Você está na página 1de 145

Srie Monogrfica Qualidade

Projeto de Experimentos
Jos Luis Duarte Ribeiro & Carla ten Caten
Editores
Universidade Federal do Rio Grande do Sul
Escola de Engenharia
Programa de Ps Graduao em Engenharia de Produo
Porto Alegre, RS

2010

Projeto de Experimentos
Jos Luis Duarte Ribeiro & Carla ten Caten, editores

2000 by Jos Luis Duarte Ribeiro & Carla ten Caten


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


Fabolla Granata
Marcelo Luiz Pereira
Ilustrao da Capa

Arcngelo Ianelli, Natureza-morta


1960 leo s/ tela 70 X 83 cm
IPHAN, Museu Nacional de Belas Artes

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos ........................................................ 5
1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS: ................................................................ 6
1.2. FASES DO PROJETO DE EXPERIMENTOS ......................................................................................... 6
1.3. AS ETAPAS DE UM EXPERIMENTO ..................................................................................................... 9
1.4. EXERCCIO 1: .......................................................................................................................................13

2. Comparao de Vrios Grupos (One-way Analysis of Variance) ............................ 18


2.2. A ANLISE DE VARINCIA (ANOVA) .................................................................................................19
2.3. EXERCCIOS: ........................................................................................................................................26

3. Projetos Fatoriais com Dois Fatores ....................................................................... 30


3.1. VANTAGENS DOS EXPERIMENTOS FATORIAIS ..............................................................................33
3.2. OS EXPERIMENTOS FATORIAIS DE DOIS FATORES (TWO-WAY ANOVA) ...................................33
3.3. ANLISE DE VARINCIA PARA PROJETOS CRUZADOS DE 2 FATORES .....................................34
3.4. COMPARAO MLTIPLA DE MDIAS .............................................................................................36
3.5. TESTE DAS SUPOSIES DO MODELO: ..........................................................................................38
3.6. EXPERIMENTOS SEM REPETIO....................................................................................................38
3.7. EXERCCIOS .........................................................................................................................................39

4. Generalizao dos Projetos Fatoriais ..................................................................... 43


4.1. MODELO ESTATSTICO: ......................................................................................................................43
4.2. MODELO ESTATSTICO: ......................................................................................................................48
4.3. Experimentos com fatores aninhados e cruzados .................................................................................49
4.4. EXERCCIOS .........................................................................................................................................51

5. Blocos Aleatorizados e Quadrados Latinos ........................................................... 55


5.1. PROJETOS COMPLETAMENTE ALEATORIZADOS ...........................................................................56
5.2. PROJETOS EM BLOCOS ALEATORIZADOS ......................................................................................58
5.3. QUADRADOS LATINOS .......................................................................................................................59
5.4. QUADRADOS GRECO-LATINOS .........................................................................................................63
5.5. EXERCCIOS: ........................................................................................................................................64

6. Experimentos Parcionados em Clulas (Split-Plot) ............................................... 66


6.1. INTRODUO .......................................................................................................................................66
6.2. EXPERIMENTOS MULTI-PARCIONADOS EM CLULAS (Split-Split-plot) .....................................69
6.3. EXERCCIOS .........................................................................................................................................71

7. Experimentos com Fatores a Nveis Aleatrios ..................................................... 72


7.1. O MODELO PARA FATORES A NVEIS ALEATRIOS ......................................................................72
7.2. EXERCCIO ...........................................................................................................................................81

8. Projetos Fatoriais do Tipo 2K ................................................................................... 83


2

8.2. PROJETOS 2 .......................................................................................................................................84


3
8.3. PROJETOS 2 .......................................................................................................................................88
K
8.4. O PROJETO 2 GENERALIZADO ........................................................................................................92
K
8.5. O PROJETO 2 SEM REPETIES ....................................................................................................93
8.6. ALGORITMO DE YATES PARA PROJETOS 2 K ......................................................................................96
8.7. EXERCCIOS .........................................................................................................................................96

9. Experimentos Fatoriais Confundidos em Blocos ................................................ 101


9.2. CONFUNDIMENTO .............................................................................................................................102
9.3. SISTEMA PARA CONFUNDIR EFEITOS: ..........................................................................................103
9.4. EXPERIMENTOS CONFUNDIDOS EM BLOCO COM REPETIO .................................................104
9.5. EXPERIMENTOS COMPLETAMENTE CONFUNDIDOS ...................................................................104
9.6. EXPERIMENTOS PARCIALMENTE CONFUNDIDOS .......................................................................105
9.7. EXPERIMENTOS CONFUNDIDOS EM BLOCO SEM REPETIO .................................................106

9.8. DIVISO EM MAIS DE DOIS BLOCOS ..............................................................................................107


k-1
9.9. PROJETOS FATORIAIS FRACIONADOS 2 ....................................................................................110
9.10. EFEITOS VINCULADOS ...................................................................................................................110
k-1
9.11. ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS 2 .............................118
9.12. PAPEL DE PROBABILIDADE ...........................................................................................................119
9.13. EXERCCIOS .....................................................................................................................................121

10.

Metodologia de Superfcie de Resposta e Otimizao ..................................... 124

10.1. METODOLOGIA DE SUPERFCIE DE RESPOSTA.........................................................................124


10.2. MODELAGEM DAS VR .....................................................................................................................128
10.3. FUNO DE PERDA MULTIVARIADA.............................................................................................142

1. Introduo ao Planejamento de
Experimentos
Jos Luis Duarte Ribeiro
Carla ten Caten

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 seqncia de ensaios de forma a traduzir os objetivos preestabelecidos
pelo pesquisador. A eficincia de experimentos projetos superior em termos de informao a
qualquer outra seqncia 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. Entendese 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.

Projeto de Experimentos
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:


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 seqncia de ensaios econmica e eficiente


Procedendo uma avaliao estatstica dos resultados
= Assegurar respaldo cientfico
= Maximizar as informaes obtidas

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:

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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.

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.

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

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

muitos 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 muitos 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.

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

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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

Fatores de Rudo

Definir o
ajuste
timo

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)

Varivel de
Resposta

Responsveis pela
variabilidade

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Definir variveis de resposta associadas s C.Q.


Identificar outras variveis de resposta de interesse
(em geral associadas a custos/produtividade)
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.
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

10

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Pesquisa de Mercado
O solado deve ser macio e durvel.

Caractersticas de Qualidade:

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

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
30 a 120

Fatores Controlveis:
- Quantidade de Breu
- Quantidade de Fluxtec
- Tempo de mistura
- Temperatura de mistura

1
0.5

Parmetros do processo:

Designao

Maior--melhor
Maior--melhor

Importncia
Relativa
1

Definio dos nveis dos fatores controlveis:

Unidade
g
ml
g
u.v.
u.v.
min
o
C
min

Alvo
200
25
100

11

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Fator
Quantidade de Breu
Quantidade de Fluxtec
Tempo de mistura
Temperatura de mistura

No. nveis
2
4
3
3

Nveis
2 4
10 13 16 19
30 45 60
60 70 80

Unidade
u.v.
u.v.
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.

12

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

13

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 freqentemente

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.

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

14

TTULO DO ESTUDO
Objetivos do Estudo
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

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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

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

IEi

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

15

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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

16

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Planilha de coleta de dados


Ensaio:_________________________________________________________
Data :____________________________ Operador : ___________________
Ensaio

Fatores Controlveis

Variveis de Resposta

Obs: ___________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
Obs: ___________________________________________________________

17

2. Comparao de Vrios Grupos


(One-way Analysis of Variance)
Jos Luis Duarte Ribeiro
Carla ten Caten

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 diferem entre si.

2.1.3. Existem 2 tipos de experimentos:

Fatores Controlveis a nveis fixos possivel repetir o ensaio tempos depois, basta
utilizar os niveis 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)

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

19

2.1.4. 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

2.1.5. 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)

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.

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

20

A independncia estatstica dos valores observados obtida com o uso da aleatorizao.

2.2.1. Formulao matemtica do problema:


Yij = + j + ij

Modelo Estatstico:

a mdia geral;
j o efeito do grupo j;

onde:

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 fatro controlvel investigado
Para o exemplo anterior,

15 C
12
13
11
36
3
12

Temperatura
o
25 C
20
19
18
57
3
19

35 C
17
16
18
51
3
17

Modelo Estatstico

Os dados podem ser visualizados no grfico abaixo:

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

21

Decomposio dos resduos:


(

Elevando ao quadrado e somando:


(

Graus de Liberdade:

Mdias quadradas ou :

Se no h diferenas significativas entre os grupos

O teste F compara as duas varincias:

Fcalc

Varincia entre grupos


MQG

Varincia dentro do grupo MQR

Comparar F calculado com F tabelado, se o valor calculado for maior que o valor tabelado ( ou
valor-p <0,05), descarta-se Ho, ou seja, existe diferenas significativas entre os grupos provocada
pelo fator controlvel em estudo.

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

22

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 F 0,05,5,20

Estatstica descritiva

Sumrio
Groups
15C
25C
35C

ANOVA
Fonte
Entre grupos
Dentro grupo
Total

Count
3
3
3

SS
78
6
84

Sum
36
57
51

df

Average Variance
12
1
19
1
17
1

MS
2
6
8

F
39
1

Frmulas para os clculos:


Termo de correo
(

P-value
F crit
39 0,000364 5,143253

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

23

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 esterelizao. 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

2.2.5. Clculos iniciais:

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

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

24

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 forno.

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

Dif Signif.
Dif Signif.
Dif No Signif.
Dif No Signif.
4. Usar barras contnuas sobre as mdias que no diferem entre si

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

25

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:


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

L3
60
63
59
64
62

Mdias Y.j

62,50

59,43

61,60

308

T.. = 1099
N =

18

Y. . = 61,06

2.2.8. Clculos iniciais:

2.2.9. Tabela Anova:


Fonte

SQ

GDL

MQ

Teste F

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

Entre Grupos (Lotes)


Dentro Grupos (Residual)
Total
F calculado
8,02

32,53
30,41

62,94
>
>

2
15
17

16,26
2,03

26

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.

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:

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

27

Catalisadores
1%

2%
56,3
55,9
54,5
57,0
55,3

56,7

58,2
57,2
58,4
55,8
54,9

3%
53,0
51,2
54,2
53,2

4%
54,4
53,0
51,4
51,5
53,3

Totais
N
Mdias

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 ) =
2
SQT = (Yij ) - TC =
2
SQG = (T.j / nj) - TC =
SQR = SQT - SQG =
Fonte

SQ

Entre Grupos
(Catalisadores)
Dentro Grupos (Residual)
Total
F calculado =
F tabelado =
Efeito dos catalisadores significativo ?
Comparao mltipla de mdias
(1) Calcular o desvio padro das mdias

GDL

MQ

Teste F

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

28

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

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.

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

29

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

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
Jos Luis Duarte Ribeiro
Carla ten Caten
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

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

31

O correto seria testar os dois fatores simultaneamente cada um no mnimo a dois nveis
totalizando 4 ensaios. Os nveis so estabelecidos em torno ds condies operacionais atuais:
temperatura 68C, presso 14,3 atm que resulta em uma pureza de 75%.

Grafico com os FC testados ao


mesmo tempo (2 niveis cada)

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.Cada uma das possveis
combinaes de nveis chamada de Tratamento ou setup.
Por exemplo, sejam os dados da tabela a seguir:
Fator B
Fator A

A1
A2

B1

B2

Mdia

20
40
30

30
52
41

25
46

O efeito de um fator principal definido como a mudana que aparece na varivel de resposta
quando se muda o nvel deste fator, independente dos nveis do outro fator

60
50
40
30
20
10
0

52
40
30
20

A1

B1
B2

A2

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

32

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,

60
50
40
30
20
10
0

52
40

A1

30
20

B1

A2

B2

Isto , passando do nvel B1 para o nvel B2 h uma mudana mdia na resposta de 11 unidades.
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:

A1
A2

B1

B2

20
50

40
12

60
50

50
40

40

B1

30
20

B2

20
12

10
0
A1

A2

Nesse caso, diz-se que h uma interao entre A e B.


Os grficos de dois fatores so teis para esclarecer a natureza da interao.

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

33

Quando a interao forte, os efeitos principais tm pouco interesse prtico, por exemplo, para
esses dados:

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
B2
x
x
x
x
Fatorial Cruzado

A1
A2

Fatoriais cruzados so mais econmicos;


Fatoriais cruzados permitem que se avalie 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 tratamentos (setups).
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;

o efeito do i-simo nvel de A;

b
Y1b1, Y1b2
, Y1bn
:
:
:
:
Yab1, Yab2
, Yabn

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

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

34

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

35

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.
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

Varincia entre grupos


MQG

Varincia dentro do grupo MQR

O valor de Ftabelado :

Ftab F ,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. Quatro repeties completas de um experimento fatorial
completo foram rodadas em laboratrio e os seguintes dados foram obtidos:
Material
(A)
1

3
T.j. =

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)

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)

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)

Ti.. =
998
(83,17)
1455
(121,25)
1501
(125,08)
3954
(109,83)

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

SQAB

36

( 539 )2 (229) 2
(342) 2

...
434281 12888 31892 8187
4
4
4

3.3.2. Anlise de varincia


Fonte de
Variao
Material
(A)
Temper.
(B)
AB
Erro
Total

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

FtabA F0,05;2;27 3,35


O efeito do Material, da Temperatura e da interao Material x Temperatura so significativos.

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

200
150

100

50

0
50

65

80

Temperatura

Voltagem

200
50

150

65
100

80

50
0
1

2
M ate rial

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

37

3.4. COMPARAO MLTIPLA DE MDIAS (CMM)


Se apenas os efeitos principais so significativos, a CMM deve ser realizada para cada fator
individualmente. Nestes casos,o calculo do SY para os fatores A e B so:

SYi..

MQR
bn

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

Neste caso o SY para o efeito de interao AB :

MQR
n

SYij .

No exemplo, a interao AB foi significaiva, a otimizao ser realizada no grfico de dois


fatores. Como a varivel de resposta do tipo nominal--melhor, investiga-se se h DS entre as
mdias obtidas com os trs tipos de materiais para a Temperatura de 65C
(i) Mdias em ordem crescente:
(material 1)
(material 2)
(material 3)
(ii) Desvio padro das mdias:

Teorema do limite central

(iii) Limites de deciso

(iv) Comparao duas a duas:

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

38

O resultado da otimizao indica que se deve utilizar as placas de material 2 ou 3 para se obter a
mxima voltagem.

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.

MQG
MQR

Logo Fcalc tambm ser indeterminado.

Fcal

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:

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

39

3.6.1. Tabela Anova


Fonte de
Variao
A
B
Erro (AB)
Total

Soma de
Quadrados
SQA
SQB
SQAB
SQT

Mdias
Quadradas
MQA
MQB
MQAB

GDL
(a-1)
(b-1)
(a-1)(b-1)
abn-1

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

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

Mdias
Quadradas
11,67
2,90
0,25

Teste F
46,7
11,6

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%

F tab
4,46 S
3,84 S

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

40

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 =

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

Fonte

SQ

GDL

MQ

F calc.

F tab.

41

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.

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

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

42

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
Jos Luis Duarte Ribeiro
Carla ten Caten

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:

Projeto de Experimentos
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

Se F calculado > F tabelado ou valor-p<0,05 (5%) Efeito correspondente


significativo

44

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

45

Observaes:
O Valor esperado da MQR igual a varincia:
E(MQR) = 2
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. Os dados revelaram:
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

20
-5 (-1,25)
4 (1,00)
22 (5,50)

25
1 (0,25)
16 (4,00)
37 (9,25)

Tij..
A1(10)
A2(12)
A3(14)

B1(20)
-5
4
22
21

-4
20
59

20
59

T....=75

A
0
2
4

Ti.k.
C
100
120
1 (0,25)
-5(-1,25)
14(3,50)
6 (1,50)
34(8,50)
25(6,25)

Ti.k.
B2(25)
1
16
37
54

-4

54

Tij..
B
A
0
2
4

T.i..

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

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

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

46

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

10
9,25
8
6

5,5
B1 (20)

B2 (25)

2
1
0
-2

0,25
A1 (10)
-1,25

A2 (12)

A3 (14)

10
8,5

6,25

C1 (100)

3,5

2
0

C2 (120)

1,5
0,25
A1 (10)
-1,25

A2 (12)

A3 (14)

-2
10
9,25
8
6

5,5
B1 (20)

B2 (25)

2
1
0

0,25
A1 (10)
-1,25

A2 (12)

A3 (14)

-2

4.1.7. Projetos com fatores aninhados


Considere o seguinte experimento:

1
Temperatura
50
75
100

Materiais
2
Temperatura
50
75
100

3
Temperatura
50
75
100

xx

xx

xx

xx

xx

xx

xx

xx

xx

47

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

Trata-se de um projeto fatorial cruzado, cuja tabela tambm poderia ser apresentada como:
Materiais
2
xx
xx
xx

1
xx

50
Temper. 75
100

xx
xx

3
xx
xx
xx

Mas agora vamos analisar o seguinte experimento:

1
Temperatura
40
50
60

Materiais
2
Temperatura
100 120
140

3
Temperatura
60
75
90

xx

xx

xx

xx

xx

xx

xx

xx

xx

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 i 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
__________________________________________________________________

48

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

49

4.3. EXPERIMENTOS COM FATORES ANINHADOS E CRUZADOS


Em certos experimentos pode ocorrer de alguns fatores estarem cruzados e outros aninhados.

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:

A1
A2
A3

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

T.j..

176,1

T..k.

Tipo de Aglutinante
B2
Quantidade
C1(18) C2(22)

13,6
11,0
13,8
15,0
18,0
17,6

13,7
12,4
16,7
14,9
16,6
17,0

A1
A2
A3

167,8

524,2

Ti.k.
B3
49,1
56,1
62,6

Ti...

177,0
200,4

T..2. = 266,5

Tij..
B2
50,7
60,4
69,2

146,8

180,3

T..1. = 257,7 ;

B1
47,0
60,5
68,6

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

A1
A2
A3

C1
69,3
87,9
100,5

TC = (524,2) / 36 = 7632,934

SQT = (10,0) + (11,0) + ... + (15,6) ] - TC = 198,35


C aninhado em B Aglutinar Somas Quadradas

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

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

Cruzado
SQ

Aninhado
SQ

GDL

50

GDL

SQA = 120,35
SQB = 6,74
SQAB = 4,79
SQC = 2,15
SQBC = 4,30
SQAC = 3,60
SQABC = 12,90
SQR = 43,51

2
2
4
1
2
2
4
18

SQA
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
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

80
70
60
50
B1
40

B2

30

B3

20
10
0
A1

A2

A3

Para maximizar-se a resistncia trao, deve-se aumentar a quantidade de feldspato

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

51

4.4. EXERCCIOS
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 controlaveis? 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:

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

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
Efeitos significativos:

d) Grficos de dois fatores


Resistncia trao

GDL

MQ

F calc.

F tab.

Signif. ?

52

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

53

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 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

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

54

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
Jos Luis Duarte Ribeiro
Carla ten Caten

Vamos analisar 4 tipos de experimentos:


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.
Usando letras para indicar as 4 marcas de pneus e nmeros romanos para indicar os carros, o
experimento poderia ser efetuado da seguinte forma:
Exemplo de um experimento mal planejado:
Usando letras para indicar as 4 marcas de pneus e nmeros romanos para indicar os carros, o
experimento poderia ser efetuado da seguinte forma:

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

56

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.

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

5.1.1. Modelo estatstico do projeto completamente aleatorizado:


Yij = + j + ij
onde a mdia geral, j indica o efeito de cada marca , e ij o erro aleatrio. As
suposies para a anlise so:
j = 0 ;

ij N(0, 2)

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: j = 0
H1: j 0 para algum j
Para tanto usamos o teste F, uma vez que pode ser demonstrado que quando j = 0 resulta:
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

57

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

58

5.1.2. Tabela ANOVA para o projeto completamente aleatorizado


Fonte
Marcas
Resduo
Total

SQ
30,69
50,25
80,94

GDL
3
12
15

MQ
10,23
4,19

Teste F
2,44

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
Marcas e
(Desgaste)

I
B(14)
C(12)
A(17)
D(13)

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 = + i + j + ij
onde i acrescentado (ou melhor, separado do termo de erro experimental). O termo i
indica o efeito dos carros, que antes no podia ser calculado apropriadamente.
As suposies para a anlise so:
i N(0, 2) ;

ij N(0, 2)

5.2.2. Decomposio dos Resduos

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

59

Para esse modelo a decomposio dos resduos leva s seguintes somas quadradas:
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.

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

60

Pneus dianteiros e traseiros, e mesmo pneus localizados em lados distintos de um mesmo carro,
podem apresentar desgastes diferentes.
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

44
49
51
49

Tj

57

49

44

43

193

193

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

61

5.3.1. Modelo estatstico do Quadrado Latino:


Yij = + i + j + (k) + ij
onde (k) acrescentado (ou melhor, separado do termo de erro experimental). O termo (k)
indica o efeito da posio dos pneus, que antes no podia ser calculado apropriadamente.
As suposies para a anlise so:
(k) = 0 ;

ij N(0, 2)

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:

MQR
0,82

0,45
n
4
Ld 3 0,45 1,36

Sy

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

62

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

5.3.3.2 Sobre o Quadrado Latino


Observamos que o Quadrado Latino no considera interaes entre os fatores. Ele no deve ser
usado quando se suspeita de interaes significativas. Ele aproveita a interao para estudar um
terceiro fator.
Quando se deseja estudar a interao o indicado seria um projeto fatorial cruzado. 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

Motorista

Carros
I
II
III
IV

1
A
D
B
C

2
B
C
D
A

3
D
A
C
B

4
C
B
A
D

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

63

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

1
A=26
B=18
C=20
D=15
E=10

Concentrao de cido
2
3
4
B=16
C=19
D=16
C=21
D=18
E=11
D=12
E=16
A=25
E=15
A=22
B=14
A=24
B=17
C=17

5
E=13
A=21
B=13
C=17
D=14

Como pode ser visto, h dois Quadrados Latinos superpostos. Um deles escrito nas letras
A,...,E e 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
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

Tempo
A = 118
B = 78
C = 94
D = 75
E = 65

Lotes
I = 90
II = 89
III = 86
IV = 83
V = 82

430

430

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

64

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.

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

Indivduos
3
6
6
3
4

2
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

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.

T(k)

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

65

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)
Jos Luis Duarte Ribeiro
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 X X

X X X

X X X

X X X

T2

X X X

X X X

X X X

X X X

T3

X X X

X X X

X X X

X X X

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 ??

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

67

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

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

68

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

Cj

RCij

Tk
Clula parcionada

3
A
i

4
F
j

3
F
k

1
A
m

E(MQ)

+ 12

+ 3

RC

+ 3

RC

+ 4

RT

3
3
0

2
R

2
2

RTik

+ 4

CTjk

2
2

+ 9C

+ 12T

RT
2
RCT +
2
RCT

3CT

RCTijk

12

Em(ijk)

(no dispon.)

Total

2
2

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

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

69

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

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

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
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:

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

Fonte

Clula inteira

Clula parcionada

Clula
reparcionada

GDL

3
A
i

3
F
j

2
F
k

4
F
l

1
A
m

70

E(MQ)
2 + 242R
2 + 82RL + 24L
2 + 82RL

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

2 + 122RT + 36T
2 + 122RT
2 + 42RLT + 12LT
2 + 42RLT

Bl

2 + 62RB + 18B

RBil

LBjl

RLBijl

12

TBkl

RTBikl

LTBjkl
RLTBijk

6
12

3
1

0
0

0
0

0
0

1
1

2 + 62RB
2 + 22RLB + 6LB
2 + 22RLB
2 + 32RTB + 9TB
2 + 32RTB
2 + 2RLTB + 3LTB
2 + 2RLTB
2 (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:

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

71

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
Jos Luis Duarte Ribeiro
Carla ten Caten

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 = + i + j + ()ij + k(ij)

A varincia de cada observao :

Var(Yijk) = 2 + 2 + 2 + 2

onde 2 , 2 , 2 , 2..so os chamados componentes de varincia. Estamos interessados em


testar as hipteses:
H0: 2 = 0

H0: 2 = 0

H0: 2.= 0

H1: 2 0

H1: 2 0

H1: 2. 0

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

73

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) = 2 + n2 + bn2
E(MQB) = 2 + n2 + an2
E(MQAB) = 2 + n2
e
E(MQR) = 2
A partir dos E(MQ), observamos que a estatstica apropriada para testar a hiptese: H0: 2 = 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.

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

74

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 = + i + j + ()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) = 2 + n2 + bnA
E(MQB) = 2 + an2
E(MQAB) = 2 + n2
E(MQR) = 2
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

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

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 + bnA

A, B Aleatrios
2 + n2 + bn2

A fixo, B aleat.
2 + n2 + bnA

E(MQB)

2 + anB

2 + n2 + an2

2 + an2

E(MQAB)

2 + nAB

2 + n2

2 + n2

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

75

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

76

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
j
ij
k(ij)

b
A
j
b

n
A
k
n
n
n

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
j
ij
k(ij)

b
A
j
b

a
1

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)

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

77

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 (2 , 2 ,
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 12 + n2 + n2
+ bnA , contudo, o termo n2 ignorado, pois ele no cobre o subscrito i.
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

2 + n2 + bnA
2 + an2
2 + n2
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

2 + n2 + nc2 + nb2 + nbc2


2 + n2 + nc2 + na2 + nac2
2 + n2 + nb2 + na2 + nab2
2 + n2 + nc2
2 + n2 + nb2
2 + n2 + na2
2 + n2
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

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

78

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 + n2 + nc2 + nb2

Os graus de liberdade da MQ* so calculados usando:

onde ai so os coeficientes usados na construo da combi-nao linear, e MQi e i so as


respectivas mdias quadra-das e seus graus de liberdade

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

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

79

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 + 22 + 42 + 42 + 82
2 + 22 + 42 + 62 + 122
2 + 22 + 42 + 62 + 122
2 + 22 + 42
2 + 22 + 42
2 + 22 + 62
2 + 22
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) 9

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.

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

80

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 = + i + j + k(j) + ()ij + ()ik(j) + l(ijk)
onde:

i representa o efeito de Acessrios, a nveis fixos;


j representa o efeito de Layouts, a nveis fixos

k(j) 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 + 22 + 16A
2 + 62 + 24B
2 + 62
2 + 22 + 8AB
2 + 22
2

GDL
2
1
2
6
12
24
47

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

81

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).

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

B1

82

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


Jos Luis Duarte Ribeiro
Carla ten Caten

Os projetos fatoriais 2K contemplam K Fatores, cada um deles a apenas dois nveis: alto ou
baixo.
O 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

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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

8.2. PROJETOS 22
Esse o mais simples dos projetos 2k.
Vejamos um exemplo:

Fator A: % de Cimento
Fator B: Aditivo

Baixo

Alto

15%

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

84

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

8.2.2. Clculo dos efeitos


O efeito do fator calculado com a diferena entre a mdia da varivel de resposta no nvel alto menos a
mdia da varivel de resposta no nvel baixo
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

20
17,8
15

15

10
efeito B
5
0
Bbaixo

20
15

Balto

20
18
16
12

Balto

10

Bbaixo
05
00
Abaixo

Aallto

85

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

86

O efeito tambm pode ser calculado como:


A = [(ab + a) - (b + (1))] / (2K-1 x n)
B = [(ab + b) - (a + (1))] / (2K-1 x n)
AB = [(ab + (1)) - (a + b)] / (2K-1 x n)
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:

Efeito

Contraste
2k 1 n

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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

87

8.2.3. Clculo das somas quadradas


Podem ser obtidas a partir dos contrastes:
2

Contraste
SQ

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

8.2.4. Tabela Anova:


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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

FATOR
B

-1
+1

FATOR A
-1
36
48
84

+1
54
59
113

88

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 bc abc

Graficamente podemos represent-las como um cubo:

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

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 claculo dos efeitos e somas quadradas a partir dos contrastes:

Efeito

SQ

Contraste
2k 1 n

Contraste 2
2k n

89

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

90

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 (trs repeties)
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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

Trat

AB

AC

BC

ABC

91
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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

92

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


Projeto 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 incluido no efeito ou o sinal (+)
se no estiver incluido.

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

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.

93

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

94

Com frequncia, os recursos limitados e o tempo limitado, neste casos 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: Taxa de filtragem de um produto qumico.


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)

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

95

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

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
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

Os fatores A, C e D so significativos, logo deve-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


1. Papel de probabilidade
2. Pseudo-standard error

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

96

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)2 / 23.2
--36,00
20,25
2,25
12,25
0,25
1,00
1,00

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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

97

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


D: Desenho da ponteira da antena

+00
Arredondado

+02
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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

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
---

98
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


Amplitude

GDL

MQ

F calc.

Signif. ?

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

99

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

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 maximixa a umidade ? e qual o ajuste que minimiza a umidade ?

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

Mquina 1
Tempo de
secagem
Temperatura
do processo
Vazo de ar

A1=20
B1=60

6,2

Mquina 2
Tempo de
secagem
Temperatura
do processo
Vazo de ar

A2=30
B2=70

C1=2,5 C2=3,5
7,4

B1=60

C1=2,5 C2=3,5
6,6

7,1

B2=70

C1

C2

C1

C2

C1

C2

7,1

8,5

7,8

8,2

9,3

10,5

A1=20
B1=60

100

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
Jos Luis Duarte Ribeiro
Carla ten Caten

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

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:

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

102

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 plano de
amostragem seguido:
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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

103

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

prefervel confundir o efeito do bloco com o efeito de uma interao


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 comun 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)
Para o exemplo do projeto 22, escolhendo AB como contraste de definio, resulta:
Bloco I

Bloco II

(1)

ab

Pares

mpares

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

104

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 escolhemos ABC como o C.D.
Bloco I

Bloco II

(1)
Ab
Ac
Bc

a
b
c
abc

Se h 3 repeties, o arranjo dos ensaios poderia ser:


Repetio I

Repetio II

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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

105

9.5.1. Modelo Estatstico


Yijkmn = + Rm + Bn + RBmn + Ai + Bj + Ck + ABij + ACik + BCkj + mijk
Rm

representa o efeito das repeties

Bn

representa o efeito dos blocos 1 e 2

RBmn

interao entre repeties e blocos

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. Teste fraco pois RB possui apenas
2 graus de liberdade.
Efeitos principais e interaes podem ser testadas contra o erro. Teste forte pois o erro
tem 12 graus de liberdade.
ABC no pode ser testada (confundida com blocos)

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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

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

106

Repetio IV
Conf. BC
(1)
b
bc
c
a
ab
abc
ac

9.6.1. Modelo Estatstico

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


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 sacrificada (confundida)


Outras so aglutinadas para formar o termo de erro

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

107

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) ab bc ac abcd cd ad bd

Bloco 2

a b abc c bcd acd 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
|

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 abd acd bcd

(1) bc abd acd

ab ac d

bcd

cd

a b c abc ad bd cd abcd

a abc bd
b

ad abcd

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

108

9.8.1. Tabela de sinais com os contrastes de definio para a diviso em 4 blocos


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

(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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

109

9.8.3. Tabela Anova para o experimento 24 em 4 blocos


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

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 nenhum
efeito significativo
Contudo, B e BC parecem no significativos. Aglutinando esses efeitos ao erro:

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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

A e CD significativos

Agora, temos

110

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 Interacoes
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

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

Dividir em dois ou mais blocos o projeto completo, confundindo uma (ou mais)
interaes de ordem superior
E, aps, ensaiar apenas um dos blocos, escolhido aleatoriamente.

9.10. EFEITOS VINCULADOS


Seja o caso simples de um projeto 23 onde o tcnico s tem recursos para efetuar 4 ensaios, ou
seja, a metade do 23.
Confundindo ABC com os blocos, resulta:

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

Bloco 1

(1)

ab

ac

Bloco 2
a
b
c
Por sorteio, decide-se rodar apenas o bloco 2.

111

bc
abc

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

Como os ensios que diferenciavam os contras de CA e CBC no ofram realizados, os efeitos de 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:

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

112

Vnculo de C:

EXPERIMENTO 24 COMPLETO VS FRACIONADO

9.11

A matriz experimental de um projeto 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

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
para blocagem e posterior fracionamento

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

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

113
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 fracionado possvel estimar apenas 7 efeitos pois metade dos efeitos est vinculada a
outra metade.
Sistema para verificao dos efeitos vinculados: multiplica-se o efeito pelo contraste de definio
ABCD ou realiza-se a matriz de correlao.
Efeito

Contraste

A
B
AB
C
AC
BC
ABC
D
AD
BD
ABD
CD
ACD
BCD

ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD
ABCD

Efeito
vinculado
BCD
ACD
CD
ABD
BD
AD
D
ABC
BC
AC
C
AB
B
A

Os efeitos vinculados so:


- A com BCD,
- B com ACD,
- AB com CD,
- C com ABD,
- AC com BD,
- BC com AD,
- ABC com D.
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!

B
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!

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

114

No recomenda-se um experimento 24-1 pois 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 pois esto vinculadas com fatores principais. A interao ABCD 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.
A nica maneira de um experimento 24-1 tornar-se vivel seria caso um dos fatores B, C ou D
no interagisse com os demais, ou seja, teriamos razes tcnicas para escolher entre as
interaes de dois fatores vinculadas.

9.12 EXPERIMENTO 25 COMPLETO VS FRACIONADO


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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

115

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

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
para blocagem e posterior fracionamento

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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

116

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

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 -1 1
E
AE
0 0 0 0 0 0 0 0 0 0 0 0 0 -1 0 0 1
BE
0 0 0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 1
ABE
0 0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 1
CE
0 0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 1
ACE
0 0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 1
BCE
0 0 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 1
ABCE
0 0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
DE
0 0 0 0 0 0 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0 0 0 0 0 -1 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 -1 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 -1 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 -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
ACDE
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 0 0 1
BCDE
-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 0 0 0 0 1
ABCDE ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### 1

Recomenda-se o experimento 25-1pois interaes de dois fatores esto vinculadas com outras de
trs fatores, o que no considerado problema uma vez que as interaes de trs sero
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.

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

117

9.13 EXEMPLO 2 4-1


Nmero de cartas processadas por minuto em uma mquina processadora de envelopes
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,

onde

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

Como pode ser visto, ABCD foi usado como o contraste de definio para a diviso em dois
blocos. O bloco amarelo formado pelos sinais positivos do contraste ABCD e o bloco branco
formado pelos sinais negativos.
Os engenheiros executaram apenas o bloco amarelo.
Bloco 1

(1) ab ac bc ad bd

Bloco 2

cd abcd

c abc d abd acd bcd

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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

118

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

9.14

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
Mas evidentemente A e B so significativos
Um estudo adicional desses fatores deveria ser planejado

ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS 2k-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

9.14.1 Exemplo Algoritmo de Yates


Tratamento Resposta
(1)
a(d)
b(d)
ab
c(d)
ac
bc
abc(d)

74
108
92
130
68
105
95
133

(1)
182
222
173
228
34
38
37
38

(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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

119

9.14.2 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
-0,75
-0,75
0,75
1,25
3,75
23,75
36,75

Ordem I
1
2
3
4
5
6
7

100((2I-1) / 14)
7,1
21,4
35,7
50,0
64,2
78,6
92,8

9.14.3 Duas formas de se estimar MQR:

Aglutinando as SQ dos efeitos no significativos:

Graficamente:

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

Pela tabela ANOVA, conclui-se que os fatores A e B so significativos.

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

120

9.15 EXPERIMENTO 2 7 COMPLETO VS FRACIONADO


9.15.1 Projeto 27 dividido em dois
Metade de um 27 = 64 ensaios
Confundindo a interao mais alta com os blocos:
ou seja, Contraste de definio = ABCDEFG
e dividindo em dois blocos, resulta:
Bloco 1

(1) ab ac bc ad bd

cd abcd ....

Bloco 2
a b c abc d acd abd bcd .....
Ensaia-se apenas um bloco, mas antes verifica-se os vnculos
...
...
... 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
(ou interaes de 5 fatores)
Interaes de 3 fatores
(ou interaes de 4 fatores)
Total

GDL
1 para cada

Sub-total
7

1 para cada

21

1 para cada

35
63

9.15.2 Projeto fatorial fracionado em quatro


Seja que no exemplo anterior os recursos permitissem rodar apenas 32 ensaios. Assim, preciso
rodar um projeto fracionado em 4.
Escolhendo duas interaes de 4a ordem, 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 4, cada efeito estar vinculado o outros trs, por exemplo:
;

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

121

Efeitos principais livres de interaes de 1a ordem


Trs interaes de 1a ordem (AB, AF, AG) vinculadas a outras interaes de 1a ordem
(FG, BG, BF)
Escolher com cuidado os fatores principais 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 1a ordem esto livres de interaes que no sejam de 2a
ordem ou mais
H ainda 6 GDL para o erro, que envolvem apenas interaes de 2a ordem ou mais.

9.15.3 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

GDL
1 para cada
1 para cada
1 para cada
1 para cada

Sub-total
7
15
3
6
31

9.16 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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

122

d) O que fazer para obter qualidade ? Economia ?

Soluo:
a) Caracterstica de qualidade:

b) Tabela de Yates
Tratam.

Resposta

(1)

(2)

(3)

(1)
a
b
ab
c
ac
bc
abc

Efeito

SQ

-A = BCD =
B = ACD =

c) 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

374,95

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

123

99
95
80
50
20
5
1
0,1
Efeitos significativos:
d) Tomada de deciso

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
Jos Luis Duarte Ribeiro
Carla ten Caten

10.14 METODOLOGIA DE SUPERFCIE DE RESPOSTA


10.14.2 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 n-dimensionais.
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.

10.14.3 Etapas no uso da MSR


A proposta da MSR responder questes gerais referente 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,

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

125

o modelo quadrtico,

e tambm modelos no lineares.

10.14.4 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, blocagem e a suposio de
linearidade pode ser facilmente 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

10.14.5 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:

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

126

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

-
0

Y
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Central

10.14.6 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,...

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

127

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

-
0
0
0

X3 (C)
-1
-1
-1
+1
+1
+1
+1
+1
0
0
0
0

-
0

Y
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Estrela
Estrela
Central

10.14.7 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.

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

128

10.14.7.1 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

10.14.7.2 Ortogonalidade
Outra possibilidade atribuir ao projeto a condio de ortogonalidade. Nesse caso, a estimativa
dos coeficientes de termos lineares e quadrticos resultam independente, 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

10.14.7.3 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:

10.15 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)

Y1 = g1 (X1, X2, ..., Xk)


Y2 = g2 (X1, X2, ..., Xk)
:
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).

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

129

10.15.2 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. A varivel 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 1, so desconhecidos.


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.

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

130

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.

X: meses aps a regulagem


Y : rendimento
X: meses aps a regulagem
Y : rendimento

1
10,7
7
9,0

2
10,9
8
9,3

3
10,8
9
7,6

4
9,3
10
7,6

5
9,5
11
7,9

6
10,4
12
7,7

Se h n pares de dados (Y1, X1), ..., (Yn, Yn) possvel estimar os parmetros 0 e 1
usando o mtodo dos Mnimos Quadrados, o qual busca minimizar:
L = (Yobs-Yest)2 = (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

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

12
11
Co

10
9
8
7
0

10 12

Tempo aps a regulagem


O Mtodo dos Quadrados busca minimizar:

Onde b0 e b1 so estimativas amostrais de 0 e 1. O uso do mtodo conduz as seguintes


estimativas:
b1 = SXY / SXX

onde:

( )

Meses(X)
1
2
3
4
5
6
7
8
9
10
11
12
78

) ( )

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

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

131

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

132

Desvio-padro de X

Desvio-padro de Y

Covarincia de X,Y:

Estimativa dos parmetros:

Equao de regresso

Coeficiente de determinao R2

Coeficiente de determinao R2 uma medida de quo bem a equao de regresso se ajusta aos
dados amostrais. 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

R
2

S xy2
S xx S yy

46,452
0,82
143,00 18,34

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

133

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

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

134

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

12

16

20

X
(a)

(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 desvio-padro:

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 %

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

135

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

L (Yobs Yest ) 2 K i (Yi (b0 b1 X i )) 2


Nesse caso, os pesos ki so inversamente proporcionais varincia.

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

136

Exerccio (resoluo no Excel)


Um servio de tele-entrega tem um site para entregas a domiclo, e fez um levantamento de quanto
gastaram 32 de seus clientes durante certo perodo. Ele deseja saber se este gasto depende da distncia
do domiclio ao ponto de venda:
Distncia do domiclio
ao Ponto de Vendas
(Km)

Consumo
Mdio semanal
(R$)

2,3
3,1
3,8
2,1
3,4
4,6
2,8
2,6
4,8
1,8
4,3
5,5
0,7
3
1,1

23,1
27,5
26,1
24
26,2
31,3
26,1
19,6
36,4
17,8
31,3
36
14,1
22,3
17,3

A equao apresenta um valor de b1= 4,92 ou seja, para cada km adicional de distncia do
morador, o consumo semanal dele aumenta de R$ 4,92
Pelo equao poderia-se concluir que quando X=0, o consumo previsto de R$10,28? No.
A equao s vlida para o intervalo estudado (ou seja entre 0,7 Km e 6,1 Km). No possivel
aplicar a equao para valores fora do intervalo investiga

10.15.3 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 recm contratados 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.

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

137

- 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.

Y 0 1 X 1 2 X 2 ... k X k
Onde:
Y = valor da varivel dependente
0 = coeficiente de interseco
k = nmero de variveis independentes
X1, X2, ..., Xk, = variveis independentes
1, 2, ..., k = coeficientes das variveis independentes
e = termo de erro
O problema ento estimar o valor dos coeficientes i a partir de um conjunto de dados do tipo:

X1

X2

...

Xk

y1

x11

x12

...

x1k

y2
.
.
.
yn

x21
.
.
.
xn1

x22
.
.
.
xn2

...
.
.
.
...

x2k
.
.
.
xnk

Ou seja, estimar bo, b1, b2 ...

10.15.4 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

30
25
40

24
27
29

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

20
25
18
12
14
16
22
24
17
13
30
24

18
22
31
26
34
29
37
20
25
27
23
33

138

31
25
33
26
28
31
39
33
30
25
12
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: 1 ; 2 ; ...; k = 0
H1: ji 0 para pelo menos um
Obtm-se o Fcalculado fazendo

A hiptese nula ser rejeitada quando:


ou

ANOVA

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

gl
2
12
14

Regresso
Resduo
Total

SQ
331,3585994
118,3747339
449,7333333

MQ
165,67929997
9,864561157

F
16,7954

139

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 N i , bi2
De modo que para testar as hipteses H0: i = 0 e H1: i 0 usa-se a distribuio de
Student, calculando:

A hiptese nula ser rejeitada quando:

ti > t / 2 , nk 1
Coeficientes
2,31120209
0,87720461
0,45592077

Interseo
Varivel X 1
Varivel X 2

ou valor-p < 0,05 (5%)

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 todos os termos so significativos, pois os valores-p so menores que


0,05 (5%). A equao de regresso :

Y 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.

Anlise do coeficiente de determinao R2


R2 uma medida de quo bem a equao de regresso mltipla se ajusta as dados
amostrais e indica a percentagem da variabilidade total que explicada pelo modelo de
regresso.
Se

, todas as observaes estaro sobre o hiperplano definido pelo modelo.

Se
, no h nenhuma relao entre a varivel de resposta e as variveis
independentes.

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

140

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 R2 ajustado
. O R2ajustado um ajuste do coeficiente de determinao R2 modificado para levar em
considerao o nmero de variveis e o tamanho amostral.
2
Rajustado
1

n 1 1 R 2

n k 1

Onde: n o tamanho da amostra e k o nmero de variveis independentes


Para analisar o valor do R2ajustado deve-se compar-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 dos resduos

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

141

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) do modelo.
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):

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.
VC

120 100
100 110
2

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

142

O valor central calculado como:


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, ou seja,

efeitoANOV A
2

10.16 FUNO DE PERDA MULTIVARIADA


10.16.2 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. 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 VRj coletada 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$.

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

143

Na otimizao, preciso atribuir pesos a cada VR. Esses pesos, tm duas funes:
a) normalizar os valores que representam os desvios do alvo, obtidos nas unidades de grandeza
da caracterstica de qualidade, 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:

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

144

P er da
14
12
10
8

L(y)

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

10.16.3 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 funo do ajuste


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

supera o alvo,
(nota: para VR do tipo maior melhor ou menor melhor, quando o valor de Y
j

atribui-se zero para o correspondente desvio do alvo).

Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao

145

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
Y1 T1
(alvo1 LIE1 ) 2

IR2

( LSE2 LIE2 ) / 2

Y2 T2

10.16.4 Notas sobre a Funo perda Multivariada


Vale observar que a perda funco das VR Y, 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 pode ser usado para identificar a melhor combinao dos fatores controlveis que
otimiza o conjunto das variveis de resposta simultaneamente.