Você está na página 1de 16

CAPTULO 14

INTRODUO A PLANEJAMENTO DE EXPERIMENTOS


14.1 Introduo
Em qualquer rea de pesquisa, est-se sempre interessado em saber quais variveis so
importantes em algum estudo que se esteja realizando, assim como limites inferior e superior de
valores destas variveis. Por exemplo, em um processo de cura de resinas termorrgidas, a
temperatura de cura e a quantidade de catalisador so variveis importantes na determinao do
tempo total de cura da resina polimrica. necessrio escolher, de acordo com a convenincia do
pesquisador, limites inferior e superior de valores da temperatura de cura e da quantidade de
catalisador. Corridas experimentais devem ser realizadas a fim de se obter dados do tempo de cura
para cada combinao dos limites de valores da temperatura de cura e da quantidade de catalisador.
A partir destes resultados, tcnicas estatsticas devem ser utilizadas de modo a se concluir algo em
relao dependncia do tempo de cura com as variveis analisadas. O planejamento experimental
uma destas tcnicas, que atualmente vem sendo usada em grande escala. Atravs dele,
pesquisadores podem determinar as variveis que exercem maior influncia no desempenho de um
determinado processo, tendo como resultado:
1. reduo da variao do processo e melhor concordncia entre os valores nominais
obtidos e os valores pretendidos;
2. reduo do tempo do processo;
3. reduo do custo operacional;
4. melhoria no rendimento do processo.
Algumas aplicaes tpicas do planejamento de experimentos so:
1. avaliao e comparao de configuraes bsicas de projeto;
2. avaliao de diferentes materiais;
3. seleo de parmetros de projeto;
4. determinao de parmetros de projeto que melhorem o desempenho de produtos.
5. obteno de produtos que sejam mais fceis de fabricar, que sejam projetados,
desenvolvidos e produzidos em menos tempo, que tenham melhor desempenho e
confiabilidade que os produzidos pelos competidores.
Os trs princpios bsicos de um planejamento de experimentos so replicao, aleatoriedade e
blocagem. Fazer um experimento com rplicas muito importante por dois motivos. O primeiro
que isto permite a obteno do erro experimental. A estimativa desse erro bsica para verificar se
as diferenas observadas nos dados so estatisticamente diferentes. O segundo motivo se refere ao
fato de que, se a mdia de uma amostra for usada para estimar o efeito de um fator no experimento,
a replicao permite a obteno de uma estimativa mais precisa desse fator.
Os mtodos estatsticos requerem que as observaes, ou os erros, sejam variveis aleatrias
distribudas independentemente. Os experimentos, com suas rplicas, devem ser realizados de
forma aleatria, de modo a garantir a distribuio equnime de todos os fatores no considerados.
Explicando melhor: em um estudo da influncia, na dureza de um compsito, de diferentes
ponteiras de uma mquina de ensaios mecnicos, pode-se utilizar corpos de prova provenientes de
bateladas diferentes, que podem ter (mas teoricamente no deveriam), por exemplo, diferentes
1
teores de fibras. Na realizao dos testes, esses corpos de prova devem ser distribudos de forma
aleatria entre as ponteiras.
A blocagem uma tcnica extremamente importante, utilizada industrialmente que tem o
objetivo de aumentar a preciso de um experimento. Em certos processos, pode-se controlar e
avaliar, sistematicamente, a variabilidade resultante da presena de fatores conhecidos (nuisance
factors) que perturbam o sistema, mas que no se tem interesse em estud-los. A blocagem usada,
por exemplo, quando uma determinada medida experimental feita por duas diferentes pessoas,
levando a uma possvel no homogeneidade nos dados. Um outro exemplo seria quando um
determinado produto produzido sob as mesmas condies operacionais, mas em diferentes
bateladas. De modo a evitar a no homogeneidade, melhor tratar cada pessoa e batelada como um
bloco. Esta tcnica ser apresentada mais adiante.
As experincias devem ser realizadas sequencialmente. A primeira delas, chamada experimento
de peneiramento (screen experiment), usada para determinar que variveis so importantes
(variveis crticas). As experincias subsequentes so usadas para definir os nveis das variveis
crticas identificadas anteriormente, que resultam em um melhor desempenho do processo.
Em suma, o que se quer aqui obter um modelo matemtico apropriado para descrever um certo
fenmeno, utilizando o mnimo possvel de experimentos. O planejamento experimental permite
eficincia e economia no processo experimental e o uso de mtodos estatsticos na anlise dos
dados obtidos resulta em objetividade cientfica nas concluses.
Os mtodos bsicos usados para realizar um eficiente planejamento experimental tm como
objetivos:
1. A seleo do melhor modelo entre uma srie de modelos plausveis;
2. A estimao eficiente de parmetros do modelo selecionado.
Todo planejamento experimental comea com uma srie inicial de experimentos, com o
objetivo de definir as variveis e os nveis importantes. Podem-se ter variveis qualitativas (tipo de
catalisador, tipo de equipamento, operador, etc.) e quantitativas (temperatura, presso, concentrao
ndice de inflao, ph do meio, etc.). Os resultados devem ser analisados e modificaes pertinentes
devem ser feitas no planejamento experimental. A Figura 14.1 apresenta um resumo desta estratgia
inicial.
importante frisar que os mtodos que sero descritos aqui no substituem a imaginao e o
bom senso, mas eles ajudam a economizar tempo e dinheiro, uma vez que eles conduzem
objetividade da anlise de resultados.
Antes de comear a realizar os experimentos, os objetivos e os critrios devem estar bem
claros, de modo a dar subsdios para a escolha:
1. das variveis envolvidas nos experimentos;
2. da faixa de variao das variveis selecionadas;
3. dos nveis escolhidos para essas variveis. No caso de muitos fatores, melhor escolher
inicialmente dois nveis;
4. da varivel de resposta;
5. do planejamento experimental. Nessa etapa, h que se considerar o tamanho da amostra
(nmero de rplicas), a seleo de uma ordem de realizao dos experimentos e se h
vantagem em fazer a blocagem dos experimentos; dos mtodos de anlise dos resultados
dos experimentos. Os mtodos estatsticos so usados para guiar uma tomada objetiva de
deciso.
2
Experimentos
Anlise de resultados
Planejamento Objetivo e reviso do modelo e
de experimentos do planejamento
experimental
Modelo(s)
Figura 14.1 Estratgia Inicial.
As quatro etapas iniciais, conhecidas como planejamento pr-experimental, geralmente
envolvem um grupo de pessoas. O sucesso de um planejamento de experimentos depende muito
dessa etapa inicial.
O Apndice 1 apresenta uma lista de certos aspectos prticos, que devem sempre ser levados
em considerao.
14.2 Planejamento com um nico Fator
Em muitos experimentos dirios, est-se interessado em comparar vrias condies das
variveis independentes e analisar se existem diferenas entre elas. Imagine que se tenha a nveis de
um fator e n rplicas. As corridas experimentais devem ser feitas de forma completamente aleatria,
a fim de eliminar os efeitos de variveis que causem distrbios (nuisance factors). Por exemplo,
suponha que, ao ligar uma mquina, exista um tempo necessrio para o seu aquecimento inicial. Se
corridas forem feitas nesse perodo com amostras usando um certo nvel do fator, concluses
erradas podem ser obtidas, visto que esse tempo inicial pode afetar a varivel de resposta.
Considere o exemplo em que se quer analisar a influncia de cinco concentraes de algodo
na resistncia tenso de um tecido sinttico, conforme dados na Tabela 14.1.
Tabela 14.1 Dados da Resistncia Tenso do Algodo
% de Algodo Rplicas
1 2 3 4 5
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11
A influncia da concentrao de algodo na resistncia do tecido pode ser vista de forma
qualitativa, atravs de grficos, e de forma quantitativa, atravs de uma equao matemtica. Uma
forma grfica muito usual o diagrama de disperso que mostra bem a tendncia da resistncia
passar por um mximo na regio prxima concentrao de 30%, conforme mostrado na Figura
14.2. Uma outra maneira de visualizar tal comportamento feita pela superfcie exposta na Figura
14.3. Ambas figuras foram obtidas no Statistica.
3
C O N C
R
E
S
I
S
T
4
8
1 2
1 6
2 0
2 4
2 8
1 0 1 5 2 0 2 5 3 0 3 5 4 0
Figura 14.2 Grfico de disperso da resistncia do algodo.
Figura 14.3 Superfcie para os dados da resistncia do algodo.
No caso de se querer determinar diferenas entre as mdias dos 5 nveis, poderia-se pensar
em usar o teste t para todos os pares possveis de mdias. A questo que tal procedimento causaria
um aumento no erro tipo I. Explicando melhor; h 10 pares possveis e se a probabilidade de aceitar
corretamente a hiptese nula para cada teste individual for 1 - = 0,95, a probabilidade de aceitar
corretamente a hiptese nula para todos os 10 pares (0,95)
10
0,60, se os testes forem
independentes. Observa-se assim, um aumento do erro tipo I de 0,05 para cerca de 0,40.
A melhor abordagem quando se quer comparar vrias mdias a anlise de varincia. Para
isso, considere a tratamentos ou nveis diferentes de um nico fator e n rplicas, dando origem
Tabela 14.2, em que os y
ij
correspondem aos valores experimentais da varivel de resposta, os y
it
correspondem soma das observaes para a linha i (i-simo tratamento), os
it
y
correspondem s
mdias das observaes para a linha i, y
tt
correspondem soma de todas as observaes e
tt
y

corresponde mdia de todas as observaes.

n
j
ij it
y y
1
n y y
it it
/
(1)

a
i
n
j
ij tt
y y
1 1
N y y
tt tt
/
(2)
sendo N = na, o nmero total de observaes.
Tabela 14.2 Forma Padro de Tabela com Dados para um Experimento com um nico Fator
4
Tratamento
(Nvel)
Observaes Totais Mdias
1 y
11
y
12

y
1n
y
1t
t
y
1
2 y
21
y
22

y
2n
y
2t
t
y
2



a y
a1
y
a2

y
an
y
at
at
y
y
tt
tt
y
Esses dados podem ser modelados atravs de uma equao matemtica, cujo objetivo
poder prever novos valores da varivel de resposta em pontos diferentes daqueles usados nos
experimentos, mas dentro da faixa operacional.
Um modelo simples, conhecido como modelo da mdia (means model), pode ser usado
para descrever o conjunto de pontos experimentais:
ij i ij
y +
(3)
com i = 1, 2, ..., a, j = 1, 2, ..., n,
i
sendo a mdia do i-simo tratamento e
ij
sendo uma
componente do erro aleatrio que incorpora todas as outras fontes de variabilidade no
experimento, incluindo medida, fatores incontrolveis diferenas entre unidades experimentais
(como material de teste, equipamentos, etc.) e rudo em geral do processo (como variabilidade ao
longo do tempo, efeitos do ambiente, etc.). suposto que esse erro seja uma varivel aleatria e
tenha uma distribuio normal e independente, com mdia zero e varincia constante,
2
, para todos
os nveis do fator; assim, E(y
ij
)

=
i
.
Uma outra maneira de expressar a Equao (3), conhecida como modelo dos efeitos, :
ij i ij
y + +
(4)
em que um parmetro comum a todos os tratamentos, conhecido como mdia global, e
i
um
parmetro caracterstico do i-simo tratamento, conhecido como efeito do i-simo tratamento.
a
a
i
i

(5)


a
i
i
1
0
(6)
pelo fato de
i
=
i
+
.
A Equao (4) mais largamente utilizada, visto que uma constante e
i
representa
desvios dessa constante quando os tratamentos especficos so aplicados. Essa equao chamada
tambm de anlise de varincia univarivel ou de um nico efeito (one-way or single-factor
analysis of variance).
Os tratamentos podem ser variveis fixas ou aleatrias. Eles sero considerados variveis
fixas, quando os seus nveis forem escolhidos pelo experimentalista. Nesse caso, as concluses
obtidas, utilizando testes de hipteses relativos s mdias dos tratamentos, sero aplicadas somente
aos nveis considerados na anlise e no a tratamentos similares que no tenham sido considerados
explicitamente. Essa desvantagem pode ser superada se os a tratamentos forem amostras aleatrias
retiradas de uma populao maior de tratamentos. O conhecimento acerca de tratamentos
particulares perde o significado, sendo mais importante agora testar hipteses sobre a variabilidade
de
i
, tentando estim-la,
O modelo que considera os tratamentos como variveis fixas chamado de modelo de
efeitos fixos e o que considera variveis aleatrias chamado de modelo de efeitos aleatrios ou
modelo de componentes de varincia.
5
14.2.1 ANOVA para o Modelo de Efeitos Fixos
Est-se interessado em saber se existe alguma diferena entre as mdias dos tratamentos;
isto , se E(y
ij
)

=
i
= +
i
. As hipteses so ento:
H
0
:
1
=
2
= ... =
a
H
1
:
i

j
para pelo menos um par (i,j)
ou pela Equao (6)
H
0
:
1
=
2
= ... =
a
= 0
H
1
:
i

j
para no mnimo um valor de i
Para testar essas hipteses, a melhor opo a abordagem da anlise de varincia, como j
visto anteriormente. O princpio bsico desse mtodo dividir a variabilidade total em seus
componentes. Essa variabilidade total expressa em temos da soma quadrtica total, SQ
T
:



a
i
n
j
tt ij T
y y SQ
1 1
2
) (
(7)
que se for dividida por N 1 graus de liberdade, tem-se a varincia da amostra dos ys, que uma
medida padro da variabilidade.
A soma quadrtica total pode ser dividida nos seguintes termos:


+
a
i
n
j
it ij tt it
a
i
n
j
tt ij
y y y y y y
1 1
2
1 1
2
)] ( ) [( ) (
(8)
que aps manipulaes algbricas e mostrando que o termo do produto cruzado zero, fica-se com:


+
a
i
a
i
n
j
it ij tt it
a
i
n
j
tt ij
y y y y n y y
1 1 1
2 2
1 1
2
) ( ) ( ) (
(9)
O primeiro termo do segundo membro representa a soma quadrtica das diferenas entre (between)
as mdias dos tratamentos e a mdia global e a soma quadrtica das diferenas das observaes
dentro (within) dos tratamentos e a mdia dos tratamentos. Essa ltima diferena devido somente
a erros aleatrios.
A Equao (9) pode ser expressa tambm por:
SQ
T
= SQ
Tratamentos
+ SQ
E
(10)
em que SQ
Tratamentos
representa a soma quadrtica dos tratamentos (entre os tratamentos) e SQ
E
representa a soma quadrtica do erro (dentro dos tratamentos). Os graus de liberdade dessas somas
so, respectivamente, a 1 e N - a.
Se a Equao (10) for dividida por graus de liberdade apropriados, fica-se com duas
estimativas para a varincia da amostra,
2
: uma baseada na variabilidade inerente dentro dos
tratamentos e uma outra baseada na variabilidade entre os tratamentos. Claro que se no houver
diferena entre as mdias dos tratamentos, essas estimativas sero iguais.
De modo a determinar as estimativas das varincias de cada termo do segundo membro da
Equao (9), pode-se proceder conforme detalhamento a seguir.
Expressando a soma quadrtica sob outra forma, tem-se:


1
]
1


a
i
n
j
it ij
a
i
n
j
it ij E
y y y y SQ
1 1
2
1 1
2
) ( ) (
(11)
Se o termo entre colchetes for dividido por n 1, ter-se- a varincia da amostra no i-simo
tratamento:
1
) (
1
2
2

n
y y
S
n
j
it ij
i
(12)
Essas a varincias podem ser combinadas (ponderadas) para resultar uma estimativa simples da
varincia da populao, tendo como objetivo o aumento no nmero de graus de liberdade.
6



a
i
n
j
it ij
a
i
i
y y S n
1 1
2
1
2
) ( ) 1 (
(13)
) (
) 1 (
) (
) 1 (
) 1 (
1
1 1
2
1
1
2
a N
SQ
n
y y
n
S n
E
a
i
a
i
n
j
it ij
a
i
a
i
i

(14)
O ltimo termo da Equao (14) corresponde estimativa combinada da varincia comum
dentro de cada um dos a tratamentos, sendo chamado de mdia quadrtica do erro, MQ
E
.
Se no houver diferenas entre as a mdias dos tratamentos,
2
pode ser estimada atravs de:

,
_

n
n
a
y y n
a
SQ
a
i
tt it
s Tratamento
2
1
2
1
) (
1

(15)
sendo (
2
/n) a varincia das mdias dos tratamentos. O termo SQ
Tratamentos
/(a-1) = MQ
Tratamentos

chamada de mdia quadrtica de tratamentos.
Como os valores esperados das mdias quadrticas dos tratamentos e do erro so dados por
(para detalhes, ver Montgomery, 2001):
1
) (
1
2
2

a
n
MQ E
a
i
i
s Tratamento

(16)
2
) (
Erro
MQ E (17)
Percebe-se ento que se no houver diferena nas mdias dos tratamentos (o que implica que
i
=
0), MQ
Tratamentos
=
2
. Logo, pode-se detectar diferenas nas mdias dos tratamentos se MQ
Tratamentos
e
MQ
E
forem comparados.
O teste de hiptese apresentado anteriormente utiliza a estatstica F, dada por:
Erro
s Tratamento
o
MQ
MQ
F
, (18)
com a 1 e N a como graus de liberdade do numerador e denominador, respectivamente. Se a
hiptese nula for verdadeira, as duas mdias quadrticas estimam o mesmo valor para
2
. Mas se a
hiptese nula for falsa, o numerador ser maior do que o denominador, implicando-se em se ter
F
o
> F
,a-1,N-a
, (19)
sendo o nvel de significncia.
O intervalo de confiana para a mdia do i-simo tratamento dado por:
n
MQ
t y
n
MQ
t y
E
) n ( a , / it i
E
) n ( a , / it 1 2 1 2
+ (20)
O intervalo de confiana para a diferena entre as mdias de dois tratamentos dado por:
n
MQ
t y y
n
MQ
t y y
E
) n ( a , / jt it j i
E
) n ( a , / jt it
2 2
1 2 1 2
+ (21)
EXEMPLO 1: Para os dados experimentais da Tabela 14.1, verifique se a concentrao de algodo
afeta a resistncia tenso do tecido sinttico. Use = 0,01.
SOLUO: As hipteses que se quer testar so:
H
0
:
1
=
2
=
3
=
4
= 0
H
1
:
i
0 para no mnimo um i
Reproduzindo a Tabela 14.1 e 14.2, tem-se
7
Tabela 14.3 Dados Experimentais para o Exemplo1
% de
Algodo
Rplicas Totais Mdias
1 2 3 4 5 y
1t
t
y
1
15 7 7 15 11 9 49 9,8
20 12 17 12 18 18 77 15,4
25 14 18 18 19 19 88 17,6
30 19 25 22 19 23 108 21,6
35 7 10 11 15 11 54 10,8
y
..
= 376
..
y
=15,04
De modo a resolver este problema, as somas e as mdias quadrticas precisam ser
calculadas, construindo ento a tabela da Anova.
O valor p o menor nvel de significncia que levaria rejeio da hiptese nula H0 para os
dados fornecidos; ou seja, o valor p o menor valor de em que os dados so significantes. Ele
pode ser calculado no prprio Statistica, utilizando-se a janela Basic Statistic, opo Probability
Calculator e selecionando-se a distribuio F. Coloque o valor de F, calculado anteriormente,
juntamente com os graus de liberdade. Marque a opo 1 cumulative p. O valor p ser calculado
imediatamente.
Tabela 14.4 Tabela da Anova para o Exemplo 1
Fonte de
Variao
Soma
Quadrtica
SQ
Graus de
Liberdade
d.f.
Mdia
Quadrtica
MQ
F p
Concentrao
de algodo
475,76 4 118,94 14,76 0,000009
Erro 161,20 20 8,06
Total 636,96 24
Analisando os resultados obtidos na Tabela 14.4, percebe-se que o valor do teste F foi maior
do que o valor tabelado para F
0,05;4;20
= 2,87, levando ento rejeio da hiptese. Analisando o
valor p, percebe-se tambm que ele foi menor do que 0,01, o nvel de significncia requerido pelo
problema. Concluso final: a concentrao influencia a resistncia do tecido tenso.
No caso de no se dispor de todas as informaes experimentais (planejamento
desbalanceado), as equaes das somas quadrticas devem ser modificadas para:
N
y
y SQ
tt
a
i
i
n
j
ij T
2
1 1
2


(22)
N
y
n
y
SQ
tt
a
i i
i
s Tratamento
2
1
2
.

(23)
Sempre que possvel, deve-se escolher um planejamento balanceado, visto que ele mais
potente e menos sensvel a pequenos desvios da suposio de igualdade de varincias para os a
tratamentos.
Ao final de qualquer planejamento, precisa-se verificar a adequao do modelo matemtico
obtido e a validade das suposies feitas.
8
14.3 Planejamento Aleatrio com Blocos Completos
Com o objetivo de estudar a blocagem, suponha que se queira saber se quatro diferentes tipos
de ponteiras (considera-se cada ponteira como um tratamento) de uma mquina de ensaios
produzem diferentes leituras de dureza de um compsito. Imagine agora que sejam realizados
quatro ensaios para cada ponteira. Existe assim um nico fator (varivel independente importante),
que o tipo de ponteira. No total, sero necessrios 16 experimentos, envolvendo ento 16 peas,
que podem ser levemente diferentes entre si, resultando em uma possvel variao nos valores de
dureza da pea. Como resultado, o erro experimental refletir tanto o erro aleatrio como a variao
entre as peas. Uma maneira de diminuir esse erro experimental remover a variabilidade entre as
peas, fazendo a blocagem; ou seja, considerando cada pea como sendo um bloco, sujeito ao teste
com as quatro ponteiras. Tem-se assim um experimento mais uniforme que serve para comparar a
influncia das ponteiras na dureza do material. A esse planejamento, d-se o nome de planejamento
aleatrio com blocos completos. Por completo entende-se que cada bloco contm todos os
tratamentos (todas as ponteiras atuam neste bloco). A Tabela 14.5 apresenta o planejamento
aleatrio com blocos completos para o caso do teste de dureza do compsito.
Tabela 14.5 Planejamento Aleatrio com Blocos Completos para a Dureza de um Compsito
Tipo de
ponteira
Pea
1 2 3 4
1 9,3 9,4 9,6 10,0
2 9,4 9,3 9,8 9,9
3 9,2 9,4 9,5 9,7
4 9,7 9,6 10,0 10,2
O planejamento aleatrio com blocos completos um dos mais usados planejamentos
experimentais. Geralmente, matria-prima, pessoas e tempo so as fontes mais usuais de
variabilidade nos experimentos.
O modelo matemtico mais simples para representar o planejamento dado a seguir:

'

+ + +
b j
a i
y
ij j i ij
,..., 2 , 1
,..., 2 , 1

(27)
em que a mdia global,
i
o efeito do i-simo tratamento (ponteira, no caso),
j
o efeito do j-
simo bloco (pea no caso) e
ij
o erro aleatrio que segue a distribuio normal padro.
Colocando na forma matricial, tem-se:

,
_

ab a a
b
b
y y y
y y y
y y y
y

2 1
2 22 21
1 12 11
(28)
sendo ento a o nmero total de tratamentos (ponteiras no caso) e b o nmero total de blocos (peas
no caso). O produto ab o nmero total, n, de experimentos. Cada coluna da matriz representa um
bloco. H apenas uma observao por tratamento em cada bloco; existe uma aleatoriedade na ordem
de realizao dos tratamentos dentro de cada bloco. Assim, os blocos representam uma restrio
aleatoriedade.
Est-se interessado em saber se os quatro tratamentos (ponteiras) fornecem o mesmo valor
mdio de dureza; ou seja:
H
o
:
1
=
2
= ... =
a
(29)
H
1
: no mnimo um
i

j
Uma outra maneira de expressar a Equao (29) :
H
o
:
1
=
2
= ... =
a
= 0 (30)
H
1
:
i
0, no mnimo em um i
9
visto que a mdia do i-simo tratamento
i
= (1/b)

+ +
b
j
j i
1
) (
= +
i
.
O desvio do ponto experimental y
ij
em relao ao valor mdio de todos os pontos
experimentais pode ser decomposto nos termos mostrados na Equao (28).
) ( ) ( ) ( ) ( y y y y y y y y y y
j i ij j i ij
+ + +
, (31)
em que
b
y
y
b
j
ij
i

1
a
y
y
a
i
ij
j

1
n
y
y
a
i
b
j
ij

1 1
(32)
Como antes, se a Equao (28) for elevada ao quadrado e aplicado o somatrio sobre todos
os pontos experimentais, obtm-se a Equao (30), uma vez que os termos cruzados se anulam.


+ + +
a
i
b
j
j i ij
b
j
j
a
i
i
a
i
b
j
ij
y y y y y y a y y b y y
1 1
2
1
2
1
2
1 1
2
) ( ) ( ) ( ) (
(33)
SQ
Total
= SQ
Tratamentos
+ SQ
Blocos
+ SQ
Erro
(34)
A Tabela 14.6 apresenta uma anlise de varincia para a blocagem proposta.
Tabela 14.6 Anlise de Varincia para o Planejamento Aleatrio com Blocos Completos
Fonte de
Variao
Soma
Quadrtica (SQ)
Graus de
Liberdade (d.f.)
Mdia Quadrtica
Tratamentos SQ
Tratamentos
a - 1
1

a
SQ
MQ
s Tratamento
s Tratamento
Blocos SQ
Blocos
b - 1
1
s
s

b
SQ
MQ
Bloco
Bloco
Erro SQ
Erro
(a 1)(b 1)
) 1 )( 1 (

b a
SQ
MQ
Erro
Erro
Total SQ
Total
1 n
1

n
SQ
MQ
T
T
O coeficiente de determinao dado pela Equao (35):
Total
Bloco s Tratamento
Total
Modelo
SQ
SQ SQ
SQ
SQ
r
s 2
+

(35)
Como antes, realiza-se o teste F com o objetivo de validar a hiptese H
o
.
)) 1 )( 1 ( , 1 ( )) 1 )( 1 ( , 1 ( > b a a F
MQ
MQ
b a a F
Erro
s Tratamento

(36)
com sendo a significncia do teste. Se a Equao (36) se verificar, a hiptese H
o
rejeitada,
concluindo-se que diferentes tratamentos (ponteiras) influenciam a dureza do material. Para saber o
efeito dos blocos, seria natural realizar o teste F, calculado da seguinte forma:
)) 1 )( 1 ( , 1 ( )) 1 )( 1 ( , 1 (
s
> b a b F
MQ
MQ
b a b F
Erro
Bloco

(37)
Alguns pesquisadores acham que isto no correto, pois o teste F s pode ser realizado para
experimentos completamente aleatrios, o que no o caso, visto que a aleatoriedade s existe
dentro dos blocos. Montgomery, em seu livro de Planejamento e Anlise de Experimentos, no
utiliza esse teste, mas diz que a razo MQ
Blocos
/MQ
Erro
fornece uma idia do efeito dos blocos na
varivel de resposta. Se o seu valor for grande, pode-se inferir que o bloco tem uma grande
10
influncia na reduo de rudo (variabilidade), sendo til ento para melhorar a preciso da
comparao das mdias dos tratamentos.
Para os dados na Tabela 14.5, os resultados podem ser visualizados na Tabela 14.7.
Tabela 14.7 Resultados do Planejamento Aleatrio com Blocos Completos
Fonte de
Variao
Soma
Quadrtica
(SQ)
Graus de
Liberdade
(d.f.)
Mdia
Quadrtica
(MQ)
F p-level
Tratamentos 38,50 3 12,83 14,44 0,0009
Blocos 82,50 3 27,50
Erro 8,00 9 0,89
Total 129,00 15
O resultado obtido aqui seria diferente, caso se tivesse usado a abordagem do planejamento
completamente aleatrio com um nico fator. Os termos referentes aos blocos seriam somado ao
termo do erro, resultando na Tabela 14.8.
Tabela 14.8 Resultados do Planejamento Completamente Aleatrio com um nico Fator
Fonte de
Variao
Soma
Quadrtica
(SQ)
Graus de
Liberdade
(d.f.)
Mdia
Quadrtica
(MQ)
F p-level
Tratamentos 38,50 3 12,83 1,70 0,219902
Erro 90,50 12 7,54
Total 129,00 15
Como se pode notar, a concluso seria oposta obtida anteriormente, mostrando a
importncia da formao de blocos para evitar o aumento no termo do erro. Esse aumento faz com
que diferenas importantes entre as mdias dos tratamentos no possam ser detectadas.
14.3.1 Planejamento Incompleto
s vezes, por motivos alheios, tais como falta de matria-prima, danos na aparelhagem
experimental, alto custo de obteno de muitos dados experimentais, etc., alguns dados no so
disponveis para todos os tratamentos e todos os blocos. Assim, os tratamentos no so mais
ortogonais aos blocos. De modo a contornar tal problema, existem duas alternativas. A primeira
seria uma anlise aproximada, que consiste em estimar a informao perdida e us-la como se fosse
uma informao real. A segunda alternativa seria fazer uma anlise exata, que consiste em usar o
teste geral de significncia da regresso.
No caso de uma abordagem aproximada, o objetivo estimar o valor inexistente atravs da
minimizao da soma quadrtica do erro. A equao resultante dada a seguir, cujo
desenvolvimento pode ser encontrado no livro de D. C. Montgomery, 2001.
) 1 )( 1 (
* * *
*

+

b a
y by ay
y
tt tj it
ij
(39)
em que
*
ij
y
o valor inexistente que se quer estimar,
*
it
y a soma da varivel dependente em todos
os blocos para o i-simo tratamento,
*
tj
y
a soma da varivel dependente em todos os tratamentos
para o j-simo bloco e
*
tt
y a soma total da varivel dependente em todos os blocos e em todos os
tratamentos.
Voltando ao caso do exemplo da dureza dos compsitos, imagine agora que os dados
estariam na Tabela 14.9.
Tabela 14.9 Planejamento Aleatrio com Blocos Incompletos para a Dureza de um Compsito
11
Tipo de ponteira Pea
1 2 3 4
1 9,3 9,4 9,6 10,0
2 9,4 9,3 - 9,9
3 9,2 9,4 9,5 9,7
4 9,7 9,6 10,0 10,2
Utilizando a Equao (30), teria-se:
6 , 9
) 3 )( 3 (
20 , 144 ) 1 , 29 ( 4 ) 6 , 28 ( 4
*

ij
y
Esse valor est prximo quele da Tabela 14.5. A nova tabela da ANOVA dada a seguir. Como se
pode observar, a mesma concluso seria obtida.
Tabela 14.10 Resultados do Planejamento Aleatrio com Blocos Incompletos
Fonte de
Variao
Soma
Quadrtica
(SQ)
Graus de
Liberdade
(d.f.)
Mdia
Quadrtica
(MQ)
F p-level
Tratamentos 39,98 3 13,33 17,12 0,0008
Blocos 79,53 3 26,51
Erro 6,22 8 0,78
Total 125,73 14
No caso de muitas ausncias, elas poderiam ser estimadas como antes; ou seja, achando o
mnimo da mdia quadrtica do erro, em relao a cada valor inexistente e resolvendo o sistema
resultante de equaes algbricas.
14.4 Planejamento Usando o Quadrado Latino
Foi visto anteriormente a importncia do conceito de blocagem de uma varivel. Imagine
agora que se tenha mais de uma varivel que confira aleatoriedade ao sistema. Suponha que, alm
de 4 peas diferentes, tenham-se agora 4 operadores diferentes. Por conseguinte, tm-se dois fatores
que provocam distrbios no sistema: tipo de pea e operador. O planejamento adequado para esse
tipo de problema consiste em testar cada ponteira exatamente uma vez para cada pea, sendo cada
ponteira testada exatamente uma vez para cada operador. A seguinte tabela ajuda a visualizar o
problema.
Tabela 14.11 - Planejamento Quadrado Latino
Pea Operador
1 2 3 4
1 A = 9,3 B = 9,4 C = 9,6 D = 10,0
2 B = 9,4 C = 9,3 D = 9,8 A = 9,9
3 C = 9,2 D = 9,4 A = 9,5 B = 9,7
4 D = 9,7 A = 9,6 B = 10,0 C = 10,2
As letras latinas se referem aos 4 tipos de tratamentos ou ponteiras. Esse tipo de
planejamento dito quadrado, pois o nmero de colunas deve ser igual ao nmero de linhas. Ele
elimina duas fontes de variabilidade, fazendo a blocagem em duas direes. Os planejamentos mais
comuns so 4x4, 5x5 e 6x6.
O modelo estatstico para o quadrado Latino :
ijk k j i ijk
y + + + +
(40)
12
sendo y
ijk
a observao da i-sima linha e k-sima coluna para o j-simo tratamento, a mdia
global,
i
o efeito da i-sima linha,
j
o efeito do j-simo tratamento,
k
o efeito da k-sima
coluna e
ijk
o erro aleatrio. Nesse caso, as somas quadrticas so:
SQ
T
= SQ
Linhas
+ SQ
Colunas
+ SQ
Tratamentos
+ SQ
E
(41)
As somas quadrticas so calculadas da seguinte forma:
N
y
y
a
SQ
ttt
a
j
tjt s Tratamento
2
1
2
1

(42)
N
y
y
a
SQ
ttt
a
i
itt Linhas
2
1
2
1

(43)
N
y
y
a
SQ
ttt
a
k
ttk Colunas
2
1
2
1

(44)
N
y
y
a
SQ
ttt
a
k
ttk Colunas
2
1
2
1

(45)
N
y
y SQ
ttt
a
i
a
j
a
k
ijk Total
2
1 1 1
2


(46)
A tabela da Anova se torna agora:
Tabela 14.12 - Tabela da Anova para o Planejamento com Quadrado Latino
Fonte de
Variao
Soma
Quadrtica
(SQ)
Graus de
Liberdade
(d.f.)
Mdia Quadrtica
(MQ)
F
o
Tratamentos SQ
Tratamentos
a 1
1

a
SQ
MQ
s Tratamento
s Tratamento
E
s Tratamento
o
MQ
MQ
F
Linhas SQ
Linhas
a 1
1

a
SQ
MQ
Linhas
Linhas
Colunas SQ
Colunas
a 1
1

a
SQ
MQ
Colunas
Colunas
Erro SQ
Erro
(a 2)(a 1)
) a )( a (
SQ
MQ
Erro
Erro
1 2

Total SQ
Total 1
2
a
1
2

a
SQ
MQ
T
T
EXEMPLO 4: Abrir o arquivo de dados Latin.sta, que se encontra no diretrio Examples do
Statistica, e realizar o planejamento utilizando o quadrado latino. O Exemplo trata de 4 motoristas
diferentes, dirigindo 4 carros diferentes, que contm 4 diferentes aditivos. O objetivo verificar se
h diferena na reduo do consumo de combustveis, em funo do tipo de aditivo usado.
SOLUO: A nica varivel independente existente o tipo de aditivo usado. As outras duas
variveis, motorista e tipo de carro, so variveis que podem interferir na anlise final, devendo
portanto ser agrupadas como blocos. Para resolver esse problema, o Statistica ser utilizado. A
tabela de dados experimentais est mostrada a seguir.
Tabela 14.13 - Dados Experimentais para o Exemplo 4
13
Escolha a opo Latin squares, Greco-latin squares e selecione a opo Analyze results.
Selecione as variveis da seguinte forma:
Aps pressionar OK duas vezes, obtm-se:
Um resumo apresentado. As vrias opes podem ser acionadas para a anlise dos
resultados. A opo Marginal means contm informaes referentes aos valores mdios da varivel
de resposta para cada varivel estudada.
14
Tabela 14.14 - Valores das Mdias Marginais para o Exemplo 4
A informao contida nessa tabela melhor visualizada atravs do seguinte grfico.
M O T O R I S T
C A R R O
A D I T I V O
G r a n d M e a n

G r f i c o d o s E f e i t o s P r i n c i p a i s
Q u a d r a d o L a t i n o 4 x 4
R E D U C A O ; M d i a = 2 0 , 0 0 0 0 S i g m a = 4 , 4 4 2 2 2
N v e l
R
E
D
U
C
A
O
1 4
1 5
1 6
1 7
1 8
1 9
2 0
2 1
2 2
2 3
2 4
2 5
O
N
E
T
W
O
T
H
R
E
E
F
O
U
R
A
U
D
I
M
E
R
C
E
D
E
S
T
O
Y
O
T
A
C
H
R
Y
S
L
E
R
A
_
O
N
E
A
_
T
W
O
A
_
T
H
R
E
E
A
_
F
O
U
R
Figura 14.15 Grfico das Mdias para o Exemplo 4.
Vrias concluses qualitativas podem ser tiradas:
a) Considerando a varivel motorista, nota-se uma diferena enorme entre os motoristas 2 e 3.
b) O motorista 3 o que pior dirige.
c) O carro da marca Chrysler o que tem melhor reduo no consumo de combustvel. Pode-se
dizer que no existe diferena grande entre os outros modelos.
d) O aditivo 2 o melhor.
Esse tipo de planejamento no permite fazer uma anlise cruzada; ou seja, fazer uma
combinao entre todas as variveis. No se consegue saber se poderia se obter uma maior reduo
no consumo de combustveis se outras combinaes fossem feitas. Isso ser feito mais adiante,
quando se estudar planejamento fatorial.
A Tabela 14.15 apresenta a anlise de varincia, mostrando que o tipo de aditivo influencia a
reduo no consumo de combustveis. Pode-se ver tambm que o tipo de motorista afeta e a sua
blocagem importante, o mesmo no acontecendo com o tipo de carro.
15
Tabela 14.15 - Tabela da Anova para os Dados do Exemplo 4
14.5 Planejamento Usando o Quadrado Greco-Latino
Suponha que um segundo quadrado latino seja imposto ao anterior; isto , que existe mais
uma varivel que possa perturbar o sistema, como por exemplo o dia em que o teste foi feito. A
tabela do planejamento seria ento
Tabela 14.16 - Planejamento Greco-Latino
Linha Coluna
1 2 3 4
1
A B C D
2
B A D C
3
C D A B
4
D C B A
As letras gregas representam os tratamentos; ou seja, os diferentes nveis da varivel
independente, cuja influncia na varivel de resposta queremos medir. Esse tipo de planejamento
elimina trs fontes de variabilidade, fazendo a blocagem em trs direes.
16