completo. A anlise dos
fatoriais fracionrios relativamente direta, e a utilizao de um fatorial fracionrio no impede
a possibilidade de uma complementao posterior de todo o experimento fatorial. A frao
um subgrupo, cuidadosamente prescrito, de todas as combinaes possveis.
Com essa tcnica, possvel analisar os efeitos sobre uma resposta de interesse, de
2k
fatores em 2k-p
combinaes de teste. Ou seja, com essa tcnica, realiza-se apenas parte do
experimento, sem comprometer significativamente a preciso das concluses decorrentes da
anlise de resultados. Simultaneamente, os custos e o tempo de durao dos testes so
significativamente reduzidos.
Na anlise dos resultados dos experimentos, busca-se identificar o efeito produzido
na resposta quando da variao dos nveis dos fatores de controle do experimento. Os efeitos
so classificados como principal, que representa a variao mdia da resposta resultante da
mudana de nvel de um fator, mantendo-se os outros fatores fixos, ou de interao, quando a
variao da resposta decorrente da mudana combinada dos nveis de dois ou mais fatores.
Quando so utilizadas as tcnicas de experimentos fatoriais 2k-p
, assume-se que os
efeitos de interao de ordem superior so desprezveis. Para a anlise dos resultados,
grficos lineares podem ser usados para representar e analisar os efeitos principais e os das
interaes dos fatores.
3.6.1 Delineamento de um Experimento Fatorial Fracionrio
Com o aumento do nmero de fatores, o nmero de tr