Experimentos - Fernando (UFSM)

Srie Monogrfica Qualidade
Projeto de Experimentos
Jos Luis Duarte Ribeiro & Carla Schwengber ten Caten
Editores
Universidade Federal do Rio Grande do Sul
Escola de Engenharia
Programa de Ps Graduao em Engenharia de Produo
Porto Alegre, RS
2011
Jos Luis Duarte Ribeiro &CarlaSchwengbertenCaten, editores
2000 by Jos Luis Duarte Ribeiro & Carla SchwengbertenCaten

Direitos em lngua portuguesa para o Brasil adquiridos por
Universidade Federal do Rio Grande do Sul
Escola de Engenharia
Programa de Ps Graduao em Engenharia de Produo
Projeto Grfico
Lia Buarque de Macedo Guimares
Editorao Eletrnica
Andria Fabiane Nahra Leal

FabollaGranata
Gustavo Schroeder
Marcelo Luiz Pereira
Ilustrao da Capa
Arcngelo Ianelli, Natureza-morta

1960 leo s/ tela 70 X 83 cm
IPHAN, Museu Nacional de Belas Artes
1.
Introduoao Planejamento de Experimentos ....................................................... 5
1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS: ................................................................ 6

1.2. FASES DO PROJETO DE EXPERIMENTOS ......................................................................................... 7
1.3. AS ETAPAS DE UM EXPERIMENTO ...................................................................................................10
1.4. EXERCCIO 1: .......................................................................................................................................14
2.
Comparao de Vrios Grupos (One-wayAnalysisofVariance) ............................. 19
2.2. A ANLISE DE VARINCIA (ANOVA) ..................................................................................................20

2.3. EXERCCIOS: ........................................................................................................................................31
3.
Projetos Fatoriais com Dois Fatores .................................................................... 35
3.1. VANTAGENS DOS EXPERIMENTOS FATORIAIS ..............................................................................39

3.2. OS EXPERIMENTOS FATORIAIS DE DOIS FATORES (TWO-WAY ANOVA) ...................................39
3.3. ANLISE DE VARINCIA PARA PROJETOS CRUZADOS DE 2 FATORES .....................................40
3.4. COMPARAO MLTIPLA DE MDIAS (CMM) .................................................................................43
3.5. TESTE DAS SUPOSIES DO MODELO: ..........................................................................................45
3.6. EXPERIMENTOS SEM REPETIO....................................................................................................45
EXERCCIOS ................................................................................................................................................48
4.
Generalizao dos Projetos Fatoriais ................................................................... 51
4.1. MODELO ESTATSTICO: ......................................................................................................................51

4.2. MODELO ESTATSTICO: ......................................................................................................................56
4.3. Experimentos com fatores aninhados e cruzados .................................................................................56
4.4. EXERCCIOS .........................................................................................................................................58
5.
Blocos Aleatorizados e Quadrados Latinos ......................................................... 63
5.1. PROJETOS COMPLETAMENTE ALEATORIZADOS ...........................................................................64

5.2. PROJETOS EM BLOCOS ALEATORIZADOS ......................................................................................66
5.3. QUADRADOS LATINOS .......................................................................................................................67
5.4. QUADRADOS GRECO-LATINOS .........................................................................................................71
5.5. EXERCCIOS: ........................................................................................................................................72
6.
Experimentos Parcionados em Clulas (Split-Plot)............................................. 74
6.1. INTRODUO .......................................................................................................................................74

6.2. EXPERIMENTOS MULTI-PARCIONADOS EM CLULAS (Split-Split-plot) .....................................77
6.3. EXERCCIOS .........................................................................................................................................79
7.
Experimentos com Fatores a Nveis Aleatrios ................................................... 80
7.1. O MODELO PARA FATORES A NVEIS ALEATRIOS ......................................................................80

7.2. EXERCCIO ...........................................................................................................................................89
8.
Projetos Fatoriais do Tipo 2K ................................................................................. 91

2
8.2. PROJETOS 2 .......................................................................................................................................92

3
8.3. PROJETOS 2 .......................................................................................................................................96
K
8.4. O PROJETO 2 GENERALIZADO ......................................................................................................100
K
8.5. O PROJETO 2 SEM REPETIES ..................................................................................................101
8.6. ALGORITMO DE YATES PARA PROJETOS 2 K ....................................................................................104
8.7. EXERCCIOS .......................................................................................................................................104
9.
Experimentos Fatoriais Confundidos em Blocos .............................................. 109
9.2. CONFUNDIMENTO .............................................................................................................................110

9.3. SISTEMA PARA CONFUNDIR EFEITOS: ..........................................................................................111
9.4. EXPERIMENTOS CONFUNDIDOS EM BLOCO COM REPETIO .................................................112
9.5. EXPERIMENTOS COMPLETAMENTE CONFUNDIDOS ...................................................................112
9.6. EXPERIMENTOS PARCIALMENTE CONFUNDIDOS .......................................................................114
9.7. EXPERIMENTOS CONFUNDIDOS EM BLOCO SEM REPETIO .................................................114
9.8. DIVISO EM MAIS DE DOIS BLOCOS ..............................................................................................116

k-1
9.9. PROJETOS FATORIAIS FRACIONADOS 2 ....................................................................................119
9.10. EFEITOS VINCULADOS ...................................................................................................................119
4
9.11
Experimento 2 completo vs FRACIONADO................................................................................121
k-1
9.15
ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS2 .........................128
9.18
EXERCCIOS ...............................................................................................................................130
10
Metodologia de Superfcie de Resposta e Otimizao ...................................... 133
10.15
10.16
10.17
10.18
10.19
10.20
10.21
O que modelagem .....................................................................................................................133

METODOLOGIA DE SUPERFCIE DE RESPOSTA ...................................................................133
MODELAGEM DAS VR ................................................................................................................139
Anlise da multicolinearidade .......................................................................................................155
Seleo de variveis do modelo ..................................................................................................157
seleo do melhor modelo ...........................................................................................................158
FUNO DE PERDA MULTIVARIADA .......................................................................................158
Bibliografia ..................................................................................................................... 162
1. Introduoao Planejamento de
Experimentos
Jos Luis Duarte Ribeiro
Carla tenCaten
A metodologia conhecida como projeto de experimentos foi introduzida por Fischer em 1935 e
inicialmente aplicada a experimentos de agricultura. Posteriormente, essa metodologia difundiuse rapidamente em campos como Agronomia, Biologia, Engenharia Qumica, Engenharia
Industrial e Engenharia da Qualidade. Atualmente, Projeto de Experimentos tem sido aplicado
virtualmente em todas as reas de conhecimentos.
Trata-se de uma metodologia apoiada fortemente em conceitos estatsticos, destinada a otimizar
o planejamento, execuo e anlise de um experimento. O uso de Projeto de Experimentos
permite que se estruture a sequncia de ensaios de forma a traduzir os objetivos preestabelecidos
pelo pesquisador. A eficincia de experimentos projetos superior em termos de informao a
qualquer outra sequncia no estruturada de ensaios.
Na verdade, devido s decises importantes que derivam dos resultados experimentais, e ao
custo dos experimentos, no recomendvel buscar a soluo de um determinado problema
confiando apenas na intuio.
A metodologia de Projeto de Experimentos utilizada na otimizao de um sistema. Entende-se
por sistema, qualquer produto, processo ou servio. Um sistema avaliado por indicadores de
desempenho, ou seja, caractersticas de qualidade resultantes da operao do mesmo. Por
exemplo, as caractersticas de qualidade avaliadas em um sistema podem ser produtividade,
custos, caractersticas dimensionais, entre outras.
Em um sistema, existem parmetros do sistema (do produto, do processo ou do servio) que
podem ser alterados durante sua execuo. Por exemplo, em um produto pode-se alterar o tipo
de material e suas caractersticas dimensionais, em um processo pode-se alterar a temperatura e
a presso e em um servio pode-se alterar o nmero de funcionrios e o layout. A alterao
desses parmetros pode afetar as caractersticas de qualidade resultantes do sistema.
Existem ainda os fatores de rudo, ou seja, fatores que podem influenciar o desempenho do
sistema, no entanto no consegue-se control-los. Os fatores de rudo so, por exemplo, a
temperatura e umidade do dia, o desgaste das ferramentas e a habilidade e cansao do operador.
1. Introduo ao Planejamento de Experimentos
Avalia o desem penho do sistema
Input
Caractersticas de qualidade
SISTEMA
Parmetros
do Sistema
Fatores de Rudo
Figura 1. Esquema de um sistema
1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS:

Projeto de Experimentos uma atividade que em geral envolve o estudo sistmico de diversos
fatores que podem afetar uma ou mais caractersticas de qualidade. Apesar do ttulo Projeto de
Experimentos, essa uma atividade que envolve:
O planejamento do experimento.
A sua execuo.
A anlise dos resultados.
A otimizao do produto/processo em estudo.
Achar o ajuste timo dos parmetros do sistema de forma a:
Maximizar o desempenho do sistema
Minimizar custos
Tornar o desempenho do sistema pouco sensvel ao efeito dos fatores de rudo
Fazer isso, ...
Definindo uma sequncia de ensaios econmica e eficiente
Procedendo uma avaliao estatstica dos resultados
= Assegurar respaldo cientfico
= Maximizar as informaes obtidas
Combinaes de todos os nveis dos fatores:
N=axb=2x2=4
Figura 2.
Combinao de fatores
1.2. FASES DO PROJETO DE EXPERIMENTOS

OUVIR A VOZ DO CLIENTE
OUVIR A VOZ DO ESPECIALISTA
PLANEJAMENTO FINAL E EXECUO
ANLISE
OTIMIZAO
1.2.1. Trabalho de Equipe:

O trabalho em equipe exige:
Conhecimentos Mercadolgicos;
Conhecimentos Tcnicos;
Conhecimentos Estatsticos.
O que ser visto:
Introduo ao Projeto de Experimentos;
Comparao de vrios grupos;
Projetos fatoriais com dois fatores;
Generalizao dos projetos fatoriais;
Blocos Aleatorizados e Quadrado Latino;
Projetos fatoriais do tipo 2k;
Experimentos fatoriais confundidos em bloco;
Experimentos fatoriais fracionados;
Metodologia de Superfcie Resposta.
1.2.2. Terminologia
Caractersticas de Qualidade
Todas as caractersticas do produto que o cliente percebe como importantes.
Variveis de resposta
Aspectos do produto que podem ser medidos e que permitem quantificar as
caractersticas de qualidade(denominados Ys).
Caractersticas de qualidade do tipo nominal--melhor (por exemplo, caractersticas
dimensionais) tendem a apresentar uma distribuio de probabilidade aproximadamente
simtrica, pois as causas de variabilidade geram valores que podem se afastar tanto para cima
como para baixo do alvo. Elas apresentam tolerncias bilaterais(LIE e LSE).
Caractersticas de qualidade do tipo maior--melhor (por exemplo, resistncia mecnica)

tendem a apresentar uma distribuio de probabilidade assimtrica esquerda, pois muitas
vezes existem limitaes tecnolgicas que dificultam a obteno de valores altos, enquanto que
muitas causas de variabilidade podem gerar valores baixos. Elas apresentam apenas Limite
inferior de especificao-LIE.
Caractersticas de qualidade do tipo menor--melhor (por exemplo, nvel de rudo)

tendem a apresentar uma distribuio de probabilidade assimtrica direita, pois muitas
vezes existem limitaes tecnolgicas dificultando a obteno de valores baixos,
enquanto que muitas causas de variabilidade podem gerar valores altos. Elas apresentam
apenas Limite superior de especificao-LSE.
Parmetros do processo
Todas as variveis da linha de produo que podem ser alteradas e que talvez
tenham um efeito sobre as variveis de resposta.
Fatores controlveis
So um subconjunto dos parmetros do processo; so aqueles parmetros do
processo que foram elegidos para serem estudados a vrios nveis no
experimento, denominados Xs.
Fatores constantes
So os parmetros do processo que no entram no experimento e que so
mantidos constantes durante o experimento.
Fatores no controlveis (Rudo)
So as variveis que no podem ser controladas pela equipe tcnica. So
responsveis pelo erro experimental ou variabilidade residual ou varincia do
erro.
Importante
Se um fator (varivel importante) no for considerado como um fator controlvel
(investigado a vrios nveis) ou como um fator constante (fixo em um nvel), ele
ir se tornar um fator de rudo e inflacionar a variabilidade do erro tornando o
experimento pouco sensvel para a identificao de fatores significativos.
1.2.3. Relao entre a demanda de qualidade (cliente) e as variveis de resposta

(engenharia)
Voz do Cliente
Voz do Engenheiro
Caractersticas
Variveis de
Resposta
de Qualidade
Aspectos que
podem ser vagos
Mensurveis, quantitativas
1.2.4. Status dos parmetros do processo dentro de um programa experimental:
Fatores Controlveis
Parmetros
do Processo
Objeto de
estudo
Fatores mantidos constante
1.2.5. Relao entre os fatores controlveis e a resposta
Input
Processo ou Produto
Parmetros
do Processo
Varivel de
Resposta
Fatores de Rudo
Definir o
ajuste
timo
Responsveis pela
variabilidade
1.3. AS ETAPAS DE UM EXPERIMENTO

1.3.1. Ouvir a voz do cliente (o qu)
Pesquisa de Mercado;
Identificar as C.Q. de interesse;
Identificar a importncia relativa dessas C.Q.
1.3.2. Ouvir a voz do engenheiro (como)

Definir variveis de resposta associadas s C.Q.;
Identificar outras variveis de resposta de interesse(em geral associadas a
custos/produtividade);
10
Identificar os parmetros do processo;

Identificar o intervalo de variao dos P.P.;
Identificar os fatores controlveis (F.C. = P.P. que podem afetar as V.R.);
Definir o nmero de nveis para cada F.C.(geralmente de 2 a 5 nveis);
Definir possveis interaes entre os FC;
Identificar as restries experimentais:
- Numero mximo de ensaios;
- Equipamento e RH disponveis;
- Tempo disponvel, etc.
Escolher o modelo estatstico do experimento.
1.3.3. Planejamento final e execuo

Escrever a matriz experimental;
Definir a ordem dos ensaios (aleatorizao);
Definir os procedimentos de ensaio (uniformizao);
Desenhar planilhas de coleta de dados;
Executar o experimento e anotar resultados.
1.3.4. Anlise
Fazer a anlise de varincia;
Escrever uma tabela de mdias;
Fazer grficos dos efeitos dos fatores principais;
Fazer grficos das interaes significativas.
1.3.5. Otimizao
Modelar individualmente cada Varivel de Resposta:
V.R. = f (F.C.)
Definir uma funo objetivo:
L = f1 (V.R.) L = f2 (F.C.)
Otimizar, isto , achar o ajuste dos F.C. que minimiza/ maximiza L;
Verificar a consistncia da soluo.
1.3.5.1. Exemplo: Estudo experimental em solados de borracha.

1. Ouvir a voz do cliente
Pesquisa de Mercado:
O solado deve ser macio e durvel.
Caractersticas de Qualidade:
11
Designao
Tipo
Flexibilidade
Durabilidade
Maior--melhor
Maior--melhor
Importncia
Relativa
1
1
2. Ouvir a voz do Engenheiro

Variveis de Resposta:
Designao
Tipo
Mdulo de Elasticidade
(kgf/cm2)
Dureza superficial (kgf)
Resistncia trao (Kgf/cm2)
Menor--melhor
Maior--melhor
Maior--melhor
Importncia
Relativa
1
1
0.5
Alvo
200
25
100
Parmetros do processo:
Designao
Quantidade de Talco
Quantidade de leo
Quantidade de Asfalto
Quantidade de Breu
Quantidade de Fluxtec
Tempo de mistura
Temperatura de mistura
Tempo de resfriamento
Intervalo de
Variao
2a5
0.5 a 1
0.5 a 1
2a4
10 a 20
30 a 60
60 a 80
Unidade
g
ml
g
u.v.
u.v.
min
o
C
min
30 a 120
Fatores Controlveis:
- Quantidade de Breu;
- Quantidade de Fluxtec;
- Tempo de mistura;
- Temperatura de mistura.
Definio dos nveis dos fatores controlveis:
Fator
Quantidade de Breu
Quantidade de Fluxtec
No. nveis
2
4
Nveis
2 4
10 13 16 19
Unidade
u.v.
u.v.
12
Tempo de mistura
Temperatura de mistura
3
3
30 45 60
60 70 80
Min
o
C
Listar possveis interaes entre os fatores controlveis:

- Temperatura de mistura x Tempo de mistura;
- Temperatura de mistura x Quantidade de Fluxtec.
Listar restries experimentais
- Mximo 100 ensaios em funo de tempo e $;
- Mximo 20 ensaios por dia.
Definir o modelo estatstico
- Um Projeto Fatorial Cruzado completo: 2 x 4 x 3 x 3 = 72 ensaios.
3. Planejamento final e execuo

Matriz experimental e ordem dos ensaios
Rodada
1
2
3
4
:
:
72
Ordem
54
23
18
9
:
:
17
Fator A
1
1
1
1
:
:
2
Fator B
1
1
1
1
:
:
4
Fator C
1
1
1
2
:
:
3
Fator D
1
2
3
1
:
:
3
Fator E
Fator F
Procedimentos de ensaio
- Aleatorizar a ordem dos ensaios;
- Fixar parmetros do processo no incorporados no experimento;
- Observar sempre a mesma sistemtica de ensaios, mesmas mquinas, operadores, etc.
13
14
Planilha de coleta de dados:
Ensaio:_________________________________________________________
Data:____________________________
1.3.5.2. Ensaio
1
2
3
4
:
:
72
Operador: ___________________
Fatores Controlveis
Breu
Fluxtec
2
4
4
2
:
:
4
10
10
16
13
:
:
13
Tempo
Mistura
45
60
60
30
:
:
45
Variveis de Resposta
Temperatura
Mdulo
de
Elast.
Dureza
Superf.
Resist.
Trao
60
60
80
70
:
:
70
Obs:
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
Execuo do experimento.
4. Anlise
Ser o objetivo principal do curso.
5. Otimizao
Esse assunto ser abordado frequentemente.
1.4. EXERCCIO 1:
Escolher um aspecto da sua rea de conhecimento que demandaria pesquisa experimental e
completar todas as fases do planejamento de um experimento seguindo o roteiro apresentado
abaixo.
TTULO DO ESTUDO
Objetivos do Estudo
15
Equipe de Trabalho
A voz do cliente:
Listar a demanda de qualidade do cliente
Demanda de Qualidade
Importncia
A voz da equipe tcnica:

Listar as variveis de resposta que avaliam quantitativamente a demanda de qualidade.
Variveis de
Resposta
Y1:
Y2:
Y3:
Y4:
Y5:
Tipo
Alvo
(unidades)
Especificaes
Min
Max
Importncia
Listar todos os parmetros do processo

Parmetro
do processo
X1:
X2:
X3:
X4:
X5:
X6:
X7:
X8:
X9:
X10:
Ajuste
atual
Ajuste
Sugerido
Intervalo de
pesquisa
MIN
MAX
Facilid.
de ajuste
Listar os fatores de rudo

Fatores de rudo
Z1:
Z2:
Z3:
Z4:
Z5:
Atribuir uma intensidade para as relaes entre parmetros do processo e variveis de
resposta
Intensidade das relaes e
interaes
Inexistente
Valor numrico
0
1
3
9
Fraca
Moderada
Forte
IE
X1
X2
X3
Rij = Relaes XiYj

X4
X5
X6
X6
X8
X9
X10
Y1
Y2
Y3
Y4
Y5
Y6
PRj
O formulrio para os clculos o seguinte:
onde:
Rij
IEi
relao entre a varivel de resposta i e o parmetro do processo j

ndice de importncia para a varivel de resposta i
Listar os fatores controlveis (subconjunto dos parmetros do processo que foram

priorizados)
Fatores controlveis
PRj
Num nveis
Nveis reais
16
Listar os fatores mantidos constantes e seu respectivos ajustes.

Fatores mantidos constantes
PRj
Ajuste
Listar possveis interaes entre os fatores controlveis:

Listar restries experimentais
--
Planejamento final e execuo

Matriz experimental e ordem dos ensaios
Rodada
Ordem
Fator A
Procedimentos de ensaio
--
Fator B
Fator C
Fator D
Fator E
Fator F
17
Planilha de coleta de dados

Ensaio:_________________________________________________________
Data :____________________________ Operador : ___________________
Ensaio
Fatores Controlveis
Variveis de Resposta
Obs: ___________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
Obs: ___________________________________________________________
18
2. Comparao de Vrios Grupos

(One-wayAnalysisofVariance)
Carla ten Caten
A anlise de varincia a metodologia estatstica que avalia a significncia dos diversos fatores e
interaes.H suposies bsicas para validar a anlise de varincia:
Distribuio normal dos dados.
Homogeneidade das varincias (em cada grupo) - aleatoriedade dos erros.
Aditividade dos efeitos.
Independncia estatstica dos valores observados (sem correlao).
Se as suposies de normalidade e homogeneidade no forem satisfeitas, o resultado da anlise de
varincia deixa de ser exato, e passa a ser aproximado. Em raras situaes a suposio de
aditividade dos efeitos no satisfeita. Nesse caso, uma transformao dos dados (log, , etc.) pode
recuperar a aditividade e permitir uma anlise mais precisa.A independncia estatstica dos valores
observados obtida com o uso da aleatorizao.
2.1.1. Experimentos que envolvem:

1 Varivel de Resposta;
1 Fator Controlvel a vrios nveis.
2.1.2. Objetivo:
Identificar se os valores da varivel de resposta medidos nos diversos nveis (grupos) diferem entre
sidevido ao efeito do fator controlvel.
2.1.3. Existem 2 tipos de experimentos:

Fatores Controlveis a nveis fixos possvel repetir o ensaio tempos depois, basta
utilizar os nveis dos FC escolhidos.
(Por ex., 5 valores de temperatura).
Fatores Controlveis a nveis aleatrios - Nunca mais ser possvel ter os mesmos fatores
controlveis.
(Por ex., 3 lotes escolhidos ao acaso).
2.1.4. Formulao matemtica do problema:
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)
20
Modelo Estatstico:
Onde:
a mdia geral;
j o efeito do grupo j;
ii um erro aleatrio.
Hipteses:
Ho: no h diferenas significativas entre os grupos;
H1: h diferenas significativas entre os grupos.
2.1.5. Disposio dos dados:

Os dados so dispostos da seguinte forma:
Fator A
Totais
T.j
No.Obs. nj
A1
y11
A2
y12
...
...
Ak
y1k
y21
:
y22
:
...
y2k
:
:
yn1,1
T.1
:
yn2,2
T.2
n1
n2
yij
...
...
...
:
ynk,k
T.k
T.. =
...
nk
N =
...
Mdias
2.1.6. Exemplo a nveis fixos:

Um profissional deseja estudar se a temperatura ambiente influencia na produtividade dos
funcionrios. Para isso realizou trs medidas de produtividade (peas/hora) em trs temperaturas
diferentes.
Fator controlvel
Temperatura
Nveis de fator controlvel
15C
25C
35C
12
20
17
13
19
16
11
18
18
Repeties
Medio da variavel de resposta

Varivel de resposta: produtividade
Repeties: 3 valores para cada nvel
2.2. A ANLISE DE VARINCIA (ANOVA)
21
A anlise de varincia a metodologia estatstica que avalia a significncia dos diversos

fatores e interaes.
H suposies bsicas para validar a anlise de varincia:
Distribuio normal dos dados.
Homogeneidade das varincias (em cada grupo) - aleatoriedade dos erros.
Aditividade dos efeitos.
Independncia estatstica dos valores observados (sem correlao).
Se as suposies de normalidade e homogeneidade no forem satisfeitas, o resultado da
anlise de varincia deixa de ser exato, e passa a ser aproximado.
Em raras situaes a suposio de aditividade dos efeitos no satisfeita. Nesse caso, uma
transformao dos dados (log, , etc.) pode recuperar a aditividade e permitir uma anlise
mais precisa.
A independncia estatstica dos valores observados obtida com o uso da aleatorizao.
2.2.1. Formulao matemtica do problema:

Modelo Estatstico:
Onde:
Yij =
+ j + ij
a mdia geral;
j o efeito do grupo j;
ij um erro aleatrio.
2.2.2. Hipteses:
H0: no h diferenas significativas entre os grupos;
H1: h diferenas significativas entre os grupos, provocada pelo fator controlvel investigado.
Para o exemplo anterior,
15 C
12
13
11
36
3
12
Temperatura
25oC
20
19
18
57
3
19
35oC
17
16
18
51
3
17
SQR dentro do grupo

Variabilidade residual (erro)
SQG= Variabilidade entre grupos (fator controlvel)

SQT = SQG grupo + SQR resduo
(20-16) = (19-16)+(20-1)
Modelo Estatstico
Os dados podem ser visualizados no grfico abaixo:
Decomposio dos resduos:
Elevando ao quadrado e somando:
Graus de Liberdade:
Mdias quadradas ou varincias:
Se no h diferenas significativas entre os grupos
O teste F compara as duas varincias:
Fcalc
Varincia entre grupos

Varincia dentro do grupo
MQG( Fator )
MQR( Erro )
22
23
Se o Fcalc = 1, conclui-se que no h diferenas significativas entre os grupos pois: E [MQG] = E

[MQR], logo no rejeita-se Ho pois no h evidncias suficientes para comprovar que as mdias
diferem entre si, logo no tem evidncias suficientes para afirmar que a temperatura tenha efeito
significativo.
Comparar F calculado com F tabelado, se o valor calculado for maior que o valor tabelado (ou
valor-p <0,05), rejeita-se Ho, ou seja, existe diferenas significativas entre os grupos provocada
pelo fator controlvel em estudo.
O limite de deciso estabelecido usando os valores tabelados da distribuio F, ou seja:
onde:
: nvel de significncia (usualmente 0,05)
k-1: graus de liberdade do numerador (MQG)
N-k : graus de liberdade do denominador (MQR)
Sendo o nvel de significncia (geralmente =0,05 ou 5%), que um valor aceitvel de se cometer
o erro do tipo I (rejeitar H0 sendo que a hiptese verdadeira). O intervalo de confiana na deciso
(1- ).
Exemplo da Distribuio F0,05,2,6=5,14
Estatstica descritiva
Sumrio
Groups
15C
25C
35C
ANOVA
Fonte
Entre grupos
Dentro grupo
Total
Count
3
3
3
SS
78
6
84
Sum
Average Variance
36
12
1
57
19
1
51
17
1
df
MS
2
6
8
F
39
1
P-value
F crit
39 0,000364 5,143253
24
Existe efeito significativo da temperatura (valor-p=0,000364<0,05) sobre a produtividade a

umnvel de significncia de 5%.
Frmulas para os clculos:
Termo de correo
2.2.3. Tabela ANOVA:

Fonte
Entre Grupos
Dentro Grupos
Total
SQ
SQG
SQR
SQT
GDL
K-1
N-K
N-1
MQ
MQG
MQR
Teste F
F = MQG / MQR
2.2.4. Exemplo a nveis fixos:

Um pesquisador deseja investigar o efeito da temperatura do forno sobre o nmero de bactrias
contadas aps o processo de esterilizao. Os dados revelaram o seguinte:
Hipteses:
Ho: no h diferenas significativas entre os grupos, ou seja, no h efeito da temperatura
do forno;
H1: h diferenas significativas entre os grupos,provocada pela temperatura do forno.
Temperatura
Totais
No.Obs.
Mdias
70
15,0
15,9
18,4
17,2
18,6
18,7
16,0
17,1
21,5
14,2
18,4
15,1
206,10
12
17,18
80
13,1
14,1
18,2
11,1
15,5
12,2
12,3
13,0
15,5
14,3
15,9
15,6
170,80
12
14,23
90
12,4
11,2
15,9
13,4
9,00
10,3
10,0
13,2
11,0
13,8
12,4
13,4
146,00
12
12,17
100
10,4
13,4
11,5
14,2
12,7
13,8
12,6
11,4
16,1
13,7
9,20
10,6
149,60
12
12,47
110
13,1
10,0
13,9
11,1
13,6
12,4
11,2
12,3
13,4
15,9
9,10
10,2
146,20
12
12,18
T..=818,7
N = 60
Y. . = 13,65
25
2.2.5. Clculos iniciais:
2.2.6. Tabela Anova:

Fonte
Entre Grupos
(Temperatura)
Dentro Grupos (Residual)
Total
SQ
222,3
GDL
4
MQ
55,6
214,8
437,1
55
59
3,9
>
>
F calculado
14,2
Teste F Ftab
14,2
2,55
F tabelado
2,55
H diferenas significativas entre os grupos, provocada pelo fator controlvel

temperatura do fornoou existe efeito da temp. do forno sobre o nmero de bactrias a um
nvel de significncia de 5% (Fcal=14,2>F0,05=2,54).
Comparao mltipla de mdias

Se na ANOVA, a hiptese nula da igualdade das mdias dos grupos (nveis) for rejeitada (Fcalc>Ftab
ou valor-p<0,05), necessrio realizar uma comparao mltipla de mdias (CMM) para os fatores que
possuam mais do que dois nveis a fim de identificar quais deles diferem entre si.
So diversos mtodos de CMM: Duncan,Tukey, Scheff, Bartlett.
Deseja-se comparar se existe diferena entre as mdias e considera-se que elas diferem entre si se
vierem de populaes diferentes, ou seja, que as curvas em torno das mdias no esto sobrepostas.
Como se compara mdias necessrio calcular o tamanho da curva usando 3 x desvio-padro das
mdias.Considera-se que as mdias diferem se uma mdia estiver fora da curva da outra mdia, ou seja, quando
a distncia entre elas for maior do que 3 x desvio-padres das mdias.
1. Calcular o desvio padro das mdias
O valor esperado da MQR igual a varincia: E(MQR) =
Pelo teorema do limite central
26
onde
2. Calcular o limite de deciso
Sy
3. Escrever as mdias em ordem crescente ou decrescente e compar-las duas a duas. A diferena
ser significativa se for maior que o Ld
Dif Signif.
Dif Signif.
Dif No Signif.
Dif No Signif.
4. Usar barras contnuas sobre as mdias que no diferem entre si
Bactrias
20
15
10
5
0
70
80
90
100
110
O ajuste timo considerando qualidade (bactrias) temperatura 90, 100 ou 110.

O ajuste timo considerando qualidade (bactrias) e custo temperatura 90 (mais barato).
2.2.7. Exemplo a nveis aleatrios:

Os dados a seguir representam o alongamento (maior melhor) medido sobre um composto de
borracha, em funo da quant. de agente adicionado durante a mistura (LIE = 52).
Agente
Totais
No.Obs.
Mdias
0
43
47
46
45
45
46
47
44
42
48
49
44
546
12
45,5
5
47
53
52
50
49
51
55
48
49
50
47
49
600
12
50,0
10
55
50
54
55
52
53
55
56
59
56
57
54
656
12
54,7
15
50
54
54
55
56
52
57
57
55
60
56
58
664
12
55,3
20
52
49
54
55
55
56
56
53
57
60
57
55
659
12
54,9
T.. =3125
N=60
Y. . =52,08

Fonte
Entre Grupos (Lotes)
Total
SQ
875,33
335,25
GDL
4
55
1210,58
59
H diferenas significativas entre os grupos.

Fcal>Ftab;
Valor-p < .
2.2.10. Comparao mltipla de mdias (CMM)
MQ
218,83
6,09
Teste F
35,9
27
28
Existem diversos mtodos de CMM: Duncan, Tukey, Scheff, Bartlett, etc. O mtodo apresentado
a seguir o de Duncan.
1. Calcular o desvio padro das mdias pelo Teorema do Limite Central
MQR
SY. j
12
6,09
12
0,71
Onde nc = (n1 + n2 + ... + nk) / k

2. Calcular o limite de deciso:
Ld = 3 x = 3 x 0,71 = 2,13
3.
Escrever as mdias em ordem crescente ou decrescente e compar-las duas a duas (todas

combinaes). A diferena ser significativa se for maior que o Ld (=2,13)
45,5
50,0
54,7
54,9
55,3
Y.1
Y.2
Y.3
Y.5
Y.4
50,0 45,5 = 4,5 >Ld=2,13 DS

54,7 50,0 = 4,7 >Ld=2,13 DS
54,9 54,7 = 0,2 <Ld=2,13 DNS
55,3 54,9 = 0,4 <Ld=2,13 DNS
4. Usar barras contnuas sobre as mdias que no diferem entre si:
___
___
Y.1
Y.2
__________
Y.3 Y.5 Y.4
a. Otimizao observando o boxplot:
65
Q3
Mdia
Max
Min
29
Mediana
Q1
Alongamento
60
55
50
45
40
0%
5%
10%
15%
20%
Concentrao do Agente
Como o LIE do cliente 52, ento a escolha da concentrao de agente pode ser 10, 15 e 20%, pois
atendem a especificao.
b. Otimizao observando grfico de barras:
70
Alongamento
60
50
40
30
20
10
0
0%
5%
10%
15%
20%
Concentrao de agente
Como a CQ alongamento do tipo maior--melhor, ento a escolha da concentrao de agente

pode ser 10, 15 e 20%, pois produzem a mesma resposta mdia e ainda superior que 5%.
Contudo, quanto maior a concentrao do agente, mas caro a borracha, ento a escolha
recomendada a concentrao de 10%.
2.2.11. Exemplo a nveis aleatrios:

Um pesquisador deseja investigar se a permeabilidade das lentes de uso flexvel fabricadas em sua
indstria permanece uniforme ou no. Escolhe-se aleatoriamente trs lotes de produo e realizamse ensaios:
Lote
L1
61
62
64
62
63
63
Totais T.j
Num. Obs. nj
375,0
L2
60
61
58
58
60
59
60
416,0
Mdias Y.j
62,50
59,43
61,60
30
L3
60
63
59
64
62
308
T.. = 1099
N =
18
Y. . = 61,06

Fonte
Entre Grupos (Lotes)
Total
F calculado
8,02
SQ
32,53
30,41
62,94
GDL
2
15
17
>
>
MQ
16,26
2,03
Teste F
8,02
F tabelado
3,68
H diferenas significativas entre os grupos, provocada pelo fator controlvel em estudo
Prximo passo: Estimar componentes de variao
Assim as estimativas so:
De forma que 2,37 / 4,40 = 54% da variabilidade total observada nos valores de permeabilidade
das lentes deve-se a diferenas "entre lotes" e 2,03/4,40=46% deve-se a diferenas dentro do lote.
31
2.3. EXERCCIOS:
2.1. Um engenheiro deseja investigar o efeito da concentrao de catalisador sobre o tempo de
processo de uma mistura qumica. Para isso investigou quatro diferentes concentraes e mediu o
tempo de processo da mistura. Os seguintes tempos de processo foram obtidas nas quatro
concentraes:
Catalisadores
1%
56,7
58,2
57,2
58,4
55,8
54,9
Totais
N
Mdias
2%
56,3
55,9
54,5
57,0
55,3
3%
53,0
51,2
54,2
53,2
4%
54,4
53,0
51,4
51,5
53,3
T.. =
N =
Y. . =
Pede-se:
Fazer a anlise de Varincia e concluir a respeito do efeito dos catalisadores.
Fazer uma comparao mltipla de mdias se for o caso.
Fazer um grfico de barras, indicando a concentrao mdia obtida para cada catalisador e
concluir a respeito do que deve ser feito para (i) assegurar qualidade (menor tempo de
processo) e (ii) assegurar economia.
Clculos iniciais:
2
TC = T.. / N =
2
(Yij ) =
SQT =
2
(Yij ) - TC =
SQG =
2
(T.j / nj) - TC =
32
SQR = SQT - SQG =

Fonte
SQ
GDL
MQ
Teste F
Entre Grupos
(Catalisadores)
Total
F calculado =
F tabelado =
Efeito dos catalisadores significativo ?
Comparao mltipla de mdias
(1) Calcular o desvio padro das mdias
=
onde
(2) Calcular o limite de deciso
Sy
(3) Escrever as mdias em ordem crescente ou decrescente e compar-las duas a duas. A diferena
ser significativa se for maior que o Ld
Y(1) - Y(2) =
Y(1) - Y(3) =
Y(1) - Y(4) =
Y(2) - Y(3) =
Y(2) - Y(4) =
Y(3) Y4) =
(4) Usar barras contnuas sobre as mdias que no diferem entre si
2.2 Resultados de corpos de prova de concreto com adio de Microsslica indicaram os seguintes
resultados de resistncia compresso:
Adio
0%
5%
10%
15%
28,1
35,3
39,8
39,1
Resistncia (MPa)
26,5
24,3
23,8
34,3
37,5
38,0
44,1
42,3
39,2
40,8
43,0
40,1
28,5
33,9
44,8
43,5
33
a) Indique se esse um experimento a nveis fixos ou aleatrios.

b) Faa a anlise da varincia e conclua a respeito do efeito da adio de microsslica.
c) Se for o caso, faa uma comparao mltipla de mdias.
d) Plote um grfico de linha para a mediana.
2.3 Um engenheiro deseja que os azulejos produzidos em uma indstria cermica apresentem a
menor absoro de gua possvel. Os resultados de um experimento feito com trs tipos diferentes
de argila indicaram o seguinte:
Tipo de
Argila
A1
A2
A3
Absoro (gramas)
141
132
135
112
115
122
128
98
158
122
121
143
102
108
155
139
126
a) Indique se esse um experimento a nveis fixos ou aleatrios.

b) Faa a anlise da varincia e conclua a respeito do efeito do tipo de argila.
c) Se for o caso, faa uma comparao mltipla de mdias.
d) Plote um grfico de barras para as mdias.
2.4 Uma metalrgica tem um grande nmero de fornos usados para fundio de metais. A
temperatura desses fornos deveria ser a mesma. Para testar essa hiptese foram feitas medies em
4 fornos escolhidos aleatoriamente. Analise os resultados e conclua a respeito de possveis
diferenas entre os fornos.
Forno
Temperatura
1
824 821 829 808 815
2
817 830 819 809 825
3
822 810 831 824 818
4
826 828 810 820 815
2.5 Um engenheiro industrial desenvolveu um modelo estocstico de simulao que prev a
produtividade mensal em funo do intervalo de tempo entre manutenes preventivas. Se esse
intervalo for muito curto, as mquinas estaro constantemente em manuteno e a produtividade
ser baixa. Se o intervalo for muito longo, haver quebras, exigindo manuteno corretiva, mais
demorada, novamente prejudicando a produtividade. Os resultados da simulao so.
Intervalo
Produtividade
4
136 137 135 140 136
6
145 146 147 147 148
8
146 144 148 145 145
10
134 131 136 134 133
12
117 119 117 115 116
Faa a anlise da varincia, plote um grfico de barras para a produtividade mdia e conclua a
respeito do intervalo timo para as intervenes da manuteno produtiva.
2.6 Em uma indstria qumica um catalisador utilizado para acelerar um processo de deposio
metlica. Foi feito um experimento variando-se a concentrao desse catalisador e anotando-se o
tempo necessrio para completar o processo. Analise os dados usando a Tabela Anova. Depois
faa uma comparao mltipla de mdias, plote um grfico de linhas e conclua a respeito da
concentrao ideal.
Concentrao
10
15
20
25
18,8
12,5
10,6
11,2
Tempos
19,0
18,4
12,0
13,2
11,1
10,8
10,4
10,1
34
19,6
12,6
11,7
10,6
2.7 Os tcnicos de uma indstria de alimento precisam diminuir ao mximo a quantidade de gua
livre presente no produto final. Eles realizaram ensaios substituindo um dos componentes por um
novo ingrediente (o ingrediente X), que no altera a qualidade do produto, mas que talvez tenha
melhores condies de absoro de gua livre. Analise os resultados obtidos usando a Tabela
Anova. Depois faa uma comparao mltipla de mdias, plote um grfico de linhas e conclua a
respeito do % ideal para o ingrediente X. A propsito, o ingrediente X tem o preo um pouco
superior ao do ingrediente original.
Atividade de gua
% do componente X
0
25
50
75
100
0,91
0,75
0,65
0,62
0,61
0,92
0,80
0,59
0,60
0,64
0,88
0,72
0,59
0,58
0,59
0,88
0,74
0,62
0,65
0,60
3. Projetos Fatoriais com Dois

Fatores
Carla tenCaten
Exemplo do que muitas vezes se faz na indstria: Uma empresa estava interessada em aumentar
o teor de pureza de uma substncia qumica. Os dois fatores mais importantes que
influenciavam o teor de pureza eram a temperatura e a presso do reator.
Objetivo: determinar os nveis de temperatura e presso que maximizassem o teor de pureza.
Como:
1. fixar a temperatura em 65 oC e variar presso;
2. fixar a melhor presso, variar a temperatura obtendo a resposta.
Neste exemplo os fatores foram testados um de cada vez.
Temperatura fixada em 65C
Grfico com os fatores

controlaveis testados um
de cada vez (5 niveis cada)
Presso fixada em14,3 atm
3. Projetos Fatoriais de Dois Fatores
36
O correto seria testar os dois fatores simultaneamente cada um no mnimo a dois nveis
totalizando 4 ensaios. Os nveis so estabelecidos em torno das condies operacionais atuais:
temperatura 68C, presso 14,3 atmque resulta em uma pureza de 75%.
Grafico com os FC testados ao

mesmo tempo (2 niveiscada)
Muitos experimentos envolvem o estudo de dois ou mais fatores.Se todas as combinaes de

nveis dos fatores so investigadas, ento temos um projeto fatorial (quadrado).Cada uma das
possveis combinaes de nveis chamada de Tratamento ou setup resultando:
N= a x b.
Por exemplo, sejam os dados da tabela a seguir:
Fator B
Fator A
A1
A2
Mdia
B1
B2
Mdia
20
40
30
30
52
41
25
46
O efeito principal do fator A definido como a mudana que aparece na varivel de resposta
quando se muda o nvel deste fator, independente do nvel do fator B logo, trabalha-se com a
mdia.
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
A1
A2
Assim,
Isto , passando do nvel A1 para o nvel A2 h uma mudana mdia na resposta de 21
unidades, independente dos nveis do fator B.
Similarmente,
1900ral
1900ral
1900ral
1900ral
1900ral
A1
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
B1
B2
A2
37
38
1900ral
1900ral
1900ral
1900ral
1900ral
11
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
B1
B2
Isto , passando do nvel B1 para o nvel B2 h uma mudana mdia na resposta de 11 unidades,
independente do nvel do fator A.
Quando as retas so paralelas (ou quase), no existe efeito de interao entre os fatores, ou seja,
o efeito do fator A ou B sempre o mesmo independente do nvel do outro fator.
Em alguns experimentos a diferena na resposta observada quando se modifica os nveis de um

dos fatores ir depender do nvel do outro fator. Por exemplo:
Fator A
A1
A2
Mdia
B1
B2
Mdia
20
50
35
40
12
26
30
31
60
50
50
40
40
B1
30
20
B2
20
12
10
0
A1
A2
Nesse caso, onde as retas no so paralelas, diz-se que h uma interao entre A e B.
Os grficos de dois fatores so teis para esclarecer a natureza da interao.
Quando a interao forte, os efeitos principais tm pouco interesse prtico, por exemplo, para
esses dados:
39
O fator A tem um efeito pequeno? ERRADO!

O fator A tem um efeito pronunciado, mas esse efeito depende do nvel do fator B:
Em B1
Efeito de A = 50 - 20 = 30
Em B2
Efeito de A = 12 - 40 = -28
3.1. VANTAGENS DOS EXPERIMENTOS FATORIAIS

Comparar:
B1
B2
x x
x x
x x
One-at-a-time
A1
A2
B1
x
x
FatorialCruzado
A1
A2
B2
x
x
Fatoriais cruzados so mais econmicos;

Fatoriais cruzados permitem que se avaliem efeitos principais e efeitos de interaes.
3.2. OS EXPERIMENTOS FATORIAIS DE DOIS FATORES (TWO-WAY ANOVA)

Os experimentos fatoriais mais simples envolvem dois fatores;
Fator A com a nveis e Fator B com b nveis.
Cada repetio completa do experimento envolve N=a x b ensaios, onde:
a o nmero de nveis do fator A;
b o nmero de nveis do fator B.
1
Y111, Y112
, Y11n
Y211, Y212
, Y21n
:
:
Ya11, Ya12
, Ya1n
1
Fator
A
2
:
:
a
Fator B
2
Y121, Y122
, Y12n
Y221, Y222
, Y22n
...
...
...
...
3.2.1. Modelo estatstico:

i = 1, a
j = 1, b
k = 1, n
onde:
a mdia geral;
b
Y1b1, Y1b2
, Y1bn
:
:
:
:
Yab1, Yab2
, Yabn
o efeito do i-simo nvel de A;
o efeito do j-simo nvel de B;

o efeito da interao AB;
o erro aleatrio.
Suposies:
3.2.2. Hipteses a serem testadas:

Para o fator A:
para algum i.
Para o fator B:
para algum j.
Para a interao AB:
para algum ij.
3.2.3. Formulrio para os clculos da significncia de A, B, AB:
Verificao:
SQT = SQA + SQB + SQAB + SQR
3.3. ANLISE DE VARINCIA PARA PROJETOS CRUZADOS DE 2 FATORES

Fonte de
Variao
A
B
AB
Erro
Total
Soma de
Quadrados
SQA
SQB
SQAB
SQR
SQT
GDL
(a-1)
(b-1)
(a-1)(b-1)
ab(n-1)
abn-1
Mdias
Quadradas
MQA
MQB
MQAB
MQR
Teste F
MQA/MQR
MQB/MQR
MQAB/MQR
40
Fcalc

MQA( fator )
MQR
Fcalc

MQB( fator )
MQR
Fcalc

MQAB( fator )
MQR
41
Observaes importantes:
O Valor esperado da MQR igual a varincia:
Se um fator ou interao no significativo, o valor esperado do MQ fator igual ao valor

esperado da MQR erro.
Se um fator ou interao significativo, o valor esperado da MQ fator ser maior que o valor
esperado da MQR.
Calcula-se o teste Fcalc
Fcalc

MQG
MQR
O valor de Ftabelado :
Ftab
,GLnumerador , GLdenomnador
Se F calculado > F tabelado ou valor-p<0,05 (5%) Efeito correspondente

significativo
3.3.1. Exemplo
Suspeita-se que a mxima voltagem de sada de um tipo de bateria afetada pelo material
usado nas placas e pela temperatura. Foram investigados 3 tipos de materiais (a=3) e trs
diferentes temperaturas (b=3). Quatro repeties completas (n=4) de um experimento
fatorial cruzado foram rodadas em laboratrio e os seguintes dados foram obtidos. O nmero
total de ensaios:
N=a x b x n = 3 x 3 x 4 = 9 x 4 = 36.
Material
(A)
50
130 155
74 180 539
(134,75)
150 188
159 126 623
(155,75)
138 110
168 160 576
(144,00)
1738
(144,83)
3
T.j. =
SQAB
( 539 )2
4
(229 ) 2
4
Temperatura
65
34 40
80
75 229
(57,25)
151 137
121 130 539
(134,75)
174 120
150 139 583
(145,75)
1351
(112,58)
(342 ) 2
4
...
20
82
50
83
96
82
(B)
80
70
58 230
(57,50)
100
60 293
(73,25)
104
60 342
(85,50)
865
(72,08)
434281 12888 31892
Ti.. =
998
(83,17)
1455
(121,25)
1501
(125,08)
3954
(109,83)
8187
3.3.2. Anlise de varincia

Fonte de
Variao
Material
(A)
Temper.
(B)
AB
Erro
Total
FtabA
Soma de
Quadrados
12888
GDL
2
Mdias
Quadradas
6444
Teste F
9,3
F tab
3,35 S
31892
15946
23,1
3,35 S
8187
18644
71611
4
27
35
2047
691
3,0
2,73 S
F0,05;2;27
3,35
O efeito do Material significativo Fcalc=9,3>Ftab=3,35 ;

O efeito da Temperatura significativo Fcalc=23,1>Ftab=3,35 ;
O efeito da interao significativo Fcalc=3,0>Ftab=2,37.
42
43
3.3.3. Grfico de Interao

Quando a interao significativa, a otimizao deve ser realizada pelo grfico de dois fatores
pois os efeitos principais podem estar mascarados.
Voltagem
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1
1900ral
1900ral
1900ral 2
1900ral
1900ral
1900ral
3
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
Temperatura
Voltagem
200
50
150
65
100
80
50
0
1
M ate rial
3.4. COMPARAO MLTIPLA DE MDIAS (CMM)

Se h efeitos significativos, procede-se uma CMM.Se apenas os efeitos principais so
significativos (ou seja, a interao no significativa):
CMM para cada fator individualmente
Usar grfico de barras ou linhas
O desvio-padro das mdias calculado como:

- O Valor esperado da MQR igual a varincia: E(MQR) = 2
- Como o desvio padro das mdias
- Logo, usa-se:
MQR
bn
SYi ..
SY. j .
MQR
an
Se a interao significativa (independentemente se os fatores principais so ou no

significativos)
CMM somente para a interao

As comparaes devem ser feitas no grfico de dois fatores fixando-se um nvel de
um dos fatores e comparando as mdias dos nveis do outro fator.
Usar grfico de linhas

O desvio-padro das mdias calculado como:
O Valor esperado da MQR igual a varincia: E(MQR) = 2
Como o desvio padro das mdias
SYij .
44
Logo, usa-se:
MQR
n
No exemplo, a interao AB foi significativa, a otimizao ser realizada no grfico de dois

fatores. Como o valor nominal = 127 V, sugere-se temperatura 65oC e investigar se h DS
entre as mdias obtidas com os trs tipos de materiais.
Fator fixo: Temperatura;
Nvel fixo do fator: 65oC;
Anlise das mdias do fator Material
(i) Mdias em ordem crescente:

(material 1)
(material 2)
(material 3)
(ii) Desvio padro das mdias:
O Valor esperado da MQR igual a varincia: E(MQR) =
Como o desvio padro das mdias :

x
Teorema do limite central
n
Ento o desvio padro das mdias do efeito da interao pode ser descrito como:
(iii) Limites de deciso
(iv) Comparao das mdias duas a duas:
45
O resultado da CMM apresentado com uma barra continua sobre os nveis que no diferem
entre si
O resultado da otimizao indica que se deve utilizar as placas de material 2 ou 3(empate

tcnico) para se obter a voltagem nominal.
3.5. TESTE DAS SUPOSIES DO MODELO:

ijk
N (0, )
3.6. EXPERIMENTOS SEM REPETIO

Lembrando, o nmero de GDL do termo de erro vem dado por:
GDL=ab(n-1)
Se no h repeties do experimento, isto , se n=1, no sobram GDL para calcular de modo
independente a MQR.
MQR
SQR
ab(n 1)
Indeterminado se o denominador zero.
Fcal
MQG
MQR
Logo Fcalc tambm ser indeterminado.
Contudo, se h motivos para acreditar que a interao AB no significativa, ento:

E(MQAB) = E(MQR)
E possvel fazer a anlise usando a MQAB como uma estimativa do termo de erro:
46
3.6.1. Tabela Anova

Fonte de
Variao
A
B
Erro (AB)
Total
Soma de
Quadrados
SQA
SQB
SQAB
SQT
GDL
(a-1)
(b-1)
(a-1)(b-1)
abn-1
Mdias
Quadradas
MQA
MQB
MQAB
Teste F
MQA/MQAB
MQB/MQAB
3.6.2. Exemplo:
Um pesquisador acredita que a resistncia trao de certos corpos de prova de argamassa
depende da % de microsslica utilizada na sua fabricao e do operador que confecciona os CPs.
Os dados revelaram:
Operador
1
2
3
Totais
0
4
1
1
6
5
5
3
1
9
% de Microsslica
10
6
4
3
13
15
5
3
2
10
20
3
2
1
6
Totais
23
13
8
44
3.6.2.1. Anlise de varincia

Fonte de
Variao
Operador
% Micros.
Erro (AB)
Total
Soma de
Quadrados
23,33
11,60
2,00
36,93
GDL
2
4
8
14
Mdias
Quadradas
11,67
2,90
0,25
Teste F
46,7
11,6
F tab
4,46 S
3,84 S
Os efeitos do operador e do % de microsslica so significativos. necessrio realizar uma CMM tanto para
A quanto para B.
SY A .
Ld
MQR
0,25
0,289
n
3
3 SYA. 3 0,289 0,866
Nvel
Mdia
Diferena
Valor da dif
0
5
10
15
20
2,0
3,0
4,3
3,3
2,0
0-5
5-10
10-15
15-20
1,0
1,3
1,0
1,3
Limite
>
>
>
>
Ld=0,87
Ld=0,87
Ld=0,87
Ld=0,87
Como a resistncia do tipo maior--melhor, o melhor % de microssilica 10%
47
48
EXERCCIOS
3.1. A resistncia trao de um produto de papel (Y) parece estar relacionada % de madeira
escura (A) presente na polpa e Temperatura (B) dos rolos de manufatura. Dados experimentais
revelaram:
Temperatura dos rolos (B)
5
10
% de
Madeira
escura
15
5%
15 13
23 27
32 33
34 38
10%
31 28
38 39
43 40
41 39
Totais
Totais
514
Pergunta-se:
Qual a varivel de resposta?
Quais os fatores controlveis e qual o nmero de nveis dos fatores controlveis?
Faa a anlise de varincia e indique quais os efeitos significativos?
Faa um grfico de dois fatores.
O que fazer para assegurar qualidade? (Resistncia maior--melhor)
O que fazer para assegurar economia? (Supor que um aumento na % de madeira escura ou na
temperatura dos rolos implica maior custo)
Soluo:
a) Varivel de resposta:
b) Fatores controlveis e nmero de nveis
c) Anlise de varincia
TC =
SQA =
SQB =
SQAB =
SQR =
SQT =
Fonte
SQ
GDL
MQ
F calc.
F tab.
49
Signif. ?
% Madeira esc. (A)

Temperatura
(B)
AB
Erro
Total
Efeitos significativos:
d) Grfico de dois fatores

Resistncia trao
40
30
20
10
0
e) Tomada de deciso
3.2. Um engenheiro est estudando a rugosidade (menor--melhor) do acabamento superficial

de peas metlicas produzidas por trs mquinas (A1, A2, A3). Essas mquinas podem
trabalhar em duas velocidades (B1 = 10 partes/min. ou B2 = 15 partes/min.). Os dados
revelaram os seguintes valores de rugosidade superficial:
A1
A2
A3
B1
33,2 32,6 34,3
32,7 33,4 31,5
36,3 38,5 38,7
B2
36,6 35,5 37,4
37,2 38,6 36,6
39,6 42,6 43,1
Totais
Totais
a) Qual a varivel de resposta e quais os fatores controlveis?
b) Faa a anlise de varincia e conclua sobre a significncia dos fatores em estudo;
c) Plote um grfico relacionando os fatores controlveis com a resposta medida;
d) Com base nos resultados da Anova, indique o que voc pensa que poderia ser feito para
maximizar a qualidade.
3.3. Os dados a seguir representam os tempos de montagem obtidos em um estudo que envolveu
trs operadores e dois layouts para os postos de trabalho.
Operador 1
Operador 2
Operador 3
Layout 1
17,4 18,3
18,2
18,8 17,6
17,5
16,8 15,7
15,7
Layout 2
16,8 15,5
15,7
15,2 16,4
16,2
15,0 13,6
13,7
50
Totais
Totais
a) Qual a varivel de resposta e quais os fatores controlveis?

b) Faa a anlise de varincia e conclua sobre a significncia dos fatores em estudo;
c) Plote um grfico relacionando os fatores controlveis com a resposta medida;
d) Com base nos resultados da Anova, indique o que voc pensa que poderia ser feito para
maximizar a produtividade.
3.4. Um Engenheiro de alimentos est tentando ajustar o percentual de gordura do produto final.
O valor ideal 10%, mas o engenheiro sabe que esse valor depende da vazo de gorduras e,
talvez da origem da matria prima. Analise os dados a seguir, usando a Anova e um gfico de
dois fatores, e conclua sobre o melhor ajuste para esse processo.
Uruguai
Oeste do RS
Sta. Catarina
Vazao = 30 11,5 11,2 11,7
9,9 10,2 9,8
9,2 9,5 8,9
Vazao = 50 12,7 13,3 12,9
11,7 11,3 11,4
10,2 10,5 10,5
Totais
Totais
4. Generalizao dos Projetos

Fatoriais
Carla tenCaten
Os resultados do Projeto Fatorial de 2 fatores podem ser estendidos para o caso onde h vrios
fatores:
Fator A,
a nveis
Fator B,
b nveis
Fator C,
c nveis
:
n observaes por parcela
O nmero total de observaes N = a x b x c x ... x n
4.1. MODELO ESTATSTICO:
i = 1, a
j = 1, b
k = 1, c
l = 1, n
onde:
a mdia geral;
o efeito do i-simo nvel de A;
o efeito do j-simo nvel de B;
o efeito da interao AB;
:
o erro aleatrio.
Suposies:
4. Generalizao dos Projetos Fatoriais
4.1.1. Hipteses a serem testadas:

Para o fator A:
para algum i.
:
Para a interao AB:
para algum ij.
:
Para a interao ABC:
4.1.2. Formulrio para os clculos

;
;
VERIFICAO
SQT = SQA + SQB + SQC + SQAB + .... + SQR
4.1.3. Tabela anova para projetos cruzados de 3 fatores

Fonte de
Variao
A
B
C
AB
AC
BC
ABC
Erro
Total
Soma de
Quadrados
SQA
SQB
SQC
SQAB
SQAC
SQBC
SQABC
SQR
SQT
GDL
(a-1)
(b-1)
(c-1)
(a-1)(b-1)
(a-1)(c-1)
(b-1)(c-1)
(a-1)(b-1)(c-1)
abc(n-1)
abcn-1
Mdias
Quadradas
MQA
MQB
MQC
MQAB
MQAC
MQBC
MQABC
MQR
Teste F
MQA/MQR
MQB/MQR
MQC/MQR
MQAB/MQR
MQAC/MQR
MQBC/MQR
MQABC/MQR
52
Se F calculado > F tabelado ou valor-p<0,05 (5%)

significativo
53
Efeito correspondente
Observaes:
O valor esperado da MQR igual a varincia:
E(MQR) =
Se um fator ou interao no significativo, o valor esperado de sua MQ fator igual ao valor

esperado da MQR (erro).
Se no houver repeties (n = 1) uma possibilidade usar a MQ da interao ABC como
estimativa da MQR.
4.1.4. Exemplo
Um fabricante de refrigerantes est estudando o efeito da % de carbonatao (A), presso de

enchimento (B) e velocidade da linha (C) sobre o volume do refrigerante.Para cada combinao
foram realizadas duas repeties totalizando N= 3 x 2 x 2 x 2 = 24. Os dados esto apresentados na
tabela a seguir:
Tabela com as somas e mdias entre parntesis para elaborao dos grficos de dois fatores
%Carbonatao
(A)
10
12
14
Presso de Enchimento (B)

20 psi
25psi
Velocidade (C)
Velocidade (C)
100
120
100
120
-1
0
-3
-1
1
1
-1
0
(-1)
(-4)
(2)
(-1)
2
1
0
1
6
5
2
3
(3)
(1)
(11)
(5)
7
6
5
4
10
11
7
9
(13)
(9)
(21)
(16)
T.j..
21
T..k.
T..1. = 49; T..2. = 26
A
0
2
4
Tij..
B
20
-5 (-1,25)
4 (1,00)
22 (5,50)
A1(10)
A2(12)
A3(14)
20
59
T....=75
Ti.k.
25
1 (0,25)
16 (4,00)
37 (9,25)
C
A
0
2
4
100
1 (0,25)
14(3,50)
34(8,50)
120
-5(-1,25)
6 (1,50)
25(6,25)
Ti.k.
B2(25)
1
16
37
54
-4
54
Tij..
B1(20)
-5
4
22
21
T.i..
-4
20
59
A1(10)
A2(12)
A3(14)
C1(100)
1
14
34
49
T.jk.
C
100
120
15(2,50)
6 (1,00)
34(5,67)
20(3,33)
B
0
5
T.jk.
C2(120)
-5
6
25
26
-4
20
59
B1(20)
B2(25)
C1(100)
15
34
49
C2(120)
6
20
26
21
54
4.1.5. Tabela Anova
Fonte
SQ
A: % Carb.
B: Presso
C: Veloc.
252,75
45,38
22,04
5,25
0,58
1,04
1,08
8,50
336,63
AB
AC
BC
ABC
Erro
Total
4.1.6. Grficos de dois fatores
GDL
MQ
2
1
1
2
2
1
2
12
23
F calc.
126,38 178,4 *
45,38 64,1 *
22,04 31,1 *
2,63
3,7 (*)
0,29
0,4
1,04
1,5
0,54
0,8
0,71
F tab.
3,89
4,75
4,75
3,89
3,89
4,75
3,89
54
8,50
6,25
C1 (100)
3,50
C2 (120)
1,50
0,25
A1 (10)
A2 (12)
A3 (14)
9,25
5,50
B1 (20)
4,00
B2 (25)
1,00
0,25
A1 (10)
A2 (12)
A3 (14)
5,67
B1 (20)
3,33
B2 (25)
2,50
1,00
C1 (100)
C2 (120)
4.1.7. Projetos com fatores aninhados

Considere o seguinte experimento:
1
Temperatura
50
75
100
xxxxxx
Materiais
2
Temperatura
50
75
100
xxxxxx
3
Temperatura
50
75
100
xxxxxx
Trata-se de um projeto fatorial cruzado, cuja tabela tambm poderia ser apresentada como:
Materiais
55
1
50
75
100
Temper.
2
xx
xx
xx
xx
xx
xx
3
xx
xx
xx
Mas agora vamos analisar o seguinte experimento:
1
Temperatura
40
50
60
xxxxxx
Materiais
2
Temperatura
100 120
140
xxxxxx
3
Temperatura
60
75
90
xxxxxx
Agora, Materiais e Temperatura no esto cruzados.

Conforme o material (Fator A), os nveis de Temperatura (Fator B) so diferentes.
Nesse caso temos um experimento com Fatores Aninhados.
Diz-se que os nveis do fator B esto aninhados dentro dos nveis do fator A.
No possvel verificar a existncia de uma interao AB.
4.2. MODELO ESTATSTICO:
yijk
j(i )
ijk
Como fazer o clculo das Mdias Quadradas?

Usar o mesmo formulrio do Projeto cruzado.
Aglutinar algumas Somas Quadradas para fazer a anlise correta.
____________________________________________________________
Projeto Fatorial
Projeto Fatorial Aninhado
A e B cruzados
B aninhado em A
__________________________________________________________________
SQ
GDL SQ
GDL
MQ
__________________________________________________________________
SQA
(a-1)
SQA
(a-1)
MQA
MQA/MQR
SQB
(b-1)
SQB(A)
a(b-1)
MQB(A)
MQB(A)/MQR
SQAB
(a-1)(b-1)
( SQB + SQAB)
SQR
ab(n-1)
SQR
ab(n-1)
MQR
__________________________________________________________________
SQT
abn-1
SQT
abn-1
__________________________________________________________________
4.3. EXPERIMENTOS COM FATORES ANINHADOS E CRUZADOS

Em certos experimentos pode ocorrer de alguns fatores estarem cruzados e outros aninhados.
56
57
4.3.1. Exemplo
Uma fbrica tem produzido azulejos que tm se mostrado muito quebradios (baixa resistncia
trao). Os engenheiros desconfiam que 3 fatores podem afetar a resistncia:
A: Quantidade de Feldspato
B: Tipo de Aglutinante (3 fornecedores)
C: Quantidade de Aglutinante
Decide-se rodar um experimento envolvendo esses fatores. Observa-se que cada fornecedor de
aglutinante sugere uma quantidade ideal de aplicao de seu produto. Mas como a quantidade
de aglutinante pode afetar a resistncia trao, usa-se dois nveis deste fator: um nvel 10%
abaixo da indicao do respectivo fornecedor e outro 10% acima. Os ensaios revelaram:
B1
Quantidade
C1(9) C2(11)
10,0
13,4
11,0
12,6
14,8
13,9
16,5
15,6
17,2
17,6
14,4
19,4
A1
A2
A3
T.j..
Tipo de Aglutinante
B2
Quantidade
C1(18) C2(22)
13,6
11,0
13,8
15,0
18,0
17,6
176,1
T..k.
13,7
12,4
16,7
14,9
16,6
17,0
T..1. = 257,7 ;
B1
47,0
60,5
68,6
146,8
167,8
524,2
180,3
Ti.k.
B2
50,7
60,4
69,2
Ti...
177,0
200,4
T..2. = 266,5
Tij..
A1
A2
A3
B3
Quantidade
C1(27) C2(33)
13,5
14,4
10,2
11,0
12,3
14,7
15,5
13,6
14,5
13,7
18,8
15,6
B3
49,1
56,1
62,6
A1
A2
A3
C1
69,3
87,9
100,5
T.jk.
C2
77,5
89,1
99,9
B1
B2
B3
C1
83,9
89,0
84,8
C2
92,2
91,3
83,0
TC = (524,2) / 36 = 7632,934
SQT = (10,0) + (11,0) + ... + (15,6) ] - TC = 198,35

C aninhado em B
Cruzado
SQ
SQA
= 120,35
Aglutinar Somas Quadradas
GDL
2
Aninhado
SQ
SQA
GDL
2
58
SQB = 6,74
SQAB = 4,79
SQC = 2,15
SQBC = 4,30
SQAC = 3,60
SQABC = 12,90
SQR = 43,51
2
4
1
2
2
4
18
SQB
SQAB
SQC(B)=6,45
SQC (2,15)+SQBC (4,30)
SQAC(B)=16,50
SQAC (3,60)+SQABC (12,90)
SQR
18
SQT
35
SQT
35
= 198,35
2
4
3
6
4.3.2. Tabela Anova para o exemplo

Fonte
SQ
A: Feldsp.
B: Tipo de
Agl.
AB
C(B)
AC(B)
Erro
Total
GDL
MQ
Teste F
F tab
120,35
6,74
2
2
60,17
3,37
24,9
1,4
3,55
3,55
4,79
6,45
16,50
43,51
198,35
4
3
6
18
35
1,20
2,15
2,75
2,42
0,5
0,9
1,1
2,93
3,16
2,66
Apenas o fator A (Quantidade de Feldspato) significativo
4.3.3. Grfico de 2 fatores
B1
B2
B3
A1
A2
A3
Para maximizar-se a resistncia trao, deve-se aumentar a quantidade de feldspato
4.4. EXERCCIOS
59
4.1. Deseja-se maximizar a resistncia de uma cera a base de carnaba. Aps uma brainstorm os
engenheiros decidiram que trs fatores podem ter um efeito importante sobre a resistncia
trao:
A: % de Etileno Vinil Acetato adicionada cera
B: Fornecedor de carnaba (h dois fornecedores na regio).
C: % de parafina adicionada cera
Para decidir quais desses fatores ou interaes entre eles so efetivamente significativos, foi
rodado um experimento e os seguintes dados foram coletados:
EVA(A)
4
Fornecedor de Carnaba (B)

Fornecedor 1
Fornecedor 2
Qtdade de Parafina (C)
Qtdade de Parafina
10
12
14
10
12
14
28,0
48,0
32,0
35,1
49,5
26,4
37,9
53,3
33,7
33,4
46,8
28,0
30,3
47,0
33,4
33,8
48,2
30,0
45,7
43,9
44,7
60,0
65,6
65,8
44,0
48,4
46,6
46,7
50,8
52,6
59,8
57,8
55,2
43,2
34,0
43,8
56,2
53,1
55,5
78,3
66,8
73,9
59,0
60,4
59,6
51,8
57,0
53,9
79,6
70,0
73,9
52,6
59,1
55,1
10
52,6
46,8
52,6
70,9
66,3
75,8
46,2
48,7
52,2
50,2
48,8
50,3
67,1
73,3
71,8
51,8
48,7
50,7
Totais
Totais
Pede-se:
a) Qual a varivel de resposta?
b) Quais os fatores controlveis? Quantos nveis?
c) Quais os efeitos significativos?
d) Faa os grficos de dois fatores pertinentes.
e) O que fazer para obter qualidade e economia. (Considere que um aumento na % de EVA ou
na % de parafina implica maior custo, e que o fornecedor 1 (B1) tem o menor preo).
Soluo:
a) Varivel de resposta:
b) Fatores controlveis e nmero de nveis:
c) Anlise de varincia:
TC = 192 613,55
SQB =
SQBC =
Fonte
SQA
SQ
6060,54
SQB
SQC
5030,65
SQAB
12,97
SQAC
150,44
SQBC
SQABC
121,85
Erro
480,79
Total
d) Grficos de dois fatores

Resistncia trao
GDL
MQ
F calc.
F tab.
Signif. ?
60
61
80
70
60
50
40
30
20
e) Tomada de deciso
4.2. Supe-se que a tenso de cisalhamento suportada por peas coladas depende do fornecedor
de adesivo e da presso e temperatura usadas no processo de colagem. Analise os dados a
seguir, respondendo as mesmas questes enunciadas no exerccio 4.1.
Fornec:
Temp:
Presses
120
250
260
270
250
260
270
10,1
11,2
12,5
10,6
12,3
10,0
130
9,2
10,6
11,4
10,7
11,1
10,6
140
10,3
10,1
11,7
9,4
12,0
10,1
150
9,0
10,1
12,2
10,0
11,4
10,8
4.3. Sabe-se que a tenso de cisalhamento suportada por peas coladas depende do fornecedor
de adesivo e da temperatura usadas no processo de colagem. Alm disso, diferentes
fornecedores sugerem diferentes temperaturas timas de colagem. Indique qual o modelo
estatstico desse experimento e, depois, analise os dados a seguir, respondendo as mesmas
questes enunciadas no exerccio 4.1.
Fornecedor:
Temperatura
:
270
280
290
250
260
270
12,3
12,9
11,9
9,7
12,1
10,1
11,2
13,5
11,3
10,1
11,5
10,7
12,2
13,9
11,1
10,3
12,5
10,5
11,6
12,7
12,2
10,5
11,0
9,7
4.4. Uma empresa de produtos alimentcios est interessada em aumentar a densidade de um dos
novos produtos em desenvolvimento. No entanto, isso deve ser feito variando alguns
parmetros em intervalos estreitos, pois a produo fora desses intervalos ir piorar o sabor do
produto. Analise os dados a seguir e identifique quais fatores exerceram efeito significativo
sobre a densidade. Depois, plote grficos de dois fatores e conclua a respeito do melhor ajuste
62
para o processo. Considere que o ajuste central mais seguro em relao a sabor, mas variaes
dentro da faixa estudada no comprometem o produto.
Vazo de
Gordura:
Temperatura
:
Presso
120
30
50
75
80
85
75
80
85
0,35
0,34
0,35
0,39
0,40
0,38
130
0,37
0,35
0,38
0,41
0,40
0,42
140
0,39
0,38
0,37
0,43
0,43
0,44
150
0,40
0,39
0,41
0,45
0,46
0,45
5. Blocos Aleatorizados e
Quadrados Latinos
Carla ten Caten
Vamos analisar 4 tipos de experimentos:

1.
2.
3.
4.
Projetos completamente aleatorizados

Projetos em blocos aleatorizados
Quadrados Latinos
Quadrados Greco-Latinos
Focando no modelo estatstico e na informao que pode ser obtida de cada um desses
experimentos.
Para apresentar esses modelos, vamos considerar o exemplo de uma locadora de automveis que
deseja comparar o desgaste de quatro marcas de pneus.
Nesse exemplo tem-se:
Varivel de resposta: Desgaste dos pneus
(diferena de espessura aps 20.000 Km de uso)
Varivel principal: Marca de pneu
( um fator a nveis fixos - 4 marcas de pneu)
Variveis secundrias possveis:
Carro
Posio dos pneus no carro
Motorista
Variveis no controlveis:
Temperatura, Umidade, Terreno, etc.
Exemplo de projeto confundido:
Usando letras para indicar as 4 marcas de pneus e nmeros romanos para indicar os carros, o
experimento poderia ser efetuado da seguinte forma:
5. Blocos Aleatorizados e Quadrados Latinos
64
Carros
I
A
A
A
A
II
B
B
B
B
III
C
C
C
C
IV
D
D
D
D
Imediatamente podemos ver falhas nesse projeto, uma vez que os totais para as marcas tambm
sero totais para os carros!
Nesse projeto, o efeito das marcas e dos carros est confundido, e a anlise fica
prejudicada.Exemplo de um experimento mal planejado.
5.1. PROJETOS COMPLETAMENTE ALEATORIZADOS

Uma segunda tentativa poderia ser um projeto completamente aleatorizado. Nesse tipo de
projeto, a distribuio dos pneus nos carros feita de modo completamente aleatria.
Por exemplo, coloca-se numa cartola as fichas representando os 16 pneus. Ento, os 4
primeiros a serem retirados seguem no carro 1, e assim por diante.
Os resultados desse procedimento poderiam gerar o projeto que aparece a seguir:
Carros
Marcas e
(Desgaste)
I
C(12)
A(17)
D(13)
D(11)
II
A(14)
A(13)
B(14)
C(12)
III
D(10)
C(11)
B(14)
B(13)
IV
A(13)
D(9)
B(8)
C(9)
O propsito da aleatorizao espalhar, sobre os totais de todas as marcas, qualquer efeito de

carros ou de outras variveis no-controladas.
5.1.1. Modelo estatstico do projeto completamente aleatorizado:
Yij =
ij
onde
a mdia geral, j indica o efeito de cada marca , e
suposies para a anlise so:
j
=0 ;
o erro aleatrio. As
N(0,
ij
ij
Para esse modelo, os resduos em relao a mdia geral podem ser decompostos da seguinte
maneira:
( yij
y..)
( y. j
y..) ( yij
y. j )
Elevando ao quadrado e efetuando o somatrio, resulta:

SQT = SQM + SQR
Associadas aos seguintes GDL:
(N - 1) = (a - 1) + (N - a)
Nos interessa testar a hiptese:
H0:
H1:
=0
0 para algum j
Para tanto usamos o teste F, uma vez que pode ser demonstrado que quando
E(MQM) = E(MQR)
Para o clculo das Somas Quadradas, usamos o formulrio tradicional:
Para o exemplo em questo, os totais de cada marca valem:

A
17
14
13
13
57
B
14
14
13
8
49
C
12
12
11
9
44
D
13
11
10
9
43
Desgastes medidos
em cada pneu
= 193
Assim, as somas quadradas resultam:

SQM = (572 + 492 + 442 + 432) / 4 - 2328,06 = 30,69
SQT = 2409,00 - 2328,06 = 80,94
SQR = SQT SQM = 80,94 - 30,69 = 50,25
5.1.2. Tabela ANOVA para o projeto completamente aleatorizado
= 0 resulta:
65
Fonte
Marcas
Resduo
Total
SQ
30,69
50,25
80,94
GDL
3
12
15
MQ
10,23
4,19
Teste F
2,44
66
F tab
3,49 S
Para esse projeto, o valor calculado de F resulta menor que o tabelado. Assim, a hiptese nula
no pode ser rejeitada!
5.2. PROJETOS EM BLOCOS ALEATORIZADOS

Um exame mais cuidadoso do projeto completamente aleatorizado ir revelar algumas
desvantagens. Por exemplo, nota-se que a marca A no foi usada no carro III, mas foi usada
duas vezes no carro II, etc.
Assim, pode estar embutido na marca A algum efeito que possa existir entre os carros II e III.
Seria interessante desenvolver uma estratgia para bloquear um possvel efeito dos carros. Isso
pode ser feito usando um Projeto em Blocos Aleatorizados.
Nesse tipo de projeto, impe-se que cada marca aparea um mesmo nmero de vezes em cada
carro, conforme aparece no arranjo a seguir:
Carros
I
B(14)
C(12)
A(17)
D(13)
Marcas e
(Desgaste)
II
D(11)
C(12)
B(14)
A(14)
III
A(13)
B(13)
D(10)
C(11)
IV
C(9)
D(9)
B(8)
A(13)
5.2.1. Modelo estatstico do projeto em blocos aleatorizado:

Yij =
ij
onde i acrescentado (ou melhor, separado do termo de erro experimental). O termo

indica o efeito dos carros, que antes no podia ser calculado apropriadamente.
As suposies para a anlise so:
i
N(0,
) ;
ij
N(0,
5.2.2. Decomposio dos Resduos

Para esse modelo a decomposio dos resduos leva s seguintes somas quadradas:
67
SQT = SQC + SQM + SQR

Indicando o nmero de carros e o nmero de marcas por a, os respectivos graus de liberdade
resultam:
(N - 1) = (a - 1) + (a - 1) + (N - 2a + 1)
5.2.3. Teste de Hipteses

A hiptese principal que queremos testar continua sendo em relao s marcas de pneu. Mas
neste projeto tambm podemos testar se h diferenas entre os carros. Os clculos aparecem a
seguir:
Marcas
Carros
Totais
I
II
III
IV
A
17
14
13
13
57
B
14
14
13
8
49
C
12
12
11
9
44
D
13
11
10
9
43
Totais
56
51
47
39
= 193
Para fins didticos, estamos usando as mesmas observaes anteriores, apenas redistribuindo-as
ao longo dos carros. Assim, a SQT e a SQM continuam as mesmas. Mas preciso calcular:
SQC = (562 + 512 + 472 + 392)/4 - 2328,06 = 38,69
SQR = SQT - SQM - SQC = 80,94 - 30,69 - 38,69 = 11,56
Pode ser observado que a SQR diminuiu de 50,25 para 11,56 porque foi extrado o efeito dos
carros (38,69).Assim, o projeto em blocos aleatorizados efetivamente reduz a varincia residual.
5.2.4. Tabela ANOVA para o projeto em blocos aleatorizados

Fonte
Marcas
Carros
Resduo
Total
SQ
30,69
38,69
11,56
80,94
GDL
3
3
9
15
MQ
10,23
12,90
1,28
Teste F
7,90
10,00
F tab
3,86 S
3,86 S
Agora a hiptese nula rejeitada tanto para Marcas como para Carros. Ou seja, detecta-se um
efeito significativo de Marcas e Carros.
5.3. QUADRADOS LATINOS

Nesse exemplo, poderia se suspeitar tambm de um possvel efeito da posio sobre o desgaste
dos pneus.
Pneus dianteiros e traseiros, e mesmo pneus localizados em lados distintos de um mesmo carro,
podem apresentar desgastes diferentes.
68
No projeto em blocos aleatorizados as 4 marcas de pneus so distribudas em um carro sem

considerar a posio.
Um projeto onde cada tratamento (Posio) aparece uma e somente uma vez em cada linha
(Carro) e em cada coluna (Marca) chamado de Quadrado Latino.
Marca e carro esto blocados, mas marca e posio esto confundidos :
Marca e carro esto blocados e tambm marca e posio:
Matriz experimental
I
II
III
IV
Marcas
B
No exemplo anterior:
Desgaste
Posio
Ti
T(k)
I
Carros II
III
IV
3(17)
4(14)
1(13)
2(13)
2(14)
3(14)
4(13)
1(8)
1(12)
2(12)
3(11)
4(9)
4(13)
1(11)
2(10)
3(9)
56
51
47
39
1
2
3
4
Tj
57
49
44
43
193
193
5.3.1. Modelo estatstico do Quadrado Latino:
44
49
51
49
Yij =
(k)
69
ij
onde (k) acrescentado (ou melhor, separado do termo de erro experimental). O termo
indica o efeito da posio dos pneus, que antes no podia ser calculado apropriadamente.
(k)
As suposies para a anlise so:

(k)
=0 ;
N(0,
ij
Para esse modelo a decomposio dos resduos leva as seguintes somas quadradas:
SQT = SQC + SQM + SQP + SQR
Indicando o nmero de carros, marcas e posies por a, os respectivos graus de liberdade
resultam:
(N - 1) = (a - 1) + (a - 1) + (a - 1) + (N - 3a + 2)
5.3.2. Teste de Hipteses

A hiptese principal que queremos testar continua sendo em relao s marcas de pneu. Mas
neste projeto tambm podemos testar se h diferenas entre os carros ou entre as posies.
Conforme mencionado, para fins didticos, estamos usando as mesmas observaes anteriores,
redistribudas ao longo dos carros. Assim, a SQT, a SQM e a SQC continuam as mesmas. Mas
preciso calcular:
SQP = (442 + 492 + 512 + 492)/4 - 2328,06 = 6,69
SQR = SQT - SQM - SQC - SQP = 80,94 - 30,69 - 38,69 - 6,69 = 4,87
Pode ser observado que a SQR diminuiu de 11,56 para 4,87 porque foi extrado o efeito das
posies (6,69). Assim, o projeto com Quadrado Latino reduz ainda mais a varincia residual.
5.3.3. Tabela ANOVA para o projeto do Quadrado Latino

Fonte
Marcas
Carros
Posio
Resduo
Total
SQ
30,69
38,69
6,69
4,87
80,94
GDL
3
3
3
6
15
MQ
10,23
12,90
2,23
0,82
Teste F
12,4
15,7
2,7
F tab
4,76
4,76
4,76
Novamente a hiptese nula rejeitada tanto para Marcas como para Carros. A um nvel de
significncia de 5% o efeito da posio no aparece como significativo.
Uma vez que Marca um efeito significativo, poderamos completar a anlise fazendo uma
comparao mltipla de mdias. Para esse exemplo, resultaria:
70
5.3.3.1 Aplicabilidade
Projetos desse tipo s so possveis quando todos os fatores tm um mesmo nmero de nveis,
ou seja, deve ser um quadrado. Exemplos de quadrados latinos de ordem 4, 5 e 6 so:
4 x 4
A
B
C
D
B
C
D
A
D
A
B
C
5 x 5
C
D
A
B
A
D
C
B
E
D
A
B
E
C
B
C
E
A
D
E
B
D
C
A
6 x 6
C
E
A
D
B
A
B
C
D
F
E
D
A
E
C
B
F
C
E
D
F
A
B
E
C
F
B
D
A
B
F
A
E
C
D
F
D
B
A
E
C
5.3.3.2Sobre o Quadrado Latino

O Quadrado Latino no permite estudar interao entre os fatores. Ele no deve ser usado quando se
suspeita de interaes significativas. Ele aproveita a interao para estudar um terceiro fator, ou seja,
ele estuda trs efeitos principais A, B e C.
Quando deseja-se estudar a interao, sugere-se o projeto fatorial cruzado N=4*4*4=64. O fatorial
completo permite estudar os efeitos A, B, C, AB, AC, BC e ABC. A vantagem do Quadrado Latino
que se trata de um experimento que exige poucos ensaios, e isso representa economia de tempo e
dinheiro.
5.3.4. Outros exemplos do uso de Quadrados Latinos

Seja que desejamos determinar o efeito de 5 fertilizantes diferentes (A, B, C, D, E) sobre o
crescimento de um tipo de cereal. E seja que h um terreno que pode ser dividido em uma
malha de 5 x 5 pores (Nem o terreno nem as pores precisam ser quadradas).
Nesse caso, um arranjo tipo Quadrado Latino poderia ser utilizado para bloquear o efeito de
algum gradiente de umidade ou de fertilidade que possa existir. Esses efeitos poderiam ser
virtualmente eliminados usando o projeto que aparece a seguir:
Linhas
I
II
III
IV
V
1
A
C
E
B
D
2
B
D
A
C
E
Colunas
3
C
E
B
D
A
4
D
A
C
E
B
5
E
B
D
A
C
Outro exemplo pode envolver testes com quatro aditivos para reduo da carga poluente em
automveis. Para efetuar o estudo, pode ser necessrio usar quatro carros e quatro motoristas,
que podem ter algum efeito sobre os resultados.
Assim, para impedir que as diferenas carro-a-carro e motorista-a-motorista terminem
inflacionando o erro, podemos usar o Quadrado Latino que aparece a seguir:
Aditivos
Carros
1
A
D
B
C
I
II
III
IV
Motorista
71
2
B
C
D
A
3
D
A
C
B
4
C
B
A
D
5.4. QUADRADOS GRECO-LATINOS

Os Quadrados Greco-Latinos so projetos a x a que permitem analisar quatro fatores cada um
deles com a nveis.
Para obter um quadrado Greco-Latino preciso superpor dois Quadrados Latinos que sejam
ortogonais entre si.
5.4.1. Exemplo
Um engenheiro est medindo o ganho em um processo qumico. Os fatores principais so a
concentrao de cido (1, 2, 3, 4, 5), a concentrao de catalisador ( , , , , ) e o tempo de
espera (A, B, C, D, E).
Para efetuar todos os ensaios, necessrio usar 5 lotes de matria prima (I, II, III, IV, V). O
experimento foi rodado seguindo um arranjo do tipo Quadrado Greco Latino e os resultados
aparecem a seguir:
Lotes
I
II
III
IV
V
A
B
C
D
E
1
=26
=18
=20
=15
=10
B
C
D
E
A
Concentrao de cido
2
3
4
=16
C =19
D =16
=21
D =18
E =11
=12
E =16
A =25
=15
A =22
B =14
=24
B =17
C =17
E
A
B
C
D
5
=13
=21
=13
=17
=14
Como pode ser visto, h dois Quadrados Latinos superpostos. Um deles escrito nas letras
A,...,Ee o outro escrito nas letras ,..., . O resultado um quadrado Greco-Latino, e ser
possvel avaliar o efeito de todos os fatores listados.
Iniciamos calculando os totais de cada tratamento:
cido
1 = 89
2 = 88
3 = 92
4 = 83
5 = 78
Catalisador
= 83
= 85
= 91
= 82
= 89
430
430
E em seguida as Somas quadradas:
TC = 4302 / 25 = 7396
SQTot = ( yij2) - TC = 7832 - 7396 = 436,0
SQA = [(892 + ...) / 5] - TC = 24,4
Tempo
A = 118
B = 78
C = 94
D = 75
E = 65
Lotes
I = 90
II = 89
III = 86
IV = 83
V = 82
430
430
72
SQC = [(832 + ...) / 5] - TC = 12,0

SQTemp = [(1182 + ...) / 5] - TC = 342,8
SQL = [(902 + ...) / 5] - TC = 10,0
SQR = SQTot - SQA - SQC - SQTemp- SQL= 46,8
De forma que a Tabela ANOVA resulta:
Fonte
cido
Catalisador
Tempo
Lotes
Resduo
Total
SQ
24,4
12,0
342,8
10,0
46,8
436,0
GDL
4
4
4
4
8
24
MQ
6,1
3,0
85,7
2,5
5,85
Teste F
1,04
0,51
14,65
0,43
F tab
3,84
3,84
3,84
A um nvel de significncia de 5% apenas o Tempo de Espera aparece como efeito significativo.

Assim como o Quadrado Latino, projetos desse tipo s so possveis quando todos os fatores
tm um mesmo nmero de nveis, ou seja, deve ser um quadrado.
5.5. EXERCCIOS:
1. Um engenheiro est conduzindo um experimento a respeito do tempo necessrio para o olho
humano focar um objeto. Ele est interessado na influncia que a distncia do objeto possa ter
sobre o tempo de foco. Cinco indivduos esto sendo usados neste experimento. Como pode
haver diferenas entre os indivduos, o experimento foi feito em blocos aleatorizados.
Distncia
4
6
8
10
1
10
7
5
6
2
6
6
3
4
Indivduos
3
6
6
3
4
4
6
1
2
2
5
6
6
5
3
Pede-se:
a) Qual o fator principal, qual o fator secundrio (blocos) e qual a varivel de resposta neste
experimento ?
b) Faa a anlise de varincia e conclua a respeito dos fatores significativos. Use algum grfico
para documentar a anlise.
c) Se for o caso, complete a anlise fazendo uma comparao mltipla de mdias e/ou fazendo a
estimativa dos componentes de variao.
2. Um engenheiro industrial est investigando o efeito de quatro mtodos de montagem sobre o
tempo necessrio para montar um componente de TV. Quatro operadores so selecionados para
o estudo. Alm disso, como a montagem produz fadiga nos operadores, o tempo necessrio
para montar a ltima unidade pode ser maior que aquele gasto na montagem da primeira
unidade. Para levar em conta essas fontes de variabilidade, o engenheiro usou o quadrado latino
que aparece a seguir.
Tempo
Mtodo
Ordem
I
II
III
IV
1
C = 10
B=7
A=5
D = 10
Operadores
2
3
D = 14
C = 18
B = 10
A = 10
A=7
D = 11
C = 11
B = 12
Ti
73
T(k)
B=8
A=8
D=9
C = 14
Tj
Pede-se:
a) Calcule os totais para cada nvel de cada fator e aps calcule as somas quadradas.
b) Faa a anlise de varincia e conclua a respeito dos fatores significativos. Use grficos para
documentar a anlise.
c) Se for o caso, complete a anlise fazendo uma comparao mltipla de mdias e/ou fazendo a
estimativa dos componentes de variao.
6. Experimentos Parcionados em
Clulas (Split-Plot)
Carla ten Caten
6.1. INTRODUO
Algumas vezes, dificuldades tcnicas impedem de rodar todo o experimento de uma vez ou em
um nico equipamento ou com um nico lote de matria-prima:
Projetos fatoriais confundidos em bloco
Outras vezes, dificuldades financeiras ou de tempo impedem de rodar o experimento completo:
Projetos fatoriais fracionados
Outras vezes, dificuldades impedem a aleatorizao completa do experimento dentro do bloco:
Projetos parcionados em clulas
Vejamos um exemplo para ilustrar esse tipo de restrio experimental.
6.1.1. Exemplo
Seja que um engenheiro quer analisar o efeito da composio (trao) e do tempo de cozimento
sobre a resistncia de tijolos cermicos.
Dados sobre a resistncia de tijolos cermicos
Tempo de
Cozimento
Composio dos tijolos
(min)
C1
C2
C3
C4
T1
X XX
X XX
X XX
X XX
T2
X XX
X XX
X XX
X XX
T3
X XX
X XX
X XX
X XX
Aparentemente, trata-se de um projeto fatorial cruzado 4x3, com repeties, cujo modelo
estatstico seria:
xijk =
+ Ti + Cj + TCij + erro
Modelo ANOVA com dois fatores a nveis fixos e com trs repeties ??
6. Experimentos Parcionados em Clulas (Split-Splot)
75
isso exige aleatorizao completa, ou seja:

Escolher ao acaso uma composio, escolher ao acaso um tempo e colocar um tijolo no forno.
Repetir esse procedimento 36 vezes!!
muito pouco prtico e econmico
O modo mais prtico de rodar esse experimento seria:
Moldar todos os 9 tijolos da composio 1 de uma s vez. Coloc-los no forno deixando trs
deles cozinhar por T1 min, trs por T2 min e trs por T3 min. Depois moldar todos os tijolos da
composio 2 ...
Os quatro nveis de composio (os quatro traos) so chamados de clulas. Em tal arranjo,
composio - um dos fatores principais - est confundido com as clulas.
Se as condies (ambientais, humanas, etc.) se alterarem de uma clula para outra, essas
alteraes ficaro confundidas com o efeito da composio.
o primeiro caso muito pouco prtico!!
o segundo caso completamente confundido!
H outras possibilidades ?? SIM
Adotar um compromisso entre praticidade/aleatorizao:
Escolher uma composio ao acaso, moldar trs tijolos e cozinhar um deles por T1 min, o outro
por T2 min e o terceiro por T3 min.
Agora apenas 3 tijolos so colocados no forno, e no 9.
Outra composio escolhida e mais trs tijolos so cozidos por T1, T2 e T3 min. O mesmo
procedimento seguido para as quatro composies e, aps, todo o experimento repetido.
Inclusive, as repeties podem ser rodadas muitos dias aps o experimento inicial (com
freqncia vantajoso coletar dados de duas ou trs repeties e ento decidir se mais
repeties so necessrias)
Um experimento conduzido desse modo teria o seguinte arranjo:
Arranjo parcionado em clulas para o exemplo dos tijolos cermicos
Composio dos tijolos
Repetio
R1
R2
R3
Tempo de
Cozim.
C1
C2
C3
C4
T1
T2
T3
T1
T2
T3
T1
T2
T3
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Clula
inteira
Parcionamento
Aqui as composies esto parcialmente confundidas com as clulas, e as partes RxC

configuram a clula inteira. Dentro da clula inteira, os tempos de cozimento configuram o
76
parcionamento da clula inteira. vantajoso colocar no parcionamento o efeito principal de

maior interesse, pois no resulta nada confundido. Poderia se pensar que o tempo de cozimento
est aninhado nas clulas, mas este no o caso, pois os mesmos nveis de tempo de cozimento
so usados em todas as clulas.
O modelo deste experimento seria:
xijk =
Ri + Cj + RCij
Tk + RTik + CTjk + RTCijk
Clula inteira
Clula parcionada
Neste caso, como no h repetio dentro das clulas, no h um termo de erro independente.
Para esse exemplo, o valor esperado das mdias quadradas resulta:
Fonte
GDL
Ri
Clula
inteira
Clula parcionada
Cj
3
A
i
4
F
j
3
F
k
1
A
m
+ 12
+3
+3
E(MQ)
RCij
Tk
+4
+4
RTik
CTjk
RCTijk
12
Em(ijk)
Total
2
2
2
R
2
RC
2
RC
2
RT
2
RT
2
RCT
2
RCT
+9
+ 12
+3
CT
(no dispon.)
35
H testes exatos para os fatores principais (C, T) e para a interao entre eles (CT).
No h testes exatos para R, nem para as suas interaes, mas em geral no h interesse nesses
efeitos.
A anlise de varincia resulta como segue:
Fonte
SQ
GDL
MQ
R
C
RC
T
RT
CT
RCT
SQR
SQC
SQRC
SQT
SQRT
SQCT
SQRCT
2
3
6
2
4
6
12
MQR = SQR/2
MQC = SQC/3
MQRC = SQRC/6
MQT = SQT/2
MQRT = SQRT/4
MQCT = SQCT/6
MQRCT = SQRCT/12
(ND)
MQC/MQRC
(ND)
MQT/MQRT
(ND)
MQCT/MQRCT
(ND)
Total
SQTotal
35
Os testes de hiptese so:

Composio:
F = MQC/MQRC; e se F >Ftab(3,6) rejeita-se Ho
Tempo de cozimento:
F = MQT/MQRT; e se F >Ftab(2,4) rejeita-se Ho
77
Interao:
F = MQCT/MQRCT; e se F >Ftab(6,12) rejeita-se Ho
Esse exemplo mostra a necessidade de planejar cuidadosamente a forma de coleta dos dados.
6.2. EXPERIMENTOS MULTI-PARCIONADOS EM CLULAS
(SPLIT-SPLIT-PLOT)
Existem projetos onde pode ser necessrio mais de um nvel de parcionamento. Vejamos um
exemplo:
Sejam um experimento sobre o arrancamento de barras de ao mergulhadas em CPs de
concreto. Nesse experimento 3 laboratrios, 2 traos de concreto e 4 tipos de barras nervuradas
esto envolvidos.
O material para o laboratrio 1 (cimento, agregado, areia e barras de ao) enviado de uma s
vez. Isso implica uma restrio sobre a aleatorizao completa.
Por sua vez, o Laboratrio 1 preparava um trao de concreto e em seguida moldava CPs com os
4 tipos de barras nervuradas. Isso implica outra restrio sobre a aleatorizao completa.
Primeiro o laboratrio escolhido, depois o trao escolhido, e s ento as barras nervuradas
so aleatorizadas naquele trao e laboratrio particular.
Para evitar o confundimento total, trs repeties completas desse experimento so realizadas,
conforme segue:
Arranjo experimental para o experimento das barras nervuradas:
Trao ==>
Barras ==>
Repet.
R1
R2
R3
Lab.
L1
L2
L3
L1
L2
L3
L1
L2
L3
T1
T2
B1 B2 B3 B4
B1 B2 B3 B4
X
X
X
X
X
X
X
X
X
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX
X
X
X
X
X
X
X
X
X
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX
Clula
Inteira
Clula
parcionada
Reparcionamento
Repeties x Laboratrio formam a clula inteira; Dentro de uma repetio, Laboratrio x Trao
formam a clula parcionada;
Ento, a cada combinao Trao-Laboratrio-Repetio, as 4 barras de ao so aleatoriamente
ensaiadas, formando o que chamado de clulas reparcionadas.
A existncia do reparcionamento indica que mais de um efeito principal est confundido (no
caso Laboratrio e Trao apresentam diferentes graus de confundimento).
Valores esperados para as mdias quadradas:
Fonte
Clula inteira
Clula parcionada
Clula
reparcionada
GDL
3
A
i
3
F
j
2
F
k
4
F
l
1
A
m
E(MQ)
2
+ 24 2R
2
+ 8 2RL + 24
2
+ 8 2RL
Ri
Lj
2
2
1
3
3
0
2
2
4
4
1
1
RLij
Tk
RTik
LTjk
2
2
1
3
3
0
0
0
4
4
1
1
RLTijk
Bl
RBil
2
2
LBjl
RLBijl
12
TBkl
RTBikl
LTBjkl
RLTBijk
6
12
3
1
0
0
0
0
0
0
1
1
78
+ 12 2RT + 36
2
+ 12 2RT
2
+ 4 2RLT + 12
2
+ 4 2RLT
+6
LT
2
RB + 18 B
2
RB
2
RLB + 6 LB
2
RLB
2
RTB + 9 TB
2
RTB
+6
+2
2
+2
2
+3
2
+3
2
+ 2RLTB + 3
2
+ 2RLTB
2
LTB
(no dispon.)
Em(ijkl)
Total
35
A coluna E(MQ) indica que testes F podem ser feitos para todos os efeitos de interesse e suas
interaes.
No h testes F para o efeito das repeties e para as suas interaes, mas em geral esses efeitos
no so de interesse.
O exame da coluna E(MQ) indica que alguns testes F sero feitos com poucos GDL no
denominador.
Uma alternativa seria aumentar o nmero de repeties. Nesse exemplo, se 5 repeties fossem
realizadas, j teramos 8 GDL para RL (erro da clula inteira) e para RLT (erro da clula
parcionada).
Outra alternativa aglutinar Somas Quadradas:
79
R + RL
erro para a clula inteira
RT + RLT
erro para a clula parcionada
RB + RLB + RTB + RLTB
erro para o reparcionamento
Outra tcnica conveniente realizar duas ou trs repeties, computar os resultados e verificar
se a significncia foi obtida ou se os valores de F so grandes, mesmo que no significativos.
Ento, conforme os resultados, adicionar outras repeties, aumentando a preciso e o custo do
experimento, na esperana de detectar efeitos significativos.
6.3. EXERCCIOS
6.1 Esse exemplo refora a idia que, no meio industrial, muitas vezes mais prtico e eficiente
rodar experimentos parcionados em clulas. O objetivo do experimento descrito a seguir era
melhorar a resistncia corroso de barras de ao, aplicando um filme de revestimento curado
em um forno industrial. Quatro tipos diferentes de revestimento (C1, C2, C3 e C4) foram
testados usando-se trs temperaturas diferentes: 360, 370 e 380oC.
O arranjo experimental foi o seguinte: o forno era ajustado em uma determinada temperatura;
em seguida 4 barras eram colocadas no forno, cada uma delas pintada com um tipo diferente de
revestimento. As barras eram deixadas curar por um tempo fixo e, depois, uma nova
temperatura era ajustada, e assim por diante. A ordem dos ensaios e os resultados aparecem a
seguir:
Repetio
R1
R2
Temperatura
Coating (Revestimento)
T1 = 360
C2 = 73
C3 = 83
C1 = 67
C4 = 89
T2 = 370
C1 = 65
C3 = 87
C4 = 86
C2 = 91
T3 = 380
C3 = 147
C1 = 155
C2 = 127
C4 = 212
T3 = 380
C4 = 153
C3 = 90
C2 = 100
C1 = 108
T2 = 370
C4 = 150
C1 = 140
C3 = 121
C2 = 142
T1 = 360
C1 = 33
C4 = 54
C2 = 08
C3 = 46
Analise os resultados, identifique os efeitos significativos e conclua a respeito do melhor ajuste

para o processo
7. Experimentos com Fatores a

Nveis Aleatrios
Carla tenCaten
Na seo anterior analisamos projetos com fatores a nveis fixos. Nessa seo vamos analisar
duas outras situaes:
Projetos com fatores a nveis aleatrios
Projetos mistos
7.1. O MODELO PARA FATORES A NVEIS ALEATRIOS

Considere o caso de um projeto com dois fatores onde os nveis de A e B so aleatrios.
Por exemplo, A pode ser MQUINAS, escolhidas aleatoria-mente de um conjunto; enquanto B
pode ser OPERADORES, tambm escolhidos aleatoriamente.
O mesmo modelo linear usado para representar as observaes:
Yijk =
+ ( )ij +
k(ij)
A varincia de cada observao :
Var(Yijk) =
onde 2 , 2 , 2 ,
testar as hipteses:
..so os chamados componentes de varincia. Estamos interessados em
H0:
=0
H0:
=0
H0:
H1:
H1:
H1:
.= 0
.
7. Experimentos com Fatores a Nveis Aleatrios
81
Todos os clculos de Somas Quadradas e Mdias Quadradas permanecem idnticos queles

apresentados para o modelo com fatores a nveis fixos.
Mas, para definir o teste F, precisamos analisar o valor espera-do das Mdias Quadradas E(MQ). Pode ser demonstrado que esses valores esperados valem:
E(MQA) =
+n
+ bn
E(MQB) =
+n
+ an
E(MQAB) =
+n
e
E(MQR) =
A partir dos E(MQ), observamos que a estatstica apropriada para testar a hiptese: H0:
:
=0
FA = MQA / MQAB
Se a hiptese H0 for verdadeira, esse quociente deve resultar prximo de 1. Da mesma forma,
para testar a hiptese: H0: 2 = 0 a estatstica apropriada :
FB = MQB / MQAB
E para testar a interao, usamos:

FAB = MQAB / MQR
Como pode ser visto, os testes F no so os mesmos definidos para o modelo com nveis fixos
(onde todos os testes mantinham MQR no denominador)
7.1.1. Exemplo
Uma siderrgica possui diversos fornos. Foi rodado um experimento escolhendo-se
aleatoriamente trs fornos e quatro lotes de matria prima. A resposta medida foi a tenacidade
da liga metlica obtida. Faa o teste F, conclua a respeito dos fatores significativos e estime os
componentes de variao.
Fonte de
Variao
Fornos
Material
Interao
Erro
Total
SQ
GDL
MQ
Teste F
15460
4539
5040
4920
29959
2
3
6
24
35
7730
1513
840
205
9,2
1,8
4,1
Sig.
N.Sig.
Sig.
82
O fator A e a interao AB aparecem como significativos. Como um experimento com fatores

a nveis aleatrios, os testes foram feitos usando:
FA = MQA / MQAB
FB = MQB / MQAB
FAB = MQAB / MQR
Os componentes de variao podem ser calculados a partir das frmulas definidas para os
E(MQ). Isolando cada termo, resulta:
7.1.2. O modelo misto

Seja a situao em que A um fator a nveis fixos, enquanto que os nveis de B so aleatrios.
Esse o chamado modelo misto.
Nesse caso, temos o mesmo modelo linear apresentado anteriormente, isto :
Yijk =
+ ( )ij +
k(ij)
E as Somas Quadradas e Mdias Quadradas tambm so calculadas da mesma forma. Contudo,

o valor esperado das mdias quadradas se altera:
E(MQA) =
E(MQB) =
E(MQAB) =
E(MQR) =
+n
+ an
+n
+ bn
Onde:
no exatamente uma varincia, uma vez que o efeito dos nveis do fator A suposto fixo; no
entanto, esse termo tem a mesma unidade de uma varincia
Nesse caso, os testes F apropriados so:
FA = MQA / MQAB
83
FB = MQB / MQR
FAB = MQAB / MQR
E as estimativas dos componentes de varincia feita usando:
A Tabela a seguir apresenta o valor esperado das mdias quadradas para os vrios modelos
vistos at aqui:
Efeito
E(MQA)
A, B Fixos
2
+ bn A
2
E(MQB)
2
E(MQAB)
+ an
+n
A, B Aleatrios
2
+ n 2 + bn
2
+n
+n
AB
+ an
2
2
A fixo, B aleat.
2
+ n 2 + bn
2
+ an
+n
2
2
E(MQR)
E, portanto, o teste F a ser feito em cada caso :

Efeito
A, B Fixos
A, B Aleatrios
A fixo, B aleat.
FA
MQA/MQR
MQA/MQAB
MQA/MQAB
FB
MQB/MQR
MQB/MQAB
MQB/MQR
FAB
MQAB/MQR
MQAB/MQR
MQAB/MQR
As tabelas anteriores apresentam a soluo para experimentos com dois fatores cruzados.
Contudo, preciso um procedimento geral que fornea o E(MQ) para experimentos de K
fatores, onde inclusive, possa haver fatores aninhados.
Esse procedimento ser visto a seguir.
Enfatizamos que conhecer o valor das mdias quadradas importante por dois motivos:
Para a estimativa dos componentes de variao
Para a definio dos testes F
7.1.3. Procedimento para determinar o E(MQ)

1. Escreva os termos variveis do modelo no cabealho das linhas de uma tabela em duas
direes
i
84
j
ij
k(ij)
2. Escreva os subscritos do modelo no cabealho das colunas. Acima desses adicione F ou A,

conforme os nveis do fator sejam fixos ou aleatrios. Ainda, adicione o nmero de
observaes que cada subscrito cobre.
a
F
i
b
A
j
n
A
k
i
j
ij
k(ij)
3. Para cada linha (cada termo do modelo), copie o nmero de observaes abaixo de cada
subscrito, desde que o subscrito no aparea no cabealho das linhas.
a
F
i
i
b
A
j
b
j
ij
n
A
k
n
n
n
k(ij)
4. Coloque 1 nas posies em que o subscrito da coluna coincide com um subscrito que est
entre parnteses no cabealho da linha.
a
F
i
i
b
A
j
b
j
ij
k(ij)
n
A
k
n
n
n
5. Complete o restante com 0 ou 1; use 0 nas colunas dos fatores a nveis fixos; use 1 nas
colunas dos fatores a nveis aleatrios.
i
j
ij
k(ij)
a
F
i
0
a
0
1
b
A
j
b
1
1
1
n
A
k
n
n
n
1
6. Para obter o E(MQ) para um componente qualquer do modelo, faa o seguinte:

a) cubra as colunas que contm subscritos no entre parntesis correspondentes ao respectivo
termo do modelo (por exemplo, para a mdia quadrada de A, que est associada o subscrito i,
cubra a coluna i)
85
b) Multiplique os termos restantes em cada linha. Cada um desses produtos o coeficiente para
o termo respectivo do modelo, desde que o subscrito sob o termo cubra tambm o(s)
subscrito(s) do componente que est sendo avaliado.
c) A soma desses coeficientes, multiplicados pela varincia do termo correspondente (
A , etc.) o valor esperado da mdia quadrada para o componente considerado.
Por exemplo, para MQA, cubra a coluna i e o produto dos termos restantes 1
+ bn A , contudo, o termo n 2 ignorado, pois ele no cobre o subscrito i.
+n
+n
,
2
Os resultados do uso deste procedimento fornecem os E(MQ) que aparecem a seguir:

a
F
i
0
a
0
1
i
j
ij
k(ij)
b
A
j
b
1
1
1
n
A
k
n
n
n
1
+n
+ an
2
+n
2
+ bn
2
2
7. Para projetos com fatores aninhados, os nveis do fator que est aninhado seguem entre
parnteses, e usa-se a regra 4 descrita acima
7.1.4. Exemplo:
Seja um experimento fatorial de trs fatores, A, B e C, ensaiados a a, b e c nveis,
respectivamente. E seja que n observaes por parcela so coletadas.
Assumindo que todos os fatores sejam a nveis aleatrios, os E(MQ) resultam conforme a
Tabela a seguir:
i
j
k
ij
ik
jk
ijk
l(ijk)
a
A
i
1
a
a
1
1
a
1
1
b
A
j
b
1
b
1
b
1
1
1
c
A
k
c
c
1
c
1
1
1
1
n
A
l
n
n
n
n
n
n
n
1
+n
+n
2
+n
2
+n
2
+n
2
+n
2
+n
+ nc
+ nc
2
+ nb
2
+ nc
2
+ nb
2
+ na
+ nb
+ na
2
+ na
+ nbc
+ nac
2
+ nab
2
2
2
A anlise dessa Tabela revela que no h testes exatos para os fatores principais A, B e C. Ou
seja, se desejamos testar a hiptese 2 = 0 , no encontramos o denominador apropriado. O
mesmo acontece em relao aos fatores B e C.
7.1.5. Testes F aproximados
86
Vamos indicar duas alternativas para resolver esse problema:

1. Nesse exemplo existem testes exatos para as interaes de dois e trs fatores. No caso das
interaes de dois fatores resultarem no significativas, elas podem ser igualadas a zero e, ento,
podemos formar os testes para os fatores principais.
Por exemplo, se as interaes AB e AC no forem significa-tivas, o efeito do fator A pode ser
testado usando F = MQA / MQABC
2. Se as interaes no forem insignificantes, ento uma alternativa criar uma combinao
linear de Mdias Quadradas que forneam o denominador desejado.
Por exemplo, para testar o Fator A, podemos usar
MQ* = MQAB + MQAC - MQABC
Cujo valor esperado resulta:

2
+n
+ nc
+ nb
Os graus de liberdade da MQ* so calculados usando:
onde ai so os coeficientes usados na construo da combi-nao linear, e MQi e

respectivas mdias quadra-das e seus graus de liberdade
so as
7.1.6. Exemplo
Reanalizar o experimento dos volumes de refrigerantes, supondo que todos os fatores fossem a
nveis aleatrios.
Presso
% de
Carbonatao
10
12
14
25 Psi
Velocidade
100
x x
x x
x x
30 Psi
Velocidade
120
x x
x x
x x
100
x x
x x
x x
120
x x
x x
x x
87
Sendo os fatores a nveis aleatrios, o E(MQ) resulta:
i
j
k
ij
ik
jk
ijk
l(ijk)
3
A
i
1
3
3
1
1
3
1
1
2
A
j
2
1
2
1
2
1
1
1
2
A
k
2
2
1
2
1
1
1
1
2
A
l
2
2
2
2
2
2
2
1
+2
+2
2
+2
2
+2
2
+2
2
+2
2
+2
+4
+4
2
+4
2
+4
2
+4
2
+6
+4
+6
2
+6
2
+8 2
+ 12 2
2
+ 12 2
2
2
2
2
Os clculos das Somas Quadradas e Mdias Quadradas so os mesmos, s se altera o teste F:

Fonte
A: % Carb.
B: Presso
C: Veloc.
AB
AC
BC
ABC
Erro
Total
SQ
GDL
252,75
45,38
22,04
5,25
0,58
1,04
1,08
8,50
336,63
MQ
2
1
1
2
2
1
2
12
23
126,38
45,38
22,04
2,63
0,29
1,04
0,54
0,71
Teste F
No dispon.
No dispon.
No dispon.
MQAB/MQABC
MQAC/MQABC
MQBC/MQABC
MQABC/MQR
Para ilustrar, o teste do fator A ser feito contra uma combinao linear de mdias quadradas, no
caso:
MQ* = MQAB + MQAC - MQABC
MQ* = 2,63 + 0,29 - 0,54
= 2,38
F0,05(2; 3,13)
7.1.7. Exemplo com fatores aninhados

Um engenheiro est estudando a montagem de um componente eletrnico. Ele projetou trs
acessrios de montagem e dois layouts de trabalho.
Para realizar a montagem, foram escolhidos aleatoriamente 4 operadores para trabalhar com o
layout 1 e outros 4 operadores (diferentes) para trabalhar com o layout 2.
De modo que operadores esto aninhados nos nveis de layout. Isso foi necessrio, pois na
verdade os layouts 1 e 2 ficam em plantas diferentes.
88
Tempos de montagem coletados:
Layout 1
Layout 2
Ti...
Acessrio 1
22
24
23
24
28
29
25
23
26
28
27
25
28
25
24
23
404
Acessrio 2
30
27
29
28
30
32
27
25
29
28
30
27
24
23
28
30
447
Acessrio 3
25
21
24
22
27
25
26
23
27
25
26
24
24
27
28
27
401
Totais T.jk.
149
150
171
149
163
159
151
160
Operad.
619
Totais T.j..
633
1252
Observa-se que Operadores esto aninhados dentro dos nveis de Layout, enquanto que Layout
e Acessrios esto cruzados. O modelo estatstico desse experimento :
Yijkl =
onde:
k(j)
k(j)
+ ( )ij + ( )ik(j) +
l(ijk)
representa o efeito de Acessrios, a nveis fixos;
representa o efeito de Layouts, a nveis fixos
representa o efeito dos Operadores, aninhado em Layout, a nveis aleatrios;
A Tabela a seguir apresenta as quantidades que devem ser agrupadas para a anlise do Projeto
aninhado:
Projeto Cruzado
Projeto Cruzado-Aninhado
SQ
GDL
SQ
SQA
2
SQA
SQB
1
SQB
SQAB
2
SQAB
SQC
3
SQC(B) = SQC + SQBC
SQBC
3
SQAC
6
SQAC(B) = SQAC + SQABC
SQABC
6
SQR
24
SQR
SQT
47
SQT
E os E(MQ) resultam (usando o procedimento):
i
j
k(j)
ij
ik(j)
l(ijk)
3
F
i
0
3
3
0
0
1
2
F
j
2
0
1
0
1
1
2
4
k
4
4
1
4
1
1
2
A
l
2
2
2
2
2
1
+2
+6
2
+ 6
2
+2
2
+2
2
2
2
+ 16 A
+ 24 B
2
2
2
+8
AB
GDL
2
1
2
6
12
24
47
89
Por fim, a anlise de varincia resulta:

Fonte
SQ
82,80
4,08
71,91
19,04
65,84
56,00
299,67
Acessrios A
Layouts B
Operad. C(B)
AB
AC(B)
Erro
Total
GDL
2
1
6
2
12
24
47
MQ
41,40
4,08
11,99
9,52
5,49
2,33
F
MQA/MQAC(B) = 7,54 *
MQB/MQC(B) = 0,34
MQC(B)/MQR = 5,15 *
MQAB/MQAC(B) = 1,73
MQAC(B)/MQR = 2,36 *
A um nvel de significncia de 5% conclui-se que Acessrios, Operadores e a interao AC so

efeitos significativos.
7.2. EXERCCIO
5.1 Est sendo realizado um estudo para identificar as causas de trincas que surgem na base de
tubos de imagem. Para esse estudo, foram fixados trs desenhos de base, trs temperaturas de
Montagem e foram escolhidos aleatoriamente dois operadores para executar a montagem. Os
dados que aparecem a seguir representam a fora necessria para provocar a primeira trinca.
100
Operador 1
Temperatura
125
150
58
57
84
86
55
53
54
58
Desenho
da base
100
Operador 2
Temperatura
125
150
93
96
61
57
82
87
99
101
88
83
94
91
61
55
85
89
95
103
84
91
91
95
57
53
83
88
105
98
Pede-se:
1. Qual a varivel de resposta ?
2. Quais os fatores controlveis ? Fixos ou aleatrios ? Quantos nveis ?
3. Escreva as frmulas dos valores esperados das mdias quadradas para esse exemplo.
4. Quais os efeitos significativos ?
5. Faa os grficos pertinentes para auxiliar na anlise.
6. Baseado nos resultados, quais as recomendaes que voc faria para melhorar o processo ?
5.2 Um engenheiro est estudando a excentricidade presente em um tipo de pea usinada. Para
esse estudo, foram fixadas trs mquinas (A1, A2 e A3) que podem trabalhar em duas
velocidades (B1 = 10 partes/min. ou B2 = 15 partes/min.) e foram escolhidos aleatoriamente 3
operadores para participar do experimento (C1, C2, C3). Os dados que aparecem a seguir
representam os valores medidos de excentricidade (menor--melhor).
B1
90
Velocidade
Operador:
Mquina
A1
B2
C1
C2
C3
C1
C2
C3
32 34
33 31
45 46
33 35
33 36
47 46
A2
35 37
37 35
41 44
36 38
40 37
44 46
A3
30 32
28 29
40 42
30 31
32 29
42 45
Pede-se:
1. Qual a varivel de resposta ?
2. Quais os fatores controlveis ? Fixos ou aleatrios ? Quantos nveis ?
3. Escreva as frmulas dos valores esperados das mdias quadradas para esse exemplo.
4. Quais os efeitos significativos ?
5. Faa os grficos pertinentes para auxiliar na anlise.
6. Baseado nos resultados, quais as recomendaes que voc faria para melhorar o processo
8. Projetos Fatoriais do Tipo 2

Carla tenCaten
Os projetos fatoriais 2K contemplam K Fatores, cada um deles com apenas dois nveis: alto ou
baixo.
Os nveis podem ser:
Quantitativos: dois valores de resistncia,
dois tempos de cozimento,
duas concentraes de reagentes, etc.
Qualitativos: dois layouts,
duas mquinas de corte,
a presena ou ausncia de um componente, etc.
Esse projeto chamado 2K porque para rod-lo (uma repetio completa) so necessrias:
N = 2 x 2 x 2 x ... x 2 = 2K observaes
Por exemplo, para k=3 fatores so necessrios:
N= 2 x 2 x 2 = 23 = 8tratamentos.
8.1.1. Suposies:
Os fatores so a nveis fixos,
Os projetos so completamente aleatorizados e as hipteses de normalidade so
satisfeitas.
8.1.2. Vantagens dos projetos 2k

Simples de serem analisados;
Especialmente teis nos estgios iniciais de pesquisa;
Quando h muitos fatores a serem investigados;
Onde outros projetos seriam inviveis.
8. Projetos Fatoriais do Tipo 2k
8.2. PROJETOS 22
Esse o mais simples dos projetos 2k.
Vejamos um exemplo:
Baixo(-1)
Fator A: % de Cimento
15%
Fator B: Aditivo
Alto(+1)
20%
Ausente
Presente
Dados para o projeto fatorial 22
Tratamento
A baixo, B baixo
A alto, B baixo
A baixo, B alto
A alto, B alto
I
11
20
15
19
Repeties
II
14
16
19
18
Totais Y
Abaixo
Aalto
Balto
48
59
Bbaixo
36
54
8.2.1. Tratamentos e totais:
Letras minsculas = Tratamentos

Letras maisculas = Efeitos
O tratamento recebe a letra do fator que estiver no nvel alto.
III
11
18
14
22
Total
36
54
48
59
92
93
8.2.2. Clculo dos efeitos

O efeito de um fator definido como a mudana mdia que se verifica na resposta quando o fator
alterado do nvel baixo para o nvel alto.
Mdias
Abaixo
Aalto
Mdia B
Efeito B
Balto
16,0
19,7
17,8
2,83
Bbaixo
12,0
18,0
15,0
Mdia A
14,00
18,83
Efeito A
4,83
20,00
18,00
16,00
14,00
12,00
10,00
8,00
6,00
4,00
2,00
0,00
18,83
14,00
efeito A
Aba ixo
Aa llto
1900ral
1900ral
1900ral
1900ral
1900ral
efeito B
1900ral
1900ral
Bbaixo
20,00
15,00
Balto
19,7
18,00
16,00
12,00
Balto
10,00
Bbaixo
5,00
,00
Abaixo
Aallto
O efeito tambm pode ser calculado como:

Efeito= [(mdia_alto) - (mdia_baixo)]
A = direita- esquerda = [(ab + a) - (b + (1))] / (2k-1 x n)
B = topo- base = [(ab + b) - (a + (1))] / (2k-1 x n)
AB = principal - secund = [(ab + (1)) - (a + b)]/(2k-1 x n)
O K representa o nmero de fatores, as letras minsculas (1), a, b, ab representam o total de
todas as n repeties obtido para o correspondente tratamento.
Para esse exemplo de resistncia da argamassa, os efeitos mdios resultam:
A = [59 + 54 - 48 36] / (2 x 3)
= 4,83
B = [59 +48 - 54 36] / (2 x 3)
= 2,83
AB = [59 + 36 - 54 48] / (2 x 3) = -1,16

Nas frmulas dos efeitos, as expresses entre colchetes so chamadas de CONTRASTES:
ContrasteA = CA = ab + a - b - (1)
ContrasteB = CB = ab + b - a - (1)
ContrasteAB = CAB = ab + (1) - a - b
E os efeitos so:
Contraste
2k 1 n
Efeito
Os contrastes so ortogonais:
As somas dos sinais coef. de ab, a, b e (1) igual a zero.
A soma dos produtos dos sinais dos coef. (CA. CB , etc.) igual a zero.
Tratamento
AB
Totais Y
-1
-1
36
-1
-1
54
-1
-1
48
ab
59
Contraste
29
17
-7
Efeito
4,83
2,83
-1,17
SQ
70,08
24,08
4,08
94
95
8.2.3. Clculo das somas quadradas

Podem ser obtidas a partir dos contrastes:
SQ
Contraste
2k n
SQA = [ab + a - b - (1)]2 / (2K x n)

= (59 + 54 - 48 - 36)2 / 12 = 70,08
SQB = [ab + b - a - (1)]2 / (2K x n)
= (59 + 48 - 54 - 36)2 / 12 = 24,08
SQAB = [ab + (1) - a - b)2 / (2K x n)
= (59 + 36 - 54 - 48)2 / 12 = 4,08
A soma dos quadrados totais encontrada na maneira usual:
Assim como a soma quadrada dos resduos (por subtrao):

SQR = SQT - SQA - SQB - SQAB
= 134,92 - 70,08 - 24,08 - 4,08 = 36,68

Fonte
A
B
AB
Resduos
Total
SQ
70,08
24,08
4,08
36,68
134,92
GDL
1
1
1
8
11
MQ
70,08
24,08
4,08
4,59
F
15,28
5,25
0,90
O fator A significativo, O fator B quase significativo.
8.2.5. Verificao:
Os mesmos resultados seriam obtidos usando o formulrio convencional de projetos fatoriais.
Ftab
5,32
5,32
5,32
FATOR
B
-1
+1
FATOR A
-1
36
48
84
+1
54
59
113
96
90
107
197
TC = 1972/12
SQA = [(842 + 1132) / 6] - (1972 / 12) = 70,08
SQB = [(902 + 1072) / 6] - (1972 / 12) = 24,08
SQAB = [(362 + 542 + 482 + 592) / 3] - 70,08 - 24,08 - (1972 / 12) = 4,08
SQT e SQR calculados como acima.
8.2.6. Ordem padro das combinaes de tratamento:

(1) a b ab
Tabela de sinais para o clculo dos efeitos em um projeto 22.
Tratamentos
(1)
a
b
ab
I
+
+
+
+
A
+
+
Efeito fatorial
B
+
+
AB
+
+
Obs. Os sinais para o contraste de AB so obtidos a partir do produto dos sinais das colunas de A e B.
8.3. PROJETOS 23
Trs fatores, cada um deles a dois nveis. Assim h oito tratamentos. Na ordem padro:
(1) a b ab c ac bcabc
Graficamente podemos represent-las como um cubo:
Efeitos principais:
A = DIREITA - ESQUERDA
A = [a + ab + ac + abc - (1) - b - c - bc] / (2k-1 x n)
B = POSTERIOR - FRONTAL
B = [b + ab + bc + abc - (1) - a - c - ac] / 4n
C = TOPO - BASE
C = [c + ac + bc + abc - (1) - a - b - ab] / 4n
Interaes: a partir da comparao das diagonais:

AB = [ab - b - a + (1) + abc - bc - ac + c] / (2k-1 x n)
AC = [ac - a - c + (1) + abc - ab - bc + b] / 4n
BC = [bc - b - c + (1) + abc - ab - ac + a] / 4n
ABC = [(abc - bc) - (ac - c) - (ab - b) + (a - (1))] / 4n
= [abc - bc - ac + c - ab + b + a - (1)] / 4n
O clculo dos efeitos e somas quadradas a partir dos contrastes:
Efeito
SQ
Contraste
2k 1 n
Contraste
2k n
97
98
Tabela de Sinais para o clculo dos efeitos no projeto 23.
Tratamento
(1)
a
b
ab
c
ac
bc
abc
I
+
+
+
+
+
+
+
+
A
+
+
+
+
Efeito fatorial
AB
C
+
+
+
+
+
+
+
+
B
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
8.3.1. Propriedades da Tabela de Sinais:

Exceto para a coluna I, cada coluna tem o mesmo nmero de sinais positivos e negativos.
A soma dos produtos de sinais de quaisquer duas colunas zero.
A multiplicao da coluna I por qualquer outra coluna mantm esta inalterada. (I o elemento
identidade).
O produto de quaisquer duas colunas resulta uma outra coluna da tabela. Por exemplo:
A x B = AB
AB x B = AB2 = A
8.3.2. Somas Quadradas:

SQ = (contraste)2 / (2k x n)
Exemplo:Um tcnico deseja melhorar a transparncia da gua (maior melhor). Os fatores
controlveis so:
Fator A: Quantidade de Sulfato de Alumnio
Fator B: Quantidade de Cal
Fator C: Temperatura
Dados (Noexperimento foram coletadas trs repeties para cada tratamento)
Sulfato de AL
Cal
Temperatura
Totais
30ppm
40ppm
10ppm
15ppm
10ppm
15ppm
15
20
15
20
15
20
15
20
6,1
6,6
5,1
6,4
8,3
10,4
9,5
8,7
7,6
6,0
4,6
5,5
9,2
9,8
10,7
10,7
6,8
6,2
5,7
6,0
10,3
8,7
8,5
9,4
20,5
(1)
18,8
c
15,4
b
17,9
bc
27,8
a
28,9
ac
28,7
ab
28,8
abc
Trat
AB
AC
BC
ABC
99
Y
-1
-1
-1
-1
20,5
-1
-1
-1
-1
27,8
-1
-1
-1
-1
15,4
ab
-1
-1
-1
-1
28,7
-1
-1
-1
-1
18,8
ac
-1
-1
-1
-1
28,9
bc
-1
-1
-1
-1
17,9
abc
28,8
Contraste
41,6
-5,2
6,8
0,4
3,2
-5,2
Efeito
3,47
-0,43
0,57
0,17
0,03
0,27
-0,43
SQ
72,1
1,13
1,93
0,17
0,01
0,43
1,13
Contrastes obtidos a partir dos totais:

A = [a - (1) + ab - b + ac - c + abc - bc]
= [27,8 - 20,5 + 28,7 - 15,4 + 28,9 - 18,8 + 28,8 - 17,9] = 41,6
B = [b - (1) + ab - a + bc - c + abc - ac] = -5,2
C = [c + ac + bc + abc - (1) - a - b - ab] = 2,0
AB = [ab - a - b + (1) + abc - bc - ac + c] = 6,8
AC = [ac - a - c + (1) + abc - ab - bc + b] = 0,4
BC = [bc - b - c + (1) + abc - ab - ac + a] = 3,2
ABC = [abc - bc - ac + c - ab + b + a - (1)] = -5,2
Efeitos mdios e Somas Quadradas a partir dos contrastes:
n x 2k - 1 = 12;
n x 2k = 24
EA = CA / 12 = 3,47
SQA = (CA)2 / 24 = 72,11
EB = -5,2 / 12 = -0,43
SQB = (5,2)2 / 24 = 1,13
EC = 2,0 / 12 = 0,17
SQC = (2,0)2 / 24 = 0,17
EAB = 6,8 / 12 = 0,57
SQAB = (6,8)2 / 24 = 1,93
EAC = 0,4 / 12 = 0,03
SQAC = (0,4)2 / 24 = 0,01
EBC = 3,2 / 12 = 0,27
SQBC = (3,2)2 / 24 = 0,43
EABC = -5,2 / 12 = -0,43
SQABC = (5,2)2 / 24 = 1,13
A partir das observaes individuais,

Por subtrao,
SQR = 10,31
SQT = 87,19
100
Anlise de varincia para o exemplo do volume.

Fonte
Sulfato de AL (A)
Cal
(B)
Temperatura (C)
AB
AC
BC
ABC
Erro
Total
SQ
72,11
1,13
0,17
1,93
0,01
0,43
1,13
10,31
87,19
GDL
1
1
1
1
1
1
1
16
23
MQ
72,11
1,13
0,17
1,93
0,01
0,43
1,13
0,64
F calc
111,94
1,75
0,26
2,99
0,01
0,66
1,75
F tab
4,49 **
4,49
4,49
4,49 *
O fator A fortemente significativo; seu controle fundamental para assegurar a transparncia

desejada.
Notar que muitas vezes o efeito de um fator significativo, mas praticamente sem importncia.
8.4. O PROJETO 2K GENERALIZADO

Projetos que envolvem K fatores, cada um a dois nveis,
O modelo estatstico do projeto 2K inclui:
K efeitos principais,
interaes de dois fatores,
interaes de trs fatores,
Uma interao de k fatores.

= permutaes de k elementos tomados dois a dois
possvel calcular (2k - 1) efeitos, calculados a partir dos 2k tratamentos

Para um projeto 24, por exemplo, os tratamentos so:
(1), a, b, ab, c, ac, bc, abc, d, ad, bd, abd, cd, acd, bcd, abcd
Para se estimar um efeito a tabela de sinais pode ser utilizada, mas escrev-la trabalhoso.
Alternativa, usar:
ContrasteAB ...K = (a
1) (b
1) ... (K
1)
Dentro de cada parnteses utilizamos o sinal (-) se o fator est includo no efeito ou o sinal (+)
se no estiver includo.
Por exemplo, em um projeto 23, o contraste para AB seria:

Contraste AB = (a - 1) (b - 1) (c + 1)
= abc + ab + c + (1) - ac - bc - a - b
8.4.1. Efeitos e Somas Quadradas:
Onde n denota o nmero de repeties.

Anlise de Varincia para o projeto fatorial 2K.
Fonte de variao
k efeitos principais
A
B
:
K
SQ
GDL
SQA
SQB
.
SQK
1
1
.
1
SQAB
SQAC
.
SQJK
1
1
.
1
SQABC
SQABD
.
SQIJK
.
1
1
.
1
.
SQAB .. K
SQR
SQT
1
2k(n - 1)
n2k - 1
K
interaes de 2 fatores
2
AB
AC
:
JK
K
interaes de 3 fatores
3
ABC
ABD
:
IJK
:
K
= 1 interaes de k
K
fatores
ABC .. K
Erro
Total
8.5. O PROJETO 2K SEM REPETIES

Quando h vrios fatores a serem estudados, o nmero total de tratamentos (2k) cresce
rapidamente.
Um projeto 25 envolve 32 tratamentos,um 26 envolve 64, e assim por diante.
101
102
Com frequncia, os recursos limitados e o tempo limitado, neste caso necessrio rodar apenas
uma repetio.
Se no h repeties de experimento, isto , se n = 1, no podemos estimar SQR independente.
8.5.1. Alternativa:
Contudo, se h motivos para acreditar que um efeito de interao no seja significativo,o teste
Assim, o MQG dessa interao ser aproximadamente igual a varincia do erro experimental
MQR, logo usa-se o valor do MQG do efeito de interao como estimativa do MQR.
Para escolher as interaes que iro formar o termo de erro:
Usar bom-senso;
Interaes de trs ou mais fatores raramente so significativas.
Usar conhecimentos tcnicos.
Exemplo de Aditivo x Operadores.
Exemplo:Um tcnico deseja estudar a taxa de filtragem de um produto qumico. Os fatores

controlveis so:.
Fator (A): Temperatura,
Fator (B): Presso,
Fator (C): Concentrao de reagentes,
Fator (D): Taxa de agitao.
Dados para o exemplo da taxa de filtragem (projeto 24).
A0
D0
D1
B0
B1
C0 C1
C0 C1
45(1) 68 (c) 48 (b) 80(bc)
43(d) 75(cd) 45(bd) 70(bcd)
A1
B0
C0 C1
71(a)
60(ac)
100(ad) 86(acd)
B1
C0 C1
65(ab) 65(abc)
104(abd) 96(abcd)
103
Trat
AB
AC
BC
ABC
AD
BD
ABD
CD
ACD
BCD
ABCD
-1
-1
-1
-1
-1
-1
-1
-1
45
-1
-1
-1
-1
-1
-1
-1
-1
71
-1
-1
-1
-1
-1
-1
-1
-1
48
ab
-1
-1
-1
-1
65
-1
-1
-1
-1
-1
68
-1
-1
-1
-1
60
-1
-1
-1
-1
-1
80
65
ac
bc
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
1
1
abc
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
43
ad
-1
-1
-1
-1
-1
-1
-1
-1
100
bd
-1
-1
-1
-1
-1
-1
-1
-1
45
abd
-1
-1
-1
-1
-1
-1
-1
-1
104
cd
-1
-1
-1
-1
-1
-1
-1
-1
75
acd
-1
-1
-1
-1
-1
-1
-1
-1
86
bcd
-1
-1
-1
-1
-1
-1
-1
-1
70
abcd
96
173.0
25.0
1.0
79.0
-145.0
19.0
15.0
117.0
133.0
-3.0
33.0
-9.0
-13.0
-21.0
11.0
Cont
Efeito
21.6
3.1
0.1
9.9
-18.1
2.4
1.9
14.6
16.6
-0.4
4.1
-1.1
-1.6
-2.6
1.4
SQ
1870.6
39.1
0.1
390.1
1314.1
22.6
14.1
855.6
1105.6
0.6
68.1
5.1
10.6
27.6
7.6
No h graus de liberdade para estimar o termo de erro pois no tem repeties. Como
alternativa, estima-se o erro baseado nas interaes de 3 e 4 fatores (ABC,ABD,ACD,BCD e
ABCD). Supondo as interaes de 3 e 4 fatores como insignificantes, elas podem ser usadas como
uma estimativa do erro:
SQR= SQABC + SQABD + SQACD + SQBCD + SQABCD
SQR= 14,1 + 68,1 + 10,6 + 27,6 + 7,6 = 127,56
GDL=1+1+1+1+1=5
MQR=SQR/GDL=127,56/5=25,56
Anlise de varincia para o exemplo da taxa de filtragem.
Efeito
A
B
AB
C
AC
BC
D
SQ
1870,6
39,1
0,1
390,1
1314,1
22,6
855,6
GDL
1,0
1,0
1,0
1,0
1,0
1,0
1,0
MQ
1870,6
39,1
0,1
390,1
1314,1
22,6
855,6
FCALC
73,2
1,5
0,0
15,3
51,4
0,9
33,5
FTAB
6,61
6,61
6,61
6,61
6,61
6,61
6,61
Signif
SIM
NO
NO
SIM
SIM
NO
SIM
AD
BD
CD
ERRO
(ABC,ABD,ACD,BCD,ABCD)
1105,6
0,6
5,1
1,0
1,0
1,0
1105,6
0,6
5,1
43,2
0,0
0,2
6,61
6,61
6,61
SIM
NO
NO
127,8
5,0
25,6
TOTAL
5730,9
15
Os fatores A, C e D so significativos, logo devendo-se ajusta-los de forma a assegurar

Qualidade.
O fator B no significativo, logo pode ser usado no ajuste que obtenha Preo baixo.
8.5.2. Mtodos grficos para testar a significncia dos efeitos
104
1. Papel de probabilidade
2. Pseudo-standarderror
8.6. ALGORITMO DE YATES PARA PROJETOS 2K

A partir das respostas (totais) chegamos aos efeitos e SQ;
Regra bsica: somar e subtrair pares adjacentes.
Exemplo: Projeto 23 com 2 repeties
Tratamento
(1)
a
b
ab
c
ac
bc
abc
Resposta
(1)
-3
4
2
13
5
6
4
9
-4
1
-1
5
-1
3
2
11
(2)
1
15
11
13
7
11
1
5
Efeitos
(3) / 23-1.2
I = --A = 3,00
B = 2,25
AB = 0,75
C = 1,75
AC = 0,25
BC = 0,50
ABC = 0,50
(3)
16
24
18
6
14
2
4
4
SQ
(3) / 23.2
--36,00
20,25
2,25
12,25
0,25
1,00
1,00
2
Exemplo de Yates para 22

Exemplo com k=2 fatores e n=3 repeties
Tratam
1
a
b
ab
Resposta
36
54
48
59
1
90
107
18
11
2
197
29
17
-7
Fonte
I (total)
A
B
AB
Efeito
-4,83
2,83
-1,17
SQ
-70,08
24,08
4,08
Uma demonstrao simples do algoritmo de Yates obter as colunas (1) e (2) usando as
respostas (1), a, b, ab de um projeto fatorial 22
Tratamento
(1)
a
b
ab
Resposta
(1)
a
b
ab
(1)
(1)+a
b+ab
a-(1)
ab-b
(2)
(1)+a+b+ab
a-1+ab-b
b+ab-(1)-a
ab-b-a+(1)
= Total
= Cont. A
= Cont. B
= Cont. AB
Como pode ser visto, os valores da coluna (2), que nesse caso so os contrastes, esto de acordo
com as definies.
8.7. EXERCCIOS
105
8.1.Um grupo de engenheiros est desenvolvendo um carro de passeio. Nos primeiros testes a
antena do prottipo apresentou amplitude de vibrao excessiva. O grupo decidiu que os
seguintes fatores poderiam influenciar a amplitude de vibrao:
Nvel 1
Nvel 2
A: Tipo de suporte da base
Normal
Reforado
B: Dimetro da antena
10
C: Posio da antena sobre o cap
+00
+02
D: Desenho da ponteira da antena
Arredondado
Chato
Foi feito um experimento 24 com duas observaes por parcela. Os dados (resultados obtidos
em tnel de vento) revelaram o seguinte:
C1
A1
A2
B1
B2
B1
B2
D1
15,2 16,2
11,8 12,9
14,8 15,9
11,8 12,7
C2
D2
14,6 15,6
11,8 12,5
15,0 15,9
12,0 13,2
D1
10,4 11,4
13,9 14,7
10,6 11,9
13,8 14,0
D2
10,6 11,3
14,0 15,4
11,0 12,3
15,0 15,9
Pede-se:
Qual a varivel de resposta que est sendo medida e quais so os fatores controlveis neste
experimento? Qual o nmero de nveis para cada um dos fatores controlveis?
Use o algoritmo de Yates e calcule os efeitos e somas quadradas.
Faa a anlise de varincia e indique quais os fatores e interaes significativas.
Plote os grficos de dois fatores pertinentes a este estudo.
Indique o que fazer para assegurar qualidade e preo baixo. Em relao a qualidade, considere
que a mxima amplitude de vibrao aceitvel 13,0. Em relao a custos, considere que:
- Suporte normal mais barato;
- Dimetro menor mais barato;
- Posio +00 de montagem mais fcil;
- Ponteira arredondada mais barata.
Soluo:
a) Algoritmo de Yates
Tratam.
(1)
A
B
Ab
C
Ac
Bc
Abc
D
Ad
Bd
Abd
Cd
Acd
Bcd
Abcd
Resposta
31,4
30,7
24,7
24,5
21,8
22,5
28,6
27,8
(1)
62,1
49,2
44,3
56,4
(2)
111,3
100,7
(3)
(4)
Efeito
---
106
SQ
95,39
b) Anlise de varincia
Fonte
SQ
A
B
Ab
C
Ac
Bc
abc
D
Ad
Bd
abd
Cd
acd
bcd
abcd
Erro
Total
103,53
d) Grfico de dois fatores
GDL
MQ
F calc.
Signif. ?
107
Amplitude
15
10
e) Tomada de deciso
8.2. Um engenheiro est realizando um experimento para otimizar a quantidade de salmoura

injetada em um tipo de alimento. A quantidade de salmoura uma varivel do tipo nominal-melhor, com valor alvo igual a 70 unidades. Analise os dados a seguir, encontre os fatores
significativos e indique o melhor ajuste para este processo.
Presso de
Operao
Velocidade
da Esteira
Batida das
Agulhas
A1=120
B1=300
C1=20 C2=30
A2=150
B2=400
C1
75 73 80 78 45 42
76 77 75 83 47 47
B1=300
B2=400
C2
C1
C2
C1
C2
50 54
48 51
92 93
95 99
95 100
99 101
75 75
79 68
77 80
83 85
108
Um engenheiro est realizando um experimento para otimizar o teor de umidade em um produto

a base de soja. Analise os dados a seguir, encontre os fatores significativos e faa os grficos
pertinentes. Qual o ajuste que maximiza a umidade? e qual o ajuste que minimiza a umidade ?
Mquina 1
Tempo de
secagem
Temperatura
do processo
Vazo de ar
A1=20
B1=60
Mquina 2
Tempo de
secagem
Temperatura
do processo
Vazo de ar
B2=70
C1=2,5 C2=3,5
6,2
A2=30
7,4
B1=60
C1
C2
C1
C2
C1
C2
7,1
8,5
7,8
8,2
9,3
10,5
A1=20
B1=60
C1=2,5 C2=3,5
6,6
7,1
B2=70
A2=30
B2=70
B1=60
B2=70
C1
C2
C1
C2
C1
C2
7,5
8,2
7,3
8,4
9,5
9,9
9. Experimentos Fatoriais
Confundidos em Blocos
Carla tenCaten
Algumas vezes a aleatorizao completa fica restringida.

Por exemplo, talvez no seja possvel rodar todos os ensaios:
No mesmo dia;
Na mesma sala;
Com o mesmo operador;
Com o mesmo lote de matria prima.
Nesses casos, alguma informao ficar confundida.
Vejamos um problema onde isso acontece:
As caractersticas de um produto qumico dependem de:
Fator A: Temperatura
Fator B: Tempo de Reao
Se os fatores esto a dois nveis, temos:
9. Experimentos Fatoriais Confundidos em Blocos
110
9.1.1. Restrio Experimental:

O material usado no processo qumico produzido em lotes (vermelho e azul)
preciso dois lotes para obter as quatro amostras
9.2. CONFUNDIMENTO
Diferenas entre os lotes ficaro confundidas com um dos efeitos, dependendo do contraste de
definio utilizado para blocar.
Lotes ou Blocos
1
2
I
(1) b
a ab
Plano
II
(1) a
b ab
III
(1) ab
a b
Plano I
A partir da definio dos contrastes, fcil verificar quem est confundido:

Plano I: Bloco 2 (azul) - Bloco 1 (vermelho) = ab + a - b - (1) = CA
Plano I: Efeito do Fator A est confundido com os blocos e o efeito do fator B e interao AB
esto salvos.
Plano II
111
Plano II: Bloco 2 (azul) - Bloco 1 (vermelho) = ab +b a - (1) = CB

Plano II: Efeito do Fator B est confundido com os blocos e o efeito do fator A e interao AB
esto salvos
Plano III
Plano III: Bloco 2 (azul) - Bloco 1 (vermelho) = ab +(1)a - b = CAB

Plano III: Efeito do Fator de interao AB est confundido com os blocos e o efeito do fator A
e B esto salvos
Usa-se o contraste da interao AB, pois prefervel ter uma interao confundida do
que efeitos principais. A esperana que o efeito de interao no seja significativo
9.3. SISTEMA PARA CONFUNDIR EFEITOS:

Definir um contraste de definio. Isto , a informao que ficar confundida com os
blocos;
Definir quais os tratamentos que iro em cada bloco, usando:
Nm. de letras pares em comum com o CD (neste exemplo AB) vo em um bloco (1)
Nm. de letras mpares em comum com o CD (neste exemplo AB)vo no outro bloco (2)
112
Para o exemplo do projeto 22, escolhendo AB como contraste de definio, resulta:

Bloco I
Bloco II
(1)
ab
Pares
mpares
Escolhe-se a coluna da interao AB como contraste para a blocagem do experimento em dois:

Trat
AB
Bloco
-1
-1
-1
-1
-1
1
1
1
-1
ab
A anlise de varincia resultaria:

Fonte
A
B
AB ou Blocos
Total
SQ
SQA
SQB
SQAB
SQT
GDL
1
1
1
3
Este exemplo apenas acadmico, pois no temos GDL para o termo de erro.
9.4. EXPERIMENTOS CONFUNDIDOS EM BLOCO COM REPETIO

Quando h repeties, h duas possibilidades:
Experimentos completamente confundidos;
Experimentos parcialmente confundidos.
9.5. EXPERIMENTOS COMPLETAMENTE CONFUNDIDOS

Quando em todas as repeties o mesmo CD confundido.
Seja o exemplo de um 23, onde apenas 4 tratamentos podem ser rodados num dia e, assim, o
projeto deve ser dividido em dois. E seja que escolhemosABC como o C.D.
Bloco I
(1)
Ab
Ac
Bc
Se h 3 repeties, o arranjo dos ensaios poderia ser:
Bloco II
a
b
c
abc
Repetio I
Repetio II
113
Repetio III
Bloco 1
Bloco 2
Bloco 2
Bloco 1
Bloco 1
Bloco 2
ac
(1)
ab
bc
a
c
abc
b
c
abc
b
a
(1)
ac
bc
ab
ab
(1)
ac
bc
c
b
abc
a
Em todas as repeties ABC o contraste de definio; mas de resto
Aleatorizao
9.5.1. Modelo Estatstico

Yijkmn =
+ Rm + Bn + RBmn + Ai + Bj + Ck + ABij + ACik + BCkj +
Rm
representa o efeito das repeties;
Bn
representa o efeito dos blocos 1 e 2;
RBmn
interao entre repeties e blocos;
mijk
Usualmente o erro tomado como a interao entre as repeties e os efeitos principais e suas
interaes:
mijk
= RAmi + RBmj + RCmk + RABmij + RACmik + RBCmjk
O efeito das repeties e o efeito dos blocos so analisados separadamente com o objetivo de
principal de diminuir o termo de erro.
9.5.2. ANOVA para projeto 23 completamente confundido:

Fonte
Rm Repeties
Bn Blocos ou ABC
RB Repeties x Blocos
A
B
AB
C
AC
BC
Erro = Repet. x Outros
Total
GDL
2
1
2
1
1
1
1
1
1
12
23
5 entre as
subdivises
18 dentro das
subdivises
Repeties e Blocos podem ser testados contra RB. um teste fracopois RB possui
apenas 2 graus de liberdade.
Efeitos principais e interaes podem ser testados contra o erro. um teste fortepois o
erro tem 12 graus de liberdade.
ABC no pode ser testada (confundida com blocos)
114
9.6. EXPERIMENTOS PARCIALMENTE CONFUNDIDOS

No exemplo anterior, ABC foi confundida em todas as repeties. Mas se h repeties, uma
alternativa :
Confundir ABC na 1a repetio;
Confundir AB na 2a repetio;
Confundir AC na 3a repetio;
Confundir BC na 4a repetio.
Repetio I
Conf. ABC
(1)
a
ab
b
ac
c
bc
abc
Repetio II
Conf. AB
(1)
a
c
b
ab
ac
abc
bc
Repetio III
Conf. AC
(1)
a
ac
c
abc
bc
b
ab
Repetio IV
Conf. BC
(1)
b
bc
c
a
ab
abc
ac
9.6.1. ModeloEstatstico
indica que os blocos esto aninhados dentro das repeties (em cada repetio os blocos 1
e 2 so diferentes).
9.6.2. Anlise do projeto 23 parcialmente confundido:

Fonte
Rm Repeties
Bn Blocos (dentro de Rep.)
ABC
AB
AC
BC
A
B
C
GDL
3
4
7 entre as
subdivises
1
1
1
1
1
1
1
24 dentro das
subdivises
AB
AC
BC
ABC
1
1
1
1
|
|
|
|
Erro = Repet. x Outros

Total
17
31
Somente das repet.

em que no esto
confundidas
9.7. EXPERIMENTOS CONFUNDIDOS EM BLOCO SEM REPETIO
115
Muitas vezes preciso dividir em blocos e s h recursos para uma repetio. Se h muitos
fatores envolvidos, digamos 4 ou mais fatores, projetos desse tipo so viveis.
9.7.1. Estratgia de ao:

Uma interao de ordem superior confundida com o efeito do bloco (no pode ir para
o termo de erro);
Outras interaes so aglutinadas para formar o termo de erro.
Por exemplo, seja um fatorial 24, onde somente oito tratamentos podem ser rodados de uma vez.
Uma possvel diviso em dois blocos seria usar o contraste de definio ABCD:
Bloco 1
(1) abbc ac abcd cd ad bd
Bloco 2
a b abc c bcdacd d abd
9.7.2. Anlise de varincia:

Fonte
A
B
C
D
AB
AC
AD
BC
BD
CD
ABC
ABD
ACD
BCD
Blocos (ABCD)
Total
GDL
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
15
|
| 4 GDL para
| o termo de erro
|
116
Interaes de trs ou mais fatores no poderiam ser avaliadas, mas em geral no so

significativas;
Todos os efeitos principais e interaes de dois fatores poderiam ser avaliados.
9.8. DIVISO EM MAIS DE DOIS BLOCOS

Tambm possvel a diviso em mais que dois blocos.
Seja um 24 que devido a restries experimentais deve ser rodado em 4 blocos.
Contraste de definio:
ABC e BCD
Ateno: nesse caso ABC x BCD = AD tambm fica automaticamente confundido

Usando o procedimento par-mpar mencionado anteriormente:
Confundido ABC
Confundido BCD
(1) ab ac bc d abdacdbcd
(1) bcabdacd
ab ac d
a b c abc ad bd cd abcd
bcd
a abc bdcd
ad abcd
9.8.1. Tabela de sinais com os contrastes de definio para a diviso em 4 blocos
117
Trat
ABC
BCD
Blocos
(1)
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
ab
-1
-1
-1
-1
-1
-1
-1
-1
ac
-1
-1
-1
-1
bc
-1
-1
-1
-1
-1
abc
-1
-1
-1
-1
-1
-1
-1
-1
ad
-1
-1
-1
bd
-1
-1
-1
-1
abd
-1
-1
-1
-1
cd
-1
-1
-1
-1
acd
-1
-1
-1
-1
bcd
-1
-1
-1
abcd
-1
-1
-1
-1
-1
-1
-1
ae
-1
-1
-1
-1
be
-1
-1
-1
abe
-1
-1
-1
ce
-1
-1
-1
ace
-1
-1
-1
bce
-1
-1
-1
-1
abce
-1
-1
de
-1
-1
-1
-1
ade
-1
-1
bde
-1
-1
-1
abde
-1
-1
-1
cde
-1
-1
-1
acde
-1
-1
-1
bcde
-1
-1
abcde
9.8.2. Mtodo de Yates para o clculo das Somas Quadradas

Tratam.
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
Total
Resposta
82
76
79
85
71
84
55
74
80
79
73
88
72
81
84
89
(1)
158
164
155
129
159
161
153
173
-6
6
13
19
-1
15
9
5
(2)
322
284
320
326
0
32
14
14
6
-26
2
20
12
6
16
-4
(3)
606
646
32
28
-20
22
18
12
-38
6
32
0
-32
18
-6
-20
9.8.3. Tabela Anova para o experimento 24 em 4 blocos
(4)
1252
60
2
30
-32
32
-14
-26
40
-4
42
-6
44
-32
50
-14
SQ
225,00
0,25
56,25
64,00
64,00
12,25
42,25
100,00
1,00
110,00
2,25
121,00
64,00
156,25
12,25
1031,00
Fonte
SQ
GDL
225
0,25
64
100
56
64
12,25
110,25
121
199,5
1
1
1
1
1
1
1
1
1
3
225
0,25
64
100
56
64
12,25
110,25
121
66,5
Erro (ABD + ACD + ABCD)
78,5
26,17
Total
1031
15
A
B
C
D
AB
AC
BC
BD
CD
Blocos (ou ABC ou BCD ou AD)
MQ
118
Fcalc
8,6
0
2,4
3,8
2,1
2,4
0,5
4,2
4,5
O termo de erro tem apenas 3 GDL e os teste so feitos usando F0,05(1,3) = 10,13
efeito significativo.
nenhum
Contudo, B e BC parecem no significativos. Aglutinando esses efeitos ao erro:
Agora, temos
A e CD significativos
Efeito
A
C
D
SQR
225,00
64,00
100,00
GDL
1
1
1
MQR
225
64
100
Fcalc
12.36
3.52
5.49
AB
AC
56,00
64,00
1
1
56
64
3.08
3.52
BD
CD
Blocos (ou ABC ou BCD ou AD)
110,25
121,00
199,50
1
1
3
110.25
121
66.5
6.06
6.65
3.65
Erro (ABD + ACD + BCD+B+BC)
91,0
18.2
Total
1031,00
15
Ftab
6.61
6.61
6.61
6.61
6.61
6.61
6.61
6.61
119
Experimentos 2k so rodados para fornecer um quadro geral

J que B apareceu como no significativo, um novo experimento poderia ser planejado
sem esse fator.
9.9. PROJETOS FATORIAIS FRACIONADOS 2k-1

Com o aumento do nmero de fatores, o nmero de tratamentos e o nmero de interaes
aumentam rapidamente.
k
5
6
7
8
2k
32
64
128
256
Efeitos Interaes
Princ.
2 FC
5
10
6
15
7
21
8
28
3 FC 4 FC
10
5
20
15
35
35
56
70
5 FC
1
6
21
56
5 FC
7 FC
8 FC
1
7
28
1
8
As interaes de ordem superior geralmente so:

Difceis de interpretar;
No so significativas;
Logo em geral, no temos interesse em estudar as interaes de mais alta ordem 3 ou
maisfatores.
Para experimentos com muitos fatores:

Pode no ser possvel ($) rodar o experimento completo;
Quase a mesma informao pode ser obtida realizando-se uma frao ( ) dos ensaios.
Quando somente uma frao dos ensaios rodada,

o projeto chamado Fatorial Fracionado
9.9.1. Procedimento para definir projetos fracionados
Inicialmente divide-se o experimento completo em dois blocos, utilizando-se a interao de ordem

superior, aps, ensaiar apenas um dos blocos, escolhido aleatoriamente.
Quando o experimento fracionado em dois, realiza-se apenas a metade dos ensaios,logo ser
possvel estimar apenas metade dos efeitos pois cada efeito estar vinculado com outro efeito.
A estratgia confundir efeitos principais com efeitos de interaes de alta ordem supostamente no
significantes.
9.10. EFEITOS VINCULADOS
120
Seja o caso simples de um projeto 2 onde o tcnico s tem recursos para efetuar 4 ensaios, ou
seja, a metade do 2-= 4 ensaios.
Inicialmente realizada a blocagem do experimento em dois blocos de 4 usando o contraste de
definio ABC
Por sorteio, decide-se rodar apenas o bloco 2.
Que informao pode ser obtida do bloco 2?
Que informao fica perdida ou confundida?
A partir da tabela de sinais, observamos que no possvel distinguir entre, por exemplo, os
contrastes de A e BC,pois os ensaios ab, ac, (1) e bc no foram realizados:
CA =
+a
+ab
+ac
+abc
-(1)
-b
-c
-bc
CBC =
+a
-ab
-ac
+abc
+(1)
-b
-c
+bc
Observa-se que no possvel distinguir entre os contrastes de A e BC, pois os ensaios ab ac 1 e

bc no foram realizados. Assim dizemos que A e BC esto vinculados. Do mesmo modo, B e
AC esto vinculados, e tambm C e AB
preciso cuidado ao escolher o contraste de definio para a blocagem
A idia que dois fatores importantes no devem estar vinculados entre si;
O que deve ser feito vincular um efeito importante com uma interao de ordem
superior (suposta insignificante);
Se o bloco 1 for rodado ao invs do bloco 2, a situao dos vnculos a mesma.
9.10.1. Modo rpido de encontrar os vnculos:

Multiplicar os efeitos pelo(s) contraste(s) de definio,neste exemplo, o contraste ABC:
Vnculo de A:
Vnculo de B:
121
Vnculo de C:
EXPERIMENTO 24 COMPLETO VS FRACIONADO
9.11
A matriz experimental apresenta um 24 completo

Tratamentos
1
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
B
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
AB
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
C
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
AC
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
BC
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
ABC
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
D
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
AD
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
BD
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
1
ABD
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1
CD
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
ACD
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
BCD
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
ABCD
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
Foi usado a interao ABCD para a blocagem e posterior fracionamento.

No experimento completo no h correlao entre nenhum fator indicando que todos os efeitos
podem ser estudados separadamente. O termo de erro pode ser estimado pelas interaes de trs
fatores e a interao ABCD usada para estudar o efeito do bloco.
A
A
B
AB
C
AC
BC
ABC
D
AD
BD
ABD
CD
ACD
BCD
ABCD
B
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
AB
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
AC
1
0
0
0
0
0
0
0
0
0
0
0
BC
1
0
0
0
0
0
0
0
0
0
0
ABC
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
AD
1
0
0
0
0
0
0
0
BD
1
0
0
0
0
0
0
ABD
1
0
0
0
0
0
CD
1
0
0
0
0
ACD
1
0
0
0
BCD
1
0
0
ABCD
1
0
Matriz experimental 24 fracionado, ou seja, 24-1 onde foi usado o contraste de definio ABCD.
Tratamentos
1
ab
ac
bc
ad
bd
cd
abcd
Contraste
B
-1
1
1
-1
1
-1
-1
1
20
AB
-1
1
-1
1
-1
1
-1
1
30
AC
1
1
-1
-1
-1
-1
1
1
-30
-1
-1
1
1
-1
-1
1
1
40
BC
1
-1
1
-1
-1
1
-1
1
0
ABC
1
-1
-1
1
1
-1
-1
1
30
D
-1
-1
-1
-1
1
1
1
1
70
AD
-1
-1
-1
-1
1
1
1
1
70
BD
1
-1
-1
1
1
-1
-1
1
30
ABD
1
-1
1
-1
-1
1
-1
1
0
CD
-1
-1
1
1
-1
-1
1
1
40
ACD
1
1
-1
-1
-1
-1
1
1
-30
BCD
-1
1
-1
1
-1
1
-1
1
30
122
ABCD
-1
1
1
-1
1
-1
-1
1
20
Y
1
1
1
1
1
1
1
1
10
15
25
35
40
35
30
50
No experimento 24-1fracionado realiza-se 8 ensaios, logo possvel estimar apenas 7 efeitos pois metade dos
efeitos est vinculada com outra metade.
Para se verificar os efeitos vinculados, multiplica-se o efeito pelo contraste de definio (ABCD) ou realizase a matriz de correlao.
.
Efeito
Efeito
Contraste
vinculado
A
ABCD
BCD
B
ABCD
ACD
AB
ABCD
CD
C
ABCD
ABD
AC
ABCD
BD
BC
ABCD
AD
ABC
ABCD
D
D
ABCD
ABC
Os efeitos
so:
AD vinculados
ABCD
BC
- A com
BDBCD, ABCD
AC
- B com
ACD,
ABD
ABCD
C
- AB com CD,
CD
ABCD
AB
- C com ABD,
ACD
ABCD
B
- AC com BD,
A
- BCBCD
com AD, ABCD
- ABC com D.
Verifica-se na matriz de correlao, os efeitos que apresentam correlao 1.
A
A
B
AB
C
AC
BC
ABC
D
AD
BD
ABD
CD
ACD
BCD
ABCD
1
0
0
0
0
0
0
0
0
0
0
0
0
1
#DIV/0!
1
0
0
0
0
0
0
0
0
0
0
1
0
#DIV/0!
AB
1
0
0
0
0
0
0
0
0
1
0
0
#DIV/0!
AC
1
0
0
0
0
0
0
1
0
0
0
#DIV/0!
BC
1
0
0
0
0
1
0
0
0
0
#DIV/0!
ABC
1
0
0
1
0
0
0
0
0
#DIV/0!
1
1
0
0
0
0
0
0
#DIV/0!
AD
1
0
0
0
0
0
0
#DIV/0!
BD
1
0
0
0
0
0
#DIV/0!
ABD
1
0
0
0
0
#DIV/0!
CD
1
0
0
0
#DIV/0!
ACD
1
0
0
#DIV/0!
BCD
1
0
#DIV/0!
ABCD
1
#DIV/0!
O experimento 24-1 de resoluo IV, ou seja, os efeitos principais esto vinculados com
interaes de trs fatores e as interaes de dois fatores esto vinculadas com outras de dois
fatores. As interaes de trs fatores no podem ser usadas na estimativa do termo de erro,
123
poisesto vinculadas com fatores principais.Seria necessrio realizar repeties para estimar o
termo de erro. A interao ABCD no pode ser estimada devido ao fracionamento ter sido
realizado usando o seu contraste de definio.
Um experimento 24-1 seria vivel caso um dos fatores B, C ou D no interagisse com os demais,
ou seja, existiriam razes tcnicas para escolher entre as interaes de dois fatores vinculadas
Por exemplo, se o fator D no interagisse com os demais:
AB com CD;
AC com BD;
BC com AD.
Mas ainda seria necessrio realizar repeties para estimar o termo de erro, pois no sobra
nenhuma interao de mais alta ordem livre uma vez que esto todas vinculadas com efeitos
principais e interaes de dois fatores.
EXEMPLO Experimento 2 4-1Fracionado
9.12
Nmero de cartas processadas por minuto em uma mquina processadora de envelopes depende de
4 fatores:
Fator A: ngulo da correia transportadora;
Fator B: Velocidade da correia;
Fator C: Material da correia;
Fator D: Posio da polia.
Cada um desses fatores fixado em dois nveis e a metade de um 24, ou seja, um 24-1 rodado.
ABCD escolhido como o contraste de definio.
Assim,
A(ABCD) = BCD, ...
AB(ABCD) = CD, ...

As frmulas usuais so utilizadas nos clculos, ou seja,
;
N corresponde a quantidade de ensaios realizadas no experimento fracionado.
No exemplo
A matriz experimental de um projeto fatorial 24
Tratamentos
1
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
I
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
A
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
B
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
AB
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
C
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
AC
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
BC
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
ABC
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
D
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
AD
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
1
BD
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1
ABD
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
CD
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
ACD
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
BCD
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
ABCD
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
124
Como pode ser visto, o contraste ABCD foi usado na diviso em dois blocos: bloco 1 amarelo
formado pelos sinais positivos e bloco 2 branco formado pelos sinais negativos.
Os engenheiros executaram apenas o bloco 1 amarelo.
Bloco 1
(1) ab ac bc ad bd
Bloco 2
cd abcd
c abc d abdacdbcd
Anlise de varincia para o projeto 24-1

Fonte
A ou BCD
B ou ACD
AB ou CD
C ou ABD
AC ou BD
BC ou AD
D ou ABC
Total
SQ
2701,125
1128,125
3,125
1,125
1,125
28,125
1,125
3863,875
GDL
1
1
1
1
1
1
1
7
No h termo de erro pois como no tem repetio no sobraram graus de liberdade;

Mas pode-se verificar que a SQ de A e B so bem maiores do que dos demais fatores;
Os demais fatores (AB,C,AC,BC,D) podem ser usados para estimar o termo de erro;
9.13
PAPEL DE PROBABILIDADE
Listar os efeitos em ordem (I = 1,7) crescente;
Plotar os efeitos no eixo vertical;
Com os valores de 100((2I-1) / 2N) no eixo vertical.
Efeito
C
D
AC
AB
BC
B
A
Valor Ordem I
-0,75
1
-0,75
2
0,75
3
1,25
4
3,75
5
23,75
6
36,75
7
100((2I-1) / 14)
7,1
21,4
35,7
50,0
64,2
78,6
92,8
125
Alternativa para estimar MQR:

Aglutinando as SQ dos efeitos no significativos:
SQR = SQC + SQD + SQAC + SQAB + SQBC = 34,625
SQR = 1,125 + 1,125+ 1,125 + 3,125 + 28,125 = 34,625
MQR = 34,625 / 5 = 6,9
O valor do MQR estimado colocado na tabela para continuar os clculos da tabela ANOVA.
Fonte
SQ
GDL
MQ
p-value
F crit
2701,13
1,00
2701,13
390,05
0,00001
6,61
1128,13
1,00
1128,13
162,91
0,00005
6,61
Erro
34,63
5,00
6,93
Total
3863,90
7,00
Os fatores A e B so significativos.
9.14 EXPERIMENTO 25 COMPLETO VS FRACIONADO
126
Matriz experimental de um experimento 2 5 completo

AB
TrataAB
AB
AC BC AB
AB
AC BC AB
AD BD AB CD AC BC CD
mentos A B AB C AC BC C D AD BD D CD D D CD E AE BE E CE E E CE DE E E DE E DE DE E
1
-1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1
a
1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1
b
-1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1
ab
1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1
c
-1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1
ac
1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1
-1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1
bc
abc
1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1
d
-1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1
ad
1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1
bd
-1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1
abd
1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1
cd
-1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1
acd
1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1
bcd
-1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
abcd
e
-1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1
1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1
ae
be
-1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1
abe
1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1
ce
-1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1
ace
1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1
bce
-1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1
abce
1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1
de
ade
1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1
-1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1
bde
abde
1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1
cde
-1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1
acde
1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1
bcde -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1
abcde 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
AB
AB
AC BC AB
AB
AC BC AB
AD BD AB CD AC BC AB
A B AB C AC BC C D AD BD D CD D D CD E AE BE E CE E E CE DE E E DE E DE DE CD
A
1
B
0 1
AB
0 0 1
C
0 0 0 1
AC
0 0 0 0 1
BC
0 0 0 0 0 1
0 0 0 0 0 0 1
ABC
D
0 0 0 0 0 0 0 1
AD
0 0 0 0 0 0 0 0 1
BD
0 0 0 0 0 0 0 0 0 1
ABD
0 0 0 0 0 0 0 0 0 0 1
CD
0 0 0 0 0 0 0 0 0 0 0 1
ACD
0 0 0 0 0 0 0 0 0 0 0 0 1
BCD
0 0 0 0 0 0 0 0 0 0 0 0 0 1
ABCD
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
E
AE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
BE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
ABE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
CE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
ACE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
BCE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
ABCE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
DE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
ADE
BDE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
ABDE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
CDE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
ACDE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
BCDE
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
ABCDE 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
127
No experimento completo no h correlao entre nenhum fator indicando que todos os efeitos
podem ser estudados separadamente. O termo de erro pode ser estimado pelas interaes de trs
fatores e quatro fatores e a interao ABCDE usada para estudar o efeito do bloco.
Matriz experimental 25 fracionado ou seja 25-1 onde foi usado o contraste de definio ABCDE:
Tratamentos
1
ab
ac
bc
ad
bd
cd
abcd
ae
be
ce
abce
de
abde
acde
bcde
AB
AB
AB
AC BC AB
AB
AC BC AB
AD BD AB CD AC BC CD
A B AB C AC BC C D AD BD D CD D D CD E AE BE E CE E E CE DE E E DE E DE DE E
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
-1
1
1
-1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
1
1
-1
1
-1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
1
-1
-1
1
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
-1
-1
1
1
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
-1
1
-1
1
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Sistema para verificao dos efeitos vinculados: multiplica-se o efeito pelo contraste de definio ABCDE
ou realiza-se a matriz de correlao.
Efeito Contraste
A
ABCDE
B
ABCDE
AB
ABCDE
C
ABCDE
AC
ABCDE
BC
ABCDE
ABC
ABCDE
ABCDE
D
AD
ABCDE
BD
ABCDE
ABD
ABCDE
CD
ABCDE
ACD
ABCDE
BCD
ABCDE
ABCD ABCDE
Efeitos vinculados
BCDE
ACDE
CDE
ABDE
BDE
ADE
DE
ABCE
BCE
ACE
CE
ABE
BE
AE
E
Oexperimento 25-1 de resoluo V, pois os efeitos principais esto confundidos com

interaes de quatro fatores, as interaes de dois fatores esto vinculadas com as de trs
(provavelmente no significativas). As interaes de trs fatores no podem ser usadas na
estimativa do termo de erro, pois esto vinculadas com interaes de dois fatores.A
interao ABCDE no pode ser estimada devido ao fracionamento ter sido realizado usando
o seu contraste de definio.Seria necessrio realizar repeties para estimar o termo de erro
ou teste grfico de probabilidade Normal.
9.15
128
ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS2k-1

O procedimento o seguinte:
Listar na ordem padro os tratamentos de um projeto 2k-1;
Adicionar entre parnteses uma letra (ou letras) para obter os tratamentos que foram
efetivamente rodados.
Seja o exemplo anterior de um 24-1, tendo ABCD como o contraste de definio, e seja que o
bloco 1 apenas rodado.
9.15.1 Exemplo Algoritmo de Yates

Tratamento Resposta
(1)
a(d)
b(d)
ab
c(d)
ac
bc
abc(d)
9.16
(1)
182
222
173
228
34
38
37
38
74
108
92
130
68
105
95
133
(2)
404
401
72
75
40
55
4
1
(3)
805
147
95
5
-3
3
15
-3
Efeito
(3) /2 3-1.1
-A+BCD = 36,75
B+ACD = 23,75
AB+CD = 1,25
C+ABD = -0,75
AC+BD = 0,75
BC+AD = 3,75
ABC+D = -0,75
SQ
(3)2 /2 3.1
2701,125
1128,125
3,125
1,125
1,125
28,125
1.125
EXPERIMENTO 2 6-1 FRACIONADO
O experimento 26-1 de resoluo VI, ou seja, os efeitos principais esto confundidos com
interaes de cinco fatores, as interaes de dois fatores esto vinculadas com as de quatro,
e as de trs fatores vinculadas com outras de trs.
As interaes de trs fatores (vinculadas com outras de trs fatores) so utilizadas para
estimar o termo de erro, no sendo necessrio realizar repeties.
9.17
EXPERIMENTO 2 7 COMPLETO VS FRACIONADO
9.17.1 Projeto 27 dividido em dois 27-1

Metade de um 27 =27-1= 64 ensaios;
Confundindo a interao mais alta com os blocos, ou seja, Contraste de definio = ABCDEFG
Dividindo em dois blocos, resulta:
Bloco 1
(1) ab ac bc ad bd
Bloco 2
cd abcd ....
c abc d acdabdbcd .....
Ensaia-se apenas um bloco, mas antes verifica-se os vnculos
129
...
...
... etc.
Tomando para erro as interaes de trs e quatro fatores,
Fonte
Efeitos principais A, B, ..., G
(ou interaes de 6 fatores)
Interaes de 2 fatores
Interaes de 3 fatores
Total
GDL
1 para cada
Sub-total
7
1 para cada
21
1 para cada
35
63
9.17.2 Projeto fatorial 27fracionado em quatro 27-1

Seja que no exemplo anterior 27os recursos permitissem rodar apenas 32 ensaios. Assim,
preciso rodar um projeto fracionado em 4.
Escolhendo duas interaes de cinco fatores, por exemplo ABCDE e CDEFG, para fazer a
diviso dos blocos, ento automaticamente uma terceira interao fica confundida:
As interaes confundidas no so independentes

Portanto, devem ser escolhidas com cuidado
Nesse projeto fracionado em 27-2, roda-se dos ensaios, logo cada efeito estar vinculado com
outros trs, por exemplo:
;
Efeitos principais livres de interaes de 2 fatores;

Trs interaes de 2 fatores (AB, AF, AG) vinculadas a outras interaes de 2 fatores
(FG, BG, BF);
Escolher com cuidado os fatores principais A, B, F, G;
Se qualquer um deles no apresentar interao com os demais, (por exemplo, operador
x aditivo), o experimento poder ser rodado;
As restantes 15 interaes de 2 fatores esto confundidas com interaes de 3 fatores ou
mais;
H ainda 6 GDL para o erro, que envolvem apenas interaes de 3 fatores ou mais.
130
9.17.3 Anlise do projeto 27 fracionado em quatro

Fonte
Efeitos principais A, B, ..., G
Interaes de 1a ordem AC, AD, ...
AB (ou FG), AF (ou BG), AG (ou BF)
Interaes de 2a ordem ACF, ACG, ...
Total
9.18
GDL
1 para cada
1 para cada
1 para cada
1 para cada
Sub-total
7
15
3
6
31
EXERCCIOS
9.1 Um grupo de engenheiros deseja determinar quais os fatores que afetam o tempo de
processamento em uma workstation. Eles decidem fazer um experimento incluindo os seguintes
fatores:
Fator
Nvel 1
Nvel 2
2
No
C1
D1
4
Sim
C2
D2
A = No de softwares abertos
B = Processador I/O
C = Distribuio dos arquivos
D = Tipo de coprocessador
Como os ensaios so bastante trabalhosos (exigem mudar o setup do computador e tomam

tempo), a escolha recaiu sobre um projeto 24 dividido em dois, ou seja, em um 2 4 -1. Os dados
coletados (tempo em minutos) revelaram:
(1) =
ab =
ac =
ad =
19,6
29,2
19,2
29,5
bc =
bd =
cd =
abcd =
11,8
22,0
08,7
20,6
Como pode ser visto, ABCD foi usado como o contraste de definio para o fracionamento.
Considerando que o fator D no interage em absoluto com os demais (informao tcnica dos
engenheiros), mas os demais fatores podem interagir entre si, pede-se:
a) Qual a caracterstica de qualidade que est sendo medida?
b) Use o mtodo de Yates e ache os efeitos e somas quadradas.
c) Indique quais os fatores e interaes significativos.
d) O que fazer para obter qualidade? Economia?
Soluo:
a) Caracterstica de qualidade:
c) Tabela de Yates
Tratam.
Resposta
(1)
(2)
(3)
(1)
a
b
ab
c
ac
bc
abc
Efeito
131
SQ
-A = BCD =
B = ACD =
d) Papel de probabilidade para identificar efeitos significativos:
Efeito
Valor
Ordem i
100 (2i-1) / 14
D
AB
C
BC
AC
B
A
-10,00
-1,10
1
2
7,1
21,4
99
95
80
50
20
5
1
0,1
d) Tomada de deciso
374,95
132
9.2. Um engenheiro de alimentos est estudando um processo de resfriamento. Por questes de

textura e sabor, sabe-se que o tempo de resfriamento ideal de 90 min. Analise os dados a
seguir, identifique os fatores significativos e conclua a respeito do melhor ajuste para o
processo.
Temperatura do ar
Velocidade do ar
Posio na cmara
Espaamento entre
unidades
A1=0
B1=10
C1 =
C2 =
baixa
alta
D1 =
D2 =
12
15
89
96
A2=5
B2=20
B1=10
B2=20
C1
C2
C1
C2
C1
C2
D2
D1
D2
D1
D1
D2
113
106
85
80
97
101
10
10 Metodologia de Superfcie
de Resposta e Otimizao
Carla tenCaten
10.15
O QUE MODELAGEM
As equaes de regresso podem ser usadas para analisar a relao entre uma
varivel dependente (varivel de resposta) e vrias variveis independentes (fatores
controlveis). A ANOVA permite identificar os fatores controlveis significativos
sobre a VR e os grficos permitem identificar o ajuste timo dos fatores
controlveis, sendo um dos nveis ensaiados. A regresso ainda permite prever o
valor da VR para uma determinada combinao dos fatores controlveis atravs da
equao de regresso e o ajuste timo pode ser um nvel intermedirio.
Quando utilizar:
A ANOVA permite trabalhar com fatores controlveis qualitativos (no-mtricas)
ou quantitativos (mtricas), desde que a VR seja quantitativa. A regresso pode ser
usada quando a VR e os fatores controlveis so quantitativos.
Sob certas circunstncias possvel incluir fatores controlveis no-mtricos
(transformando os FC do tipo ordinais ou nominais em varivel com codificao
dicotmica). Quando a varivel de resposta for no-mtrica utiliza-se a regresso
logstica ou loglinear.
A definio do ajuste timo da ANOVA realizada graficamente e fica restrito aos
ensaios realizados. A definio do ajuste timo da regresso realizada por
Pesquisa operacional e permite interpolao dos fatores controlveis pela equao
de regresso. O ajuste timo pode um nvel intermedirio dos fatores controlveis
que no foi ensaiado.
10.16
METODOLOGIA DE SUPERFCIE DE RESPOSTA
10.16.1 Introduo MSR

A Metodologia de Superfcie de Resposta (MSR) envolve uma srie de tcnicas
orientadas anlise de experimentos planejados de modo a gerar informaes
suficientes para a modelagem das respostas de interesse atravs de superfcies ndimensionais.
Aps a construo de modelos para a resposta, o interesse recai na busca do ajuste

timo, ou seja, na busca de regies que conduzam a um valor mnimo, mximo ou
nominal, conforme a caracterstica da resposta em questo.
Aplicaes da MSR
A MSR tem ampla aplicao dentro da engenharia, contribuindo para a otimizao
de produtos ou processos, principalmente quando os fatores controlveis so a
nveis contnuos.
Apesar do potencial da MSR no que se refere a otimizao de produtos e
processos, essa metodologia pouco empregada no Brasil, pois exige o domnio
dos conceitos bsicos de projeto de experimentos, regresso mltipla e otimizao,
e poucas escolas de engenharia mantm cursos que contemplem todas essas reas.
10.16.2 Etapas no uso da MSR

A proposta da MSR responder questes gerais referentes ao comportamento da
resposta dentro do intervalo de interesse e, em particular, mapear regies de alto
desempenho. Os estudos envolvem trs etapas principais:
Planejar o experimento, distribuindo adequadamente os pontos experimentais;
Estimar os coeficientes da equao da superfcie de resposta;
Explorar a superfcie de resposta encontrando o ajuste dos fatores que

maximiza a resposta;
A estratgia de anlise supe que a resposta Y possa ser representada por uma
funo polinomial dos fatores controlveis X1, X2, ..., Xk. Entre os modelos
possveis, esto:
o modelo linear,
o modelo quadrtico,
e tambm modelos no lineares.
10.16.3 Projetos de Superfcie de resposta

Os coeficientes dos modelos podem ser estimados mais eficientemente se for usado
um projeto experimental adequado para a coleta de dados. Projetos para o ajuste
de superfcies de resposta so chamados de projetos de superfcie de resposta.
Por exemplo, para ajustar modelos lineares, toda a classe de experimentos 2k so
particularmente eficientes. Eles permitem fracionamento e blocagem, e a
suposio de linearidade pode ser testada acrescentando-se alguns pontos centrais.
Exemplos de projetos para modelos lineares
Um projeto 22 com um ponto central
Um projeto 23 com um ponto central
10.16.4 Projetos para modelos quadrticos

Para o ajuste de modelos quadrticos, o Projeto Composto de Segunda Ordem
(PCSO) recomendado. Esse projeto, que ser visto a seguir tem inmeras
vantagens. Ele tem como base um projeto 2k, exige um nmero pequeno de
ensaios, pode contemplar blocagem, rotacionalidade e ortogonalidade.
O que aparece a seguir um exemplo de um PCSO para um experimento de dois
fatores controlveis:
Exemplo de um PCSO
Matriz experimental
A matriz experimental para esse experimento seria a seguinte:
Rodada
1 (1)
2 (a)
3 (b)
4 (ab)
5
6
7
8
9
X1
-1
+1
-1
+1
0
0
0
X2
-1
-1
+1
+1
0
0
Y
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Central
10.16.5 Construo dos PCSO

Como pode ser visto, o PCSO a soma de um experimento 2k, mais uma estrela,
mais pontos centrais. Por isso o nome projeto composto. Os pontos da parte fatorial
(2k) permitem a estimativa de termos lineares e interaes. Os pontos da estrela
permitem a estimativa de efeitos quadrticos puros.
De forma geral, os PCSO consistem de trs partes:
a) A parte fatorial, ou seja, 2k vrtices de um cubo k dimensional (ou uma frao
desses vrtices) com coordenadas 1, 1, ..., 1.
b) A parte em estrela, 2xk vrtices com coordenadas 0, ...,
, ...,0.
c) no pontos centrais, com coordenadas 0,0,...
Exemplo de um PCSO - 3 fatores

A figura a seguir apresenta um PCSO para um experimento de trs fatores:
X2
X3
X1
Matrix experimental
A matriz experimental desse projeto seria:
Rodada
1 (1)
2 (a)
3 (b)
4 (ab)
5 (c)
6 (ac)
7 (bc)
8 (abc)
9
10
11
12
13
14
15
X1 (A)
-1
+1
-1
-1
-1
+1
-1
+1
0
0
0
0
0
X2 (B)
-1
-1
+1
+1
-1
-1
+1
+1
0
0
X3 (C)
-1
-1
-1
+1
+1
+1
+1
+1
0
0
0
0
0
0
0
Y
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Estrela
Estrela
Central
PCSO para 4 fatores:

X1 (A)
X2 (B)
X3 ( C)
X4 (D)
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
ab
-1
-1
-1
-1
-1
ac
-1
-1
bc
-1
-1
abc
-1
-1
-1
-1
ad
-1
-1
bd
-1
-1
abd
-1
cd
-1
-1
acd
-1
bcd
-1
abcd
estrela X1
alfa
estrela X1
-alfa
estrela X2
alfa
estrela X2
-alfa
estrela X3
alfa
estrela X3
-alfa
estrela X4
alfa
estrela X4
-alfa
ponto central
ponto central
10.16.6 Caractersticas dos PCSO

Caso necessrio, o projeto pode contemplar repeties do ponto central,
aumentando os graus de liberdade do termo de erro, ou seja, permitindo uma
avaliao mais precisa da varincia experimental.
O valor de alfa pode ser definido de modo que o projeto tenha algumas
propriedades interessantes. Por exemplo, alfa pode ser calculado para atribuir
rotacionalidade ou ortogonalidade ao projeto.
10.16.6.1 Rotacionalidade
Um projeto rotacional assegura a mesma preciso nas estimativas de Y para todos
os pontos do espao amostral. Para atribuir rotacionalidade ao projeto, o valor de
alfa deve ser definido usando:
onde F se refere ao nmero de pontos da parte fatorial
10.16.6.2 Ortogonalidade
Outra possibilidade atribuir ao projeto a condio de ortogonalidade. Nesse caso,
as estimativas dos coeficientes de termos lineares e quadrticos resultam
independentes, ou seja, essas estimativas no se alteram quando algum termo
eliminado do modelo.
Para atribuir ortogonalidade ao projeto, o valor de alfa deve ser definido usando:
Onde F se refere ao nmero de pontos da parte fatorial.

T o nmero de pontos adicionais (estrela mais pontos centrais), multiplicado pelo
nmero de repeties n.
10.16.6.3 Blocos ortogonais

Por fim, os PCSO so particularmente eficientes quando existe a necessidade de
blocagem. Nesse caso, o projeto normalmente dividido em dois: um bloco
contendo a parte fatorial e o outro bloco contendo a parte em estrela. Os pontos
centrais so utilizados para assegurar o mesmo nmero de ensaios em cada bloco.
Para assegurar que os blocos sero ortogonais entre si, o que ir permitir extrair o
efeito entre blocos, caso ele exista, basta ter o mesmo nmero de ensaios em cada
bloco e definir o valor de alfa usando:
Quando o experimento est dividido em blocos ortogonais, realiza-se a parte

fatorial mais os pontos centrais. Se os pontos centrais detectarem a falta de ajuste
do modelo linear, roda-se a estrela para investigar os efeitos quadrticos, ou seja, a
parte da estrela s realizada caso necessrio.
10.17
MODELAGEM DAS VR
Inicialmente, a partir dos resultados do experimento planejado, chega-se a modelos
para as variveis de resposta. Esses modelos podem contemplar mdia e
variabilidade:
Y1 = f1 (X1, X2, ..., Xk)
Y2 = f2 (X1, X2, ..., Xk)
:
Yp = fp (X1, X2, ..., Xk)
= g1 (X1, X2, ..., Xk)

Y2 = g2 (X1, X2, ..., Xk)
Y1
:
Yp
= gp (X1, X2, ..., Xk)
Para todas as variveis de resposta Yj, j se conhece de antemo o seu valor

alvo, os limites de especificao e a importncia relativa (IRj).
10.17.1 Regresso linear simples

A regresso linear simples se aplica quelas situaes onde h duas variveis
(digamos, X e Y) que podem possuir uma relao de causa e efeito.Avarivel X
chamada de varivel independente ou fator controlvel (causa) e a varivel Y a
varivel dependente ou varivel de resposta (efeito, que depende de X). dito
relao linear simples, pois supe-se tendncia linear entre as variveis e simples
por ser uma nica varivel independente (X).
Seja que existam dados coletados (pares de valores) associando uma varivel de
resposta Y (varivel dependente) com uma varivel regressora X (varivel
independente). E suponha que a relao entre Y e X seja aproximadamente linear.
Ento o valor esperado de Y para cada valor de X vir dado por:
onde os parmetros da relao linear, 0 e

atravs de estimativas amostrais:
1, so desconhecidos e estimados
Vamos supor que cada observao Y possa ser descrita pelo modelo:
onde
o erro aleatrio, com mdia 0 e varincia
2.
Na equao de regresso linear simples, os coeficientes so:

0 a interseco, ou seja, o valor que Y assume quando X=0.
1 o coeficiente angular (inclinao da reta).O coeficiente 0 mostra a variao
de Y para cada unidade de variao de X. O coeficiente angular 1 a tangente do
ngulo e quanto maior o valor, mais inclinada a reta.
Se 1 positivo, a reta crescente;
Se 1 negativo, a reta decrescente;
Se 1 zero, Y no depende de X e a reta paralela ao eixo X na altura
do valor 0.
Exemplo
Aps uma regulagem eletrnica um veculo apresenta um rendimento ideal no
que tange a rendimento de combustvel. Contudo, com o passar do tempo esse
rendimento vai se degradando. Os dados que aparecem na tabela representam o
rendimento medido ms a ms aps a regulagem. Calcule a equao de
regresso.
Se h n pares de dados (Y1, X1), ..., (Yn, Yn) possvel estimar os parmetros
0 e 1 usando o mtodo dos Mnimos Quadrados Ordinrios (MQO), o qual
busca minimizar os resduos: R Y
Y
i
L=
(Yobs-Yest)2 =
obs
est
(Yi (b0 + b1 Xi))2

Meses(X)
1
2
3
4
5
6
7
8
9
10
11
12
Rendimento(Y)
10,7
10,9
10,8
9,3
9,5
10,4
9
9,3
7,6
7,6
7,9
7,7
O Mtodo dos Quadrados busca minimizar:
Onde b0 e b1 so estimativas amostrais de

seguintes estimativas:
b1 = SXY / SXX
onde:
0 e
1. O uso do mtodo conduz as
Meses(X)
1
2
3
4
5
6
7
8
9
10
11
12
78
6,5
Rendimento(Y)
10,7
10,9
10,8
9,3
9,5
10,4
9
9,3
7,6
7,6
7,9
7,7
110,7
9,225
;
;
Desvio-padro de X
Desvio-padro de Y
Covarincia de X,Y:
Coeficientes:
Equao de regresso:
X^2
1
4
9
16
25
36
49
64
81
100
121
144
650
Y^2
114,49
118,81
116,64
86,49
90,25
108,16
81
86,49
57,76
57,76
62,41
59,29
1039,55
X*Y
10,7
21,8
32,4
37,2
47,5
62,4
63
74,4
68,4
76
86,9
92,4
673,1
10.17.2 Exemplo
Um gerente deseja investigar o efeito do investimento em marketing sobre o volume de
vendas.
Invest
Vendas
R$ 2.000,00
R$ 10.200,00
R$ 2.050,00
R$ 10.900,00
R$ 3.000,00
R$ 11.800,00
R$ 3.500,00
R$ 12.300,00
R$ 4.000,00
R$ 12.990,00
R$ 4.200,00
R$ 13.720,00
R$ 4.860,00
R$ 14.400,00
R$ 5.355,71
R$ 14.980,00
R$ 5.851,43
R$ 15.990,00
R$ 6.347,14
R$ 16.500,00
R$ 6.842,86
R$ 17.920,00
R$ 7.338,57
R$ 17.900,00
R$ 7.834,29
R$ 18.650,00
R$ 8.330,00
R$ 20.089,00
R$ 8.825,71
R$ 20.100,00
R$ 9.321,43
R$ 20.730,00
RESUMO DOS RESULTADOS
Estatstica de regresso
R mltiplo
0,996464396
R-Quadrado 0,992941292
R-quadrado
ajustado
0,992437099
Erro padro
298,2228194
Observaes
16
ANOVA
gl
Regresso
SQ
1
MQ
F de
significao
175149195 1,75E+08 1969,3658 1,83463E-16
Resduo
14
1245115,9 88936,85
Total
15 176394310,9
Coeficientes Erro padro
Stat t
valor-P
95%
inferiores
95%
Inferior Superior
superiores 95,0%
95,0%
Interseo
7469,369498 197,2415564 37,86915 1,661E-15 7046,328434 7892,411 7046,328 7892,411
Invest
1,446165736 0,032587787 44,37754 1,835E-16 1,376271885
1,51606 1,376272 1,51606
Coeficiente de determinao R2
Coeficiente de determinao R2 uma medida de quo bem a equao de regresso se ajusta aos
dados amostrais.
1968ral
1954ral
1941ral
y = 1900ralx + 1920ral
R = 1900ral
1927ral
1913ral
1900ral
1900ral
1905ral
1910ral
1916ral
1921ral
1927ral
1968ral
1954ral
1941ral
y = 1900ralx + 1914ral
R = 1900ral
1927ral
1913ral
1900ral
1900ral
1905ral
1910ral
1916ral
1921ral
1927ral
O coeficiente de determinao R2 equivale a proporo da varincia dos valores de Y que pode

ser atribuda regresso com a varivel X.
O coeficiente de determinao calculado segundo:
O coeficiente de determinao indica o percentual da variabilidade de Y que

explicado pelo modelo de regresso em funo de X.
Para o exemplo analisado resultou
S xy2
S xx S yy
46,45 2
143,00 18,34
0,82
R2 =(-0,907)2 = 0,82, ou seja, 82% da variabilidade nos resultados de rendimento

de combustvel pode ser devida ao tempo decorrido aps a regulagem e 18% da
variabilidade total devido a outros fatores que no foram investigados ou a
fatores de ruido.
Hipteses do Modelo
A adequao do ajuste e as suposies do modelo podem ser verificadas atravs de
uma anlise dos resduos. Deve-se realizar a anlise de resduos que a diferena
entre os valores observados e os previstos pela equao
E verificar as seguintes hipteses:

A distribuio do erro possui mdia zero;
A varincia do erro constante;
A distribuio do erro normal;
Os valores do erro so independentes dos y observados.
Adequao do ajuste
A adequao do ajuste testada plotando os resduos em funo de X. Se o ajuste for
bom, os resduos seguiro um padro aleatrio. Caso contrrio, alguma tendncia
curvilneo ser observada.
Na figura abaixo, os resduos no so aleatrios, demonstrando a falta de ajuste do

modelo linear:
15
10
5
0
0
-5
-10
-15
10
12
14
Na Figura abaixo (a) representa uma situao onde o ajuste adequado, enquanto
que (b) representa uma situao onde o modelo linear no se ajusta bem aos dados.
Re 0
Re 0
-1
-1
-2
-2
12
16
20
X
(a)
12
16
X
(b)
Caso os resduos no estejam distribudos aleatoriamente indcio de falta de

ajuste do modelo, ou seja, faltou algum termo quadrtico, um logartmico ou outros
(de uma ou mais variveis independentes). Quando isso acontecer deve-se
acrescentar a tabela dos dados colunas com os termos julgados necessrios.
Se o modelo linear no fornece um bom ajuste, as vezes o problema pode ser
contornado trabalhando-se com valores transformados de X ou Y, por exemplo:
onde
Dados atpicos
Alguns dados coletados podem estar muito influenciados por fatores externos ao
estudo, ou podem ter sido digitados errados, ou podem ser provenientes de erros de
leitura.
Os resduos padronizados so calculados dividindo-se o resduo pelo desviopadro:
onde:
Considera-se um valor atpico quando o resduo padronizado (Z) for maior do que:
Z > 3,00 considerando um intervalo de confiana de 99,73% ou
Z > 1,96 considerando um intervalo de confiana de 95,00 %
20
Quando h desconfiana da presena destes dados, deve-se verificar a procedncia

dos mesmos e caso sejam valores realmente atpicos, devero ser retirados e uma
nova regresso deve ser feita.
Homogeneidade da varincia
A suposio de homogeneidade da varincia 2 ao longo de todo o intervalo de X
tambm pode ser verificada analisando o grfico de Resduos X.
A Figura abaixo apresenta duas situaes: (a) onde verifica-se a suposio de
homogeneidade, e (b) onde essa suposio violada.
Se a suposio de homogeneidade da varincia rejeitada, pode-se usar o mtodo da

regresso linear ponderada, onde se busca os valores de 0 e 1 que minimizam
(Yobs Yest ) 2
K i (Yi (b0 b1 X i )) 2
Nesse caso, os pesos kiso inversamente proporcionais varincia.

Anlise dos resduos padronizados
Se o resduo de algum ponto tem comportamento diferente dos resduos dos outros pontos
este ponto pode no pertencer a esse grupo de dados. Deve-se observar os valores dos
resduos padronizados para verificar a existncia de valores atpicos.Se houver registro de
alguma causa especial que tenha afetado essa coleta, essa observao pode ser eliminada
do conjunto e a anlise de regresso deve ser rodada novamente, possivelmente
fornecendo um modelo mais preciso.
Os resduos padronizados so calculados dividindo-se o resduo pelo desvio-padro:
Zi
Yobs Yest
S
Yobs
SQR / n 2
b0 b1 X i
S
SQR SYY
b1S XY
Considera-se um valor atpico quando o resduo padronizado (Zi) for maior do que:
Zi> 3,00 (quando o intervalo de confiana adotado for 99,73%);
Zi> 1,96 (quando o intervalo de confiana adotado for 95,00 %.
10.17.3 Regresso Mltipla

Embora haja muitos problemas em que uma varivel pode ser predita com bastante
preciso em termos de outra, claro que as predies devem melhorar se for
levado em conta informaes adicionais importantes. Por exemplo:
- Pode-se fazer melhores predies sobre o desempenho de funcionrios recmcontratados se for levado em considerao no somente sua formao, mas tambm
seu tempo de experincia e sua personalidade;
- Pode-se fazer melhor predio do sucesso de um novo produto se for considerado
no somente sua qualidade, mas o potencial de procura e a concorrncia.
- A qualidade de um processo qumico pode depender da temperatura, presso e
taxa de agitao.Nesse caso h trs variveis regressoras.
Uma equao de regresso linear mltipla expressa uma relao entre uma varivel
dependente e duas ou mais variveis independentes.
1X1
2X2
...
k Xk
Onde:
Y = valor da varivel dependente
0
= coeficiente de interseco
k = nmero de variveis independentes

X1, X2, ..., Xk, = variveis independentes
1,
2,
...,
= coeficientes das variveis independentes
e = termo de erro
O problema ento estimar o valor dos coeficientes
do tipo:
a partir de um conjunto de dados
X1
X2
...
Xk
y1
x11
x12
...
x1k
y2
.
.
.
yn
x21
.
.
.
xn1
x22
.
.
.
xn2
...
.
.
.
...
x2k
.
.
.
xnk
Ou seja,estimar bo, b1, b2 ...

A regresso pode ser realizada baseada em um experimento planejado onde no
existe correlao entre os fatores controlveis. Neste caso quando
adicionamos/retiramos um fator, os demais coeficientes no se alteram.
A regresso tambm pode ser realizada baseada em dados histricos onde existe
correlao entre os fatores controlveis. Neste caso quando adicionamos/retiramos
um fator, os demais coeficientes se alteram devido a multicolinearidade dos dados.
10.17.4 Exemplo
Um distribuidor de cerveja est analisando seu sistema de distribuio. Ele est
interessado em prever o tempo requerido para atender um ponto de venda. O engenheiro
industrial acredita que os dois fatores mais importantes so o nmero de caixas de
cerveja fornecidas e a distncia do depsito ao posto de venda. Os dados devem ser
coletados pareados. As linhas representam as observaes coletadas e as colunas os
fatores controlveis (Xs) e a Varivel de resposta (Y).
X1: n de
caixas
X2: n de caixas
Y:
tempo
10
15
10
20
25
18
12
14
16
22
24
17
13
30
30
25
40
18
22
31
26
34
29
37
20
25
27
23
24
27
29
31
25
33
26
28
31
39
33
30
25
12
24
33
40
Resoluo:
- Anlise preliminar dos dados: Fazer um grfico de disperso das variveis
independentes versus varivel dependente.
X1 = nmero de caixas
X2 = distncia
Anlise do modelo
Para testar a significncia geral do modelo de regresso realiza-se o
teste de hiptese F para confirmar a inexistncia de relao entre X e
Y .
H0:
H1:
ji
; ...;
=0
0 para pelo menos um
Obtm-se o Fcalculadofazendo
A hiptese nula ser rejeitada quando:

ou
ANOVA
Regresso
Resduo
Total
gl
2
12
14
SQ
331,3585994
118,3747339
449,7333333
MQ
165,67929997
9,864561157
F
16,7954
F de significao
0,000332524
Identificao dos fatores significativos

Para identificar os fatores significativos faz-se um teste individual sobre
a significncia de cada parmetro bi.
Se os resduos seguem o modelo normal, os parmetros bi tambm iro
seguir esse modelo, ou seja:
bi
2
bi
De modo que para testar as hipteses:

H0:
= 0 e H1:
Usa-se a distribuio de Student, calculando:
A hiptese nula ser rejeitada quando:
ti > t
/2
,n
k 1 ou valor-p < 0,05 (5%)
O valor-p representa a probabilidade de errar na afirmao de que o

fator controlvel tem efeito significativo quando no tem
Coeficientes
2,31120209
0,87720461
0,45592077
Interseo
Varivel X 1
Varivel X 2
Erro padro
5,857302725
0,153034597
0,146762335
Stat t
0,394584709
5,732067324
3,106524374
Valor-p
0,70007
9,4E-05
0,00908
Neste exemplo os fatores controlveisX1 e X2 so significativos, pois os

valores-p so menores que 0,05 (5%). A equao de regresso :
2,31 0,877 X1 0, 459 X 2
Os termos que no so significativos no devem permanecer no modelo.

Logo, deve-se retirar um termo por vez e rodar novamente a rotina de
regresso at definir um modelo com apenas termos significativos.
Anlisedo coeficiente de determinao R2

R2 uma medida de quo bem a equao de regresso mltipla se ajusta as
dados amostrais e indicaa percentagem da variabilidade total que
explicada pelo modelo de regresso em funo de X.O Coeficiente de
determinao R2 equivale a proporo da varincia dos valores de Y que
pode ser atribuda regresso com a varivel X, logo 0 R 1.
Se
, todas as observaes estaro sobre o hiperplano definido pelo
modelo(caso no houvesse variabilidade residual).
Se
, no h nenhuma relao entre a varivel de resposta e as
variveis independentes.
No exemplo, R2 = 0,7376, ou seja, 73,67% da variabilidade do fenmeno
pode ser explicada pelo modelo de regresso.
Estatstica de regresso
R mltiplo
R-Quadrado
R-quadrado ajustado
Erro padro
Observaes
0,85836418
0,73678906
0,69292057
3,14078989
15
Anlise do R2ajustado
O R2ajustado um ajuste do coeficiente de determinao R2modificado para
levar em considerao o nmero de variveis e o tamanho amostral.
2
Rajustado
n 1
n
k 1
1 R2
Onde: n o tamanho da amostra e k o nmero de variveis independentes

Para analisar o valor do R2ajustadodeve-secompar-lo com o valor do R2. Se
esses valores forem muito diferentes, pode-se afirmar que h um excesso
de variveis no modelo.
Anlise dos grficos dosresduos
Os resduos do ponto 5 tm comportamento diferente dos resduos dos outros

pontos. Este fato pode indicar que este ponto no pertence a esse grupo de dados.
Se houver registro de alguma causa especial que tenha afetado esta entrega em
particular, essa observao pode ser eliminada do conjunto e a anlise poderia ser
refeita, possivelmente fornecendo um modelo mais preciso.
Dados Atpicos
Seguindo na anlise, observar a coluna dos resduos padronizados para verificar a
existncia de valores atpicos. Se isso acontecer o dado atpico deve ser eliminado e
a rotina de regresso deve ser rodada novamente.
Observao
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Y previsto
24,7608713
26,8672905
29,320079
28,0618682
34,2715743
32,234429
24,6915975
30,0933728
29,5681782
38,478772
32,4825282
28,6216997
26,0247228
39,1135182
38,4094982
Resduos
-0,760871317
0,132709479
-0,320079022
2,938131815
-9,271574323
0,765571022
1,308402542
-2,093372844
1,431821786
0,521227954
0,517471829
1,378300256
-1,02472284
2,88648185
1,590501813
Resduos padro
-0,261665052
0,045639035
-0,110075767
1,010428962
-3,188511547
0,263281289
0,449962053
-0,71991479
0,492406159
0,179251257
0,177959518
0,474000006
-0,352404079
0,992666443
0,546976513
Codificao dos nveis

Nas equaes de regresso mltipla, pode ser interessante comparar os efeitos dos
diferentes fatores controlveis (termos) da equao.
Neste caso, necessrio padronizar o intervalo de variao dos diferentes termos
do modelo, para que os coeficientes sejam diretamente comparveis entre si.
necessrio converter os nveis reais do intervalo de investigao em nveis
codificados do intervalo.
O nvel baixo ser o nvel 1 e o nvel alto ser o nvel +1.
Apresenta-se a seguir como converter os nveis reais (NR) em nveis codificados

(NC):
NR VC
(( LSI LII ) / 2)
NC
NR (( LSI LII ) / 2 LII )

(( LSI LII ) / 2)
onde:
VC
representa o valor central do intervalo investigado;
LSI
representam o limite superior do intervalo investigado;
LII
representam o limite inferior do intervalo investigado.
Por exemplo, o intervalo de investigao da temperatura de 100 oC a 120 oC.

LII = 100 oC e o LSI = 120 oC.
O valor central calculado como:
VC
120 100
100 110
2
O nvel 100 oC calculado como:

O nvel 110 oC calculado como
E o nvel 120 oC calculado como
Como os nveis variam de 1 a +1, o clculo do coeficiente 1 (inclinao da reta)

em uma equao de regresso equivale ao efeito do fator dividido por dois
(distncia entre -1 e +1), ou seja,
1
efeitoANOV A
2
10.18
ANLISE DA MULTICOLINEARIDADE
Uma das suposies para o modelo de regresso a independncia entre as
variveis controlveis do modelo de regresso, j que quando a correlao entre as
variveis significativa, as inferncias para modelo de regresso so errneas.
A independncia entre os fatores alcanada coletando-se dados atravs de um

experimento fatorial cruzado. Quando a modelagem baseada em dados histricos
sem uma coleta planejada, os dados podem apresentar correlao entre os fatores
controlveis caracterizando a multicolinearidade. A multicolinearidade afeta
principalmente as estimativas da varincia e covarincia dos parmetros de
regresso, pois tende a inflacionar os termos da matriz (XX)-1, o que pode
acarretar na no-aceitao de significncia de algumas variveis controlveis,
mesmo quando a varivel resposta for linearmente relacionada a essas variveis.
Existem quatro situaes que indicam multicolinearidade:
1. Grandes alteraes nas estimativas dos parmetros quando uma varivel
adicionada/removida do modelo;
2. O resultado do teste F de significncia do modelo de regresso indica que a
regresso estatisticamente significante, mas nenhum dos testes t indica
significncia dos coeficientes de inclinao;
3. Os coeficientes de regresso apresentam sinais algbricos contrrios aos
esperados em experimentos anteriores ou conhecimentos tericos;
4. Variveis teoricamente importantes para o modelo no so consideradas
estatisticamente significantes.
Existem duas tcnicas principais para o diagnstico da multicolinearidade:
(i) a anlise da matriz de correlao;
(ii) o fator de inflao da varincia (FIV).
A primeira tcnica consiste na inspeo dos elementos rij que no pertencem
diagonal da matriz de correlao (XX). Se os regressores xi e xj forem linearmente
dependentes, ento rij aproximadamente igual a 0.
A segunda tcnica calcula o Rj como sendo o coeficiente de determinao mltiplo
de um modelo de regresso de xj sobre as demais k-1 variveis de controle, calculase o FIVj.
FIV j
C jj
1
1 R 2j
FIVj o elemento Cjj da diagonal da matriz (XX)-1 e indica quantas vezes a

estimativa da varincia do parmetro j est sendo inflacionada.
Se o FIVj for aproximadamente igual a 1, a varivel de controle j independente
das demais variveis de controle.
Recomenda-se adotar como limite mximo do FIV valores entre 5 e 10.
Para a soluo da multicolinearidade, existem algumas solues:
- coleta de novos dados de forma a combater a multicolinearidade entre as
variveis controlveis;
- remoo de algumas variveis do modelo;
- combinaes de algumas variveis (divises, multiplicaes, somas, etc) e a

utilizao da regresso corrigida;
- uso de projetos de experimentos, j que envolvem um planejamento de coleta de
dados que garante a ortogonalidade das variveis de controle;
- modelagem atravs de regresso PLS.
10.19
SELEO DE VARIVEIS DO MODELO

-Quando existir um nmero muito grande de variveis candidatas ao modelo (n>30
ou 40), a anlise do modelo de regresso pode tornar-se muito complexa por parte
do usurio. Dessa forma, sugere-se a utilizao de algum mtodo que pr-selecione
as variveis mais importantes para caracterizar a varivel resposta.
Existem 3 categorias diferentes do mtodo passo-a-passo:
1. seleo progressiva,
2. eliminao regressiva e
3. regresso por etapas.
A estatstica F parcial, que o valor do teste F para a varivel xi dado que as
variveis xj (ji) j esto no modelo:
Fi
SQ Re g (
QMR( x j , xi )
A seleo progressiva consiste na adio gradual de variveis controlveis ao

modelo. Esse mtodo inicia com o modelo com apenas o parmetro de intercepto e,
a seguir, seleciona-se a varivel de controle que apresenta maior coeficiente de
correlao simples com a resposta.
Caso o F parcial para essa varivel for maior que fentra, deve-se adicionar essa
varivel ao modelo. A cada etapa deste mtodo, seleciona-se a varivel que
apresente maior correlao com a resposta, essa adicionada desde que o valor do
teste parcial F seja maior que fentra. O procedimento finaliza assim que nenhuma
varivel puder ser adicionada ao modelo.
A eliminao regressiva consiste na remoo gradual de variveis controlveis do
modelo que contenha todas as variveis candidatas. Como primeiro passo deve-se
calcular o valor F parcial para todas as variveis como se cada uma delas fosse a
ltima a entrar no modelo.
A seguir, seleciona-se a varivel que possua o menor valor parcial F, se esse valor
for menor que fsai, deve-se retirar essa varivel do modelo. A cada etapa desse
mtodo, seleciona-se a varivel que apresentar menor valor parcial F, essas so
removidas sempre que o valor do teste parcial F for menor que fsai. Quando no
existirem variveis a serem excludas do modelo, o mtodo se finaliza.
A regresso por etapas a combinao da seleo progressiva e da eliminao
regressiva. Inicia-se com o modelo com nenhuma varivel e a cada etapa escolhe-
se a varivel com maior correlao com a resposta, que dever ser adicionada ao
modelo se Fi>fentra. Caso a varivel xi seja inserida no modelo, analisa-se a
possibilidade de retirada das outras variveis j selecionadas dado que xi est
presente. O procedimento termina assim que no existir nenhuma varivel para ser
includa ou removida do modelo.
10.20
SELEO DO MELHOR MODELO

O primeiro critrio a escolha do modelo que maximiza o coeficiente de
determinao. Esse critrio deve ser utilizado com cuidado, pois a adio de novas
variveis ao modelo acarreta um aumento do R2, sem de fato melhorar o modelo.
Neste caso possvel utilizar o coeficiente de determinao ajustado. Essa
estatstica uma modificao do coeficiente de determinao, que considera
tambm o nmero de variveis do modelo, penalizando modelos que possuam mais
variveis. O segundo critrio seria a escolha do modelo que apresente esses dois
coeficientes aproximadamente iguais.
Um outro critrio lgico a escolha do modelo que apresente menor estimativa
para os erros, ou seja, deve-se escolher o modelo que minimize MQR. Dessa
forma, os critrios para escolha de modelos devem balancear a minimizao do
MQR com o aumento da complexidade da equao.
10.21
FUNO DE PERDA MULTIVARIADA
10.21.1 Introduo funo de perda multivariada

Na maioria dos estudos experimentais, existe mais de uma varivel de resposta de
interesse, exigindo o uso de algum procedimento multivariado na busca do ajuste
timo dos fatores controlveis.
O procedimento que ser mostrado a seguir baseia-se na utilizao da Funo de
Perda Multivariada como funo objetivo a ser otimizada. Trata-se de um
procedimento bastante genrico que ir fornecer resultados consistentes na maioria
das aplicaes prticas.
A funo de perda empregada para quantificar a perda que um produto impem
sociedade pela falta de qualidade.
Em muitos casos, essa perda resulta aproximadamente proporcional ao quadrado
do desvio da meta estabelecida para uma certa caracterstica de qualidade, ou seja:
Zi
K j (Y j T j ) 2
Z(i) a perda associada com o desvio da meta, para a unidade i;

Y o valor medido da VRjcoletada em um determinado ajuste i dos FC i;
T a meta para a respectiva VRj;
k o coeficiente de perda da qualidade, que converte o desvio do alvo em R$.
Na otimizao, preciso atribuir pesos a cada VR. Esses pesos k, tm duas

funes:
a) normalizar os valores que representam os desvios do alvo, obtidos nas unidades
de grandeza da VR, para que os desvios de todas as VR possam ser diretamente
comparveis;
b) considerar a importncia relativa (IRj) de cada VR.
Para todas as variveis de resposta Yj, deve-se conhecer de antemo o seu valor
alvo, os limites de especificao e a importncia relativa (IRj).
Existem trs tipos variveis de resposta: nominal--melhor, maior--melhor e
menor--melhor.
Nominal--melhor se refere s caractersticas que tm um valor alvo e qualquer
desvio deste valor (para cima ou para baixo) incorre em uma perda de qualidade.
Por exemplo, seja uma caracterstica de qualidade cujo valor alvo T = 6,0 e
especificaes de +/- 3,0.
Nominal--melhor:
P er d a
20
15
L ( y)
10
5
0
0
12
Maior--melhor se refere s caractersticas que tm um valor mnimo estabelecido

e, se esse valor for superado tanto melhor. Por exemplo, seja uma caracterstica
cujo valor Alvo=12 e limite inferior de 3,0. No existe limite superior de
especificao.
Maior--melhor:
P er d a
14
12
10
L (y)
8
6
4
2
0
0
12
Menor--melhor se refere s caractersticas que tm um valor mximo estabelecido

e, se esse valor for menor tanto melhor. Por exemplo, seja uma caracterstica cujo
valor Alvo=1 e limite inferior de 7,0. No existe limite inferior de especificao.
Menor--melhor:
P er d a
3 0 ,0 0
2 5 ,0 0
2 0 ,0 0
L (y)
1 5 ,0 0
1 0 ,0 0
5 ,0 0
0 ,0 0
0
12
10.21.2 FUNO PERDA MULTIVARIADA

A expresso da funo de perda multivariada a seguinte:
onde: Z(i) o valor que a funo de perda Z assume para um dado ajuste do
conjunto dos fatores controlveis;
Kj a ponderao atribuda a VR "j";
o modelo matemtico que fornece uma estimativa da mdia da VR j em

Y
j
funo do ajuste dos fatores controlveis;
Tj o valor alvo para a VR "j";

(nota: para VR do tipo maior melhor ou menor melhor, quando o valor de Y
supera o alvo, atribui-se zero para o correspondente desvio do alvo).
EXEMPLO: Funo de perda para a mdia de duas variveis de resposta:

primeira VR = Produtividade do tipo Maior--melhor
segunda VR = Qualidade do tipo Nominal--melhor
Z i
IR1
(alvo1
LIE1 )
Y1 T1
IR2
( LSE2
LIE2 ) / 2
Y2
T2
10.21.3 Notas sobre a Funo perda Multivariada

Vale observar que a perda funo das equaes das VR, que por sua vez so funo dos
fatores controlveis X. Logo, em ltima anlise tem-se que a perda funo de X, ou
seja, funo do ajuste dos fatores controlveis.
Observa-se tambm que a perda cresce quadraticamente quando qualquer VR afasta-se do
alvo (ou em regies onde aumenta a variabilidade das VR). Assim, o objetivo encontrar
o ajuste dos fatores controlveis que minimiza a funo perda.
Este ajuste timo estar associado a uma regio onde as VR esto prximas de seus
respectivos alvos (ou em regies onde a variabilidade pequena). Em projetos com
muitos fatores, a busca do ponto timo exige suporte computacional.
O Solver do Excel ou Response Optmizer do Minitabpodem ser usados para identificar a
melhor combinao dos fatores controlveis que otimiza o conjunto das variveis de
resposta simultaneamente.
Bibliografia
1. ANG, A.H-S. & Tang, W.H. (1984), Probability Concepts in
Engineering Planning and Design. John Wiley and Sons, New York.
2. BOWKER & Lieberman, (1959), Engineering Statistics. Prentice
Hall, Inc., Englewood Cliffs, New Jersey, USA.
3. BOX, G., Hunter, W.G., and Hunter, J.S. (1978), Statistics for
experimenters, John Wiley and Sons, New York.
4. DUNCAN, A.J. (1974), Quality Control and Industrial Statistics,
4th ed., Irwin, Homewood, ILL.
5. HICKS, C.R. (1973), Fundamental Concepts in the Design of
Experiments. John Wiley and Sons, New York.
6. JOHNSON, N.L. & Leone, F.C. (1977), Statistics and Experimental
Design. John Wiley and Sons, New York.
7. MILLER, I. & Freund, J.E. (1977), Probability and Statistics for
Engineers. 2nd ed., Prentice Hall, Inc., Englewood Cliffs, New Jersey,
USA.
8. MONTGOMERY, D.C. (1984), Design and analysis of
experiments. John Wiley and Sons, New York, 2nd ed.
9. MONTGOMERY, D.C. (1985), Introduction to Statistical Quality
Control. John Wiley and Sons, New York.
10. SHAPIRO, S.S. & Gross, A.J. (1981), Statistical Modeling
Technique. Marcel Dekker, Inc, New York.
11. SNEDECOR, G.W. & Cochran, W.G. (1980), Statistical Methods.
7th ed., The Iowa State Univ. Press, Iowa, USA.
12. WERKEMA, M. C. C. Ferramentas Estatsticas Bsicas para o
Gerenciamento do Processo, Fundao Christiano Ottoni, Escola de
Engenharia da UFMG, Belo Horizonte, MG,1995
13. WERKEMA, M. C. C. Planejamento de experimentos, Fundao
Christiano Ottoni, Escola de Engenharia da UFMG, Belo Horizonte,
MG,1995
reas sob a curva normal

(Cauda da esquerda)
z
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
-3,9
-3,8
-3,7
-3,6
-3,5
-3,4
-3,3
-3,2
-3,1
-3,0
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,0000
0,0001
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0010
0,0014
0,0019
0,0026
0,0036
0,0048
0,0064
0,0084
0,0110
0,0143
0,0183
0,0233
0,0294
0,0367
0,0455
0,0559
0,0681
0,0823
0,0985
0,1170
0,1379
0,1611
0,1867
0,2148
0,2451
0,2776
0,3121
0,3483
0,3859
0,4247
0,4641
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0005
0,0007
0,0010
0,0014
0,0020
0,0027
0,0037
0,0049
0,0066
0,0087
0,0113
0,0146
0,0188
0,0239
0,0301
0,0375
0,0465
0,0571
0,0694
0,0838
0,1003
0,1190
0,1401
0,1635
0,1894
0,2177
0,2483
0,2810
0,3156
0,3520
0,3897
0,4286
0,4681
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0005
0,0008
0,0011
0,0015
0,0021
0,0028
0,0038
0,0051
0,0068
0,0089
0,0116
0,0150
0,0192
0,0244
0,0307
0,0384
0,0475
0,0582
0,0708
0,0853
0,1020
0,1210
0,1423
0,1660
0,1922
0,2206
0,2514
0,2843
0,3192
0,3557
0,3936
0,4325
0,4721
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0015
0,0021
0,0029
0,0039
0,0052
0,0069
0,0091
0,0119
0,0154
0,0197
0,0250
0,0314
0,0392
0,0485
0,0594
0,0721
0,0869
0,1038
0,1230
0,1446
0,1685
0,1949
0,2236
0,2546
0,2877
0,3228
0,3594
0,3974
0,4364
0,4761
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0016
0,0022
0,0030
0,0040
0,0054
0,0071
0,0094
0,0122
0,0158
0,0202
0,0256
0,0322
0,0401
0,0495
0,0606
0,0735
0,0885
0,1056
0,1251
0,1469
0,1711
0,1977
0,2266
0,2578
0,2912
0,3264
0,3632
0,4013
0,4404
0,4801
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0012
0,0016
0,0023
0,0031
0,0041
0,0055
0,0073
0,0096
0,0125
0,0162
0,0207
0,0262
0,0329
0,0409
0,0505
0,0618
0,0749
0,0901
0,1075
0,1271
0,1492
0,1736
0,2005
0,2296
0,2611
0,2946
0,3300
0,3669
0,4052
0,4443
0,4840
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0009
0,0012
0,0017
0,0023
0,0032
0,0043
0,0057
0,0075
0,0099
0,0129
0,0166
0,0212
0,0268
0,0336
0,0418
0,0516
0,0630
0,0764
0,0918
0,1093
0,1292
0,1515
0,1762
0,2033
0,2327
0,2643
0,2981
0,3336
0,3707
0,4090
0,4483
0,4880
0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0005
0,0006
0,0009
0,0013
0,0018
0,0024
0,0033
0,0044
0,0059
0,0078
0,0102
0,0132
0,0170
0,0217
0,0274
0,0344
0,0427
0,0526
0,0643
0,0778
0,0934
0,1112
0,1314
0,1539
0,1788
0,2061
0,2358
0,2676
0,3015
0,3372
0,3745
0,4129
0,4522
0,4920
0,0000
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0009
0,0013
0,0018
0,0025
0,0034
0,0045
0,0060
0,0080
0,0104
0,0136
0,0174
0,0222
0,0281
0,0351
0,0436
0,0537
0,0655
0,0793
0,0951
0,1131
0,1335
0,1562
0,1814
0,2090
0,2389
0,2709
0,3050
0,3409
0,3783
0,4168
0,4562
0,4960
0,0000
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0010
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,9990
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
1,0000
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9987
0,9991
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
1,0000
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987
0,9991
0,9994
0,9995
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9988
0,9991
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9988
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989
0,9992
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9990
0,9993
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,9990
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
0,9999
1,0000
Distribuio de Student - cauda da direita

Pr (t >talfa) = alfa
GL
Nvel de
significncia - alfa
0,250
0,100
0,050
0,025
0,010
0,005
1
2
3
4
5
6
1,000
0,816
0,765
0,741
0,727
0,718
3,078
1,886
1,638
1,533
1,476
1,440
6,314
2,920
2,353
2,132
2,015
1,943
12,706
4,303
3,182
2,776
2,571
2,447
31,821
6,965
4,541
3,747
3,365
3,143
63,656
9,925
5,841
4,604
4,032
3,707
7
8
9
10
11
0,711
0,706
0,703
0,700
0,697
1,415
1,397
1,383
1,372
1,363
1,895
1,860
1,833
1,812
1,796
2,365
2,306
2,262
2,228
2,201
2,998
2,896
2,821
2,764
2,718
3,499
3,355
3,250
3,169
3,106
12
13
14
15
16
0,695
0,694
0,692
0,691
0,690
1,356
1,350
1,345
1,341
1,337
1,782
1,771
1,761
1,753
1,746
2,179
2,160
2,145
2,131
2,120
2,681
2,650
2,624
2,602
2,583
3,055
3,012
2,977
2,947
2,921
17
18
19
20
21
0,689
0,688
0,688
0,687
0,686
1,333
1,330
1,328
1,325
1,323
1,740
1,734
1,729
1,725
1,721
2,110
2,101
2,093
2,086
2,080
2,567
2,552
2,539
2,528
2,518
2,898
2,878
2,861
2,845
2,831
22
23
24
25
26
0,686
0,685
0,685
0,684
0,684
1,321
1,319
1,318
1,316
1,315
1,717
1,714
1,711
1,708
1,706
2,074
2,069
2,064
2,060
2,056
2,508
2,500
2,492
2,485
2,479
2,819
2,807
2,797
2,787
2,779
27
28
29
inf
0,684
0,683
0,683
0,674
1,314
1,313
1,311
1,282
1,703
1,701
1,699
1,645
2,052
2,048
2,045
1,960
2,473
2,467
2,462
2,326
2,771
2,763
2,756
2,576
Distribuio do Qui Quadrado - cauda da direita

Pr (QQ >QQalfa) = alfa
GL
Nvel de
significncia alfa
0,995 0,990 0,975
0,950
0,900
0,010
0,050
0,025
0,010
0,005
1
2
3
4
5
6
0,0000
0,010
0,072
0,207
0,412
0,676
0,0002
0,020
0,115
0,297
0,554
0,872
0,0010
0,051
0,216
0,484
0,831
1,237
0,0039
0,103
0,352
0,711
1,145
1,635
0,016
0,211
0,584
1,064
1,610
2,204
6,635
9,210
11,345
13,277
15,086
16,812
3,841
5,991
7,815
9,488
11,070
12,592
5,024
7,378
9,348
11,143
12,832
14,449
6,635
9,210
11,345
13,277
15,086
16,812
7,879
10,597
12,838
14,860
16,750
18,548
7
8
9
10
11
0,989
1,344
1,735
2,156
2,603
1,239
1,647
2,088
2,558
3,053
1,690
2,180
2,700
3,247
3,816
2,167
2,733
3,325
3,940
4,575
2,833
3,490
4,168
4,865
5,578
18,475
20,090
21,666
23,209
24,725
14,067
15,507
16,919
18,307
19,675
16,013
17,535
19,023
20,483
21,920
18,475
20,090
21,666
23,209
24,725
20,278
21,955
23,589
25,188
26,757
12
13
14
15
16
3,074
3,565
4,075
4,601
5,142
3,571
4,107
4,660
5,229
5,812
4,404
5,009
5,629
6,262
6,908
5,226
5,892
6,571
7,261
7,962
6,304
7,041
7,790
8,547
9,312
26,217
27,688
29,141
30,578
32,000
21,026
22,362
23,685
24,996
26,296
23,337
24,736
26,119
27,488
28,845
26,217
27,688
29,141
30,578
32,000
28,300
29,819
31,319
32,801
34,267
17
18
19
20
21
5,697
6,265
6,844
7,434
8,034
6,408
7,015
7,633
8,260
8,897
7,564
8,231
8,907
9,591
10,283
8,672
9,390
10,117
10,851
11,591
10,085
10,865
11,651
12,443
13,240
33,409
34,805
36,191
37,566
38,932
27,587
28,869
30,144
31,410
32,671
30,191
31,526
32,852
34,170
35,479
33,409
34,805
36,191
37,566
38,932
35,718
37,156
38,582
39,997
41,401
22
23
24
25
26
8,643
9,260
9,886
10,520
11,160
9,542
10,196
10,856
11,524
12,198
10,982
11,689
12,401
13,120
13,844
12,338
13,091
13,848
14,611
15,379
14,041
14,848
15,659
16,473
17,292
40,289
41,638
42,980
44,314
45,642
33,924
35,172
36,415
37,652
38,885
36,781
38,076
39,364
40,646
41,923
40,289
41,638
42,980
44,314
45,642
42,796
44,181
45,558
46,928
48,290
27
28
29
30
11,808
12,461
13,121
13,787
12,878
13,565
14,256
14,953
14,573
15,308
16,047
16,791
16,151
16,928
17,708
18,493
18,114
18,939
19,768
20,599
46,963
48,278
49,588
50,892
40,113
41,337
42,557
43,773
43,195
44,461
45,722
46,979
46,963
48,278
49,588
50,892
49,645
50,994
52,335
53,672
Distribuio F - cauda da direita

Pr (F >Falfa(n1,n2)) = alfa
Nvel de significncia - alfa = 0,05
n1 1
161,4
18,51
10,13
7,71
6,61
5,99
199,5
19,00
9,55
6,94
5,79
5,14
215,7
19,16
9,28
6,59
5,41
4,76
224,6
19,25
9,12
6,39
5,19
4,53
230,2
19,30
9,01
6,26
5,05
4,39
234,0
19,33
8,94
6,16
4,95
4,28
236,8
19,35
8,89
6,09
4,88
4,21
238,9
19,37
8,85
6,04
4,82
4,15
7
8
9
10
11
5,59
5,32
5,12
4,96
4,84
4,74
4,46
4,26
4,10
3,98
4,35
4,07
3,86
3,71
3,59
4,12
3,84
3,63
3,48
3,36
3,97
3,69
3,48
3,33
3,20
3,87
3,58
3,37
3,22
3,09
3,79
3,50
3,29
3,14
3,01
12
13
14
15
16
4,75
4,67
4,60
4,54
4,49
3,89
3,81
3,74
3,68
3,63
3,49
3,41
3,34
3,29
3,24
3,26
3,18
3,11
3,06
3,01
3,11
3,03
2,96
2,90
2,85
3,00
2,92
2,85
2,79
2,74
17
18
19
20
21
4,45
4,41
4,38
4,35
4,32
3,59
3,55
3,52
3,49
3,47
3,20
3,16
3,13
3,10
3,07
2,96
2,93
2,90
2,87
2,84
2,81
2,77
2,74
2,71
2,68
22
23
24
25
26
4,30
4,28
4,26
4,24
4,23
3,44
3,42
3,40
3,39
3,37
3,05
3,03
3,01
2,99
2,98
2,82
2,80
2,78
2,76
2,74
27
28
29
30
40
4,21
4,20
4,18
4,17
4,08
3,35
3,34
3,33
3,32
3,23
2,96
2,95
2,93
2,92
2,84
60
80
100
500
4,00
3,96
3,94
3,86
3,15
3,11
3,09
3,01
2,76
2,72
2,70
2,62
n2
1
2
3
4
5
6
10
12
15
20
30
40
60
120
500
240,5
19,38
8,81
6,00
4,77
4,10
n1
n2
1
2
3
4
5
6
241,9
19,40
8,79
5,96
4,74
4,06
243,9
19,41
8,74
5,91
4,68
4,00
245,9
19,43
8,70
5,86
4,62
3,94
248,0
19,45
8,66
5,80
4,56
3,87
250,1
19,46
8,62
5,75
4,50
3,81
251,1
19,47
8,59
5,72
4,46
3,77
252,2
19,48
8,57
5,69
4,43
3,74
253,3
19,49
8,55
5,66
4,40
3,70
254,1
19,49
8,53
5,64
4,37
3,68
3,73
3,44
3,23
3,07
2,95
3,68
3,39
3,18
3,02
2,90
7
8
9
10
11
3,64
3,35
3,14
2,98
2,85
3,57
3,28
3,07
2,91
2,79
3,51
3,22
3,01
2,85
2,72
3,44
3,15
2,94
2,77
2,65
3,38
3,08
2,86
2,70
2,57
3,34
3,04
2,83
2,66
2,53
3,30
3,01
2,79
2,62
2,49
3,27
2,97
2,75
2,58
2,45
3,24
2,94
2,72
2,55
2,42
2,91
2,83
2,76
2,71
2,66
2,85
2,77
2,70
2,64
2,59
2,80
2,71
2,65
2,59
2,54
12
13
14
15
16
2,75
2,67
2,60
2,54
2,49
2,69
2,60
2,53
2,48
2,42
2,62
2,53
2,46
2,40
2,35
2,54
2,46
2,39
2,33
2,28
2,47
2,38
2,31
2,25
2,19
2,43
2,34
2,27
2,20
2,15
2,38
2,30
2,22
2,16
2,11
2,34
2,25
2,18
2,11
2,06
2,31
2,22
2,14
2,08
2,02
2,70
2,66
2,63
2,60
2,57
2,61
2,58
2,54
2,51
2,49
2,55
2,51
2,48
2,45
2,42
2,49
2,46
2,42
2,39
2,37
17
18
19
20
21
2,45
2,41
2,38
2,35
2,32
2,38
2,34
2,31
2,28
2,25
2,31
2,27
2,23
2,20
2,18
2,23
2,19
2,16
2,12
2,10
2,15
2,11
2,07
2,04
2,01
2,10
2,06
2,03
1,99
1,96
2,06
2,02
1,98
1,95
1,92
2,01
1,97
1,93
1,90
1,87
1,97
1,93
1,89
1,86
1,83
2,66
2,64
2,62
2,60
2,59
2,55
2,53
2,51
2,49
2,47
2,46
2,44
2,42
2,40
2,39
2,40
2,37
2,36
2,34
2,32
2,34
2,32
2,30
2,28
2,27
22
23
24
25
26
2,30
2,27
2,25
2,24
2,22
2,23
2,20
2,18
2,16
2,15
2,15
2,13
2,11
2,09
2,07
2,07
2,05
2,03
2,01
1,99
1,98
1,96
1,94
1,92
1,90
1,94
1,91
1,89
1,87
1,85
1,89
1,86
1,84
1,82
1,80
1,84
1,81
1,79
1,77
1,75
1,80
1,77
1,75
1,73
1,71
2,73
2,71
2,70
2,69
2,61
2,57
2,56
2,55
2,53
2,45
2,46
2,45
2,43
2,42
2,34
2,37
2,36
2,35
2,33
2,25
2,31
2,29
2,28
2,27
2,18
2,25
2,24
2,22
2,21
2,12
27
28
29
30
40
2,20
2,19
2,18
2,16
2,08
2,13
2,12
2,10
2,09
2,00
2,06
2,04
2,03
2,01
1,92
1,97
1,96
1,94
1,93
1,84
1,88
1,87
1,85
1,84
1,74
1,84
1,82
1,81
1,79
1,69
1,79
1,77
1,75
1,74
1,64
1,73
1,71
1,70
1,68
1,58
1,69
1,67
1,65
1,64
1,53
2,53
2,49
2,46
2,39
2,37
2,33
2,31
2,23
2,25
2,21
2,19
2,12
2,17
2,13
2,10
2,03
2,10
2,06
2,03
1,96
2,04
2,00
1,97
1,90
60
80
100
500
1,99
1,95
1,93
1,85
1,92
1,88
1,85
1,77
1,84
1,79
1,77
1,69
1,75
1,70
1,68
1,59
1,65
1,60
1,57
1,48
1,59
1,54
1,52
1,42
1,53
1,48
1,45
1,35
1,47
1,41
1,38
1,26
1,41
1,35
1,31
1,16

n1 1
647,8
38,51
17,44
12,22
10,01
8,81
799,5
39,00
16,04
10,65
8,43
7,26
864,2
39,17
15,44
9,98
7,76
6,60
899,6
39,25
15,10
9,60
7,39
6,23
921,8
39,30
14,88
9,36
7,15
5,99
937,1
39,33
14,73
9,20
6,98
5,82
948,2
39,36
14,62
9,07
6,85
5,70
956,6
39,37
14,54
8,98
6,76
5,60
7
8
9
10
11
8,07
7,57
7,21
6,94
6,72
6,54
6,06
5,71
5,46
5,26
5,89
5,42
5,08
4,83
4,63
5,52
5,05
4,72
4,47
4,28
5,29
4,82
4,48
4,24
4,04
5,12
4,65
4,32
4,07
3,88
4,99
4,53
4,20
3,95
3,76
12
13
14
15
16
6,55
6,41
6,30
6,20
6,12
5,10
4,97
4,86
4,77
4,69
4,47
4,35
4,24
4,15
4,08
4,12
4,00
3,89
3,80
3,73
3,89
3,77
3,66
3,58
3,50
3,73
3,60
3,50
3,41
3,34
17
18
19
20
21
6,04
5,98
5,92
5,87
5,83
4,62
4,56
4,51
4,46
4,42
4,01
3,95
3,90
3,86
3,82
3,66
3,61
3,56
3,51
3,48
3,44
3,38
3,33
3,29
3,25
22
23
24
25
26
5,79
5,75
5,72
5,69
5,66
4,38
4,35
4,32
4,29
4,27
3,78
3,75
3,72
3,69
3,67
3,44
3,41
3,38
3,35
3,33
27
28
29
30
40
5,63
5,61
5,59
5,57
5,42
4,24
4,22
4,20
4,18
4,05
3,65
3,63
3,61
3,59
3,46
60
80
100
500
5,29
5,22
5,18
5,05
3,93
3,86
3,83
3,72
3,34
3,28
3,25
3,14
n2
1
2
3
4
5
6
10
12
15
20
30
40
60
120
500
963,3
39,39
14,47
8,90
6,68
5,52
n1
n2
1
2
3
4
5
6
968,6
39,40
14,42
8,84
6,62
5,46
976,7
39,41
14,34
8,75
6,52
5,37
984,9
39,43
14,25
8,66
6,43
5,27
993,1
39,45
14,17
8,56
6,33
5,17
1001,4
39,46
14,08
8,46
6,23
5,07
1005,6
39,47
14,04
8,41
6,18
5,01
1009,8
39,48
13,99
8,36
6,12
4,96
1014,0
39,49
13,95
8,31
6,07
4,90
1017,2
39,50
13,91
8,27
6,03
4,86
4,90
4,43
4,10
3,85
3,66
4,82
4,36
4,03
3,78
3,59
7
8
9
10
11
4,76
4,30
3,96
3,72
3,53
4,67
4,20
3,87
3,62
3,43
4,57
4,10
3,77
3,52
3,33
4,47
4,00
3,67
3,42
3,23
4,36
3,89
3,56
3,31
3,12
4,31
3,84
3,51
3,26
3,06
4,25
3,78
3,45
3,20
3,00
4,20
3,73
3,39
3,14
2,94
4,16
3,68
3,35
3,09
2,90
3,61
3,48
3,38
3,29
3,22
3,51
3,39
3,29
3,20
3,12
3,44
3,31
3,21
3,12
3,05
12
13
14
15
16
3,37
3,25
3,15
3,06
2,99
3,28
3,15
3,05
2,96
2,89
3,18
3,05
2,95
2,86
2,79
3,07
2,95
2,84
2,76
2,68
2,96
2,84
2,73
2,64
2,57
2,91
2,78
2,67
2,59
2,51
2,85
2,72
2,61
2,52
2,45
2,79
2,66
2,55
2,46
2,38
2,74
2,61
2,50
2,41
2,33
3,28
3,22
3,17
3,13
3,09
3,16
3,10
3,05
3,01
2,97
3,06
3,01
2,96
2,91
2,87
2,98
2,93
2,88
2,84
2,80
17
18
19
20
21
2,92
2,87
2,82
2,77
2,73
2,82
2,77
2,72
2,68
2,64
2,72
2,67
2,62
2,57
2,53
2,62
2,56
2,51
2,46
2,42
2,50
2,44
2,39
2,35
2,31
2,44
2,38
2,33
2,29
2,25
2,38
2,32
2,27
2,22
2,18
2,32
2,26
2,20
2,16
2,11
2,26
2,20
2,15
2,10
2,06
3,22
3,18
3,15
3,13
3,10
3,05
3,02
2,99
2,97
2,94
2,93
2,90
2,87
2,85
2,82
2,84
2,81
2,78
2,75
2,73
2,76
2,73
2,70
2,68
2,65
22
23
24
25
26
2,70
2,67
2,64
2,61
2,59
2,60
2,57
2,54
2,51
2,49
2,50
2,47
2,44
2,41
2,39
2,39
2,36
2,33
2,30
2,28
2,27
2,24
2,21
2,18
2,16
2,21
2,18
2,15
2,12
2,09
2,14
2,11
2,08
2,05
2,03
2,08
2,04
2,01
1,98
1,95
2,02
1,99
1,95
1,92
1,90
3,31
3,29
3,27
3,25
3,13
3,08
3,06
3,04
3,03
2,90
2,92
2,90
2,88
2,87
2,74
2,80
2,78
2,76
2,75
2,62
2,71
2,69
2,67
2,65
2,53
2,63
2,61
2,59
2,57
2,45
27
28
29
30
40
2,57
2,55
2,53
2,51
2,39
2,47
2,45
2,43
2,41
2,29
2,36
2,34
2,32
2,31
2,18
2,25
2,23
2,21
2,20
2,07
2,13
2,11
2,09
2,07
1,94
2,07
2,05
2,03
2,01
1,88
2,00
1,98
1,96
1,94
1,80
1,93
1,91
1,89
1,87
1,72
1,87
1,85
1,83
1,81
1,66
3,01
2,95
2,92
2,81
2,79
2,73
2,70
2,59
2,63
2,57
2,54
2,43
2,51
2,45
2,42
2,31
2,41
2,35
2,32
2,22
2,33
2,28
2,24
2,14
60
80
100
500
2,27
2,21
2,18
2,07
2,17
2,11
2,08
1,97
2,06
2,00
1,97
1,86
1,94
1,88
1,85
1,74
1,82
1,75
1,71
1,60
1,74
1,68
1,64
1,52
1,67
1,60
1,56
1,42
1,58
1,51
1,46
1,31
1,51
1,43
1,38
1,19

Nvel de significncia
- alfa =
n1 1
2
3
4
Nvel de significncia
- alfa =
n1 10
12
15
20
0,01
5
n2
1
2
3
4
5
6
4052
98,50
34,12
21,20
16,26
13,75
4999
99,00
30,82
18,00
13,27
10,92
5404
99,16
29,46
16,69
12,06
9,78
5624
99,25
28,71
15,98
11,39
9,15
5764
99,30
28,24
15,52
10,97
8,75
5859
99,33
27,91
15,21
10,67
8,47
5928
99,36
27,67
14,98
10,46
8,26
5981
99,38
27,49
14,80
10,29
8,10
7
8
9
10
11
12,25
11,26
10,56
10,04
9,65
9,55
8,65
8,02
7,56
7,21
8,45
7,59
6,99
6,55
6,22
7,85
7,01
6,42
5,99
5,67
7,46
6,63
6,06
5,64
5,32
7,19
6,37
5,80
5,39
5,07
6,99
6,18
5,61
5,20
4,89
12
13
14
15
16
9,33
9,07
8,86
8,68
8,53
6,93
6,70
6,51
6,36
6,23
5,95
5,74
5,56
5,42
5,29
5,41
5,21
5,04
4,89
4,77
5,06
4,86
4,69
4,56
4,44
4,82
4,62
4,46
4,32
4,20
17
18
19
20
21
8,40
8,29
8,18
8,10
8,02
6,11
6,01
5,93
5,85
5,78
5,19
5,09
5,01
4,94
4,87
4,67
4,58
4,50
4,43
4,37
4,34
4,25
4,17
4,10
4,04
22
23
24
25
26
7,95
7,88
7,82
7,77
7,72
5,72
5,66
5,61
5,57
5,53
4,82
4,76
4,72
4,68
4,64
4,31
4,26
4,22
4,18
4,14
27
28
29
30
40
7,68
7,64
7,60
7,56
7,31
5,49
5,45
5,42
5,39
5,18
4,60
4,57
4,54
4,51
4,31
60
80
100
500
7,08
6,96
6,90
6,69
4,98
4,88
4,82
4,65
4,13
4,04
3,98
3,82
0,01
30
40
6209
99,45
26,69
14,02
9,55
7,40
6260
99,47
26,50
13,84
9,38
7,23
62
99
26
13
9,
7,
6,31
5,52
4,96
4,56
4,25
6,16
5,36
4,81
4,41
4,10
5,99
5,20
4,65
4,25
3,94
5,
5,
4,
4,
3,
4,16
3,96
3,80
3,67
3,55
4,01
3,82
3,66
3,52
3,41
3,86
3,66
3,51
3,37
3,26
3,70
3,51
3,35
3,21
3,10
3,
3,
3,
3,
3,
3,59
3,51
3,43
3,37
3,31
3,46
3,37
3,30
3,23
3,17
3,31
3,23
3,15
3,09
3,03
3,16
3,08
3,00
2,94
2,88
3,00
2,92
2,84
2,78
2,72
2,
2,
2,
2,
2,
22
23
24
25
26
3,26
3,21
3,17
3,13
3,09
3,12
3,07
3,03
2,99
2,96
2,98
2,93
2,89
2,85
2,81
2,83
2,78
2,74
2,70
2,66
2,67
2,62
2,58
2,54
2,50
2,
2,
2,
2,
2,
3,15
3,12
3,09
3,07
2,89
27
28
29
30
40
3,06
3,03
3,00
2,98
2,80
2,93
2,90
2,87
2,84
2,66
2,78
2,75
2,73
2,70
2,52
2,63
2,60
2,57
2,55
2,37
2,47
2,44
2,41
2,39
2,20
2,
2,
2,
2,
2,
2,72
2,64
2,59
2,44
60
80
100
500
2,63
2,55
2,50
2,36
2,50
2,42
2,37
2,22
2,35
2,27
2,22
2,07
2,20
2,12
2,07
1,92
2,03
1,94
1,89
1,74
1,
1,
1,
1,
6022
99,39
27,34
14,66
10,16
7,98
n2
1
2
3
4
5
6
6056
99,40
27,23
14,55
10,05
7,87
6107
99,42
27,05
14,37
9,89
7,72
6157
99,43
26,87
14,20
9,72
7,56
6,84
6,03
5,47
5,06
4,74
6,72
5,91
5,35
4,94
4,63
7
8
9
10
11
6,62
5,81
5,26
4,85
4,54
6,47
5,67
5,11
4,71
4,40
4,64
4,44
4,28
4,14
4,03
4,50
4,30
4,14
4,00
3,89
4,39
4,19
4,03
3,89
3,78
12
13
14
15
16
4,30
4,10
3,94
3,80
3,69
4,10
4,01
3,94
3,87
3,81
3,93
3,84
3,77
3,70
3,64
3,79
3,71
3,63
3,56
3,51
3,68
3,60
3,52
3,46
3,40
17
18
19
20
21
3,99
3,94
3,90
3,85
3,82
3,76
3,71
3,67
3,63
3,59
3,59
3,54
3,50
3,46
3,42
3,45
3,41
3,36
3,32
3,29
3,35
3,30
3,26
3,22
3,18
4,11
4,07
4,04
4,02
3,83
3,78
3,75
3,73
3,70
3,51
3,56
3,53
3,50
3,47
3,29
3,39
3,36
3,33
3,30
3,12
3,26
3,23
3,20
3,17
2,99
3,65
3,56
3,51
3,36
3,34
3,26
3,21
3,05
3,12
3,04
2,99
2,84
2,95
2,87
2,82
2,68
2,82
2,74
2,69
2,55

Experimentos - Fernando (UFSM)

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Experimentos - Fernando (UFSM)

Enviado por

Direitos autorais:

Formatos disponíveis

Srie Monogrfica Qualidade

2000 by Jos Luis Duarte Ribeiro & Carla SchwengbertenCaten

Lia Buarque de Macedo Guimares

Andria Fabiane Nahra Leal

Arcngelo Ianelli, Natureza-morta

Introduoao Planejamento de Experimentos ....................................................... 5

1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS: ................................................................ 6

Comparao de Vrios Grupos (One-wayAnalysisofVariance) ............................. 19

2.2. A ANLISE DE VARINCIA (ANOVA) ..................................................................................................20

Projetos Fatoriais com Dois Fatores .................................................................... 35

3.1. VANTAGENS DOS EXPERIMENTOS FATORIAIS ..............................................................................39

Generalizao dos Projetos Fatoriais ................................................................... 51

4.1. MODELO ESTATSTICO: ......................................................................................................................51

Blocos Aleatorizados e Quadrados Latinos ......................................................... 63

5.1. PROJETOS COMPLETAMENTE ALEATORIZADOS ...........................................................................64

Experimentos Parcionados em Clulas (Split-Plot)............................................. 74

6.1. INTRODUO .......................................................................................................................................74

Experimentos com Fatores a Nveis Aleatrios ................................................... 80

7.1. O MODELO PARA FATORES A NVEIS ALEATRIOS ......................................................................80

Projetos Fatoriais do Tipo 2K ................................................................................. 91

8.2. PROJETOS 2 .......................................................................................................................................92

Experimentos Fatoriais Confundidos em Blocos .............................................. 109

9.2. CONFUNDIMENTO .............................................................................................................................110

9.8. DIVISO EM MAIS DE DOIS BLOCOS ..............................................................................................116

Metodologia de Superfcie de Resposta e Otimizao ...................................... 133

O que modelagem .....................................................................................................................133

Bibliografia ..................................................................................................................... 162

Avalia o desem penho do sistema

Figura 1. Esquema de um sistema

1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS:

1.2. FASES DO PROJETO DE EXPERIMENTOS

1.2.1. Trabalho de Equipe:

O que ser visto:

Introduo ao Projeto de Experimentos;

Comparao de vrios grupos;

Projetos fatoriais com dois fatores;

Generalizao dos projetos fatoriais;

Blocos Aleatorizados e Quadrado Latino;

Projetos fatoriais do tipo 2k;

Experimentos fatoriais confundidos em bloco;

Experimentos fatoriais fracionados;

Metodologia de Superfcie Resposta.

Caractersticas de qualidade do tipo maior--melhor (por exemplo, resistncia mecnica)

Caractersticas de qualidade do tipo menor--melhor (por exemplo, nvel de rudo)

1.2.3. Relao entre a demanda de qualidade (cliente) e as variveis de resposta

1.2.4. Status dos parmetros do processo dentro de um programa experimental:

Fatores mantidos constante

1.2.5. Relao entre os fatores controlveis e a resposta

1.3. AS ETAPAS DE UM EXPERIMENTO

1.3.2. Ouvir a voz do engenheiro (como)

Identificar os parmetros do processo;

1.3.3. Planejamento final e execuo

1.3.5.1. Exemplo: Estudo experimental em solados de borracha.

2. Ouvir a voz do Engenheiro

Listar possveis interaes entre os fatores controlveis:

3. Planejamento final e execuo

Planilha de coleta de dados:

A voz da equipe tcnica:

Listar todos os parmetros do processo

Listar os fatores de rudo

Rij = Relaes XiYj

relao entre a varivel de resposta i e o parmetro do processo j

Listar os fatores controlveis (subconjunto dos parmetros do processo que foram