Você está na página 1de 61

Capitulo 1- Introduo

Praticamente em todas as reas do conhecimentos o uso da estatstica em


especial das tcnicas de planejamento de experimentos so imprecendiveis para as
tomadas de deciso visando a avaliao de novos procedimentos ou a otimizao de
processos e produtos.
Segundo Montegomery(2001), um experimento planejado um teste, ou srie de
testes, no qual so feitas mudanas propositais nas variveis de entrada de um processo,
de modo a podermos observar e identificar mudanas correspondentes na resposta de
sada.

Figura 1.1: Modelo geral de um processo


O processo, como mostra a Figura 1, pode ser visualizado como uma
combinao de mquinas, mtodos e pessoas, que transforma um material de entrada
em um produto de sada. Este produto de sada pode ter uma ou mais caractersticas da
qualidade observveis ou respostas. Algumas das variveis do processo x1 , x 2 , , x p
so controlveis, enquanto outras, z1 , z 2 , , z q so no-controlveis(embora possam
ser controlveis para efeito de teste). Algumas vezes, esses fatores no-controlveis so
chamados fatores de rudo. Os objetivos do experimento podem incluir
1. Determinao de quais variveis so mais influentes na resposta y .
2. Determinao do valor a ser atribudo aos x s influentes de modo que y esteja
perto da exigncia nominal.
3. Determinao do valor a ser atribudo aos x s influentes de modo que a
variabilidade em y seja pequena.
4. Determinao do valor a ser atribudo aos x s influentes de modo que os efeitos
das variveis no-controlveis sejam minimizados.
Assim, mtodos de planejamento experimental podem ser usados tanto no
desenvolvimento do processo quanto na soluo de problemas do processo, para
melhorar o seu desempenho ou obter um processo que seja robusto ou no-sensvel a
fontes externas de variabilidade.

Aplicao dos Planejamentos Experimentais na Industria so fundamentais para


desenvolvimento de novos produtos e para o controle de processos. Nesta rea comum
aparecer problemas em que se precisa estudar vrias propriedades ao mesmo tempo e
estas, por sua vez, so afetadas por um grande nmero de fatores experimentais. papel
de tcnicas de planejamento de experimentos, auxiliar na fabricao de produtos com
melhores caractersticas, na diminuio do seu tempo de desenvolvimento, aumentar a
produtividade de processos e minimizar a sensibilidade a fatores externos (NETO et al.,
2001).
A anlise de dados para os modelos de planejamento de experimentos fica
praticamente inviabilizada sem o uso de softwares especficos. Neste material
apresentado as possbilidades de anlise de dados para modelos de planejamento pelo
software R.
O software R, que uma linguagem e ambiente para computao estatstica e
grfica de domnio pblico (VENABLES e SMITH, 2001), atualmente muito difundido
nos grandes centros, contudo pouco conhecido em Gois. Este software pode ser uma
tima alternativa para o trabalho com Anlise de Experimentos, pois, tem apresentado
igual ou superior eficincia para anlise de dados, alm de haver material disponvel na
internet e listas de discusso que servem como guia de suporte e aprendizagem.
Nesta apostila sero apresentados um resumo dos principais modelos de
planejamento de experimentos, dentre os quais destacamos: Planejamento
completamente aleatorizado com nico fator, Planejamento completamente aleatorizado
com blocos, Planejamento Fatoriais e Planejamentos Hierarquicos e para cada modelo
apresentou-se a sequencia de comandos em R para a anlise estatstica dos modelos, que
geram os resultados finais como o Quadro da ANOVA, as Comparaes Multiplas e a
Anlise de Resduos.

Captulo 2- Elementos Bsicos da Experimentao


Segundo Werkema & Aguiar (1996), para se realizar de forma eficiente um
experimento, deve-se ser utilizada uma abordagem cientfica para o planejamento.
Esta abordagem identificada por meio do termo planejamento estatstico de
experimentos, que se refere ao procedimento de planejar um experimento de forma que
os dados apropriados sejam coletados em tempo e custo mnimos. A anlise destes
dados por meio de tcnicas estatsticas resultar em concluses confiveis.
Portanto existem dois aspectos fundamentais em qualquer estudo experimental:
o planejamento do experimento e a anlise estatstica dos dados. Estes dois aspectos
devem ser bem avaliados, j que a tcnica de anlise depende diretamente do
planejamento utilizado.
Um dos grande problemas dos estudos experimentais a coleta de dados. Se os
dados forem coletados de forma inadequada, no h tcnica estatstica de anlise de
dados que concerte o problema e todo o experimento fica comprometido.
2.1 Princpios Bsicos
Para que seja possvel planejar de modo adequado a coleta de dados, princpios
bsicos do planejamento de experimentos como a rplica, a aleatorizao e a formao
de blocos devem ser entendidos.
2.1.1- Rplicas
As rplicas so repeties do experimento feitas sob as mesmas condies
experimentais. O termo sob as mesmas condies experimentais se refere ao fato de
que os demais fatores que possam influenciar a varivel resposta de interesse sejam
controlados de modo a no sofrerem variaes de uma experimentao para outra.
Em um experimento, a realizao de rplicas importante pelos seguintes
motivos:

As rplicas permitem a obteno de uma estimativa da variabilidade devida ao


erro experimental. A partir desta estimativa possvel avaliar se a variabilidade
presente nos dados devida somente ao erro experimental ou se existe influncia
das diferentes condies avaliadas pelo pesquisador. Se estas condies forem
influentes, o responsvel pela pesquisa poder determinar qual a condio mais
favoravel para conduzir o experimento.
Por meio da escolha adequada do nmero de rplicas possvel detectar, com
preciso desejada, quaisquer efeitos produzidos pelas diferentes condies
experimentais que sejam considerados significantes do ponto de vista prtico.

2.1.2- Aleatorizao
A expresso aleatorizao se refere ao fato de que tanto a alocao do material
experimental s diversas condies de experimentao, quanto a ordem segundo a qual
os ensaios individuais do experimento sero realizados, so determinados ao acaso. A
aleatorizao torna possvel a plicao dos mtodos estatsticos para a anlise dos
3

dados. A maioria dos modelos subjacentes e estes mtodos estatsticos exigem que os
componentes do erro experimental sejam variveis aleatrias independentes e a
aleatorizao geralmente torna vlida esta exigncia.
A aleatorizao permite ainda que os efeitos de fatores no-controlados, que
afetam a varivel resposta e que podem estar presentes durante a realizao do
experimento, sejam balanceados entre todas as possveis medidas. Este balanceamento
evita possveis confundimentos na avaliao dos resultados devido atuao destes
fatores.
2.1.3- Formao de Blocos
Em muitas situaes experimentais necessrio planejar o experimento de
forma que a variabilidade resultante de fatores externos conhecidos, sobre os quais no
existe interesse, possa ser sistematicamente controlada e avaliada.
Se estes fatores externos no forem controlados, mesmo usando a aleatorizao,
o erro experimental ir refletir tanto o erro aleatrio inerente ao experimento, quanto a
variabilidade existente em funo desses fatores.
Nesta situao, deve-se formar blocos para os varios fatores externos de
influncia, e realizar repeties completas do experimento em cada bloco, dessa forma
em cada bloco podero ser observadas as diferenas existentes devido ao fator de
interesse, minimizando assim o efeito dos fatores pertubadores no resultado final do
experimento. Aqui cada bloco corresponde a um corpo de prova. Note que o objetivo
principal do experimento no medir o efeito destes fatores pertubadores, mas sim
avaliar com maior eficincia os efeitos dos fatores de interesse.
Assim de forma genrica podemos definir que blocos so conjuntos
homogneos de unidades experimentais.
2.1.4- Terminologia Bsica
Na terminologia bsica para um planejamento de experimentos, destaca-se:

Unidade experimental: a unidade bsica para a qual ser feita a medida da


resposta.
Fatores: So as variveis cuja influncia sobre a varivel resposta est sendo
estudada no experimento.
Niveis de um Fator: Os diferentes modos de presena de um fator no estudo
considerado so denominados nveis do fator.
Tratamento: As combinaes especficas dos nveis de diferentes fatores so
denominadas tratamentos. Quando h apenas um fator, os nveis deste fator
correspondem aos tratamentos.
Ensaio: Cada realizao do experimento em uma determinada condio de
interesse(tratamento) denominada ensaio, isto , um ensaio corresponde a
aplicao de um tratamento a uma unidade experimental.
Varivel Resposta: O resultado de interesse registrado aps a realizao de um
ensaio denominado varivel resposta.

Vamos considerar um exemplo apresentado em Werkema & Aguiar (1996) para ilustrar
melhor os princpios bsicos do planejamento de experimentos:
Exemplo 2.1- Suponha que um engenheiro esteja interessado em estudar o efeito
produzido por trs diferentes banhos(meios) de tmpera: tmpera em gua, em leo e
em soluo aqosa de cloreto de sdio (gua salgada) na dureza de um determinado tipo
de ao. Aqui o propsito era determinar qual banho de tmpera produziria a dureza
mxima do ao. Com este objetivo ele decidiu submeter um determinado nmero de
amostras da liga, que denominaremos corpos de prova, a cada meio de tmpera e a
seguir mediu a dureza da liga.
Vamos ilustrar a aplicao dos princpios do planejamento neste problema.
Rplica: Neste caso uma rplica do experimento completo consiste em medir a dureza
de um corpo de prova submetido tmpera em gua, de um segundo corpo de prova
submetido tmpera em leo e de um terceiro temperado em soluo de cloreto de
sdio.Isto , realizar uma rplica do experimento completo significa coletar uma
observao da varivel resposta em cada condio experimental considerada no estudo.
Portanto, se seis corpos de prova so temperados em cada banho (gua, leo e gua
salgada), sendo feita a seguir a medida da dureza de cada um destes corpos de prova,
dizemos que foram realizadas seis rplicas do experimento(sendo realizados dessa
forma 6x3=18 ensaios).
Aleatorizao: Neste experimento a aleatorizao deve-se fazer presente pela
distribuio ao acaso dos corpos de prova entre os banhos de tmpera. Este
procedimento atenua por exemplo situaes onde a espessura dos corpos de prova so
ligeiramente diferentes, assim de todas as amostras com espessura maior foram
submetidas a um mesmo banho de tmpera este provavelmente estar em situao
vantajosa e os resultados do experimento estaro tendenciosos.
Blocos: Supor que os corpos de prova so provenientes de corridas diferentes ( ou
matrias primas diferentes), se planejarmos um experimento onde estes corpos de prova
sejam distribudos ao acaso entre os diferentes banhos de tmpera, as diferenas entre os
corpos de prova iro acrescentar uma variabilidade adicional s medidas de dureza, o
que poder mascarar os efeitos devidos ao fator de interesse (banho de tmpera). Para
eliminar do erro experimental a variabilidade devida ao fato de os corpos de prova
terem sido produzidos em corridas diferentes, deve-se realizar o experimento da
seguinte maneira: cada corpo de prova ser dividido em trs partes iguais, sendo cada
parte submetida a um diferente banho de tmpera. Deste modo, dentro de cada terno
formado pelas trs partes de um mesmo corpo de prova, a influncia devida s
caractersticas particulares de cada corpo de prova dever ocorrer de forma
aproximadamente igual para cada um dos banhos de tmpera.
Dentro da terminologia bsica temos que:
Unidade Experimental: Corpo de prova do ao utilizado no estudo.
Fatores: Banhos de tmpera.

Nveis do Fator: gua, gua salgada e leo


Ensaio: Cada ensaio consiste em tratar um corpo de prova em um determinado banho
de tmpera.
Varivel Resposta: a dureza do corpo de prova medida aps a realizao da tmpera.
2.1.5- Roteiro para a Realizao de um Bom Experimento.
Para usar a abordagem estatstica no planejamento e na anlise de um
experimento necessrio que as pessoas envolvidas na experimentao tenham,
antecipadamente, uma idia clara do que ser estudado e da forma como os dados sero
coletados. Tambm recomendado que se tenha uma idia qualitativa de como os dados
sero analisados. Um roteiro para a realizao de um bom experimento apresentado a
seguir:
1. Reconhecimento e relato do problema. Na prtica, geralmente difcil
perceber que existe um problema que exige experimentos planejados formais,
de maneira que no pode ser fcil obter-se um relato claro de problema que
aceito por todos. No entanto de primordial importncia desenvolver todas as
idias do problema e definir de forma clara os objetivos especficos do
experimento.
2. Escolha dos fatores e dos nveis. Devem ser escolhidos os fatores que devem
variar, os intervalos sobre os quais esses fatores variaro e os nveis especficos
nos quais cada rodada ser feita. Exige-se conhecimento do processo para fazer
isso, esse conhecimento em geral uma combinao de experincia prtica e
conhecimento terico. importante a investigao de todos os fatores que
possam ser importantes e evitar ser excessivamente influenciado pela
experincia passada.
3. Escolha da varivel resposta: Na escolha da varivel resposta, o
experimentador deve ter certeza de que aquela varivel realmente fornece
informao til sobre o processo em estudo e a capacidade de medida dessa
varivel. Se a capacidade do medidor baixa, ento apenas grandes efeitos dos
fatores sero detectados pelo experimento, ou ser necessrio muitas rplicas.
4. Escolha do planejamento experimental. A escolha do planejamento envolve
considerao sobre o tamanho da amostra(nmero de replicaes), seleo de
uma ordem adequada de rodadas para as tentativas experimentais, ou se a
formao de blocos ou outras restries de aleatorizao esto envolvidas.
5. Realizao do experimento. Quanto da realizao do experimento, de vital
importncia monitorar o processo, para garantir que tudo esteja sendo feito de
acordo com o planejamento. Erros no procedimento experimental nessa etapa,
em geral comprometem a validade do experimento.
6. Anlise dos dados. Mtodos estatsticos devem ser usados para analisar os
dados, de modo que os resultados e concluses sejam objetivos e no de
opinio. Se o experimento foi planejado corretamente o mtodo estatstico para
anlise no ser um problema. A anlise de resduos e a verificao da validade
do modelo so importantes e devem ser feitas.
7. Concluses e recomendaes. Uma vez analisados os dados, o experimento
deve acarretar concluses prticas sobre os resultados e recomendar um curso
de ao. Deve-se auxiliar de mtodos grficos, particularmente na apresentao
dos resultados para outras pessoas. Seqncias de acompanhamento e testes de

confirmao devem ser tambm realizados para validar as concluses do


experimento.
2.2 Exerccios do Captulo
1. Planeje um experimento para comparar quatro drogas no alvio de cefalias,
supondo que voc dispe de um conjunto de pacientes similares.
2. Planeje um experimento para comparar trs frmulas de adubao no
crescimento de Pinus, supondo que voc dispe de um terreno heterogneo que
deve ser dividido em cinco blocos e que em cada bloco podem ser alocadas nove
parcelas.
3. Planeje um experimento para comparar dois testes de inteligncia tomando cada
criana como um bloco.
4. Planeje um experimento para comparar o desempenho(tempo de realizao da
tarefa) de trs mquinas empacotadeiras, dispondo de 5 operadores.

Captulo 3 - Planejamento Completamente Aleatorizado com nico Fator.


Para a comparao de dois tratamentos( duas populaes) vindos de populaes
normais, utiliza-se em o teste t-student, desde que as suposies sejam vlidas. Para
comparao de mais de dois tratamentos no muito recomendado sua utilizao, visto
que sero necessrias vrias comparaes, o que acaretar um aumento no erro tipo I.
Essa situao ilutrada em Montegomery (2001).
O problema para a comparao de k tratamentos por meio de ensaios realizados
em ordem aleatria descrito abaixo.
Consideremos que existem k diferentes nveis (tratamentos de um nico fator)
que queremos comparar. A resposta para cada um dos k tratamentos uma varivel
aleatria. A ilustrao da disposio dos dados ilustrado na Tabela abaixo:
Tabela 3.1: Esquema da disposio de dados para Experimento Aleatorizado com Fator
nico.
Tratamento
1
2

Observaes
y11
y 21

y12
y 22


y k1 y k 2

Totais

Mdias

y1n

y1.

y1.

y2n

y 2.

y 2.

y kn

yk.

yk.
y..

y..

Aqui y ij representa a j - sima observao feita sob o i -simo tratamento.


Neste caso estamos considerando a situao em que h um nmero igual de
observaes, n , em cada tratamento.
3.1 Modelo Estatstico
Cada observao y ij na Tabela 3.1, pode ser descrita pelo seguinte modelo
estatstico linear,
y ij i ij , (3.1)
com i 1,2,..., k e j 1,2,..., n .
Aqui,
y ij : uma v.a. denotando a (ij) obeservao;

: a mdia geral, comum a todos os tratamentos;


8

i : o efeito do i-simo tratamento;


ij : a componente do erro aleatrio.

Supondo que ij ~ N (0; ) , ou seja, os erros so independentes e normalmente


distribuidos com mdia zero e varincia 2 . Dessa forma, cada tratamento pode ser
pensado como uma populao normal com mdia i i e varincia 2 , ou seja,
yij ~ N ( i ; 2 ) .
Assim, vamos apresentar o procedimento para testar a igualdade das k mdias
populacionais. Esse modelo de anlise de varincia chamado de efeitos fixos. Os
efeitos dos tratamentos i so definidos, em geral, como desvios da mdia geral , de
modo que
k
i 1 i 0
2

Representando, y i . , o total das observaes sob o i-simo tratamento e por y i . a


mdia das observaes sob o i-simo tratamento, analogamente, y.. o total geral e y.. a
mdia geral,
n

y i. y ij
i 1
k

yi.

y.. y ij
i 1 j 1

y..

y i.
,
n

i 1,2,..., k .

y..
, N kn Nmero total de observaes
N

Estamos interessados em testar a igualdade das mdias 1 , 2 ,..., k dos k


tratamentos. Pela equao 3.1, este procedimento equivalente a testar as hipteses:
H o : 1 2 ... k 0
H 1 : i 0 para pelo menos um i.

(3.2)

Dessa forma se H o verdadeira, cada observao consiste de uma mdia geral


mais uma realizao da componente do erro aleatrio ij . Assim se H o verdadeira a
mudana dos nveis do fator (tratamentos) no tem qualquer efeito sobre a resposta
mdia.
A anlise de varincia particiona a variabilidade total na amostra de dados em
duas partes ento o teste proposto em (3.2) baseado na comparao de duas
estimativas independentes da varincia populacional.
A variabilidade total dos dados dada a partir da soma de quadrados totais
SQT y ij y..
k

i 1 j 1

(3.3)

Mas pode-se particionar SQT de forma que:

y
k

i 1 j 1

y.. n ( y i. y.. ) 2 y ij y i.
k

ij

i 1

i 1 j 1

(3.4)

Demonstrao: Ver Montogomery 2001.


A relao em (3.4), mostra que a variabilidade total nos dados, medida pela soma de
quadrados total, pode ser particionada em uma soma de quadrados das diferenas entre
as mdias dos tratamentos e a mdia geral, e na soma de quadrados das diferenas entre
as observaes dentro de cada tratamento e a mdia do respectivo tratamento.
Diferenas entre mdias de tratamentos observadas e a mdia geral quantificam
diferenas entre tratamentos, enquanto diferenas das observaes dentro de um
tratamento e a mdia do tratamento podem ser devidas apenas a um erro aleatrio.
Dessa forma, reescrevemos (3.4) como
SQT SQTrat SQE , onde:

SQT y ij y.. :
k

Soma dos quadrados total.

i 1 j 1

SQTrat n y i. y.. : Soma dos quadrados devido aos tratamentos.


2

i 1

SQ E y ij y i . : Soma dos quadrados dos erros.


k

i 1 j 1

Calculando os valores esperados de SQTrat e SQ E tem-se :


k

E ( SQTrat ) (k 1) 2 n i2

(3.5)

i 1

Demonstrao: Ver Montgomery (2001)

1
SQTrat
(k 1)

Sob H o verdadeira, temos que E

Se H 1 verdadeira, ento

ni 1 i2

1
2
E
SQTrat
k 1
(k 1)

SQTrat
chamada mdia quadrtica dos tratamentos. Logo, se H o
k 1
verdadeira, QM Trat um estimador no-viciado de 2 , enquanto que, se H 1

A razo QM Trat

10

verdadeira, QM Trat estima 2 mais um termo positivo que incorpora a variao


devida diferena entre as mdias dos tratamentos.
Da mesma forma, tem-se que
E ( SQ E ) k (n 1) 2 (3.6)

Ento a mdia quadrtica dos erros QM E

SQ E
um estimador no-viciado de
k ( n 1)

2 , independente de H o ser ou no verdadeira.

Analisaremos tambm a partio dos graus de liberdade.


SQT

: tem N 1 kn 1 graus de liberdade

SQTrat : tem k 1 graus de liberdade

SQ E : tem k (n 1) graus de liberdade

Supondo que cada uma das k populaes possa ser modelada com uma distribuio
normal. Com essa suposio pode-se mostrar que, sob H o , ento:

SQTrat
QM Trat
Fo k 1
~ F k 1,k ( n 1)
SQ E
QM E
k (n 1)

(3.7)

Se H o verdadeira QM Trat e QM E so estimadores no viciados de 2 , mas se


H o falsa ento E QM Trat ser maior que E (QM E ) , assim sob a hiptese
alternativa, Fo ser grande. Dessa forma um teste de hiptese construdo. Devemos
rejeitar H o se o valor da estatstica grande, isso implica em uma regio crtica
unilateral superior. Ento rejeita-se H o se Fo F ,( k 1),k ( n 1) . No geral utiliza-se o
seguinte quadro para ANOVA.
Tabela 3.2 - Quadro da Anova
Fonte de Variao
Entre Tratamentos

SQ

QM

SQTrat

G.L
k 1

Dentro dos Tratamentos (Erro)

SQ E

k (n 1)

QM E

Total

SQT

kn 1

QM Trat

Fo

Fo

QM Trat
QM E

Estimativas dos efeitos dos tratamentos:


i y i. y.. , i 1,2,..., k

11

3.2 Anlise de Resduos.


O modelo matemtico de um planejamento completamente aleatorizado,
considera que as observaes sejam distribuidas de forma normal, com mesma
varincia. Essas suposies podem ser verificadas atravs da anlise de resduos.
Um resduo a diferena entre uma observao y ij e seu valor estimado (ou
ajustado) a partir do modelo estatstico que esta sendo utilizado, denotado por y ij . Para
o modelo especfico temos que y ij y i. , com cada resduo sendo ij y ij y i. , ou seja,
a diferena entre uma observao e a mdia correspondente observada do tratamento.
Para identificar se as suposies esto sendo violadas utilizamos bsicamente
trs tipos de grficos: Resduos X Ordem de Coleta, Resduos X Tratamentos (mdias
y i . ) e Grfico de probabilidade normal dos Resduos.
O grfico de Resduos X Ordem de Coleta busca identificar algum tipo de
associao dos resduos com a ordem de coleta das observaes. A identificao de
algum tipo de associao viola a suposio de indepndencia entre os dados, portanto
espera-se em uma anlise de resduos que no haja associoao entre resduos e ordem
de coleta. O grfico deve apresentar uma configurao aleatria entre resduos e ordem
de coleta.

Figura 3.1: Grfico Resduo X Ordem


Na Figura 3.1, tem-se uma tpica configurao aleatria entre ordem X resduos,
validando a suposio de independncia entre as observaes.
O grfico de Resduos X Tratamento, busca identificar algum tipo de alterao
na disperso dos resduos para cada tratamento. Se houver disperses muito diferentes
entre tratamentos pode significar que a variao no constante, e uma importante
suposio do modelo estar violada. O grfico deve apresentar uma configurao de
disperso semelhante para todos os tratamentos.

12

Figura 3.2: Resduo X Mdia dos Tratamentos


Na Figura 3.2, verifica-se um caso tpico de no violao da suposio de igualdade da
varincia.
O grfico de probabilidade normal dos resduos identifica se os dados
apresentam uma distribuio normal. Os resduos plotados contra os quantils de uma
distribuio normal devem ficar de forma aproximada ao longo de uma reta. Neste caso
pode-se usar um teste estatstico baseado no coeficiente de correlao para identificar
uma possvel lineariedade.

Figura 3.3: Grfico de Probabilidade Normal para os Resduos.


Em situaes como na Figura 3.3, percebemos que pontos centrais estavam
localizados, de forma aproximada, ao longo de uma reta, o que indica que os
componentes do erro do modelo seguiam uma distribuio normal. No entanto para
confirmar essa hiptese sugere-se utilizar um teste para normalidade.
3.3 Comparaes Multiplas

13

A anlise de varincia ns indica que h uma diferena entre as mdias, mas ela
no diz qual mdia que difere.Existem procedimentos especficos chamados de
procedimentos de comparao mltipla, para testar as diferenas entre as mdias
especficas seguindo uma anlise de varincia. Dentre os testes mais conhecidos
destacamos o teste Tukey (Montgomery,2001).
3.3.1 Teste de Tukey
O teste de Tukey, est baseado na amplitude total estudentizada e pode ser usado
para comparar todos os pares de contrastes que envolvem diferenas de mdias.
O teste exato de nvel quando o nmero de repeties o mesmo para todos
tratamentos e aproximado quando o nmero de repeties diferente para os
tratamentos. Este teste pode ainda ser usado para a construo de intervalos de
confiana para a diferna entre as mdias dos tratamentos.
O procedimento est baseado na distribuio de amplitude total estudentizada
(studentized range statistic) dada por:
y y min
q max
(3.8)
QM E

n
ymin so as maiores e menores mdias amostrais respectivamente,
calculadas para um grupo de p amostras. A distribuio de q ( p, f ) , com sendo o
percentil superior de pontos de q com f graus de liberdade, associado ao estimador
QM E calculada computacionalmente.
Para um nmero igual de repeties, o teste Tukey detecta diferenas significativas
entre pares de duas mdias se o valor absoluto da diferenas das mdias amostrais
execeder
onde ymax e

T q (k , f )

QM E
n

De forma equivalente, constri-se intervalos de 100(1 )% de confiana para todos os


pares de mdias dada por:
yi . y j . T i j yi. y j . T , i j .
Para tamanhos amostrais diferentes (diferente n de repeties), temos:
T

q (k , f )
2

1
1

i nj

QM E

e
yi . y j . T i j yi. y j . T , i j respectivamente.

3.4- Anlise Estatstica de um Planejamento Completamente Aleatorizado com o


uso do Software R.

14

Neste tpico vamos ilustrar a utilizao do software R na anlise de dados para o


modelo de planejamento de experimento completamente aleatorizado.
3.4.1- Descrio do Programa
O software R, que uma linguagem e ambiente para computao estatstica e
grfica de domnio pblico (VENABLES e SMITH, 2001), atualmente muito difundido
nos grandes centros.
A linguagem R derivada da linguagem do Software S-plus. Sua sintaxe semelhante
com a linguagem C, e sua estrutura de linguagem funcional. A tela inicial do programa
est ilustrada na figura abaixo:

Figura 3.4 : Tela Inicial do Software R.


O simbolo > indica a linha de comando (prompt) na qual sero digitados os comandos
para a execuso das anlises.
O R tem um sistema de ajuda on-line que permite que a documentao seja exibida em
um browser (explorer,mozilla,ou similar). Para iniciar este sistema on-line clique em
help depois html help.
Para uma consulta rpida, quando j se sabe o nome da funo, basta digitar
help(nome_da_funo).
Para conhecer ou lembrar os parmetros ou argumentos da funo utilize o comando
args(nome_da_funo).

15

Quando se quer listar todas as funes que possuem um determinado termo utiliza-se o
comando apropos(termo). Por Exemplo:
> apropos(vector)
[1] ".__C__vector"
[4] "as.vector.factor"

"as.data.frame.vector" "as.vector"
"is.vector"
"vector"

Por ser gratuito, o R no possui suporte oficial. Existe uma lista de discusso atravs do
endereo http://www.r-project.org/mail.html, que se tem mostrado um suporte interativo
bastante eficiente.
3.4.2 Aplicao do Software R na analise de dados para o planejamento de
experimentos completamente aleatorizado com nico fator.
Para ilustrarmos a aplicao desse modelo, utilizamos o problema proposto em
Werkema & Aguiar (1996) descrito abaixo:
Os tcnicos de uma indstria metalrgica, desejam avaliar a dureza de peas de ao
aps diferentes banhos de tmpera. O experimento consistiu em submeter nove peas de
ao a cada tipo de banho de tmpera (gua, leo A e leo B), a seguir medir a dureza no
centro das peas temperadas e comparar as durezas mdias obtidas, com o objetivo de
identificar o meio de tmpera mais adequado. Este um exemplo de um experimento
com um nico fator (banho de tmpera) com k 3 nveis (gua, leo A e leo B) e n
= 9 rplicas. Neste experimento, os 27 ensaios ou testes foram realizados em ordem
aleatria. Na Tabela 9, apresenta-se os resultados do experimento.
Tabela 3.3 : Dados do experimento com a ordem dos ensaios.
Ordem
24
12
25
22
21
8
13
16
7

gua
36,7
38,9
38,7
38,8
37,6
37,2
38,8
38
37,2

Ordem
11
26
9
23
2
18
1
10
19

leo A
36
36,4
35,3
36,8
36,9
37,5
35,3
36
35,7

Ordem
4
14
15
17
20
3
5
6
27

leo B
35,3
35
34,3
35,7
35,2
34,2
36,5
35,8
35,5

Neste caso a matriz de planejamento de experimento pode ser montada com a seguinte
seqncia de comandos para entrar com os dados do experimento:
Montando as colunas resposta e ordem:
>y<- scan() : Depois do comando o prximo passo digitar os valores da resposta
seguidos de enter e para encerrar digite enter duas vezes.
>or<- scan() : Depois do comando o prximo passo entrar com os dados da ordem do
ensaio da mesma forma anterior.

16

Montando a varivel tratamento:


>x<-rep(1:3,each=9) : no caso temos 3 tratamentos com 9 repeties, ou,
>x1<-factor(rep(1:3,each=9),labels=c("agua","oleoA","oleoB"))
Montando o data.frame ( matriz de dados e fatores)
bt<-data.frame(resp=y, ordem=or, trat=x1)
Assim, a matriz de planejamento ter a seguinte forma:
resp ordem trat
1 36.7 24
agua
2 38.9 12
agua
*
*
*
26 35.8 6 oleoB
27 35.5 27 oleoB
Para a anlise descritiva o primeiro passo indicar o caminho das variveis no
data.frame, isso feito com o comando attach(bt) . O comando tapply, possibilita a
manipulao de dados no data.frame. Para um resumo descritivo usamos a seqncia:
tapply(resp,trat,summary)
$gua
Min. 1st Qu.
36.70 37.20
$leoA
Min. 1st Qu.
35.30 35.70
$leoB
Min. 1st Qu.
34.20 35.00

Median Mean 3rd Qu. Max.


38.00 37.99 38.80 38.90
Median Mean 3rd Qu. Max.
36.00 36.21 36.80 37.50
Median Mean 3rd Qu. Max.
35.30 35.28 35.70 36.50

O comando resultou em um resumo descritivo das respostas por tratamento.


Uma inspeo grfica pode ser obtida pelo Grfico de Box-Cox.
>plot(resp~trat,xlab="Banho de Tmpera",ylab="Dureza", col ="red")

17

Figura 3.5: Box-Plot para os Valores de Dureza Obtidos em cada Banho de Tmpera.
Pela Figura 3.5 e medidas descritivas acima, pode-se observar que parece haver
uma diferena entre os banhos de leo e o de gua, sendo que a maior dureza mdia foi
observada no banho de gua.
O problema agora verificar se essas diferenas de fato so significativas ou
podem ser de origem aleatria. Para constatarmos se de fato as diferenas so
significativas utilizaremos anlise de varincia.
Para a Anlise de Varincia temos a seguinte seqncia de comandos:
aov(formula, data = NULL, projections = FALSE, qr = TRUE,
contrasts = NULL, ...)
Este comando efetua e guarda todos os resultados da ANOVA do modelo (formula)
av<-aov(resp~trat) :
O comando names(av) lista todos os vetores de resultados gerados pela ANOVA como
por exemplo o vetor de resduos.
> names(av)
[1] "coefficients" "residuals"
"effects"
"rank"
"fitted.values" "assign"
"qr"
[8] "df.residual" "contrasts" "xlevels"
"call"
"terms"
"model"
Para utilizar esses vetores deve-se referenciar como por exemplo av$res ou av$fitt ,
aqui ser listado o vetor de resduos e o vetor de valores ajustados pelo modelo
proposto.
Agora utiliza-se o comando summary(av) ou anova(av) , que geram a Tabela da
ANOVA abaixo:
Analysis of Variance Table
Response: resp
trat
Residuals

Df SumSq
2 34.145
24 14.433

Mean Sq
17.073
0.601

F value
28.389

Pr(>F)
4.732e-07 ***

18

--Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
Assim, como Fo 28.389 um valor bem maior que 1, temos evidncias
significativas para concluir que pelo menos um tratamento difere dos demais. Essa
evidncia mais facilmente verificado pelo p-value que neste caso dado por
Pr(>F)=4.732e-07 , ou seja, a diferena significativa a um nvel de abaixo de 0.001.
Dessa forma verifica-se que as mdias diferem, isto , que o tipo de banho
utilizado afeta a dureza das peas temperadas.
Detectado a diferena entre tratamentos o prximo passo e identificar de fato
qual dos tratamentos esta diferindo do outro. Nesta etapa vamos utilizar o teste de
Tukey. O comando para o teste de Tukey :
>TukeyHSD(av)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = resp ~ trat)
$trat
diff
lwr
upr
oleoA-agua -1.7777778 -2.690713 -0.8648426
oleoB-agua -2.7111111 -3.624046 -1.7981760
oleoB-oleoA -0.9333333 -1.846268 -0.0203982
Percebe-se, atravs do teste paras diferenas entre tratamentos e o intervalo de
confiana para as diferenas, que todos os tratamentos so diferentes entre si e a ordem
dada por:

gua > leo A > leo B

19

Figura 3.6: Comparaes Mltiplas.


O resultado pode ser melhor ilustrado pela Figura 3.6, que gerado atravs do comado:
> plot(TukeyHSD(av))
O modelo de anlise de varincia assume que as observaes so independentes,
com distribuio normal de mesma varincia em cada tratamento. Dessa forma devemos
analisar o comportamento dos resduos atravs dos seguintes grficos:

Grfico de resduos contra ordem de coleta das observaes (tempo)


Grfico de resduos contra Valores Ajustados
Grfico de probabilidade normal.

Para o Grfico de resduos contra ordem de coleta das observaes (tempo),


utiliza-se o comando:
>plot (ordem,av$res,xlab="Ordem",ylab="Resduos",col="red")
Aqui ordem o vetor associado a ordem de realizao do experimento, av$res o
vetor relacionado com os resduos gerados pelo modelo, xlab o nome da coordenada x,
ylab o nome da coordenada y e col a cor desejada. Da mesma forma para Resduos
X Valores Ajustados temos:

Figura 3.7 Grficos: Resduos X Ordem e Resduos X Valores Ajustados


>plot(av$fit,av$res, xlab="Valores Ajustados",ylab="Resduos",col="blue")
Para o Grfico Normal tem-se a seqncia de comando:
>qqnorm(av$res,xlab="Quantil da Normal",ylab="Resduos")

20

Este comando plot os quantis da distribuio normal contra os valores dos resduos
ordenados
>qqline(av.$res)
Este comando ajusta a reta entre os pontos. Neste caso espera-se que os dados se
alinhem em torno da reta ajustada.

Figura 3.8 Grfico Normal de Probabilidade dos Resduos


Considerando o grfico dos Resduos X ordem, no se identifica nenhum relao
existente, validando dessa forma a suposio de independncia entre os resduos. Para o
grfico de resduos X valores ajustados (mdias) a suposio testada era a de variao
igual para ambos os tratamentos, neste caso tambm parece no haver ocorrido violao
da suposio. No grfico normal de probabilidade (QQ-Plot) os dados tambm parecem
no terem violado de forma comprometedora a suposio de normalidade.
Abaixo apresenta-se os testes de Bartlett para homogeneidade de varincias nos
tratamentos e Shapiro-Wilk para normalidade dos resduos.
O Teste de Bartlett usado atravs do comando:
>bartlett.test(av$res,trat)
Bartlett test of homogeneity of variances
data: resp and trat
Bartlett's K-squared = 0.199, df = 2, p-value = 0.9053

21

Como visto no se rejeita a hiptese de igualdade de varincias, portanto essa suposio


no foi violada.
O teste de normalidade de Shapiro-Wilk usado atravs do comando:
>shapiro.test(av$res)
Shapiro-Wilk normality test
data: av$res
W = 0.9613, p-value = 0.3954
Da mesma forma, no se rejeita a hiptese de normalidade dos resduos, portanto a
suposio de normalidade no foi violada.
Concluso Final:

Todos os tratamentos (gua, leo A e leo B) diferem entre si.


A ordem da durabilidade para o tipo de tratamento : gua > leo A > leo B.
O modelo utilizado para a anlise foi adequado, no violando nenhuma
suposio inicial.

3.5 - Exerccios do Captulo


1. Considere um experimento para determinar o efeito da vazo de C 2F6 sobre a
uniformidade do ataque qumico em uma pastilha de silicone usada na
fabricao de um circuito integrado. Trs vazes so usadas no experimento e a
uniformidade (%) resultante, para seis replicatas, mostrado a seguir.

Faa um estudo descritivo, visando comparar os nveis do fator (tabela


decritiva e Box-Plot).
Faa um anlise de varincia completa usando 0.1 e verifique quais
as vazes de gs que produzem diferentes uniformidades mdias de
ataque qumico.

2. Um experimento foi feito para determinar se quatro temperaturas especficas de


queima afetam a densidade de um certo tipo de tijolo. O experimento conduziu
aos seguintes dados.

22

Faa um estudo descritivo, visando comparar os nveis do fator (tabela


decritiva e Box-Plot).
Faa um anlise de varincia completa usando 0.05 e verifique quais
nveis de temperatura que produzem diferentes densidades nos tijolos.

3. A resistncia compresso do concreto est sendo estudada e quatro tcnicas


diferentes de mistura esto sendo investigadas. Os seguintes dados foram
coletados.

Faa um estudo descritivo, visando comparar os nveis do fator (tabela


decritiva e Box-Plot).
Faa um anlise de varincia completa usando 0.05 e verifique se as
misturas afetam a resistncia do concreto.

4. Um engenheiro eletrnico est interessado no efeito, na condutividade do tubo,


de cinco tipos diferentes de recobrimento de tubos de raios catdicos em uma
tela de um sistema de telecomunicaes. Os seguintes dados de condutividade
so obtidos. Se 0.05 , voc pode isolar qualquer diferena na condutividade
mdia devido ao tipo de recobrimento?

Captulo 4- Planejamento de Experimentos em


Blocos Completamente Aleatorizados.
4.1 Introduo

23

Em muitas situaes experimentais, a presena de fontes externas perturbadoras


conhecidas pode provocar variabilidade extra e alterar os efeitos dos fatores de
interesse, confundindo dessa forma a anlise final do planejamento experimental.
Os planejamentos de experimentos com blocos completamente aleatorizados so
planejamentos experimentais nos quais parte dessa variabilidade devida a fatores
externos conhecidos controlada.
Um exemplo desse estudo pode ser ilustrado em uma situao onde se deseja testar a
eficincia de diferentes processos de produo para a mesma finalidade sabendo que a
matria-prima, que vinda de diferentes fornecedores pode influenciar no resultado.
Aqui no se tem interesse em testar a matria prima e sim os processos, no entanto a
matria-prima que no vem de forma padronizada pode confundir o desempenho dos
processos.
Nesta situao, os diferentes lotes de matria-prima devem ser tratados como
blocos. Dentro do bloco devem ser realizados todos os ensaios correspondentes aos
possveis tratamentos (ou nveis do fator de interesse). Ainda dentro do bloco, a
associao dos tratamentos s unidades experimentais e a ordem de realizao dos
ensaios devem ser determinadas ao acaso.
4.2 Formulao Terica
Para este modelo, vamos considerar em geral, que existem k tratamentos que
sero avaliados em b blocos. A disposio dos dados ilustrada na Tabela abaixo:
Blocos
Trat
1
2

y11

y12
y22

y21

yk 1

yk 2

Totais

y.1

y.2

...
...
...

...
...

Totais

y1b

y1.

y2b

y2.

ykb

yk .

y.b

y..

Nesta situao ser coletada apenas uma observao para cada tratamento (nvel
do fator), em cada bloco. A maneira como os tratamentos sero alocados s unidades
experimentais e a ordem de realizao dos ensaios, dentro de cada bloco, sero
determinadas de modo aleatrio. Em funo da primeira aleatorizao dos tratamentos
com os blocos, dizemos que os blocos representam uma restrio a aleatorizao.
O modelo estatstico para esse experimento
yij i j ij , i 1,2, , k e j 1,2, , b . (4.1)

onde
yij

: observaes coletadas sob o i-simo tratamento no j-simo bloco.

: mdia geral.

24

i : efeito do i-simo tratamento.


j : efeito do j-simo bloco.
ij : erro aleatrio associado observao y ij .

Aqui ser feita a suposio de que os erros aleatrios so independentes e


2
distribudos de forma normal com mdia zero e varincia 2 , ou seja, ij ~ N (0, ) .
Os tratamentos e blocos sero considerados, inicialmente, como fatores fixos.
Temos ainda que os efeitos dos tratamentos e dos blocos so definidos como
b
k
desvios da mdia global, de modo que i 1 i 0 e j 1 j 0 . Considerando
tambm que os tratamentos e os blocos no interagem.
Assim, estamos interessados em testar a igualdade dos efeitos do tratamento. Isto
:
H 0 :1 2 k 0
H 1 : i 0 , para no mnimo um i

(4.2)

Dessa forma a anlise de varincia pode ser estendida ao planejamento em


blocos completamente aleatorizados. O procedimento usa a soma de quadrados total,
SQT , que representa uma partio da variabilidade total das observaes em relao
variabilidade explicada pelo tratamento, pelos blocos e pelo acaso.
SQT y ij y.. b ( y i. y.. ) 2 k ( y. j y.. ) 2 ( yij y. j y i. y.. ) 2
k

i 1 j 1

i 1

j 1

i 1 j 1

(4.3)
Aqui:
y i . : soma da observaes no i-simo tratamento
y. j

: soma da observaes no j-simo bloco

y.. : soma total


y i . : mdia das observaes no i-simo tratamento
y . j : mdia das observaes no j-simo bloco
y .. : mdia geral de todas as observaes.

N kb : Total de observaes.

A demonstrao da partio de SQT pode ser vista em Montegomery, 2001. A


identidade da soma quadrtica pode ser representada simbolicamente por
SQT SQTrat SQBloco SQE (4.4)

onde,
k

SQT ( y ij y.. ) 2 : Soma de quadrados total.


i 1 j 1

SQTrat b ( y i. y.. ) 2 : Soma de quadrados devido aos tratamentos.


i 1

25

SQBlo cos k ( y. j y.. ) 2 : Soma de quadrados devido aos blocos.


j 1

SQE ( yij y. j yi. y.. ) 2 : Soma do quadrado dos resduos.


i 1 j 1

O desmembramento do grau de liberdade correspondente a essas somas


quadrticas dado da seguinte forma. Para N observaes, SQT ter N 1 graus de
liberdade, para k tratamentos e b blocos, SQTrat e SQBlo cos tero k 1 e b 1
graus de liberdade respectivamente. Para SQ E temos (k 1)(b 1) graus de
liberdade por subtrao. A idia do teste a mesma do planejamento completamente
aleatorizado, procurando trabalhar com os quadrados mdios. Para este modelo os
quadrados mdios so:
SQTrat
QM Trat
: Quadrado Mdio dos Tratamentos
k 1
QM Blo cos
QM E

SQ Blo cos
: Quadrado Mdio dos Blocos.
b 1

SQE
: Quadrado Mdio dos Resduos.
(k 1)(b 1)

Pode ser demonstrado (ver Montgomery, 2002) que os valores esperados dessas
mdias quadrticas so:
k

E QM Trat 2

b i2
i 1

(4.5)

k 1
b

E QM Blo cos 2

k j2
j 1

(4.6)

b 1

E QM E 2

(4.7)

Dessa forma, se a hiptese nula H 0 for verdadeira de modo que todos os efeitos do
tratamento i 0 , ento QM Trat ser um estimador no tendencioso de 2 , enquanto
se H o for falsa, estimar 2 mais um termo quadrtico positivo. O quadrado mdio
dos resduos ser sempre um estimador no tendencioso de 2 . Dessa forma para testar
a hiptese nula de que os efeitos dos tratamentos sejam iguais a zero, utilizamos a
estatstica
F0

QM Trat
QM E

que, sob H o , ter uma distribuio F, com (k 1), (k 1)(b 1) graus de liberdade.
Assim, rejeita-se a hiptese nula H o , com um nvel de significncia , se

26

Fo F , ( k 1),( k 1)( b 1)

O quadro da ANOVA ser dado por:


Tabela 4.1 Quadro da Anova
SQ
GL
QM

Fonte de
Variao
Tratamentos

SQTrat

k 1

QM Trat

Blocos

SQ Blo cos

b 1

QM Blo cos

Erros
Total

SQ E

( k 1)(b 1)

QM E

SQT

N 1 kb 1

Fo

QM Trat
QM E
QM Blo cos
QM E

QM Blo cos
, aparece como teste para o efeito dos blocos. A
QM E
validade dessa razo como uma estatstica de teste para a hiptese nula de nenhum
efeito do bloco duvidosa, uma vez que os blocos representam uma restrio
aleatoriedade, ou seja, usamos a aleatoridade apenas dentro dos blocos. Podemos
considerar, se os blocos forem realizados em uma ordem aleatria, que um valor grande
para F d indicativos para efeitos significativos dos blocos, mas no podemos afirmar
esses resultados como para o teste do efeito dos tratamentos.

A estatstica

4.3-Anlise de Resduos (Verificao da Adequao do Modelo)


Da mesma forma, no caso dos planejamentos em blocos completamente aleatorizados
deve ser verificada a validade das suposies de normalidade dos erros, igualdade de
varincia das observaes nos tratamentos, nos blocos e ausncia da interao
tratamento-bloco. A anlise de resduo a principal ferramenta utilizada para esta
verificao. Para os planejamentos em blocos completamente aleatorizados os resduos
so definidos por
ij y ij y ij y ij y i . y. j y.. (4.8)
As verificaes sero feitas por meio do estudo dos grficos de resduos como: Grficos
de resduos X Valores Ajustados; Grficos de Resduos x Tratamentos; Resduos x
Blocos e Grfico de probabilidade Normal. Aqui pode-se tambm usar o teste de
Barllets para testar a igualdade de varincias e o teste de ShapiroWilk para Normalidade
dos resduos.
4.4- Comparaes Mltiplas.
Da mesma forma pode-se utilizar o teste de Tukey, considerando agora uma pequena
alterao no grau de liberdade do QM E , que agora possui (k 1)(b 1) graus de
liberdade e substituir o nmero n de rplicas pelo nmero de blocos b.
27

4.5 Aplicao do Software R na analise de dados para o planejamento de


experimento aleatorizado em blocos completos.
Para ilustrarmos a aplicao desse modelo, utilizamos outro problema proposto em
Werkema & Aguiar, (1996) descrito abaixo:
Com o objetivo de reduzir o tempo de reao de um processo qumico, uma indstria
resolve realizar um experimento com quatro tipos de catalisadores (A,B,C e D). No
entanto os tcnicos perceberam que a matria-prima utilizada na reao no era
totalmente homognea e representava uma fonte de variabilidade que afetava o
desempenho do processo. Uma maneira de contornar este problema consistia em
selecionar vrios lotes de matria-prima e comparar os quatro catalisadores nas
condies relativamente homogneas dentro de cada lote. Dessa forma, a equipe decidiu
usar cinco lotes disponveis no estoque da industria e para cada lote extrair quatro
pores de matria-prima, de modo que cada poro fosse suficiente para fabricar uma
batelada de produto, e alocar aleatoriamente a cada uma destas pores um dos
catalisadores considerados no estudo. Estabeleceu-se a aleatorizao da ordem de
realizao dos ensaios. Neste caso, cada ensaio corresponde produo de uma batelada
da substncia qumica utilizando uma das combinaes poro de matriaprima/catalisador. Portanto estamos diante de um experimento aleatorizado em blocos
completos.
Cada bloco corresponde a um lote de matria prima e os tratamentos ou nveis do fator
correspondem aos tipos de catalisador. Dentro de um bloco, a associao dos
tratamentos s unidades experimentais e a ordem de realizao dos ensaios so
determinadas ao acaso.
Os dados desse experimento esto ilustrados abaixo:
Tabela 4.2: Dados do experimento com Catalisadores
Catalisador
A
B
C
D

1
41
43
45
43

2
34
37
38
41

Lotes
3
40
45
48
45

4
39
42
43
46

5
33
40
38
40

4.5.1 - Entrada de dados e anlise descritiva usando o Software R.


Aqui a matriz de planejamento ser montada da seguinte forma:
Repostas:
y<- scan() : Depois do comando o prximo passo entrar com os dados da resposta.
Montando a varivel Bloco e Tratamento:
b<-rep(1:5,each=4) : no caso temos 5 blocos com 4 repeties.
tr<-rep(1:5,4) : no caso temos 4 tratamentos com 5 repeties.

28

Uma opo mais completa pode ser definida por:


b<-factor(rep(1:5,each=4),labels=c("Lote1","Lote2","Lote3","Lote4","Lote5"))
tr<- factor(rep(1:4,5),labels=c("A","B","C","D"))
Montando o Data.frame
decab<-data.frame(resp=y,trat=tr,bloco=b)
> decab
resp trat bloco
1 41 A Lote1
2 43 B Lote1
*
*
*
19 38 C Lote5
20 40 D Lote5
Da mesma forma utilizando o comando attach() e tapply(), a um resumo descritivo
considerando os fatores.
attach(decab)
> tapply(resp,trat,summary)
$A
Min. 1st Qu. Median Mean
33.0 34.0 39.0
37.4
$B
Min. 1st Qu. Median Mean
37.0 40.0 42.0
41.4
$C
Min. 1st Qu. Median Mean
38.0 38.0
43.0
42.4
$D
Min. 1st Qu. Median Mean
40 41
43
43
> tapply(resp,bloco,summary)
$Lote1
Min. 1st Qu.
41.0 42.5
$Lote2
Min. 1st Qu.
34.00 36.25
$Lote3
Min. 1st Qu.
40.00 43.75
$Lote4
Min. 1st Qu.

Median
43.0

3rd Qu. Max.


40.0
41.0
3rd Qu. Max.
43.0 45.0
3rd Qu. Max.
45.0 48.0
3rd Qu.
45

Max.
46

Mean 3rd Qu.


43.0
43.5

Max.
45.0

Median Mean
37.50
37.50

3rd Qu. Max.


38.75 41.00

Median
45.00

3rd Qu. Max.


45.75 48.00

Median

Mean
44.50
Mean

3rd Qu.

Max.

29

39.00 41.25 42.50


42.50
43.75 46.00
$Lote5
Min. 1st Qu. Median Mean 3rd Qu. Max.
33.00 36.75 39.00 37.75
40.00 40.00
Uma inspeo grfica, pode ser obtida pelos comandos:
par(mfrow=c(2,1))
plot(trat,resp,xlab="Tratamento",ylab="Respostas")
plot(bloco,resp,xlab="Bloco",ylab="Respostas")

Figura 4.1: Box-Plot para os tempos de reao segundo tratamento (catalisador) e


bloco (lotes de matria-prima).
Pela Figura 4.1 e medidas descritivas acima, pode-se observar que parece haver uma
diferena entre os tempos, sendo que o menor tempo de reao parece estar associado
ao catalisador A.
>
coplot(resp~trat|bloco,panel=panel.smooth,rows=1,xlab=c("Medidas
Catalisador", paste("Bloco")),ylab="Tempo de Reao")

por

30

O problema agora verificar se essas diferenas de fato so significativas ou podem ser


de origem aleatria. Para constatarmos se de fato as diferenas so significativas
utilizaremos anlise de varincia.
> eb.av<-aov(resp~trat+bloco)
> anova(eb.av)
Analysis of Variance Table
Response: resp
Df Sum Sq Mean Sq F value Pr(>F)
trat
3
95.350 31.783
13.430
0.0003839 ***
bloco
4 165.200 41.300
17.451
6.098e-05 ***
Residuals 12 28.400
2.367
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

31

Pelo quadro da anova acima, verifica-se que existe diferena entre tratamentos, com
relao aos blocos tem-se uma indicao de que apresentaram efeito significativo, sendo
dessa forma seu uso indispensvel neste experimento.
Detectado a diferena entre tratamentos o prximo passo e identificar de fato qual dos
tratamentos esta diferindo do outro. Nesta etapa vamos utilizar o teste de Tukey.
Comando:
>TukeyHSD(eb.av)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = resp ~ trat + bloco)
$trat
B-A
C-A
D-A
C-B
D-B
D-C

diff
4.0
5.0
5.6
1.0
1.6
0.6

lwr
1.111354
2.111354
2.711354
-1.888646
-1.288646
-2.288646

upr
6.888646
7.888646
8.488646
3.888646
4.488646
3.488646

$bloco
Lote2-Lote1
Lote3-Lote1
Lote4-Lote1
Lote5-Lote1
Lote3-Lote2
Lote4-Lote2
Lote5-Lote2
Lote4-Lote3
Lote5-Lote3
Lote5-Lote4

diff
-5.50
1.50
-0.50
-5.25
7.00
5.00
0.25
-2.00
-6.75
-4.75

lwr
upr
-8.967325 -2.032675
-1.967325
4.967325
-3.967325 2.967325
-8.717325 -1.782675
3.532675 10.467325
1.532675
8.467325
-3.217325
3.717325
-5.467325
1.467325
-10.217325 -3.282675
-8.217325 -1.282675

Percebe-se, atravs do teste paras diferenas entre tratamentos e o intervalo de


confiana para as diferenas, que o catalisador A proporciona menor tempo de reao
comparado com todos os tratamentos.
Para este modelo devem-se construir os grficos de resduos contra valores ajustados;
grfico de resduos contra tratamentos; grfico de resduos contra blocos e grfico de

32

probabilidade normal. Da mesma forma, podem-se utilizar alguns testes para verificar
as hipteses de varincia constante e normalidade dos dados.
Na Figura abaixo contm os grficos descritos acima, para a anlise de resduos.

Figura 4.2: Grficos para Anlise de Resduo do modelo de planejamento de


experimentos em blocos completos.
A seqncia dos comandos para a anlise de resduos da Figura 4.2, descrita abaixo:
> par(mfrow=c(2,2))
> plot(eb.av$fit,eb.av$res,xlab="Valores Ajustados",ylab="Resduos",col="blue")
> plot(trat,eb.av$res,xlab="Tratamentos",ylab="Resduos",col="blue")
> plot(bloco,eb.av$res,xlab="Blocos",ylab="Resduos",col="blue")
> qqnorm(eb.av$res,xlab="Quantil da Normal",ylab="Resduos",col="blue")
> qqline(eb.av$res)
Pela Figura 4.2, parece no existir nenhuma violao grave na suposio do modelo.
Aplicando os testes de normalidade e homogeneidade de varincias tem-se os seguintes
resultados:
Para o teste da Normalidade dos Resduos temos:
> shapiro.test(eb.av$res)
Shapiro-Wilk normality test

33

data: eb.av$res
W = 0.9217, p-value = 0.1066
Para testar a homogeneidade das varincias temos:
> bartlett.test(eb.av$res,trat)
Bartlett test of homogeneity of variances
data: eb.av$res and trat
Bartlett's K-squared = 0.8093, df = 3, p-value = 0.8472
>bartlett.test(eb.av$res,bloco)
Bartlett test of homogeneity of variances
data: eb.av$res and bloco
Bartlett's K-squared = 0.5292, df = 4, p-value = 0.9706
Como a suposies de normalidade e nem de varincia constante foram rejeitadas,
pode-se considerar o modelo como vlido e a anlise encerrada.
4.6- Concluses Finais

Existe diferena entre o tempo mdio de reao entre os tratamentos, sendo que
o Catalisador A apresenta menor tempo de reao.
O modelo utilizado na anlise se mostrou apropriado, sem apresentar violaes.
Dessa forma recomenda-se a utilizao do Catalisador A na produo, pois ir
aumentar a produtividade do processo.

4.7- Exerccios do Captulo


1- Um experimento foi conduzido a fim de investigar o escapamento de corrente
eltrica em um aparelho SOS MOSFETS. A finalidade do experimento foi
investigar como o escapamento de corrente varia com o comprimento do canal.
Quatro comprimentos diferentes foram selecionados. Para cada comprimento do
canal, cinco larguras diferentes foram tambm usadas. A largura deve ser
considerada como fator pertubador. Eis os dados.

2- No artigo intitulado O efeito do projeto do bocal na estabilidade e desempenho


de jatos turbulentos de gua, na revista Fire Safety Journal,Vol.4,agosto de
1981,C.Theobald descreve um experimento em que uma medida da forma foi
34

determinada para vrios tipos diferentes de bocais, com nveis diferentes de


velocidade do jato de sada. O interesse nesse experimento est principalmente
no tipo de bocal, sendo a velocidade um fator que provoca distrbio. Os dados
so apresentados a seguir.

O tipo de bocal afeta a medida da forma? Compare os bocais, usando os


diagramas de caixa e a anlise de varincia.
Compare as diferenas entre os bocais utilizando o grfico box-plot.
Faa a anlise de resduos para o modelo.

3- Um experimento foi realizado para determinar o efeito de quatro tipos diferentes


de ponteiras em um teste de dureza de uma liga metlica. Quatro corpos de
prova da liga foram obtidos e cada ponteira foi testada uma vez em cada corpo
de prova, produzindo os seguintes dados:

Faa uma anlise de varincia completa para checar se existe diferena


nas medidas de dureza entre as ponteiras.

Captulo 5 Planejamentos Fatorias


Em muitas situaes prticas podemos ter interesse em estudar o efeito de dois ou mais
fatores, nestas situaes um experimento fatorial deve ser utilizado. Nos experimentos
fatorias, os fatores variam de forma simultnea, especificamente, queremos dizer que
em cada tentativa completa ou replicao do experimento, so investigadas todas as
combinaes dos nveis dos fatores. Por exemplo, se h dois fatores A e B, com a
nveis para o fator A e b nveis para o fator B, ento cada replicao contm todas as
ab combinaes possveis.
O efeito de um fator definido como a mudana na resposta produzida por uma
mudana no nvel do fator. Isso chamado efeito principal, porque se refere aos fatores
principais no estudo.
Se a diferena na resposta entre os nveis de um fator no a mesma em todos os nveis
dos outros fatores, ento esse efeito chamado de interao. Abaixo apresentamos
exemplos grficos de planejamentos com dois fatores com e sem interao.

35

Figura 5.1: Sem Interao

Figura 5.2: Presena de Interao

5.1- Planejamento Fatorial com dois fatores.


Vamos considerar neste caso o planejamento com dois fatores. Aqui consideramos A e
B, com a e b nveis respectivamente. Se o experimento replicado n vezes, a
disposio dos dados pode ser ilustrada na tabela abaixo:
Tabela 5.1: Disposio dos dados para um experimento fatorial com dois fatores
Fator B
b
Fator A
1
2

y1b1 , y1b 2 ,
y111 , y112 ,
y121 , y122 ,
1

..., y11n
..., y12 n
..., y1bn
2

y211 , y212 ,

y221, y222 ,

..., y21n

ya11 , ya12 ,

..., y22 n

ya 21 , ya 22 ,

..., ya1n

..., ya 2 n

y2 b1 , y2 b 2 ,

..., y2 bn

yab1 , yab 2 ,

..., yabn

Em geral, a observao na ij-sima cela na k-sima repetio yijk . Aqui, na coleta de


dados, as abn observaes devem ser feitas em ordem aleatria. O planejamento
fatorial com dois fatores um planejamento completamente aleatorizado. Vamos supor,
inicialmente, que ambos os fatores tenham efeitos fixos.
O modelo matemtico para observaes de um experimento fatorial com dois fatores
dado por

yijk i j ( ) ij ijk

i 1,2,..., a

; j 1,2,..., b
k 1,2,..., n

(5.1)

onde:

: o efeito mdio geral

i : o efeito do i-simo nvel do fator A.


j : o efeito do j-simo nvel do fator B.

36

( )ij : o efeito da interao entre A e B.

ijk : o erro aleatrio. Da mesma forma, vamos considerar que ijk ~ N (0; 2 ).

Ambos os fatores so considerados fixos, e o efeito dos tratamentos so definidos como


b
a
desvios da mdia geral, dessa forma i 1 i 0 e j 1 j 0 .
Similarmente os efeitos da interao so considerados fixos e so definidos de forma
a
b
que i 1 ( i j ) j 1 ( i j ) 0 . Como existiro n rplicas no experimento, tem-se
um total de abn observaes.
No experimento fatorial com dois fatores, tem-se interesse em testar o efeito dos dois
fatores. Especificamente, estamos interessados em testes de hipteses sobre a igualdade
do efeito do tratamento das linhas (Fator A)
H 0 : 1 2 ... a 0

(5.2)

H1 : i 0, para pelo menos um i

E a igualdade de efeito do tratamento das colunas (Fator B).


H 0 : 1 2 ... b 0
H1 : j 0; para pelo menos um j.

(5.3)

Tambm, tem-se interesse em se testar o efeito da interao entre linhas e colunas, ou


seja,
H 0 : ( )ij 0, para todo i, j.
H1 : ( )ij 0, para pelo menos um para (i, j ).

(5.4)

5.1.1- Anlise Estatstica para o modelo de efeitos fixos.


Sejam yi .. o total das observaes no i-simo nvel do fator A, y. j . o total das
observaes no j-simo nvel do fator B, y ij . o total das observaes na ij-sima cela
da Tabela 1, e y i .. , y. j . , y ij . e y... como as correspondentes mdias de linha, coluna,
cela e total. Isto ,
y i.. j 1 k 1 y ijk
b

y. j . i 1 k 1 y ijk
a

y i..

y i..
;
bn

y. j .

y. j .
an

i 1,2,..., a

; j 1,2,..., b

37

y ij . k 1 y ijk
n

y...

y ij .

i 1

j 1

k 1

y ij .
n

i 1,2,..., a

j 1,2,..., b
y...

y ijk

y...
abn

A anlise de varincia decompe a soma de quadrados total


a

SQT ( y ijk y... ) 2


i 1 j 1 k 1

(5.5)

Da seguinte forma:
a

( yijk y... ) 2 bn ( yi.. y... ) 2 an ( y. j. y... ) 2


i 1 j 1 k 1

i 1

j 1

n ( y ij . y i.. y. j . y... ) 2
i 1 j 1

( y ijk y ij . ) 2 .
i 1 j 1 k 1

Ou, simbolicamente,
SQT SQ A SQ B SQ AB SQ E

(5.6)

A decomposio dos graus de liberdade ilustrada na tabela abaixo:


Tabela 5.2 Decomposio dos graus de liberdade.
Efeito
A
B
Interao AB
Erro
Total

Graus de Liberdade
a 1
b 1

( a 1)(b 1)
ab( n 1)

abn 1

38

Cada soma de quadrados dividido pelos respectivos graus de liberdade formam os


quadrados mdios. Assim
QM A

SQ A
: Quadrado mdio do tratamento A.
a 1

QM B

SQ B
: Quadrado mdio do tratamento B.
b 1

QM AB

SQ AB
: Quadrado mdio da Interao.
( a 1)(b 1)

QM E

SQE
: Quadrado mdio dos Erros.
ab( n 1)

Os valores esperados dos quadrados mdios so:


bni 1 i2
SQ A
2
E (QM A ) E

a 1
a 1

(5.7)

an j 1 j2
SQ B
2
E (QM B ) E

b 1
b 1

(5.8)

ni 1 j 1 ( ) ij2
SQ AB

2

E (QM AB ) E
( a 1)(b 1)
( a 1)(b 1)

SQ E
2
E (QM E ) E
ab(n 1)

(5.9)

(5.10)

Note que se as hipteses nulas sobre o efeito das linhas A, efeitos das colunas B e da
interao AB so verdadeiras ento QM A , QM B , QM AB e QM E so todos
estimativas de 2 .
Dessa forma, se existe diferenas entre os efeitos dos tratamentos em A, ento QM A
ser maior que QM E . Similarmente, se existe diferenas nos efeitos dos tratamentos
em B, ou na interao AB, ento a correspondente mdia quadrtica ser maior que
QM E . Portanto o teste de significncia de ambos os efeitos e interaes,
simplesmente usar a razo entre as mdias quadrticas e o quadrado mdio dos resduos
QM E .

39

Se for assumido que o modelo da equao 5.1 adequado e que os ij k so


independentes e identicamente distribudos de forma normal com varincia constante
QM A QM B
QM AB
,
e
distribudo
2 , ento cada razo de quadrados mdios
QM E QM E
QM E
como uma F com ( a 1) , (b 1) e (a 1)(b 1) graus de liberdade do numerador
respectivamente e ab(n 1) graus de liberdade do denominador. A regio critica para
um teste com nvel de significncia , ser valores da razo de quadrados que exceder
o quantil da F com um nvel e respectivos graus de liberdade.
O procedimento resumido na tabela de Anlise de Varincia abaixo:
Tabela 5.3 Quadro da ANOVA
Fonte de
Variao

Soma de
Quadrados

Graus de
Liberdade

SQ A

a 1

SQ B

b 1

Interao

SQ AB

( a 1)(b 1)

Erro

SQE

ab( n 1)

Total

SQT

abn 1

Quadrado Mdio
F0

SQ A
a 1
SQ B
QM B
b 1
SQ AB
QM AB
( a 1)(b 1)
QM A

QM E

QM A
QM E
QM B
QM E
QM AB
QM E

SQE
ab( n 1)

5.1.2- Anlise de Resduo para o Modelo Fatorial com 2 fatores fixos.


Do mesmo modo que nos experimentos com um fator, discutidos anteriormente, os
resduos de um experimento fatorial desempenham papel importante na garantia de
adequao do modelo. Os resduos de um experimento fatorial de dois fatores so
ijk y ijk y ijk y ijk y ij .

(5.11)

Isto , os resduos so, simplesmente, a diferena entre as observaes e as mdias das


celas correspondentes (ver Montgomery, 2001). Da mesma forma a utilizao de
grficos e testes para checar a adequao das suposies sero de grande importncia.
Para o modelo fatorial de dois fatores A e B, destacamos os seguintes grficos e testes.
1. Grfico da probabilidade normal. Usado com os resduos, checa se os mesmos
seguem uma distribuio normal. Aqui tambm utiliza-se o teste de normalidade
como por exemplo Shapiro-Wilky.
40

2. Grfico de resduos X nveis do fator A. Checa a homogeneidade da varincia


nos nveis de A.
3. Grfico de resduos X nveis do fator B. Checa a homogeneidade da varincia
nos nveis de B.
4. Grfico de resduos X valores preditos y ijk . Checa a homogeneidade da
varincia de forma geral. Para testar a homogeneidade da varincia pode-se usar
o teste de Bartey.
5. Grfico de resduos X Ordem de coleta. Checa a suposio de independncia
entre as observaes.
Se forem observadas evidncias de fortes violaes na suposio do modelo, esse deve
ser invalidado ou deve-se proceder a transformaes dos dados originais (ver
Montgomery, 2001).
5.1.3- Comparaes Mltiplas
Identificado o efeito significativo nos nveis dos fatores, deve-se utilizar um teste de
comparaes mltiplas, para a identificao das diferenas especficas. Novamente ser
utilizado nesta fase o teste de comparaes mltiplas de Tukey.
Vale ressaltar que quando a interao significativa, a comparao entre mdias de um
mesmo fator pode ser mascarada pelo efeito da interao. Uma alternativa para essa
situao por exemplo fixar o fator B em um nvel especfico e aplicar o teste Tukey
para as mdias do fator A neste nvel fixado.
5.2- O Modelo de Planejamento Fatorial Geral
Os resultados do experimento fatorial com dois fatores podem ser facilmente estendidos
para o caso geral onde existem a nveis do fator A, b nveis do fator B, c nveis do
fator C, e assim por diante. No geral, existiro abc...n observaes totais para n
rplicas completas do experimento. Aqui, deve-se ter no mnimo duas rplicas ( n 2 )
para determinar as somas de quadrados envolvidas no modelo.
Se todos os fatores no experimento so fixos, pode-se facilmente formular e testar
hipteses sobre os efeitos principais e interaes. Neste caso, testes estatsticos para
cada efeito principal e interao podem ser construdos pela diviso da correspondente
mdia de quadrados dos efeitos ou interao pela mdia quadrtica dos erros. Todos so
testes F , unilaterais a direita. O nmero de graus de liberdade para os efeitos
principais o nmero de nveis do fator menos um e o nmero de graus de liberdade
para interao o produto do nmero de graus de liberdade associado com os
componentes individuais da interao. Por exemplo, considerando o modelo com trs
fatores temos:

41

y ijkl i j k ( ) ij ( ) ik ( ) jk ( ) ijk ijkl , com

(5.12)

i 1,2,..., a
j 1,2,..., b

k 1,2,..., c
l 1,2,..., n

Assumindo que A,B e C so fixados, a tabela resumo da anlise de varincia, incluindo


a esperana dos quadrados mdios dada abaixo.
Tabela 5.4 Quadro da Anova (Modelo Fatorial com Trs Fatores)
Fonte de Soma de
Variao Quadrados
A
SQ A
B

Graus de
Liberdade
a 1

Quadrado
Mdio
QM A

b 1

QM B

SQ B

SQC

c 1

QM C

AB

SQ AB

( a 1)(b 1)

QM AB

AC
BC
ABC

SQ AC

(a 1)(c 1)

QM AC

SQBC

(b 1)(c 1)

QM BC

SQ ABC

( a 1)(b 1)(c 1)
QM ABC

Erro
Total

SQ E
SQT

abc( n 1)

Esperana da Mdia
Quadrtica
bcn i2
2
2

a 1
acn 2

abn k2

b 1

c 1
cn ( ) ij2

2
2

QM E

Fo

QM A
QM E
QM B
QM E
QM C
QM E

(a 1)(b 1)

QM AB
QM E

bn ( ) ik2
(a 1)(c 1)

QM AC
QM E

an ( ) 2jk
(b 1)(c 1)

QM BC
QM E

2
n ( ) ijk

QM ABC
( a 1)(b 1)(c 1) QM E
2

abcn 1

A soma de quadrados total encontrada da mesma forma anterior, sendo dada por
2
SQT i 1 j 1 k 1 l 1 y ijkl

2
y....
abcn

(5.13)

As somas de quadrados dos efeitos principais so encontradas a partir dos totais dos
fatores A ( y i ... ) , B ( y. j .. ) e C ( y..k . ) como segue

42

SQ A

2
y....
1
a
2
y

i... abcn
bcn i 1

(5.14)

SQB

2
y....
1
b
2
y

. j.. abcn
acn j 1

(5.15)

SQC

1
c
y2
2
y

k 1 ..k . abcn
abn

(5.16)

A soma de quadrados dos efeitos das interaes, com dois fatores, dada para cada par
como:
SQ AB

SQ AC

2
y....
1
a
b
2
y

ij.. abcn SQ A SQB


cn i 1 j 1

(5.17)

2
y....
1
a
c
2

yi.k . abcn SQ A SQC


bn i 1 k 1

(5.18)

2
y....
1
b
c
2
y

. jk . abcn SQB SQC


an j 1 k 1

(5.19)

SQ BC

A soma de quadrados da interao de trs fatores A, B e C dada por:

SQ ABC

2
y....
1 a
b
c
2
i 1 j 1 k 1 y ijk .
SQ A SQB SQC SQ AB SQ AC SQ BC
n
abcn

(5.20)
Por fim a soma de quadrados dos erros obtida da seguinte forma:
2
1 a

y....
b
c
2
y

i 1 j 1 k 1 ijk .
abcn
n

SQE SQT

(5.21)

O procedimento de anlise semelhante aos modelos anteriores, comparando a


estatstica F0 com a distribuio F tabela com os respectivos graus de liberdade.
5.3 Aplicao do Software R na analise de dados para o Planejamento de
Experimentos Fatoriais .
Novamente, para ilustrarmos a aplicao desse modelo, utilizamos outro problema
proposto em Werkema & Aguiar, (1996) descrito abaixo:

43

Em uma indstria fabricante de equipamentos eletrnicos uma furadeira utilizada para


furar as placas de circuito impresso produzidas. Com o objetivo de reduzir a
variabilidade do processo de furao, a equipe do controle de qualidade, decidiu
planejar um experimento para identificar os fatores responsveis pela elevada
variabilidade. Foi decidido estudar dois fatores potencialmente influentes sobre a
variabilidade do processo: velocidade de rotao (Fator A) e dimetro (Fator B) da
broca utilizada na furadeira. Foram escolhidos trs nveis para cada fator:

1
1
,
e
16 12

1
polegadas para o dimetro e 40, 60 e 80 rpm para a velocidade de rotao da broca.
8

Aqui foi decidido realizar um experimento fatorial com quatro rplicas. Como era muito
difcil medir diretamente a variao no dimetro dos furos, foi decidido medi-la
indiretamente pela vibrao que ocorria na placa que esta correlacionada com a
variao. Dessa forma, em trinta e seis placas de teste foram instalados acelermetros
que permitiam medir a vibrao nos eixos coordenados (X,Y,Z) das placas.
Deve-se salientar que a placa utilizada em cada ensaio foi escolhida ao acaso e a ordem
de realizao dos ensaios tambm foi determinada aleatoriamente.
Os dados do Experimento esto ilustrados na tabela abaixo:
Tabela 5.5: Dados do Experimento Velocidade X Dimetro da Broca

5.3.1 - Entrada de dados e anlise descritiva usando o Software R.


Aqui a matriz de planejamento ser montada da seguinte forma:
y<- scan() : Depois do comando o prximo passo entrar com os dados da resposta.
Montando os Fatores:
d1<-factor(rep(1:3,each=12),labels=c("D1","D2","D3")) : Vetor que caracteriza os
dimetros.

44

v1<-factor(rep(rep(1:3,each=4),3),labels=c("V1","V2","V3"))
caracteriza as velocidades. Dessa forma o data.frame ser:

Vetor

que

defca<-data.frame(resp=y, diam=d1,vel=v1)
> debca
resp diam vel
1 10.6 D1 V1
2 16.8 D1 V1
*
*
*
35 35.5 D3 V3
36 31.9 D3 V3
Da mesma forma utilizando o comando attach() e tapply(), a um resumo descritivo
considerando respectivamente:Mdia por velocidade, Mdia por Dimetro e Mdia por
Velocidade X Dimetro
> tapply(resp,vel,mean)
V1
V2
V3
16.14167 21.54167 23.55000
> tapply(resp,diam,mean)
D1
D2
D3
14.52500 20.10833 26.60000
> tapply(resp,list(vel,diam),mean)
D1
D2
D3
V1 14.425 12.975 21.025
V2 14.375 23.450 26.800
V3 14.775 23.900 31.975
Pelas descries apresentadas acima, parece haver diferenas entre nveis de velocidade,
nveis de dimetro e tambm diferenas entre as interaes. Para confirmar tal indicao
procede-se a anlise de varincia.
5.3.2 - Anlise de Varincia, Comparaes Mltiplas e Anlise de Resduos.
Os comandos para anlise de varincia do modelo fatorial so dados por:
> avdefca<-aov(resp~vel*diam)
> anova(avdefca)
Analysis of Variance Table
Response: resp
Df Sum Sq Mean Sq F value
vel
2 352.31 176.15
31.9001
diam
2 876.48 438.24
79.3624

Pr(>F)
7.749e-08 ***
4.939e-12 ***

45

vel:diam 4 193.83
48.46
8.7753 0.0001129 ***
Residuals 27 149.10
5.52
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Por meio dos resultados no quadro da anova foi possvel concluir que a velocidade, o
dimetro da broca e tambm a interao entre estes dois fatores afetavam a vibrao da
superfcie das placas durante o processo de furao.Para auxiliar a interpretao de
como os fatores exercem seus efeitos sugerimos uma inspeo grfica ilustrando as
mdias por fatores e os grficos de interao. A seqncia de comandos para se realizar
uma inspeo grfica descrita abaixo:
par(mfrow=c(2,2))
plot(diam,resp,xlab="Dimetro",ylab="Vibrao",col="blue")
plot(vel,resp,xlab="Velocidade",ylab="Vibrao",col="blue")
interaction.plot(vel,diam,resp,trace.label=("Dimetro"),xlab="Velocidade",ylab="
Vibrao Mdia",col="blue")
interaction.plot(diam,vel,resp,trace.label=("Velocidade"),xlab="Dimetro",ylab="
Vibrao Mdia",col="blue")

Figura 5.3: Box-Plot para a vibrao segundo os fatores Dimetro e Velocidade e os


Grficos de Interao entre os Fatores.
Pela Figura 5.3, constata-se o fato de que a interao era significativa, indicado pela
ausncia de paralelismo entre as linhas. A partir da anlise desta figura, possvel obter
uma indicao de que a vibrao foi baixa para a broca D1 (1/16) em qualquer
velocidade de rotao e para a broca D2 (1/12), na velocidade de 40 rpm. Sabe-se que
quanto menores fossem o dimetro e a velocidade de rotao, mais baixo era a taxa de
produo da furadeira e ainda que a taxa de produo era mais afetada pelas variaes
de velocidade do que pelas variaes no dimetro da broca. Portanto para manter uma
taxa de produo satisfatria, a melhor condio de operao do processo parece ser
utilizar a broca D1 (1/16) com velocidade de rotao igual a 80 rpm.

46

Para confirmar os resultados acima procedemos a comparaes mltiplas.


>TukeyHSD(avdefca)
Este comando gera todas as possveis comparaes mltiplas, no entanto como o efeito
das interaes foi significativo, tem-se um interesse maior por estas comparaes.
Assim
>TukeyHSD(avdefca,"vel:diam",ordered=T)
Este comando vai gerar todas as combinaes para as interaes, selecionando as
interaes que de interesse tem-se:
$"vel:diam"
diff
V1:D1-V2:D1 0.050
V3:D1-V2:D1 0.400
V3:D1-V1:D1 0.350

lwr
-5.5408860
-5.1908860
-5.2408860

upr
5.640886
5.990886
5.940886

Podemos ver que o no existe diferena significativa entre os nveis de velocidade e o


nvel do dimetro em D1. Podemos confirmar, atravs do desdobramento da anlise de
varincia da interao que a interao no nvel D1 no significativa.
Vamos desdobrar os efeitos da velocidade em cada nvel do dimetro utilizando o
comando de efeito alinhado ( / ). O comando ilustrado abaixo.
> av2f<-aov(resp~diam/vel)
> summary(av2f,split=list("diam:vel"=list(D1=1,D2=2,D3=3)))
Df Sum Sq Mean Sq F value Pr(>F)
diam
2 876.48 438.24
79.3624 4.939e-12 ***
diam:vel
6 546.14
91.02
16.4836 6.766e-08 ***
diam:vel: D1 1
0.13
0.13
0.0244 0.876915
diam:vel: D2 1 67.00
67.00
12.1333 0.001705 **
diam:vel: D3 1
0.24
0.24
0.0435 0.836422
Residuals
27 149.10
5.52
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Para este modelo deve-se construir para a anlise de resduos os grficos de resduos
contra ordem, grfico de resduos contra valores ajustados, grfico de resduos contra
fator velocidade, grfico de resduos contra fator dimetro e grfico de probabilidade
normal.
Da mesma forma, pode-se utilizar alguns testes para verificar as hipteses de
independncia, varincia constante e normalidade dos dados. A seqncia dos comandos
para gerao dos grficos dada por:
par(mfrow=c(3,2))
plot(ordem,avf$res,xlab="Ordem",ylab="Resduos",col="blue")
plot(avf$fit,avf$res,xlab="Valores Ajustados",ylab="Resduos",col="blue")
plot(vel,avf$res,xlab="Velocidade",ylab="Resduos",col="blue")

47

plot(diam,avf$res,xlab="Dimetro",ylab="Resduos",col="blue")
qqnorm(avf$res,xlab="Quantil da Normal",ylab="Resduos",col="blue")
qqline(avf$res)

Figura 5.4: Grficos para Anlise de Resduo do modelo de Planejamento Fatorial.


Para o teste da Normalidade dos Resduos temos:
> shapiro.test(avf$res)
Shapiro-Wilk normality test
data: avf$res
W = 0.9457, p-value = 0.07633
Para testar a homogeneidade das varincias temos:

48

> bartlett.test(avf$res,vel)
Bartlett test of homogeneity of variances
data: avf$res and vel
Bartlett's K-squared = 0.7899, df = 2, p-value = 0.6737
> bartlett.test(avf$res,diam)
Bartlett test of homogeneity of variances
data: avf$res and diam
Bartlett's K-squared = 0.8408, df = 2, p-value = 0.6568
Como a suposies de normalidade e nem de varincia constante foram rejeitadas,
pode-se considerar o modelo como vlido e a anlise encerrada.
5.4- Concluses Finais

Os efeitos da velocidade, broca e a interao broca X velocidade so


significativos;
A vibrao foi baixa para a broca D1 (1/16) em qualquer velocidade de
rotao;
A melhor condio de funcionamento, considerando alto ndice de
produo e baixa vibrao a combinao: broca D1 e velocidade de
rotao igual a 80 rpm.
Todas as suposies foram testadas e nenhuma foi violada.

5.5- Exerccios do Captulo


1- Um experimento envolve uma bateria usada no mecanismo de lanamento de
um mssil. Dois tipos de materiais podem ser usados para fazer as placas da
bateria. O objetivo projetar uma que no seja relativamente afetada pela
temperatura ambiente. A resposta da sada da bateria a vida efetiva em horas.
Dois nveis de temperatura so selecionados e um experimento fatorial com
quatro rplicas corrido. Os dados so mostrados a seguir.

49

2- Um experimento foi utilizado para avaliar a adeso de tintas zares para avies.
Existem dois mtodos de aplicao: imero e asperso, e trs tipos de zaro.
Trs corpos de prova foram pintados com cada zaro usando um dos mtodos
de aplicao.Os dados dos experimentos esto mostrados na tabela abaixo.

Identifique, atravz da analise fatorial o melhor mtodo e tipo de tinta


para melhorar a adeso da tinta.

3- Um experimento foi realizado para estudar o efeito do tipo do vidro e do tipo do


fsforo sobre o brilho de um tubo de televiso. A resposta media a corrente
necessria (em microamps) para se obter determinado nvel de brilho. Os dados
so mostrados abaixo. Analise-os e tire concluses.

Captulo 6 Planejamento Hierarquico


Nos planejamentos experimentais, quando existe a presena de dois ou mais fatores a
forma como os fatores esto relacionados interfere na anlise.
Quando o relacionamento cruzado, ou seja, os nveis de um fator so identicos em
todos os nveis do outro fator a anlise realizada como nas formas descritas
anteriormente. No entanto, quando o relacionamento hierrquico, ou seja, cada nvel
de um fator est associado a um diferente conjunto de nveis do segundo fator, procedese aos experimentos
hierrquicos.
A1
A2
A3

B1

B2

B1

B2

B1

B2

50

Figura 6.1- Estrutura de um Experimento com Dois Fatores Cruzados

A1

B1

A2

B2

B3

A3

B4

B5

B6

Figura 6.1- Estrutura de um Experimento com Fatores Hierrquicos


6.1- O modelo Estatstico
O modelo estatstico para o planejamento hierrquico com dois fatores fixos pode ser
dado por:
yijk i j ( i ) ( ij ) k com

i 1,2,..., a

j 1,2,..., b
k 1,2,..., n

(6.1)

onde

: mdia global comum a todos os tratamentos.

i : efeito do i-simo nvel do fator A.


j (i ) : efeito do j-simo nvel do fator B aninhado sob o i-simo nvel do fator A.
( ij ) k : componente do erro aleatrio, onde ( ij ) k ~ N (0, 2 )

Neste modelo existem a nveis para o fator A, b nveis para o fator B aninhados sob
cada nvel de A e n rplicas. O ndice j (i ) indica que o j-simo nvel do fator B est
aninhado sob o i-simo nvel do fator A.

51

importante destacar que no pode existir interao entre os fatores A e B em um


experimento hierrquico, j que cada nvel do fator A est associado a um diferente
conjunto de nveis do fator B.
Nos planejamentos hierrquicos estaremos interessados em testar as seguintes
hipteses:

Ausncia de efeitos do fator A:


H 0 : 1 2 ... a 0
H1 : i 0 para pelo menos um i .

(6.2)

Ausncia de efeitos do fator B dentro de cada nvel do fator A.


H 0 : 1( i ) 2 ( i ) ... b ( i ) 0 , para todo i .
H1 : j ( i ) 0 , para pelo menos uma combinao j (i ) .

(6.3)

Da mesma forma, o procedimento utilizado para testar as hipteses acima consiste em


decompor a variabilidade total dos dados em parcelas de variabilidade devidas aos
efeitos do fator A, do fator B aninhado em A e do erro aleatrio. possvel mostrar que
a soma de quadrados total, SQT , que uma medida da variabilidade total das
observaes, pode ser expressa por:
a

( yijk y... ) 2 bn ( yi.. y... ) 2 n ( yij. yi.. ) 2 ( yijk yij. ) 2


i 1 j 1 k 1

i 1

i 1 j 1

i 1 j 1 k 1

(6.4)
A equao (6.4) pode ser expressa simbolicamente por:

SQT SQA SQB( A) SQR

(6.5)

onde
a

SQA bn ( y i .. y... ) 2 : soma de quadrados devida ao fator A.


i 1

SQB ( A) n ( y ij . y i.. ) 2 : soma de quadrados devida ao fator B sob os nveis de


i 1 j 1

A.
a

SQR ( y ijk y ij . ) 2 : soma de quadrados residual.


i 1 j 1 k 1

52

O quadro geral da anova para o modelo hierrquico descrito abaixo:


Fonte
Variao
Fator A

de SQ

Tabela 6.1- Quadro da ANOVA


GL
QM

SQ A

a 1

Fator B(A)

SQB ( A)

a (b 1)

Erros

SQE

ab( n 1)

Total

SQT

abn 1

Fo

QM Trat
SQ A
QM E
a 1
SQ B ( A) QM Blo cos
QM B ( A)
QM E
a (b 1)
SQE
QM E
ab( n 1)

QM A

O procedimento de anlise semelhante aos modelos anteriores, comparando a


estatstica F0 com a distribuio F tabela com os respectivos graus de liberdade.
6.2 Anlise de resduo e comparaes mltiplas.
Os resduos de um experimento hierrquico com dois fatores so definidos por
ijk yijk yijk yijk yij .

(6.6)

Aqui os grficos utilizados aqui so: Grfico da probabilidade normal, Grfico de


resduos X nveis do fator A, Grfico de resduos X valores preditos y ijk e Grfico de
resduos X Ordem de coleta. Buscando checar as suposies de normalidade, variao
constante e suposio de independncia dos resduos.
Se forem observadas evidncias de fortes violaes na suposio do modelo, esse deve
ser invalidado ou deve-se proceder a transformaes dos dados originais (ver
Montgomery, 2001).
Aqui o teste Tukey tambm utilizado para comparaes mltiplas.

6.3 Aplicao do Software R na analise de dados para o Planejamento


Hierrquico.
Novamente, para ilustrarmos a aplicao desse modelo, utilizamos outro problema
proposto em Werkema & Aguiar, (1996) descrito abaixo:
Considere uma indstria de autopeas que produz um determinado tipo de pea
empregando quatro mquinas de marcas diferentes, sendo cada mquina controlada por
dois diferentes operadores em sistema de rodzio. A principal caracterstica de qualidade
das peas fabricadas o seu dimetro, que deve satisfazer especificao 30,830,16.
O processo de produo vinha apresentando uma elevada variabilidade e,

53

conseqentemente, no vinha sendo capaz de atender as especificaes (Montgomery,


2004). A equipe tcnica responsvel pelo processo suspeitava que a variabilidade no
dimetro das peas pudesse estar sendo provocada, principalmente por diferenas entre
as mquinas. Para avaliar essa suspeita, a equipe decidiu realizar um experimento onde
foram medidos os dimetros de trs peas produzidas por cada operador de cada uma
das mquinas. Os dados do experimento foram coletados em ordem aleatria e esto
ilustrados na Tabela abaixo:
Os dados do Experimento esto ilustrados na Tabela abaixo:
Tabela 6.2 : Dados do Experimento Maquina X Operador.
Mquina
1

1
30,66
30,78
30,82
30,97
30,97
30,95
31,03
31,01
30,93
30,77
30,69
30,71

Operador
2
Ordem*
30,85
23
31
15
30,87
6
30,67
16
30,75
13
30,81
2
30,76
14
30,69
1
30,69
19
31,03
20
31,09
17
30,89
9

Ordem*
5
22
10
18
12
8
21
3
11
24
4
7

* Ordem de Coleta

6.3.1 - Entrada de dados e anlise descritiva usando o Software R.


Aqui a matriz de planejamento ser montada da seguinte forma:
Repostas:
y<- scan() : Depois do comando o prximo passo entrar com os dados da resposta.
oh<scan(): vetor ordem de realizao dos ensaios.
Montando os Fatores
> m<-factor(rep(1:4,each=6),labels=c("M1","M2","M3","M4")) : vetor associado
as mquinas.
> o<-factor(rep(rep(1:2,each=3),4),labels=c("O1","O2")) : vetor associado aos
operadores.
Montando o data.frame
> dh<-data.frame(resp=y,maq=m,op=o)
Assim, a disposio dos dados fica da forma:
resp maq op

54

1 30.66 M1 O1
2 30.78 M1 O1
*
*
*
24 30.89 M4 O2
Da mesma forma para a descrio dos dados, temos:
> attach(dh)
> tapply(resp,maq,summary)
Resumo por Mquina
$M1
Min. 1st Qu.
30.66 30.79
$M2
Min. 1st Qu.
30.67 30.77
$M3
Min. 1st Qu.
30.69 30.71
$M4
Min. 1st Qu.
30.69 30.73

Median Mean 3rd Qu. Max.


30.84 30.83 30.87 31.00
Median Mean 3rd Qu. Max.
30.88 30.85 30.97 30.97
Median Mean 3rd Qu. Max.
30.85 30.85 30.99 31.03
Median Mean 3rd Qu. Max.
30.83 30.86 31.00 31.09

Resumo descritivo por operador


> tapply(resp,op,summary)
$O1
Min. 1st Qu.
30.66 30.76
$O2
Min. 1st Qu.
30.67 30.74

Median Mean 3rd Qu. Max.


30.88 30.86 30.97 31.03
Median Mean 3rd Qu. Max.
30.83 30.84 30.92 31.09

55

Figura 12 Mdia por Mquina e por Operadores


Como nesse planejamento o efeito hierquico, no devemos analisar a diferena entre
operadores somente em dois nveis, pois o que ocorre na verdade que so duplas
diferentes de operadores para cada mquina.
6.3.2 - Anlise de Varincia, Comparaes Mltiplas e Anlise de Resduos.
> dh.av<-aov(resp~maq/op,data=dh)
> anova(dh.av)
Analysis of Variance Table
Response: resp
Df
maq
3
maq:op
4
Residuals 16
--Signif. codes:

Sum Sq
0.00355
0.34028
0.07067

Mean Sq F value Pr(>F)


0.00118 0.2676 0.8478
0.08507 19.2613 5.829e-06 ***
0.00442

0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Pelos resultados no quadro da anova acima, possvel concluir que as mquina no


exercem um efeito significativo sobre o dimetro das peas, no entanto para cada
mquina, os dimetros das peas produzidas pelos dois operadores diferiam de modo
significativo.
Para evidenciar os resultados acima, procede-se a comparaes mltiplas.
> TukeyHSD(dh.av,ordered=T)
Tukey multiple comparisons of means
95% family-wise confidence level
factor levels have been ordered
Fit: aov(formula = resp ~ maq/op, data = dh)
$maq
diff
lwr
upr
M3-M1 0.021666667 -0.08810937 0.1314427
M2-M1 0.023333333 -0.08644270 0.1331094
M4-M1 0.033333333 -0.07644270 0.1431094
M2-M3 0.001666667 -0.10810937 0.1114427
M4-M3 0.011666667 -0.09810937 0.1214427
M4-M2 0.010000000 -0.09977604 0.1197760

56

$"maq:op"
M4:O1-M3:O2
M2:O2-M3:O2
M1:O1-M3:O2
M1:O2-M3:O2
M2:O1-M3:O2
M3:O1-M3:O2
M4:O2-M3:O2
M2:O2-M4:O1
M1:O1-M4:O1
M1:O2-M4:O1
M2:O1-M4:O1
M3:O1-M4:O1
M4:O2-M4:O1
M1:O1-M2:O2
M1:O2-M2:O2
M2:O1-M2:O2
M3:O1-M2:O2
M4:O2-M2:O2
M1:O2-M1:O1
M2:O1-M1:O1
M3:O1-M1:O1
M4:O2-M1:O1
M2:O1-M1:O2
M3:O1-M1:O2
M4:O2-M1:O2
M3:O1-M2:O1
M4:O2-M2:O1
M4:O2-M3:O1

diff
0.01000000
0.03000000
0.04000000
0.19333333
0.25000000
0.27666667
0.29000000
0.02000000
0.03000000
0.18333333
0.24000000
0.26666667
0.28000000
0.01000000
0.16333333
0.22000000
0.24666667
0.26000000
0.15333333
0.21000000
0.23666667
0.25000000
0.05666667
0.08333333
0.09666667
0.02666667
0.04000000
0.01333333

lwr
upr
-0.177865767 0.1978658
-0.157865767 0.2178658
-0.147865767 0.2278658
0.005467567 0.3811991
0.062134233 0.4378658
0.088800900 0.4645324
0.102134233 0.4778658
-0.167865767 0.2078658
-0.157865767 0.2178658
-0.004532433 0.3711991
0.052134233 0.4278658
0.078800900 0.4545324
0.092134233 0.4678658
-0.177865767 0.1978658
-0.024532433 0.3511991
0.032134233 0.4078658
0.058800900 0.4345324
0.072134233 0.4478658
-0.034532433 0.3411991
0.022134233 0.3978658
0.048800900 0.4245324
0.062134233 0.4378658
-0.131199100 0.2445324
-0.104532433 0.2711991
-0.091199100 0.2845324
-0.161199100 0.2145324
-0.147865767 0.2278658
-0.174532433 0.2011991

Pelo quadro acima, verifica-se que as mquinas no exercem efeitos significativos e


que operadores nas mquinas diferem quanto aos dimetros produzidos (negrito). Um
estudo descritivo pode ns auxiliar, apontandos as principais diferenas ocorridas.
> tapply(resp,list(maq,op),mean)
O1
O2
M1 30.75333 30.90667
M2 30.96333 30.74333
M3 30.99000 30.71333
M4 30.72333 31.00333
Ordenando essa matriz, percebe-se dois grupos de trabalhadores operando de maneiras
distintas
(M3O2) 30.71333
(M4O1) 30.72333
(M2O2) 30.74333

(M1O2) 30.90667
(M2O1) 30.96333
(M3O2) 30.99000

57

(M1O1) 30.75333

(M4O2) 31.00333

O primeiro grupo, trs primeiros, trabalhando muito prximos do limite inferior e os


trs ultimos muito prximos do limite superior. De posse dessa informaes recomendase instituir uma programa de treinamento e padronizao de procedimentos.
Para a anlise de resduos temos a seguinte seqncia de comandos:
>g1<-tapply(resp,list(maquina:operador),mean)
>sort(g1)
Maq3:Op2 Maq4:Op1 Maq2:Op2 Maq1:Op1 Maq1:Op2 Maq2:Op1 Maq3:Op1 Maq4:Op2
30.71333 30.72333 30.74333 30.75333 30.90667 30.96333 30.99000 31.00333

>barplot(sort(g1),ylim=c(30.70,31.01))

> par(mfrow=c(2,2))
> plot(oh,dh.av$res,xlab="Ordem",ylab="Resduos",col="blue")
>plot(dh.av$fit,dh.av$res,xlab="Valores Ajustados",ylab="Resduos",col="blue")
> plot(maq,dh.av$res,xlab="Mquina",ylab="Resduos",col="blue")
> qqnorm(dh.av$res,xlab="Quantil da Normal",ylab="Resduos",col="blue")
> qqline(dh.av$res)

58

Figura 12: Grficos para Anlise de Resduo do modelo de Planejamento Hierrquico.


Para o teste da Normalidade dos Resduos temos:
> shapiro.test(dh.av$res)
Shapiro-Wilk normality test
data: dh.av$res
W = 0.9811, p-value = 0.9153
> bartlett.test(dh.av$res,maq)
Bartlett test of homogeneity of variances
data: dh.av$res and maq
Bartlett's K-squared = 2.2514, df = 3, p-value = 0.5219
Como a suposies de normalidade e nem de varincia constante foram rejeitadas,
pode-se considerar o modelo como vlido e a anlise encerrada.

6.4- Concluses Finais

As mquinas no exercem um efeito significativo sobre o dimetro das peas;


Para cada mquina os dimetros produzidos pelos operadores diferiam;
Foi identificado padres diferentes de produo entre os operadores, sugerindo
um programa de capacitao;
As suposies do modelo no foram violadas.
59

6.5- Exerccios do Captulo:


1. Para comparar o grau de alfabetizao dos alunos de diferentes professores de
diferentes escolas, um pesquisador sorteou trs escolas da mesma regio
administrativa e, dentro de cada escola, sorteou quatro professores que
ensinavam a ler e a escrever. Depois, sorteou cinco alunos de cada professor.
Submeteu ento todos os alunos mesma prova. As notas dos alunos, nessa
prova, esto apresentadas na Tabela abaixo. Faa a anlise de varincia para este
caso.

2. Uma retfica de motores deseja investigar o motivo do grande tempo gasto para
a realizao do servio de retfica do motor tipo A. A empresa possuia trs
mquinas diferentes que faziam o trabalho de retfica e que cada mquina era
controlada por dois operadores fixos. A equipe tcnica da empresa estava
considerando que a causa para o elevado tempo de retfica poderia ser diferenas
entre mquinas e/ou diferenas entre operadores. O experimento foi conduzido
de tal forma que cada operador ficou responsvel pela retfica de 6 peas,
utilizando a mquina que usualmente operava. Os tempos gastos para a
concluso da retfica so mostrados abaixo:

60

Faa a anlise de varincia e discuta a causa para o elevado tempo de retfica.

7-Bibliogrfia Utilizada
NETO, B. B.; SCARMINIO, I.S. ; BRUNS, R.E.Como Fazer Experimentos: Pesquisa e
desenvolvimento na cincia e na industria. Campinas, SP, Editora da Unicamp, 2001.
MONTGOMERY, D.C.Desing and analysis of experiments, 5th edition. New York,
Willey,2001.
MONTGOMERY, D.C.Introduo ao Controle Estatstico de Qualidade, 4 edio. Rio
de Janeiro,RJ, LTC, 2004.
VENABLES, W.N. ; SMITH, D. M. An Introduction to R: Notes on R: A programing
Environment for data analysis and grafics, site http://www.r-project.org.
VIERA,SONIA. Estatstica Experimental, 2 edio. So Paulo-SP,Atlas,1999.
WERKEMA, M.C.C. ; AGUIAR, S.; Planejamento e Anlise de Experimentos: como
identificar as principais variveis influentes em um processo. Belo Horizonte, MG,
Srie Ferramentas da Qualidade, Fundao Cristiano Ottoni, Escola de Engenharia da
UFMG,1996.

61

Você também pode gostar