Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila Planejamento
Apostila Planejamento
, de
modo que
k
i
i
1
0
Representando,
. i
y
, o total das observaes sob o i-simo tratamento e por
. i
y
a
mdia das observaes sob o i-simo tratamento, analogamente, ..
y
o total geral e
..
y
a
mdia geral,
n
i
ij i
y y
1
.
n
y
y
i
i
.
.
,
. ,..., 2 , 1 k i
k
i
n
j
ij
y y
1 1
..
N
y
y
..
..
, kn N Nmero total de observaes
Estamos interessados em testar a igualdade das mdias
k
,..., ,
2 1
dos k
tratamentos. Pela equao 3.1, este procedimento equivalente a testar as hipteses:
. um menos pelo para 0 :
0 ... :
1
2 1
i H
H
i
k o
(3.2)
Dessa forma se
o
H
verdadeira, cada observao consiste de uma mdia geral
mais uma realizao da componente do erro aleatrio ij
. Assim se
o
H
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
( )
k
i
n
j
ij T
y y SQ
1 1
2
..
(3.3)
Mas pode-se particionar
T
SQ
de forma que:
9
( ) ( )
+
k
i
n
j
k
i
k
i
n
j
i ij i ij
y y y y n y y
1 1 1 1 1
2
.
2
.. .
2
..
) (
(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
E Trat T
SQ SQ SQ +
, onde:
( )
k
i
n
j
ij T
y y SQ
1 1
2
..
: Soma dos quadrados total.
( )
k
i
i Trat
y y n SQ
1
2
.. .
: Soma dos quadrados devido aos tratamentos.
( )
k
i
n
j
i ij E
y y SQ
1 1
2
.
: Soma dos quadrados dos erros.
Calculando os valores esperados de
Trat
SQ
e
E
SQ
tem-se :
+
k
i
i Trat
n k SQ E
1
2 2
) 1 ( ) (
(3.5)
Demonstrao: Ver Montgomery (2001)
Sob
o
H
verdadeira, temos que
2
) 1 (
1
,
_
Trat
SQ
k
E
Se
1
H
verdadeira, ento
1 ) 1 (
1
1
2
2
,
_
k
n
SQ
k
E
k
i
i
Trat
A razo
1
k
SQ
QM
Trat
Trat
chamada mdia quadrtica dos tratamentos. Logo, se
o
H
verdadeira,
Trat
QM
um estimador no-viciado de
2
, enquanto que, se
1
H
10
verdadeira,
Trat
QM
estima
2
mais um termo positivo que incorpora a variao
devida diferena entre as mdias dos tratamentos.
Da mesma forma, tem-se que
2
) 1 ( ) ( n k SQ E
E
(3.6)
Ento a mdia quadrtica dos erros
) 1 (
n k
SQ
QM
E
E
um estimador no-viciado de
2
, independente de
o
H
ser ou no verdadeira.
Analisaremos tambm a partio dos graus de liberdade.
SQT
: tem 1 1 kn N graus de liberdade
Trat
SQ
: tem 1 k graus de liberdade
E
SQ
: tem
) 1 ( n k
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
o
H
, ento:
( ) ) 1 ( , 1
~
) 1 (
1
n k k
E
Trat
E
Trat
o
F
QM
QM
n k
SQ
k
SQ
F
(3.7)
Se o
H
verdadeira Trat
QM
e
E
QM
so estimadores no viciados de
2
, mas se
o
H
falsa ento
( )
Trat
QM E
ser maior que
) (
E
QM E
, assim sob a hiptese
alternativa,
o
F
ser grande. Dessa forma um teste de hiptese construdo. Devemos
rejeitar
o
H
se o valor da estatstica grande, isso implica em uma regio crtica
unilateral superior. Ento rejeita-se
o
H
se ) 1 ( ), 1 ( ,
>
n k k o
F F
. No geral utiliza-se o
seguinte quadro para ANOVA.
Tabela 3.2 - Quadro da Anova
Fonte de Variao
SQ
L G.
QM
o
F
Entre Tratamentos
Trat
SQ 1 k
Trat
QM
E
Trat
o
QM
QM
F
Dentro dos Tratamentos (Erro)
E
SQ
) 1 ( n k
E
QM
Total
SQT
1 kn
Estimativas dos efeitos dos tratamentos:
.. .
y y
i i
,
k i ,..., 2 , 1
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 ij
y
e seu valor estimado (ou
ajustado) a partir do modelo estatstico que esta sendo utilizado, denotado por ij
y
. Para
o modelo especfico temos que .
i ij
y y
, com cada resduo sendo . i ij ij
y y
, 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
. i
y
) 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
(3.8)
onde
max
y
e
min
y
so as maiores e menores mdias amostrais respectivamente,
calculadas para um grupo de
p
amostras. A distribuio de
) , ( f p q
, com
sendo
o percentil superior de pontos de
q
com
f
graus de liberdade, associado ao
estimador
E
QM
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
n
QM
f k q T
E
) , (
De forma equivalente, constri-se intervalos de
)% 1 ( 100
de confiana para todos os
pares de mdias dada por:
T y y T y y
j i j i j i
+
. . . .
,
j i
.
Para tamanhos amostrais diferentes (diferente n de repeties), temos:
,
_
+
j i
E
n n
QM
f k q
T
1 1
2
) , (
e
T y y T y y
j i j i j i
+
. . . .
,
j i
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
Ordem gua Ordem leo A Ordem leo B
24 36,7 11 36 4 35,3
12 38,9 26 36,4 14 35
25 38,7 9 35,3 15 34,3
22 38,8 23 36,8 17 35,7
21 37,6 2 36,9 20 35,2
8 37,2 18 37,5 3 34,2
13 38,8 1 35,3 5 36,5
16 38 10 36 6 35,8
7 37,2 19 35,7 27 35,5
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" "as.data.frame.vector" "as.vector"
[4] "as.vector.factor" "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 3 k 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.
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. Median Mean 3rd Qu. Max.
36.70 37.20 38.00 37.99 38.80 38.90
$leoA
Min. 1st Qu. Median Mean 3rd Qu. Max.
35.30 35.70 36.00 36.21 36.80 37.50
$leoB
Min. 1st Qu. Median Mean 3rd Qu. Max.
34.20 35.00 35.30 35.28 35.70 36.50
O comando resultou em um resumo descritivo das respostas por tratamento.
Uma inspeo grfica pode ser obtida pelo Grfico de Box-Cox.
>plot(resp~trat,xlab="Banho de Tmpera",ylab="Dureza", col ="red")
17
Figura 3.5: Box-Plot para os Valores de Dureza Obtidos em cada Banho de Tmpera.
Pela Figura 3.5 e medidas descritivas acima, pode-se observar que parece haver
uma diferena entre os banhos de leo e o de gua, sendo que a maior dureza mdia foi
observada no banho de gua.
O problema agora verificar se essas diferenas de fato so significativas ou
podem ser de origem aleatria. Para constatarmos se de fato as diferenas so
significativas utilizaremos anlise de varincia.
Para a Anlise de Varincia temos a seguinte seqncia de comandos:
aov(formula, data = NULL, projections = FALSE, qr = TRUE,
contrasts = NULL, ...)
Este comando efetua e guarda todos os resultados da ANOVA do modelo (formula)
av<-aov(resp~trat) :
O comando names(av) lista todos os vetores de resultados gerados pela ANOVA como
por exemplo o vetor de resduos.
> names(av)
[1] "coefficients" "residuals" "effects" "rank" "fitted.values" "assign"
"qr"
[8] "df.residual" "contrasts" "xlevels" "call" "terms" "model"
Para utilizar esses vetores deve-se referenciar como por exemplo av$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
Df SumSq Mean Sq F value Pr(>F)
trat 2 34.145 17.073 28.389 4.732e-07 ***
Residuals 24 14.433 0.601
18
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
Assim, como
389 . 28
o
F
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
2
F
6
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
1 . 0
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
05 . 0
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
05 . 0
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 05 . 0 , 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 ... b Totais
1
11
y
12
y ...
b
y
1 . 1
y
2
21
y
22
y ...
b
y
2 . 2
y
k 1 k
y
2 k
y ...
kb
y
. k
y
Totais
1 .
y
2 .
y ...
b
y
. ..
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
ij j i ij
y + + +
,
k i , , 2 , 1
e
b j , , 2 , 1
. (4.1)
onde
ij
y
: observaes coletadas sob o i-simo tratamento no j-simo bloco.
: mdia geral.
24
i
k
i
i
1
0 e
b
j
j
1
0
. Considerando
tambm que os tratamentos e os blocos no interagem.
Assim, estamos interessados em testar a igualdade dos efeitos do tratamento. Isto
:
um mnimo no para , 0 :
0 :
1
2 1 0
i H
H
i
k
(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.
( )
+ + +
k
i
b
j
k
i
b
j
k
i
b
j
i j ij j i ij
y y y y y y k y y b y y SQT
1 1 1 1 1 1
2
.. . .
2
.. .
2
.. .
2
..
) ( ) ( ) (
(4.3)
Aqui:
. i
y
: soma da observaes no i-simo tratamento
j
y
. : soma da observaes no j-simo bloco
..
y
: soma total
. i
y
: mdia das observaes no i-simo tratamento
j
y
. : mdia das observaes no j-simo bloco
..
y
: mdia geral de todas as observaes.
kb N : 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
E Bloco Trat
SQ SQ SQ SQT + +
(4.4)
onde,
k
i
b
j
ij
y y SQT
1 1
2
..
) (
: Soma de quadrados total.
k
i
i Trat
y y b SQ
1
2
.. .
) (
: Soma de quadrados devido aos tratamentos.
25
b
j
j Blo
y y k SQ
1
2
.. . cos
) (
: Soma de quadrados devido aos blocos.
+
k
i
b
j
i j ij E
y y y y SQ
1 1
2
.. . .
) (
: Soma do quadrado dos resduos.
O desmembramento do grau de liberdade correspondente a essas somas
quadrticas dado da seguinte forma. Para N observaes,
SQT
ter 1 N graus de
liberdade, para k tratamentos e b blocos,
Trat
SQ
e
cos Blo
SQ
tero 1 k e 1 b
graus de liberdade respectivamente. Para
E
SQ
temos
) 1 )( 1 ( b k
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:
1
k
SQ
QM
Trat
Trat
: Quadrado Mdio dos Tratamentos
1
cos
cos
b
SQ
QM
Blo
Blo
: Quadrado Mdio dos Blocos.
) 1 )( 1 (
b k
SQ
QM
E
E
: Quadrado Mdio dos Resduos.
Pode ser demonstrado (ver Montgomery, 2002) que os valores esperados dessas
mdias quadrticas so:
( )
1
1
2
2
k
b
QM E
k
i
i
Trat
(4.5)
( )
1
1
2
2
cos
b
k
QM E
b
j
j
Blo
(4.6)
( )
2
E
QM E (4.7)
Dessa forma, se a hiptese nula
0
H
for verdadeira de modo que todos os efeitos do
tratamento
0
i
, ento
Trat
QM
ser um estimador no tendencioso de
2
, enquanto
se
o
H
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
E
Trat
QM
QM
F
0
que, sob
o
H
, ter uma distribuio F, com
) 1 )( 1 ( , ) 1 ( b k k
graus de liberdade.
Assim, rejeita-se a hiptese nula
o
H
, com um nvel de significncia
, se
26
[ ] ) 1 )( 1 ( ), 1 (
,
b k k o
F F
O quadro da ANOVA ser dado por:
Tabela 4.1 Quadro da Anova
Fonte de
Variao
SQ GL QM
o
F
Tratamentos
Trat
SQ 1 k
Trat
QM
E
Trat
QM
QM
Blocos
cos Blo
SQ 1 b
cos Blo
QM
E
Blo
QM
QM
cos
Erros
E
SQ
) 1 )( 1 ( b k
E
QM
Total
SQT
1 1 kb N
A estatstica
E
Blo
QM
QM
F
cos
bn
b b
y
y y
1
2 1 1 1
...,
, ,
2
n
y
y y
21
212 211
...,
, ,
n
y
y y
22
222 , 221
...,
,
bn
b b
y
y y
2
2 2 1 2
...,
, ,
a
n a
a a
y
y y
1
12 11
...,
, ,
n a
a a
y
y y
2
22 21
...,
, ,
abn
ab ab
y
y y
...,
, ,
2 1
Em geral, a observao na ij-sima cela na k-sima repetio ijk
y
. 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
ijk ij j i ijk
y + + + + ) (
;
'
n k
b j
a i
, . . . , 2 , 1
, . . . , 2 , 1
, . . . , 2 , 1
(5.1)
onde:
a
i
i
1
0 e
b
j
j
1
0
.
Similarmente os efeitos da interao so considerados fixos e so definidos de forma
que
a
i
b
j
j i j i
1 1
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)
i H
H
i
a
um menos pelo para , 0 :
0 ... :
1
2 1 0
(5.2)
E a igualdade de efeito do tratamento das colunas (Fator B).
. um menos pelo para ; 0 :
0 ... :
1
2 1 0
j H
H
j
b
(5.3)
Tambm, tem-se interesse em se testar o efeito da interao entre linhas e colunas, ou
seja,
). , ( para um menos pelo para , 0 ) ( :
. , todo para , 0 ) ( :
1
0
j i H
j i H
ij
ij
(5.4)
5.1.1- Anlise Estatstica para o modelo de efeitos fixos.
Sejam
.. i
y
o total das observaes no i-simo nvel do fator A, . . j
y
o total das
observaes no j-simo nvel do fator B, . ij
y
o total das observaes na ij-sima cela
da Tabela 1, e
.. i
y
, . . j
y
, . ij
y
e
...
y
como as correspondentes mdias de linha, coluna,
cela e total. Isto ,
b
j
n
k
ijk i
y y
1 1
..
bn
y
y
i
i
..
..
;
a i ,..., 2 , 1
a
i
n
k
ijk j
y y
1 1
. .
an
y
y
j
j
. .
. .
;
b j ,..., 2 , 1
37
n
k
ijk ij
y y
1
.
n
y
y
ij
ij
.
.
;
'
b j
a i
, . . . , 2 , 1
, . . . , 2 , 1
a
i
b
j
n
k
ijk
y y
1 1 1
...
abn
y
y
...
...
A anlise de varincia decompe a soma de quadrados total
a
i
b
j
n
k
ijk T
y y SQ
1 1 1
2
...
) (
(5.5)
Da seguinte forma:
+
a
i
b
j
n
k
a
i
b
j
j i ijk
y y an y y bn y y
1 1 1 1 1
2
... . .
2
... ..
2
...
) ( ) ( ) (
+ +
a
i
b
j
j i ij
y y y y n
1 1
2
... . . .. .
) (
+
a
i
b
j
n
k
ij ijk
y y
1 1 1
2
.
) (
.
Ou, simbolicamente,
E AB B A T
SQ SQ SQ SQ SQ + + +
(5.6)
A decomposio dos graus de liberdade ilustrada na tabela abaixo:
Tabela 5.2 Decomposio dos graus de liberdade.
Efeito Graus de Liberdade
A 1 a
B 1 b
Interao AB
) 1 )( 1 ( b a
Erro
) 1 ( n ab
Total 1 abn
38
Cada soma de quadrados dividido pelos respectivos graus de liberdade formam os
quadrados mdios. Assim
1
a
SQ
QM
A
A
: Quadrado mdio do tratamento A.
1
b
SQ
QM
B
B
: Quadrado mdio do tratamento B.
) 1 )( 1 (
b a
SQ
QM
AB
AB
: Quadrado mdio da Interao.
) 1 (
n ab
SQ
QM
E
E
: Quadrado mdio dos Erros.
Os valores esperados dos quadrados mdios so:
1 1
) (
1
2
2
+
,
_
a
bn
a
SQ
E QM E
a
i
i
A
A
(5.7)
1 1
) (
1
2
2
+
,
_
b
an
b
SQ
E QM E
b
j
j
B
B
(5.8)
) 1 )( 1 (
) (
) 1 )( 1 (
) (
1 1
2
2
+
,
_
b a
n
b a
SQ
E QM E
a
i
b
j
ij
AB
AB
(5.9)
2
) 1 (
) (
,
_
n ab
SQ
E QM E
E
E
(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
Q e Q , Q ,
E AB B A
M M M QM
so todos
estimativas de
2
.
Dessa forma, se existe diferenas entre os efeitos dos tratamentos em A, ento
A
QM
ser maior que
E
QM
. Similarmente, se existe diferenas nos efeitos dos tratamentos
em B, ou na interao AB, ento a correspondente mdia quadrtica ser maior que
E
QM
. 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
E
QM
.
39
Se for assumido que o modelo da equao 5.1 adequado e que os
k
ij
so
independentes e identicamente distribudos de forma normal com varincia constante
2
, ento cada razo de quadrados mdios
E
A
QM
QM
,
E
B
QM
QM
e
E
AB
QM
QM
distribudo
como uma F com
) 1 ( a
,
) 1 ( b
e
) 1 )( 1 ( b a
graus de liberdade do numerador
respectivamente e
) 1 ( n ab
graus de liberdade do denominador. A regio critica para
um teste com nvel de significncia
a
SQ
QM
A
A
E
A
QM
QM
B
B
SQ 1 b
1
b
SQ
QM
B
B
E
B
QM
QM
Interao
AB
SQ
) 1 )( 1 ( b a
) 1 )( 1 (
b a
SQ
QM
AB
AB
E
AB
QM
QM
Erro
E
SQ
) 1 ( n ab
) 1 (
n ab
SQ
QM
E
E
Total
T
SQ 1 abn
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
.
'
n l
c k
b j
a i
, . .. , 2 , 1
, . .. , 2 , 1
, . .. , 2 , 1
, . .. , 2 , 1
(5.12)
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
Variao
Soma de
Quadrados
Graus de
Liberdade
Quadrado
Mdio
Esperana da Mdia
Quadrtica
o
F
A
A
SQ
1 a
A
QM
1
2
2
+
a
bcn
i
E
A
QM
QM
B
B
SQ 1 b
B
QM
1
2
2
+
b
acn
E
B
QM
QM
C
C
SQ 1 c
C
QM
1
2
2
+
c
abn
k
E
C
QM
QM
AB
AB
SQ
) 1 )( 1 ( b a
AB
QM
) 1 )( 1 (
) (
2
2
+
b a
cn
ij
E
AB
QM
QM
AC
AC
SQ
) 1 )( 1 ( c a
AC
QM
) 1 )( 1 (
) (
2
2
+
c a
bn
ik
E
AC
QM
QM
BC
BC
SQ
) 1 )( 1 ( c b
BC
QM
) 1 )( 1 (
) (
2
2
+
c b
an
jk
E
BC
QM
QM
ABC
ABC
SQ
) 1 )( 1 )( 1 ( c b a
ABC
QM
) 1 )( 1 )( 1 (
) (
2
2
+
c b a
n
ijk
E
ABC
QM
QM
Erro
E
SQ ) 1 ( n abc
E
QM
2
Total
T
SQ
1 abcn
A soma de quadrados total encontrada da mesma forma anterior, sendo dada por
a
i
b
j
c
k
n
l
ijkl T
abcn
y
y SQ
1 1 1 1
2
.... 2
(5.13)
As somas de quadrados dos efeitos principais so encontradas a partir dos totais dos
fatores A
) (
... i
y
, B
) (
.. . j
y
e C
) (
. .. k
y
como segue
42
a
i
i A
abcn
y
y
bcn
SQ
1
2
.... 2
...
1
(5.14)
b
j
j B
abcn
y
y
acn
SQ
1
2
.... 2
.. .
1
(5.15)
c
k
k C
abcn
y
y
abn
SQ
1
2
2
. ..
1
(5.16)
A soma de quadrados dos efeitos das interaes, com dois fatores, dada para cada par
como:
a
i
b
j
B A ij AB
SQ SQ
abcn
y
y
cn
SQ
1 1
2
.... 2
..
1
(5.17)
a
i
c
k
C A k i AC
SQ SQ
abcn
y
y
bn
SQ
1 1
2
.... 2
. .
1
(5.18)
b
j
C B
c
k
jk BC
SQ SQ
abcn
y
y
an
SQ
1
2
....
1
2
. .
1
(5.19)
A soma de quadrados da interao de trs fatores A, B e C dada por:
BC AC AB C B A
a
i
b
j
c
k
ijk ABC
SQ SQ SQ SQ SQ SQ
abcn
y
y
n
SQ
2
....
1 1 1
2
.
1
(5.20)
Por fim a soma de quadrados dos erros obtida da seguinte forma:
1
]
1
a
i
b
j
c
k
ijk T E
abcn
y
y
n
SQ SQ
1 1 1
2
.... 2
.
1
(5.21)
O procedimento de anlise semelhante aos modelos anteriores, comparando a
estatstica 0
F
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:
16
1
,
12
1
e
8
1
polegadas para o dimetro e 40, 60 e 80 rpm para a velocidade de rotao da broca.
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")) : Vetor que
caracteriza as velocidades. Dessa forma o data.frame ser:
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 Pr(>F)
vel 2 352.31 176.15 31.9001 7.749e-08 ***
diam 2 876.48 438.24 79.3624 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:
$"vel:diam"
diff lwr upr
V1:D1-V2:D1 0.050 -5.5408860 5.640886
V3:D1-V2:D1 0.400 -5.1908860 5.990886
V3:D1-V1:D1 0.350 -5.2408860 5.940886
Podemos ver que o no existe diferena significativa entre os nveis de velocidade e o
nvel do dimetro em D1. Podemos confirmar, atravs do desdobramento da anlise de
varincia da interao que a interao no nvel D1 no significativa.
Vamos desdobrar os efeitos da velocidade em cada nvel do dimetro utilizando o
comando de efeito alinhado ( / ). O comando ilustrado abaixo.
> av2f<-aov(resp~diam/vel)
> summary(av2f,split=list("diam:vel"=list(D1=1,D2=2,D3=3)))
Df Sum Sq Mean Sq F value Pr(>F)
diam 2 876.48 438.24 79.3624 4.939e-12 ***
diam:vel 6 546.14 91.02 16.4836 6.766e-08 ***
diam:vel: D1 1 0.13 0.13 0.0244 0.876915
diam:vel: D2 1 67.00 67.00 12.1333 0.001705 **
diam:vel: D3 1 0.24 0.24 0.0435 0.836422
Residuals 27 149.10 5.52
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Para este modelo deve-se construir para a anlise de resduos os grficos de resduos
contra ordem, grfico de resduos contra valores ajustados, grfico de resduos contra
fator velocidade, grfico de resduos contra fator dimetro e grfico de probabilidade
normal.
Da mesma forma, pode-se utilizar alguns testes para verificar as hipteses de
independncia, varincia constante e normalidade dos dados. A seqncia dos
comandos para gerao dos grficos dada por:
par(mfrow=c(3,2))
plot(ordem,avf$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, procede-
se aos experimentos hierrquicos.
50
A
1
B
1
B
2
A
2
B
1
B
2
A
3
B
1
B
2
Figura 6.1- Estrutura de um Experimento com Dois Fatores Cruzados
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:
k ij i j i ijk
y
) ( ) (
+ + +
com
'
n k
b j
a i
, . . . , 2 , 1
, . . . , 2 , 1
, . . . , 2 , 1
(6.1)
onde
a
i
i
y y bn SQA
1
2
... ..
) (
: soma de quadrados devida ao fator A.
a
i
b
j
i ij
y y n A SQB
1 1
2
.. .
) ( ) (
: soma de quadrados devida ao fator B sob os nveis de
A.
a
i
b
j
n
k
ij ijk
y y SQR
1 1 1
2
.
) (
: soma de quadrados residual.
O quadro geral da anova para o modelo hierrquico descrito abaixo:
52
Tabela 6.1- Quadro da ANOVA
Fonte de
Variao
SQ GL QM
o
F
Fator A
A
SQ 1 a
1
a
SQ
QM
A
A
E
Trat
QM
QM
Fator B(A)
) ( A B
SQ ) 1 ( b a
) 1 (
) (
) (
b a
SQ
QM
A B
A B
E
Blo
QM
QM
cos
Erros
E
SQ
) 1 ( n ab
) 1 (
n ab
SQ
QM
E
E
Total
SQT
1 abn
O procedimento de anlise semelhante aos modelos anteriores, comparando a
estatstica 0
F
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
.