Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila - Planejamento Experimental
Apostila - Planejamento Experimental
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:
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.
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..
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
(3.2)
i 1 j 1
(3.3)
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)
SQT y ij y.. :
k
i 1 j 1
i 1
i 1 j 1
E ( SQTrat ) (k 1) 2 n i2
(3.5)
i 1
1
SQTrat
(k 1)
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
SQ E
um estimador no-viciado de
k ( n 1)
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)
SQ
QM
SQTrat
G.L
k 1
SQ E
k (n 1)
QM E
Total
SQT
kn 1
QM Trat
Fo
Fo
QM Trat
QM E
11
12
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
q (k , f )
2
1
1
i nj
QM E
e
yi . y j . T i j yi. y j . T , i j respectivamente.
14
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
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)
$trat
diff
lwr
upr
oleoA-agua -1.7777778 -2.690713 -0.8648426
oleoB-agua -2.7111111 -3.624046 -1.7981760
oleoB-oleoA -0.9333333 -1.846268 -0.0203982
Percebe-se, atravs do teste paras diferenas entre tratamentos e o intervalo de
confiana para as diferenas, que todos os tratamentos so diferentes entre si e a ordem
dada por:
19
20
Este comando plot os quantis da distribuio normal contra os valores dos resduos
ordenados
>qqline(av.$res)
Este comando ajusta a reta entre os pontos. Neste caso espera-se que os dados se
alinhem em torno da reta ajustada.
21
22
23
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
: mdia geral.
24
(4.2)
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
N kb : Total de observaes.
onde,
k
25
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)
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
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
28
Median
43.0
Max.
46
Max.
45.0
Median Mean
37.50
37.50
Median
45.00
Median
Mean
44.50
Mean
3rd Qu.
Max.
29
por
30
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
$bloco
Lote2-Lote1
Lote3-Lote1
Lote4-Lote1
Lote5-Lote1
Lote3-Lote2
Lote4-Lote2
Lote5-Lote2
Lote4-Lote3
Lote5-Lote3
Lote5-Lote4
diff
-5.50
1.50
-0.50
-5.25
7.00
5.00
0.25
-2.00
-6.75
-4.75
lwr
upr
-8.967325 -2.032675
-1.967325
4.967325
-3.967325 2.967325
-8.717325 -1.782675
3.532675 10.467325
1.532675
8.467325
-3.217325
3.717325
-5.467325
1.467325
-10.217325 -3.282675
-8.217325 -1.282675
32
probabilidade normal. Da mesma forma, podem-se utilizar alguns testes para verificar
as hipteses de varincia constante e normalidade dos dados.
Na Figura abaixo contm os grficos descritos acima, para a anlise de resduos.
33
data: eb.av$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.
35
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
yijk i j ( ) ij ijk
i 1,2,..., a
; j 1,2,..., b
k 1,2,..., n
(5.1)
onde:
36
ijk : o erro aleatrio. Da mesma forma, vamos considerar que ijk ~ N (0; 2 ).
(5.2)
(5.3)
(5.4)
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
(5.5)
Da seguinte forma:
a
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)
Graus de Liberdade
a 1
b 1
( a 1)(b 1)
ab( n 1)
abn 1
38
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)
(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
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)
(5.11)
41
(5.12)
i 1,2,..., a
j 1,2,..., b
k 1,2,..., c
l 1,2,..., n
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
(5.17)
2
y....
1
a
c
2
(5.18)
2
y....
1
b
c
2
y
(5.19)
SQ BC
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)
43
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
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")
46
lwr
-5.5408860
-5.1908860
-5.2408860
upr
5.640886
5.990886
5.940886
47
plot(diam,avf$res,xlab="Dimetro",ylab="Resduos",col="blue")
qqnorm(avf$res,xlab="Quantil da Normal",ylab="Resduos",col="blue")
qqline(avf$res)
48
> bartlett.test(avf$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
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.
B1
B2
B1
B2
B1
B2
50
A1
B1
A2
B2
B3
A3
B4
B5
B6
i 1,2,..., a
j 1,2,..., b
k 1,2,..., n
(6.1)
onde
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
(6.2)
(6.3)
i 1
i 1 j 1
i 1 j 1 k 1
(6.4)
A equao (6.4) pode ser expressa simbolicamente por:
(6.5)
onde
a
A.
a
52
de SQ
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
(6.6)
53
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
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
55
Sum Sq
0.00355
0.34028
0.07067
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
56
$"maq:op"
M4:O1-M3:O2
M2:O2-M3:O2
M1:O1-M3:O2
M1:O2-M3:O2
M2:O1-M3:O2
M3:O1-M3:O2
M4:O2-M3:O2
M2:O2-M4:O1
M1:O1-M4:O1
M1:O2-M4:O1
M2:O1-M4:O1
M3:O1-M4:O1
M4:O2-M4:O1
M1:O1-M2:O2
M1:O2-M2:O2
M2:O1-M2:O2
M3:O1-M2:O2
M4:O2-M2:O2
M1:O2-M1:O1
M2:O1-M1:O1
M3:O1-M1:O1
M4:O2-M1:O1
M2:O1-M1:O2
M3:O1-M1:O2
M4:O2-M1:O2
M3:O1-M2:O1
M4:O2-M2:O1
M4:O2-M3:O1
diff
0.01000000
0.03000000
0.04000000
0.19333333
0.25000000
0.27666667
0.29000000
0.02000000
0.03000000
0.18333333
0.24000000
0.26666667
0.28000000
0.01000000
0.16333333
0.22000000
0.24666667
0.26000000
0.15333333
0.21000000
0.23666667
0.25000000
0.05666667
0.08333333
0.09666667
0.02666667
0.04000000
0.01333333
lwr
upr
-0.177865767 0.1978658
-0.157865767 0.2178658
-0.147865767 0.2278658
0.005467567 0.3811991
0.062134233 0.4378658
0.088800900 0.4645324
0.102134233 0.4778658
-0.167865767 0.2078658
-0.157865767 0.2178658
-0.004532433 0.3711991
0.052134233 0.4278658
0.078800900 0.4545324
0.092134233 0.4678658
-0.177865767 0.1978658
-0.024532433 0.3511991
0.032134233 0.4078658
0.058800900 0.4345324
0.072134233 0.4478658
-0.034532433 0.3411991
0.022134233 0.3978658
0.048800900 0.4245324
0.062134233 0.4378658
-0.131199100 0.2445324
-0.104532433 0.2711991
-0.091199100 0.2845324
-0.161199100 0.2145324
-0.147865767 0.2278658
-0.174532433 0.2011991
(M1O2) 30.90667
(M2O1) 30.96333
(M3O2) 30.99000
57
(M1O1) 30.75333
(M4O2) 31.00333
>barplot(sort(g1),ylim=c(30.70,31.01))
> par(mfrow=c(2,2))
> plot(oh,dh.av$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
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
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