Escolar Documentos
Profissional Documentos
Cultura Documentos
PPGMQMG
Planejamento,
Otimização e Análise de
Experimentos
30,0
25,0
Qmj [m3/h]
20,0 25
20
15,0 15
10
10,0
10,0
0,8
9,0
0,6
8,0
H0 [cm] 0,4 Xb
7,0
6,0 0,2
2
Conceitos Básicos
1 - INTRODUÇÃO
Exemplo:
Experimento: Uma indústria química formula um experimento para
verificar se um novo método de fabricação de um produto químico é
superior ao método tradicional
Dados: 10 lotes fabricados pelo método tradicional (A)
10 lotes fabricados pelo método novo (B)
Objetivo: Com os dados obtidos, verificar se o método B é melhor que o
método A
Tabela 1 – Dados de produção de um experimento industrial.
Ordem Ordem
Método Produção Método Produção
temporal temporal
1 A 89,7 11 B 84,7
2 A 81,4 12 B 86,1
3 A 84,5 13 B 83,2
4 A 84,8 14 B 91,9
5 A 87,3 15 B 86,3
6 A 79,7 16 B 79,3
7 A 85,1 17 B 82,6
8 A 81,7 18 B 89,1
9 A 83,7 19 B 83,7
10 A 84,5 20 B 88,5 3
Conceitos Básicos
94.00
Método A Método B
92.00
90.00
88.00
86.00
84.00
82.00
80.00
78.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Notas:
a) Será que esta diferença não foi ocasionada por pura chance?
b) Será que repetindo o experimento os resultados não poderão
ser invertidos?
5
Conceitos Básicos
2 – CONCEITOS BÁSICOS
Média Populacional
N
y i
= i =1
N
Média Amostral
n
y i
y= i =1
n
A média amostral é uma medida da centralidade dos dados, é dada pela
média aritmética das observações.
N é o número de dados.
Estatísticas e parâmetros
Medidas de Variabilidade
8
Conceitos Básicos
2 = E( y − ) 2 =
( y − ) 2
(y i − y) 2
N s2 = i =1
n −1
Desvio Padrão Desvio padrão amostral, s
( y − )
n
(y
2
= E( y − ) =2 i − y) 2
N s= i =1
n −1
Graus de liberdade,
Distribuição Normal
1 1
p( y ) = exp(− ( y − ))
2 2 2
P(y) N (30;6,25)
N (-5;25)
N (5;100)
-20 0 20 40 y
( y − )
Z=
Padronizando:
P{z<-2}
P(y)
13
Conceitos Básicos
Distribuição t de Student
Na prática, em geral não conhecemos , e devemos substituí-lo por s
obtido de uma amostra pequena de dados.
Com s no lugar de , considerar:
( y − )
t=
s
que tem uma distribuição t de Student com graus de liberdade
(número de graus de liberdade para s)
14
Figura 4 – Distribuição t de Student para diferentes graus de liberdade
Na tabela registram-se os
valores tGL (a) tais que:
tGL ( a )
f (u ) du
15
CAPÍTULO II
TESTE DE HIPÓTESES
16
Teste de Hipóteses
TESTES DE HIPÓTESES
17
Teste de Hipóteses
Escolha de H0 e H1
Quando uma investigação é relacionada a um fato baseado na amostra, a
negação deste fato é considerada como a hipótese de nulidade (H0) e o
fato a ser comprovado pelos dados é considerado como a hipótese
alternativa (H1).
Estatística do Teste:
18
Teste de Hipóteses
( y − Za / 2 / n ; y + Za / 2 / n )
onde Za/2 é dado por PZ − Z a / 2 = a / 2
( y − Za / 2 s / n ; y + Za / 2 s / n )
20
Teste de Hipóteses
y − 0
R= c
/ n
Onde, c é determinado a partir da distribuição de y − 0 e com um nível de
significância (a) estipulado. / n
21
Teste de Hipótese
TESTE DE HIPÓTESE:
H0=nulidade e H1=hipótese alternativa.
Para H1:
I: Se η>η0; então Z≥Zα;
y − 0
Z=
s/ n
Testes de Hipóteses:
( y − 0 )
t= tn −1
s/ n
Assim,
i) Com as hipóteses H0: 0, H1: >0, a região de rejeição é dada por R:
tta, sendo a o nível de significância estipulado.
ii) Com H0: 0, H1: <0, a região de rejeição é dada por, R: t-ta, sendo
a, o nível de significância estipulado
iii) Com H0: =0, H1: 0, a região de rejeição é dada por, R: tta/2,
sendo a, o nível de significância estipulado
#
24
CAPÍTULO III
COMPARAÇÃO DE DOIS
TRATAMENTOS
25
Comparação de dois tratamentos
COMPARAÇÃO DE 2 TRATAMENTOS
Sejam amostras aleatórias (a.a.) independentes de duas populações
Selecionar uma a.a. de tamanho n1 de uma população 1 e uma a.a. de
tamanho n2 de uma população 2.
xi
x = i=1
População 1( x1, n1
n
(x
x2,.......xn1)
i − x)2
s1 = i =1
2
n1 − 1
n2
yi
y = i =1
n2
População 2 (y1,
n
(y
y2,.......yn2)
i − y )2
s2 2 = i =1
n2 − 1
26
Comparação de dois tratamentos
ii) Seja y1, y2,.......yn1 uma a.a. de tamanho n2 da população 2 com média
populacional 2 e desvio-padrão populacional 2
27
Comparação de dois tratamentos
x − y − (1 − 2 )
Z= N (0,1)
2 2
s s
1
+ 2
n1 n2
28
Comparação de dois tratamentos
Notas:
E ( x − y ) = 1 − 2
1 2
var( x − y ) = − pois x − y são v.a.’s independentes.
n1 n2
29
Comparação de dois tratamentos
( n1 − 1)s12 + ( n2 − 1)s22
s =
2
n1 + n2 − 2
p
1 1
x − y ta / 2 s p +
n1 n2
onde ta/2 é calculado de uma tabela de distribuição t de student com (n1 +
n2 – 2) graus de liberdade.
#
30
Comparação de dois tratamentos
31
Teste de Hipóteses entre duas amostras
( n − 1) s 2
+ ( n − 1) s 2
s 2p = 1 1 2 2
= 85,42 ⎯⎯
→ s p = 9,24
n1 + n2 − 2
t0,025=2,069 (tabela: GL=23)
1 1
IC 95% p/ƞ1 –ƞ2 = x − y ta / 2 s p + = {3,74± 7,65}={-3,92;11,39}
n1 n2
Teste de Hipóteses entre duas amostras
RRH0
RRH0
(x A − x A ) 2 + ( yB − yB ) 2
75, 784 + 119,9 ;
s p = 3, 297
s =
2 i =1 i =1
= = 10,87
nA + nB − 2
p
18
t0,05=1,734 (tabela: GL=18)
RAH0
COMPARAÇÃO DE MAIS
DE DOIS
TRATAMENTOS
35
Comparação de mais de dois tratamentos
Tipos de Madeira
A B C D
62 63 68 56
60 67 66 62
63 71 71 60
59 64 67 61
65 68 63
66 68 64
63
59
Médias 61 66 68 61
Média Geral 64
36
Comparação de mais de dois tratamentos
SR=S1+S2+..........+SK = ti t
( y − y
t =1 i =1
) 2
y ti
y= t =1 i =1
N
K
Onde: N = n
t =1
t
1536
No exemplo: y= = 64
24
Nota: Se não existir diferenças entre as médias de tratamentos , um
segundo estimador de 2 pode ser obtido da variabilidade das médias de
tratamentos em torno de y1 =64. Isto é:
K
n (y t t − y) 2
sT2 = t =1
K −1
onde K é o número de tratamentos 39
Comparação de mais de dois tratamentos
Tratamento
A B C D
yt 61 66 68 61
yt − y -3 2 4 -3
nt 4 6 6 8
y = 64
ST=4(-3)2+6(2)2+6(4)2+8(-3)2=228
T=3 ; sT2= ST/T = 228/3=76
Nota: Notamos uma grande diferença entre sR2 e sT2 (observar que sR2=5,6
com 20 G.L. e sT2=76,0 com 3 G.L.) 40
Comparação de mais de dois tratamentos
ti
( y − y ) 2
SD
sD =
2 t =1 i =1
= (variância amostral)
N −1 D
D=N-1=23
sD2=340/23=14,8
41
Comparação de mais de dois tratamentos
Quadro de ANOVA
FV SQ GL QM
Entre Tratamentos ST=228 T=3 sT2=76,0
Resultado:
K nt K K nt
S D = ( yti − y ) = nt ( yt − y ) + ( yti − yt ) 2
2 2
t =1 i =1 t =1 t =1 i =1
i.e.: SD = ST + SR
Nota:
K nt K nt
ti
( y − y
t =1 i =1
) = ti t t
( y − y + y −
2
y ) 2
=
t =1 i =1
K nt K nt
= ( yti − yt )2 + ( yt − y )2 + 2 ( yti − yt )( yt − y )
t =1 i =1 t =1 i =1
=0
S D = ST + S R
CONTRIBUIÇÃO DA MÉDIA GERAL y
K nt
S D = yti2 − Ny 2
t =1 i =1
G2
Portanto, S A = = Ny 2
N
43
Comparação de mais de dois tratamentos
Portanto, SD = S – SA
S = SA + S D
K nt K K nt
Resultado: S = ti
y 2
= Ny
t =1 i =1
2
+ t t
n ( y
t =1
− y ) 2
+ ti t
( y − y )
t =1 i =1
2
i.e., S = SA + ST + SR
Soma de Soma de
Soma de Soma de
Quadrados Quadrados dentro
Quadrados
Total
= Quadrados
devido à Média
+ entre + de Tratamentos
Tratamentos (Residual)
44
Comparação de mais de dois tratamentos
Quadro de ANOVA
FV SQ GL QM
K nt
Média S A = Ny = ( yti ) 2 / N
2
A=1 sA2=SA/A
t =1 i =1
K nt
K nt
Total S = y
t =1 i =1
2
ti N
FV SQ GL QM
Média 98304 1 98304
Entre Tratamentos 228 3 76
Dentro do Tratamento 112 20 5,6
Total 98644 24
45
Comparação de mais de dois tratamentos
y ti = t + ti , i=1,2,..........., nt
t=1,2,..........., K
46
Comparação de mais de dois tratamentos
Análise
de
resíduos
-6 -4 -2 0 2 4 6
a) Todos Resíduos
Madeira A
Madeira B
Madeira C
Madeira D
-6 -4 -2 0 2 4 6
b) Resíduos para cada tipo de Madeira
47
Figura 5: Gráfico de resíduos.
Comparação de mais de dois tratamentos
y ti − yˆ ti
6
0
60 64 68
yˆ ti
-2
-4
-6
48
Comparação de mais de dois tratamentos
y ti − yˆ ti
4
0
4 8 12 16 20 24
Ordem temporal
-2
-4
49
Comparação de mais de dois tratamentos
50
Comparação de mais de dois tratamentos
Considerar o modelo,
y ti = t + ti onde i=1,2,..........., nt
t=1,2,..........., K
e o teste de hipóteses,
FV SQ GL QM Razão QM
Entre Tratamentos ST=228 3 sT2=76 sT2 76
= = 13,6
sR2=5,6
2
Dentro do Tratamento SR=112 20 s R 5,6
Total em torno da média
SD=340 23
geral y
51
Comparação de mais de dois tratamentos
Sob H0 : A=B=C=D,
sT2
F3,20
sR2
# F3,20
F3,20(5%)=3,10
F3,20(1%)=4,94 Razão
Ponto 5% observada
sT2 Ponto 1%
Valor observado: 2
= 13, 6
sR F
0 2 4 6 8 10 12 14
52
53
54
55
56
57
CAPÍTULO V
PLANEJAMENTOS
FATORIAIS A DOIS
NÍVEIS
58
Planejamento Fatorial a Dois Níveis
Modelos teóricos:
= f(x1,x2,......,xk)
60
Planejamento Fatorial a Dois Níveis
T: – → 160°C C: – → 20% K: – → A
+ → 180°C + → 40% +→B
Matriz de Planejamento: (todos os pontos do experimento)
Experimento T C K
1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +
63
Planejamento Fatorial a Dois Níveis
45 (+35) 80
(-9)
(+14) (+12)
40 54
+ 68
(-7) (-3)
160 180
Temperatura (T)
64
Planejamento Fatorial a Dois Níveis
Nota:
Interação TxCxK = ¼ (-y1+y2+y3-y4+y5-y6-y7+y8)= ¼ (y2+y3+y5+y8)- ¼
(y1+y4+y6+y7)
Efeito Estimador
Média 64,25
Efeitos Principais
Temperatura (T) 23,0
Concentração (C) -5,0
Catalisador (K) 1,5
-10 -5 0 5 10 15 20
Algumas conclusões:
68
Planejamento Fatorial a Dois Níveis
ALGORITMO DE YATES
Outro método rápido para calcular os efeitos é dado pelo algoritmo de
Yates. Supor as observações na ordem padronizada (matriz de
planejamento):
1a coluna: - + - + - + - + - + - + - + - +............
2a coluna: - - + + - - + + - - + + - - + +............
3a coluna: - - - - + + + + - - - - + + + + ............
Em geral: a K-ésima coluna consiste de
2k-1 sinais negativos seguidos de
2k-1 sinais positivos
Uso do algoritmo de Yates para os dados anteriores
Exper. T C K y -1 -2 -3 Divisor Estimador Ident.
1 - - - 60 132 254 514 8 64,25 Média
2 + - - 72 122 260 92 4 23 T
3 - + - 54 135 26 -20 4 -5 C
4 + + - 68 125 66 6 4 1,5 TC
5 - - + 52 12 -10 6 4 1,5 K
6 + - + 83 14 -10 40 4 10 TK
7 - + + 45 31 2 0 4 0 CK
8 + + + 80 35 4 2 4 0,5 TCK
# 70
Planejamento Fatorial a Dois Níveis
71
Planejamento Fatorial a Dois Níveis
72
Planejamento Fatorial a Dois Níveis
x1
x2
x3
Teste x1 x2 x3 yi
73
Exemplo (Montgomery, página 319, 4 ed.).
Fatorial 24. Produção de um produto químico num recipiente sob
pressão. Esse experimento foi realizado com fatores que
provavelmente influenciam a taxa de filtração do produto. Os quatro
fatores colocados em estudo foram:
A: temperatura
B: pressão
C: concentração de
formaldeído
D: taxa de agitação
Os 16 experimentos foram realizados em ordem aleatória. O
engenheiro está interessado em maximizar a taxa de filtração. O
processo atual apresenta uma taxa de filtração em torno de 75 gal/h.
O processo também utiliza o fator C no nível alto. Deseja-se reduzir a
concentração de formaldeído tanto quanto possível, porém, isso causa
uma diminuição na taxa de filtração.
74
Tabela do experimento com taxa de filtração (matriz do delineamento)
75
Planejamento Fatorial a Dois Níveis
MODELO ESTATÍSTICO
yi = 0 + 1 xi + i (1)
S( 0 ,1 ) n
= −2( yi − 0 − 1 xi )
0 i =1
S( 0 ,1 ) n
= −2 xi ( yi − 0 − 1 xi )
1 i =1 77
Planejamento Fatorial a Dois Níveis
De S( 0 ,1 ) / 0 = 0 e S( 0 ,1 ) / 1 = 0 encontramos ̂0 e ̂1 a partir das
equações normais:
ˆ n n
1 xi = yi
n + ˆ
0
i =1 i =1
n n n
(3)
0 xi +1 xi = xi yi
ˆ ˆ 2
i =1 i =1 i =1
( xi − x )( yi − y )
ˆ
1=
i =1
n
i =1
( xi − x )2 (4)
ˆ ˆ x
0 = y − 1
i=1 i=1 i =1
n n n
S yy = (yi − y ) =
2
y − (2
i i /n
y )2
i=1 i=1 i =1
n n
n n
( xi )( yi )
S xy = (xi − x )(yi − y ) = x y i i − i =1 i =1
i=1 i=1 n
Observar que x e y são as médias amostrais dos dados x e y; Sxx e Syy são
as somas de quadrados dos desvios das médias e Sxy é a soma dos produtos
cruzados dos desvios. Portanto, os estimadores de mínimos quadrados
podem ser reescritos por:
ˆ S xy
=
1 S
xx (7)
ˆ ˆ
0 = y − 1 x
79
Planejamento Fatorial a Dois Níveis
81
Planejamento Fatorial a Dois Níveis
83
CAPÍTULO VI
PLANEJAMENTOS
FATORIAIS E
REGRESSÃO
84
Planejamentos Fatoriais e Regressão
: resposta
Matriz de planejamento D
150 8
150 10
150 12
200 8
D = 200 10
200 12
250 8
250 10
250 12
86
Planejamentos Fatoriais e Regressão
A B C Experimento
- - - -1
1
+ - - a
- + - b
+ + - ab
- - + c
+ - + ac
- + + bc
+ + + abc
X1 X 2 X 3 y
-1 -1 -1 (1)
Codificação:
( − i )
xi = 2 i a
di 1 -1 -1
-1 1 -1 b
i : valor na escala original 1 1 -1 c
D= ab
-1 -1 1
di : diferença entre o nível alto e o nível baixo 1 -1 1 ac
-1 1 1 bc
i : média entre os 2 níveis na escala original
1 1 1 abc
Planejamentos Fatoriais e Regressão
Exemplo 2: 3 fatores A, B, C ( fatorial 23)
Um modelo possível: y = ˆ X → X ' y = ˆ X ' X → ˆ = ( X ' X ) −1 X ' y
~ ~ ~
yi = o + 1 X1 + 2 X2 + 3 X3 + i ; i = 1,2, .....,8
Obs.: Com apenas 2 níveis, não podemos incluir termos quadráticos no
modelo (X12, X22, X32, mas os termos de interações X1X2, X1X3 ,...... poderão
ser incluídos.
1 -1 -1 -1 1 1 1 1 1 1 1 1
(1)
-1 1 -1 1 -1 1 -1 1
1 1 -1 -1 X'= a
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
X = = c
1 -1 -1 1 y ab
8 0 0 0 1/ 8 0 0 0
~
1 1 -1 1 ac
1 -1 1 1 X 'X = 0 8 0 0
(X ' X ) −1 0 1/8 0 0
bc
1 1 1 1 0 0 8 0 0 0 1/8 0
abc
0 0 0 8 0 0 0 1/8
(1) + a + b + c + ab + ac + bc + abc g1
g
− 1 + a − b + ab − c + ac − bc + abc = 2
X 'y =
~ −1 − a + b + ab − c − ac + bc + abc g3
− 1 − a − b − ab + c + ac + bc + abc g4 88
Planejamentos Fatoriais e Regressão
1/8 0 0 0 g1 g1 / 8 ˆ0
0 1/8 0 0 g2 g2 / 8 ˆ1
ˆ = ( X ' X ) −1 X ' y = = ˆ
=
0
0 1/8 0 g3 g3 / 8
~
ˆ2
0 0 0 1/8 g 4 g 4 / 8 ˆ
3
EMQ : ˆ 0 , ˆ 1 , ˆ 2 , ˆ 3
ˆ0
ˆ1
cov( ˆ ) = cov = 2 ( X ' X ) −1 = ( 2 8) I
ˆ2
ˆ
3
89
Planejamentos Fatoriais e Regressão
n
yi
i =1
g1
SQreg ˆ X ' y =(
= ˆ , ˆ ) g
ˆ ,.......
0 1 k 2
g3
~
g4
90
Planejamentos Fatoriais e Regressão
SQ associada à Xi : ˆi gi = gi / n
2
Pois ˆi = g / n
H0 : i = 0
H1 : i 0, i=1,2.........k
Exemplo: 4 variáveis x1, x2, x3, x4 são supostas terem influencia em uma
resposta de acordo com o modelo:
4
y = 0 + j X j +
j =1
91
Planejamentos Fatoriais e Regressão
Exemplo: 4 variáveis x1, x2, x3, x4 são supostas
terem influencia em uma resposta de acordo com
X1 X 2 X 3 X 4
o modelo: 4 (1) = 3,0
y = 0 + j X j +
j =1
a = 5, 0
1
-1 -1 -1 -1
b = 7,0 1 1 -1 -1 -1
X’X =16 I5 1 -1 1 -1 -1
c = 2,0
X1 X2 X3 X4 Y d = 4,0 1 - 1 -1 1 -1
- - - - 3 1 -1 -1 -1 1
+ - - - 5 ab = 12,0
1 1 1 - 1 -1
- + - - 7 = 1 1 -1
ac 4 , 0 1 -1
+ + - - 2
ad = 6,0
- - + - 4
y= 1 1 -1 -1 1
= X =
+ - + - 12 ~ bc 5 , 0 1 -1 1 1 -1
- + + - 4 bd = 9,0 1
+ + + - 6 -1 1 -1 1
- - - + 5 cd = 3,0 1 -1 -1 1 1
+ - - + 9 abc = 14,0 1
1 1 1 -1
- + - + 3
+ + - + 14 abd = 11,0 1 1 1 -1 1
- - + + 11 1 1 1
+ - + + 5 acd = 5 , 0 1 -1
- + + + 7 bcd = 7,0 1 -1 1 1 1
+ + + + 13
abcd = 13 , 0 1 1 1 1 1
(a + ab + ac + ad + abc + abd + acd + abcd − (1) − b − c − d − bc − bd − cd − bcd )
ˆ1 =
16
Planejamentos Fatoriais e Regressão
ˆi = gi / n ˆ0 = 110 / 16 = 6,875
ˆ1 = 30 /16 = 1,375 ˆ2 = 46 /16 = 0,125 ˆ3 = 4 /16 = 0,875 ˆ4 = 6 / 16 = 1,500
RQM ou
PARÂMETRO SQ QM GL Fobs
REGR. 835,000 208,750 5,000
F1,11
MEDIA 6,875 756,250 756,250 1,000
X1 1,375 30,250 30,250 1,000 2,394
X2 0,125 0,250 0,250 1,000 0,020
X3 0,875 12,250 12,250 1,000 0,969
X4 1,500 36,000 36,000 1,000 2,849
TOTAL 974,000 60,875 16,000
0 2 4 6 8 F
ERRO 139,000 12,636 11,000
Planejamentos Fatoriais e Regressão
INCLUSÃO DA INTERAÇÃO
Ex:
Modelo : yi = o + 1 x1i + 2 x2i + 12 x1i x2i + i ; i=1,2, ......., n
K fatores em 3 níveis
Ex: Planejamento 32
95
Planejamentos Fatoriais e Regressão
Matriz X:
X1 X2 X12 X 22 X1X 2
-1 -1
1 -1 -1 1 1 1
- 1 0
1 - 1 0 1 0 0
-1 1 1 -1 1
1 1 -1
0 -1 1 0 -1 0 1 1
D= 0 0 X = 1 0 0 0 0 0
0 1 1 0 1 0 1 0
1 -1 1 1 -1
1 1 -1
1 0 1 1 0 1 0 0
1 1 1 1 1 1 1 1
Daí,
9 0 0 0 0 0
0 6 0 0 0 0
0 0 6 0 0 0 Matriz Diagonal –
X 'X = planejamento ortogonal
0 0 0 2 0 0
0 0 0 0 2 0
0 0 0 0 0 4 97
Planejamentos Fatoriais e Regressão
x1 x2 Q jm [m s ] Pjm [ Pa ]
-1 -1 9,49 663,08
0 -1 10,39 725,67
1 -1 16,66 752,01 1 2
-1 0 18,76 930,72
0 0 14,19 946,24
1 0 20,94 996,71
-1 1 19,78 1217,46
0 1 18,16 1291,50
1 1 28,12 1256,78 3 4
99
4. MISTURA BINÁRIA DE PARTÍCULAS EM LEITO DE JORRO Planejamentos Fatoriais e Regressão
30,0
25,0
Qmj [m3/h]
20,0 25
20
15,0 15
10
10,0
10,0
0,8
9,0
0,6
8,0
H0 [cm] 0,4 Xb
7,0
6,0 0,2
Q jm [m3 / h] = 17,388 + 2,948 x1 + 4,920 x2 − 2,356 x12 Pjm [ Pa] = 975,574 + 32,373 x1 + 270,830 x2
100
4. MISTURA BINÁRIA DE PARTÍCULAS EM LEITO DE JORRO
0,10
1,17
8 cm 1,20 1,14
0,08 1,11
1,08
1,15
0,06
h [m]
IM
1,10
0,04
1,05
0,02 Xb=0,25
Xb=0,50 0,2
Xb=0,75 6,0
0,00 7,0 0,4
0,50 0,75 1,00 1,25 1,50
H0 [cm] 8,0 0,6
Xb/Xb0 9,0 Xb
10,0 0,8
101
4. MISTURA BINÁRIA DE PARTÍCULAS EM LEITO DE JORRO
Resultados:
Mistura de Esferas de Vidro e Polietileno
Curva característica H0= 8 cm, com XPE =0,75 Planejamento fatorial 32:
condição de jorro mínimo
conjunto
x1 x2 Q jm [m s ] Pjm [ Pa ]
-1 -1 29,392 482,52
0 -1 40,06 589,09
1 -1 59,78 616,48
-1 0 27,54 349,92
0 0 38,07 445,93
1 0 50,76 487,12
-1 1 24,52 291,07
0 1 32,72 339,80
1 1 42,59 392,85
102
4. MISTURA BINÁRIA DE PARTÍCULAS EM LEITO DE JORRO
-ΔPms [Pa]
50,0 30 400
Qms [m3/h]
500,0 300
40,0
400,0
30,0
300,0
20,0
10,0 200,0
10,0 10,0
0,8 9,0 0,8
9,0
0,6 8,0 0,6
8,0
H0 [cm] H0 [cm]
7,0 0,4 X
XbPE 7,0 0,4 XXPE
b
103
Planejamentos Fatoriais e Regressão
Escolha do planejamento
Um planejamento óbvio: 3k
104
Planejamentos Fatoriais e Regressão
Equações normais:
S11 ˆ1 + S12 ˆ 2 + .............. + S1 p ˆ p = S y1
S12 ˆ1 + S 22 ˆ 2 + .............. + S 2 p ˆ p = S y 2
.
.
S1 p 1 + S 2 p 2 + .............. + S pp p = S yp
ˆ ˆ ˆ
Onde :
n
S ij = ( xik − xi )( x jk − x j ) i; j=1,2,....,p
k =1
n
S yi = ( y k − y )( xik − xi ) i=1,2,....,p
k =1
n n
x ik y k
xi = k =1
yi = k =1
n n
NOTAÇÃO MATRICIAL
1 0 0 ...0
0 1 0 ...0
I = 0 0 1 ...0
.
0 0 0....1
EMQ: Minimizar S ( )
~
Onde, S ( ) = ' = ( y − X ) ( y − X )
'
~ ~ ~ ~ ~ ~ ~
Daí, ( X ' X ) ˆ = X ' y
~ ~
Assumindo que X’ X tem uma inversa ̂ é dado por:
~
ˆ = ( X ' X ) −1 X ' y
~ ~
Valores de previsão: ŷ = X ˆ
~ ~
Vetor dos resíduos: ˆ = y − yˆ = y − X ˆ
~ 108
~ ~ ~ ~
Planejamentos Fatoriais e Regressão
(n − p − 1) (n − p − 1) (n − p − 1)
2
= 1−
(y i − yˆ i ) 2 Ótimo ajuste: R2 1
R Péssimo ajuste: R2 0
(y i − yi ) 2
TESTES DE HIPÓTESES
Teste estatístico: 74
65
85
60
64
65
69
75
79
55
79
80
63
60
65 70 46 57 75 85 46
[ SQR ( RM ) − SQR ( FM )] / ( p + 1 − k ) 50 58 68 54 64 78 52
F= 50 40 33 34 43 64 33
SQR ( FM ) / (n − p − 1) 64 61 52 62 66 80 41
53 66 52 50 63 80 37
Fp +1− k , n − p −1 40 37 42 58 50 57 49
63 54 42 48 66 75 33
66 77 66 63 88 76 72
78 75 58 74 80 78 49
EXEMPLO: Dados n=30 48 57 44 45 51 83 38
85 85 71 71 77 74 55
82 82 39 59 64 78 39
Planejamentos Fatoriais e Regressão
Modelo: y = o + 1 X1 + 2 X2 + ......+ 6 X6 +
Teste de Hipóteses:
H0 : 1 = 2 =......... 6 = 0
EMQ de o’: ̂ 0 = y
'
30
SQR ( RM ) = ( yi − y ) 2 = 4297 (uma diferença muito grande de 1149
i =1
indicando que não é verdade).
(4297 − 1149) / 6
Fobs = = 10,50 ; g.l. = 6; 23
1149 / 23
Modelo reduzido: y = o + 1 X1 + 3 X3 +
(1254, 6 − 1149) / 4
Fobs = = 0,528 ; g.l.=4,23
1149 / 23
114
CAPÍTULO VII
PLANEJAMENTO
COMPOSTO CENTRAL
(PCC)
115
Planejamento Composto Central
-1 -1 -1
-1 -1 1
-1 -1
1
Obs: Desejável mais de um ponto central
-1 1 1 para atingir algumas propriedades do
1 -1 - 1 planejamento.
1 -1 1 n2 1 observações em (0,0,0, ......0)
1 1 -1 (número de réplicas no ponto central)
D= 1 1 1
Com a1, cada variável é medida em 5
0 0 0
níveis
-a 0 0
a 0 0 Número total de observações: 2k + 2k +
0 -a 0 n2 pontos.
0 a 0
0 0 -a
0 a
0 117
Planejamento Composto Central
Modelo:
3 3
yu = 0 '+ j x ju + j x jj ( x ju 2 − x j2 ) + jp x ju x pu + u
j =1 j =1 j<p
u= 1,2,......., N
118
Planejamento Composto Central
120
Planejamento Composto Central
GT − 4Ga 2 − 4a 4
q=
G +T
121
Planejamento Composto Central
123
CAPÍTULO VIII
TÉCNICA DAS
SUPERFÍCIES DE
RESPOSTAS
124
Técnica das Superfície de Respostas
Seja:
: resposta
k : variáveis independentes 1, 2, ..., k
= f (1, 2, ..., k)
= 0 + 1 x1 + 2 x2 + ... + k xk
x1, x2, ..., xk: formas codificadas das variáveis independentes 1, 2, ..., k.
Modelo de 2a ordem
k k
= 0 + i xi + ii xi2 + ij xi x j
i =1 i =1 i j
i<j 125
Técnica das Superfície de Respostas
Suposições:
126
Técnica das Superfície de Respostas
1 2
Ex: A =
2 2
Equação característica:
1− 2
=0
2 2-
3 17
1 = +
2 2
2 − 3 − 2 = 0
3 17
2 = − 127
2 2
Técnica das Superfície de Respostas
Ax = x Ou: ( A − I m ) x = 0
~ ~
~ ~
3 17
Com 1 = + , achamos o autovetor x dado a partir de:
~
2 2
3 17
1 − − 2 x1 0
2 2 =
3 17
2 2− − x2 0
2 2
Teorema: As raízes características de uma matriz simétrica real são todas
reais.
Formas quadráticas reais
Uma forma quadrática em k variáveis x1, x2, ........., xk é uma
expressão escalar do tipo:
k
Q = aii xi2 + 2 aij xi x j
i =1
128
i<j
Técnica das Superfície de Respostas
Onde todos elementos aij são reais (i,j=1,2,..........,k). Ou, x~ ' A x~ ' , onde:
Ex:
Q = x' A x
~ ~
2 1 4 x1
( x1 ,x2 ,x3 ) 1 6 3 x2 = 2x12 + 6 x22 + 2x32 + 2x1 x2 + 8x1 x3 + 6 x2 x3
4 2 x3
3
129
Técnica das Superfície de Respostas
Caso particular
ŷ = b0 + b1 x + b11 x 2
yˆ
= b1 + 2b11 x = 0
x
2 yˆ
b1 = 2b11 0
x=− será um ponto de máximo se
x 2
2b11 131
Técnica das Superfície de Respostas
Ponto estacionário:
x = -b1/2b11
Em geral:
yˆ = b0 + x' b+ x' B x
~ ~ ~ ~
Onde:
x1 b1
b11 b12 /2......... .b1k / 2
x2 b2
x = .. b = ..
b ........... . b / 2
B= 22 2k
~ ~ .
. .
sim. b kk
xk bk
k
Obs:
~
'
x b : termos de 1a ordem na função de respostas:
~
b x
j =1
j j
k k k
~
'
x B x : contribuição quadrática:
~
b
j =1
jj x + b jm x j xm
2
j
j =1 m=1
132
Técnica das Superfície de Respostas
yˆ
= b0 + x' b+ x' B x = b+ 2 B x = 0
x x ~ ~ ~ ~ ~ ~
~ ~
# 1
i.e., x0 = − B −1 b
~ 2 ~
Possíveis problemas:
a) Pode existir um região de máximo e não um ponto de máximo
133
b) Pode ser que o ponto estacionário esteja fora da região experimental
CAPÍTULO IX
ANÁLISE CANÔNICA
134
Análise Canônica
ANÁLISE CANÔNICA
Superfície de 2a ordem
k k k k
yˆ = b0 + b j x j + b jj x + b jm x j xm
2
j
j =1 j =1 j =1 m =1
j<m
Ou yˆ = b0 + x' b + x' B x
~ ~ ~ ~
135
Análise Canônica
W2
x2 W1
x0
~
x1
Função de respostas em termos das novas variáveis w1, w2, ......, wk
(forma canônica)
yˆ = yˆ 0 + 1w12 + 2 w22 + ... + k wk2
1 −1
ŷ 0 : resposta estimada no ponto estacionário x0 = − B b
~ 2 ~
Notas:
a) Os sinais dos ’s e a grandeza dos ’s ajudam a determinar a natureza
do ponto estacionário
b) A relação entre os w’s e os x’s também é importante pois indica ao
pesquisador regiões úteis para exploração
yˆ = yˆ 0 + z'(b+ 2 B x0 )+ z' b z
~ ~ ~ ~ ~
1 −1
mas 0 x = − B b
~ 2 ~
−1
então: yˆ = yˆ 0 + z'[b − 2 B( B b / 2)] + z' b z 137
~ ~ ~ ~ ~
Análise Canônica
M = [m , m ,...... m ]
~1 ~ 2 ~ k
raízes características i .
m1i
m2i
m = .
~ i
.
ki
m
INTERPRETAÇÃO DO SISTEMA
i) se i < 0 , i=1,2,......, k, quando movimentamos em qualquer direção a
partir do ponto estacionário, teremos um decréscimo de , i.e., o ponto
estacionário é um ponto de resposta máxima da superfície ajustada.
ii) se i > 0 , i=1,2,......, k, o ponto estacionário é um ponto de mínimo
para a superfície ajustada.
iii) se os ’s tem sinais diferentes, o ponto estacionário não é nem ponto
de máximo nem de mínimo.
Exemplo 1:
140
Análise Canônica
141
Análise Canônica
x1 − 1,39
x = b =
~
x2 ~
0,37
- 4,88
− 2,15
B=
2
- 4,88
- 3,12
2
Raízes características:
−2,15 − -2,44
=0
-2,44 -3,12-
(-2,15-) (-3,12-)-(2,44)2 = 0
Portanto: 6,71+5,27+2-5,9536=0
Raízes características: 1 = -0,1475 Ponto de
2 = -5,1224 máximo!! 142
Análise Canônica
Ponto estacionário
1
x0 = − B −1 b
~ 2 ~
Exemplo 2: x1 x2 x3 y
Na determinação da influencia de 3
-1 -1 -1 6,6
variáveis x1, x2, x3 numa resposta y,
1 -1 -1 6,9
onde as variáveis codificadas em termos
das variáveis originais 1, 2, 3 são dadas -1 1 -1 7,9
por: 1 1 -1 6,1
-1 -1 1 9,2
xi -1,682 -1 0 1 1,682 1 -1 1 6,8
1 204,5 225 255 285 305,5 -1 1 1 10,4
1 1 1 7,3
2 39,9 46 55 64 70,1
-1,682 0 0 9,8
3 0,09 0,5 1,1 1,7 2,11
1,682 0 0 5
0 -1,682 0 6,9
1 − 255
x1 = 0 1,682 0 6,3
30 0 0 -1,682 4
0 0 1,682 8,6
2 − 55
x2 = 0 0 0 10,1
9 0 0 0 9,9
0 0 0 12,2
3 − 1,1
x3 = 0 0 0 9,7
0,6 0 0 0 9,7
0 0 0 9,6
Análise Canônica
Modelo ajustado
yˆ = 10,1666 − 1,104 x1 + 0, 087 x2 + 1, 021x3 − 0, 760 x12 − 1, 043x22 − 1,149 x32 − 0,35 x1 x2
−0,500 x1 x3 + 0,15 x2 x3
3 0,075
Ponto estacionário
1
x0 = − B −1 b x0 = (−1, 0098; 0, 2602; 0, 6808)
~ 2 ~ ~
146
Análise Canônica
Soluções : 1 = -0,5630
2 = -1,2712
3 = -1,1172
Forma canônica
Conclusão: 1 < 0
2 < 0
3 < 0
Conclusões:
Coeficientes canônicos : 1 ; 2 ; 3 ; 4
Raízes características da matriz:
CONCLUSÕES:
i) Para valores positivos de w4, os valores de x estão fora da região
experimental.
ii) Condição mais adequada (para w4-2,2) , i.e., x3=-1,5 (sem água),
x1=0,102; x2=-0,128 e x4=1,27.
iii) Qualquer ponto onde w1=0; w2=0; w3=0 e w4<-2,2 está fora da região
experimental pois x3<-1,5 é um valor impossível. 152
Análise Canônica
Dosagem de depressor
X2 =
(2 − 200 g / t )
60 g/t a 400 g/t
( 2) 120 g / t
10, 44
x0 = 6,19
5, 69
~
x1 −1,89 1, 20 0 0
x = x2 b1 = 1, 23 B1 = 0 1,08 -0,255
~
x3 3,74 0 -0,255 -1,30
156
Análise Canônica
0, 79
x0 = 0, 25
1,39
~
W3 = -2,04
159
Análise Canônica
160
Análise Canônica
Teor de SiO2 prod fundo = yˆ10 − 18, 02 w12 − 8, 04 w22 − 0, 21w32 + 0, 07 w42 + 1,33w52 + 4, 77 w62
Ponto estacionário
−1, 053
0,121
0,357
x0 =
~ 0,927
2,878
−1,957
Calculando a resposta no ponto estacionário ( yˆ10 ) e substituindo o resultado
de para o teor P2O5 na forma canônica, temos:
Teor de SiO2 prod fundo = 10,94 − 18, 02 w12 − 8, 04 w22 − 0, 21w32 + 0, 07 w42 + 1,33w52 + 4, 77 w62
Análise Canônica
Teor de SiO2 prod fundo = 10,94 − 18, 02 w12 − 8, 04 w22 − 0, 21w32 + 0, 07 w42 + 1,33w52 + 4, 77 w62
w1 exerce uma
influencia muito MAIOR
do que w2 e w3
Estudar a influência de
w1 visando encontrar as
melhores condições
163
Análise Canônica
Relação entre as variáveis X1, X2, X3, X4, X5 e X6 e w1 para o teor de SiO2 no
produto de fundo
Recup P2O5 concentrado = 9,50 − 7, 73w12 − 0, 22 w22 + 0, 41w32 + 1,19 w42 + 7, 20 w52 + 13,50 w62
165
Análise Canônica
Recup P2O5 concentrado = 9,50 − 7, 73w12 − 0, 22 w22 + 0, 41w32 + 1,19 w42 + 7, 20 w52 + 13,50 w62
w1 exerce uma
influencia muito MAIOR
do que w2
Estudar a influência de
w1 visando encontrar as
melhores condições
166
Análise Canônica