9 - Outros Tipos de Planejamento (Revisados)

MEC 2007 – Planejamento de
experimentos
Outros tipos de planejamento
(Cap. 11 e 12)
Prof. Florian Pradelle (pradelle@puc-rio.br)
Sala L-163 – Telefone: 3527-1182
6ª feira (08-11h) – Sala de aula do 6° andar
1
Sumário
• Planejamentos D-optimal (Cap. 11)

• Também chamados de custom designs
• Quadrados latinos e planejamentos derivados (Cap. 12)

• Também chamados de block designs
• Planejamentos uniformes
2
Planejamentos D-optimal
• Introdução
• Planejamentos clássicos estudados anteriormente
• Escolha do planejamento define a quantidade de ensaios
• Planejamentos ótimos ou custom designs

• Responde a pergunta: assumindo que tenho recursos limitados (ou seja, uma quantidade fixa de
ensaios), qual é o melhor conjunto de ensaios para responder ao meu problema?
• Escolha da quantidade de ensaios define o planejamento
3
• Exemplo de Hotelling
• Exemplo publicado em 1944
• Hotelling, H., Some improvements in weighting and other
experimental techniques. The Annals of Mathematical
Statistics, 1944 (15): 297-306
• Determinação direta das massas de A e B
• 𝑚𝐴 = 𝑝1 ± 𝜎 = 10 ± 0,1𝑔 𝑒 𝑚𝐵 = 𝑝2 ± 𝜎 = 25 ± 0,1𝑔
• Aumento da precisão
• 𝑚𝐴 + 𝑚𝐵 = 𝑝3 ± 𝜎 = 35 ± 0,1𝑔
• 𝑚𝐵 − 𝑚𝐴 = 𝑝4 ± 𝜎 = 15 ± 0,1𝑔
• 𝑚𝐴 =
𝑝3 +𝑝4
2
𝑒 𝑚𝐵 =
𝑝3 −𝑝4
2
e 𝑉 𝑚𝐴 =
𝑉 𝑝3 +𝑉 𝑝4
4
=
𝜎²+𝜎²
4
=
𝜎²
2
• 𝑚𝐴 = 10 ± 0,07𝑔 𝑒 𝑚𝐵 = 25 ± 0,07𝑔
4
• Extensão aos planejamentos de experimentos
• Peso a esquerda: positivo
• Nenhum peso na balança: zero
• Peso a direita: negativo
• Determinação direta das massas de A e B
• Teste 1: A a esquerda
• Teste 2: B a esquerda
• Matriz dos efeitos:
5
• Determinação das massas de A e B pelo método de Hotelling

• Teste 1: A e B a esquerda
• Teste 2: A a direita, B a esquerda
• Matriz dos efeitos:
• Não contém zero: todas as massas estão sendo usadas em cada teste
6
• Conceito de optimality
• Estimação mais precisa dos efeitos
• Diretamente relacionado à matriz 𝑋′𝑋
• Critério do determinante máximo (D-optimal)
• Quanto maior é o determinante da matriz 𝑋′𝑋 , melhor é a precisão
• No exemplo anterior, temos:
• Método tradicional: 𝑋′𝑋 = 1
• Método de Hotelling: 𝑋′𝑋 = 4
• Conclusão: método de Hotelling é melhor
• Na verdade, é o melhor método: quando os níveis são -1 e +1, o valor máximo do determinante
é 𝑛𝑛 , onde n é o tamanho da matriz 𝑋′𝑋
7
• Metodologia para encontrar o planejamento D-optimal

• Exemplo da determinação da massa de 4 objetos
• Abordagem simples, mas não a melhor
• Abordagem melhor, mas não a melhor possível
8

• Melhor solução: algoritmo de mudança de coordenadas
• Etapa 1 (random start): criar uma matriz 𝑋 de dimensão n x n com elementos aleatórios
entre 0 e 1
• Etapa 2: definir os níveis que a variável pode ter (-1 e +1 para 2 níveis; -1, 0 e +1 para 3
níveis) em substituição dos valores aleatórios
• Etapa 3: Iteração
• Substituir sucessivamente o elemento na primeira linha e primeira coluna pelos níveis definidos
na etapa 2 e calcular o determinante de 𝑋′𝑋
• Se um dos valores aumenta o valor de 𝑋′𝑋 , substituir o valor inicial. Caso contrário, deixar o
valor inicial.
• Se 𝑋′𝑋 = 𝑛𝑛 , a matriz encontrada está otimizada. Se não, repetir as etapas anteriores para o
segundo elemento da primeira linha (percorrer a matriz, caminhando ao longo das linhas)
9
• Random start:
10

11

= 44
12
• Qual é o planejamento D-optimal para modelos lineares?
• Modelo: 𝑦 = 𝑎0 + 𝑎1 𝑥1 + 𝑎2 𝑥2 + 𝑎12 𝑥1 𝑥2
• Resposta: planejamento fatorial completo 2²
• Conclusão: O algoritmo permite encontrar os planejamentos clássicos.
• Quando usar um planejamento D-optimal ?
• Boa escolha tanto para triagem quanto para modelagem.
• Planejamento sob medida para:
• Reduzir o número de ensaios em relação aos planejamentos clássicos (orçamento, tempo)
• Adaptar o planejamento ao objetivo e aos recursos do experimentador
• Tratar, ao mesmo tempo, fatores de mistura e fatores de processos (contínuos e/ou discretos)
• Obter uma superfície de resposta em presença de fatores discretos
• Considerar limitações experimentais (redução do domínio de estudo)
• Blocagem em planejamento onde é difícil implantar esta estratégia
13
• Consertar um planejamento mal concebido
• Adaptabilidade dos planejamentos D-optimal

• Modelo linear com 1 resposta e 3 fatores
• Planejamento fatorial completo 23: 8 ensaios

• Recursos permitem realizar 12 ensaios: 4 ensaios adicionais
• Primeira opção: 4 repetições no centro do domínio de
experimentos
• 𝑠𝑎2 = 0,125𝑠²
• Segunda opção: Planejamentos D-optimal

• 𝑠𝑎2 = 0,094𝑠²
• Fatores não significativos mais facilmente discriminados

do erro experimental
14
• Adaptabilidade dos planejamentos D-optimal

• Modelo quadrático com 1 resposta e 3 fatores
• Planejamentos D-optimal
• Redução da variância sobre os coeficientes e estimativa dos coeficientes dos termos
quadráticos
/𝑠² /𝑠²
15
Planejamentos D-optimal- Exemplos
• Planejamentos D-optimal : os comprimidos do farmacêutico
• Comprimido preparado com um pó com amido, lactose e celulose sob pressão
• Objetivos
• Coesão (resistência a ruptura) do comprimido entre 3 e 5 MPa
• Porosidade entre 17 e 22 %
• 5 fatores
• Amido (mistura):0 ≤ 𝑥1 ≤ 0,5
• Lactose (mistura): 0 ≤ 𝑥2 ≤ 1
• Celulose (mistura): 0 ≤ 𝑥3 ≤ 1
• Frequência de fabricação (processo): 𝑧1
• Pressão (processo): 𝑧2
• Ideia inicial: 11 ensaios (fatores de mistura) + planejamento fatorial completo
22 com ponto central (fatores do processo): 5*11 = 55 ensaios
16

• Modelo:
• Para o planejamento de mistura: modelo quádratico
• Estes coeficientes dependem dos níveis dos fatores 𝑧1 e 𝑧2
• Para os fatores de processo: modelo linear
• Conseqüentemente, temos:
• 18 coeficientes (18 ensaios) + 10 repetições: 28 ensaios no total

• Metade dos ensaios iniciais
17
18
• Desvios padrões semelhantes:
• 𝑠𝑐𝑜𝑒,28 = 0,223; 𝑠𝑝𝑜𝑟,28 = 0,654
• 𝑠𝑐𝑜𝑒,55 = 0,256; 𝑠𝑝𝑜𝑟,55 = 0,448
19

20

• 85% de celulose
• 10% de lactose
• 5% de amido
• Frequência de fabricação (processo): entre -1 e +1
• Pressão (processo): entre -0,4 e +0,15
21
• Planejamentos D-optimal : Correção de um planejamento mal concebido

• Por exemplo, modelo linear:
• Porém, neste caso, temos:
• Logo, o modelo real é:
• Modelo não pode ser usado
22
• Planejamentos D-optimal : o protetor solar
• Objetivo
• Maximizar o rendimento do processo
• 2 fatores
• Razão água / solvente orgânico: entre 60 e 80%
• Agitação: entre 160 e 240 rpm
• Ensaios: 2 repetições para cada condição experimental
23
• Modelo linear com interação:
• Nenhum coeficiente é significativo
• Todas as respostas são iguais considerando

o intervalo de confiança
• Pontos mal escolhidos: pequeno domínio de

estudo
24

• 2 ensaios corretivos
• Modelo linear com interação (sem usar o ensaio no

centro):
25

• Os coeficientes dos termos lineares são significativos
• Diferença significativa entre os valores

mínimo e máximo
26
• Planejamentos D-optimal : o protetor

solar
• Razão água / solvente orgânico: 60%
• Agitação: 240 rpm
27
Quadrados latinos e planejamentos derivados
• Quadrados latinos
• Origem do nome: nível do 3° fator designado por letras latinas
• 3 fatores com 3 (planejamento 33-1, 9 ensaios em vez de 27 para o 33), 4 ou 5 níveis
• Quadrados greco-latinos
• Origem do nome: nível do 3° fator designado por letras latinas e nível do 4° fator designado por
letras gregas
• 4 fatores com 4 (planejamento 44-2, 16 ensaios em vez de 256 para o 44) o 5 níveis
• Planejamentos deYouden
• Homenagem ao químico William JohnYouden (1900 – 1971) que inventou estes planejamentos
• Para 2 fatores ou mais com 5 níveis ou mais
• Exemplo: 2 fatores com 7 níveis ou 3 fatores com 8 níveis
• Planejamentos principalmente usados para variáveis discretas
• Interpretação particular já que o espaço não é contínuo.
28
• Exemplo introdutório: os salários com um fator
• Jack (J) recebe $90, Lee (L) recebe $120 e Simon (S) recebe $180
• Modelo:
• : salário da pessoa i; : média dos 3 salários
: efeito da pessoa i; : termo de desvio
• Efeitos calculados em relação à média:
• Conhecendo 2 efeitos, pode ser calculado o terceiro.
• Sabendo que , obtém-se:
porque σ 𝑎𝑖 𝑒𝑖 = 0
• Efeito global: média quadrática dos efeitos
29
• Exemplo introdutório: os salários com dois fatores
• Dois fatores
• A pessoa: Jack (J), Lee (L) e Simon (S), com efeitos a
• A empresa: empresas A, B e C, com efeitos b
• J, L e S trabalharam para as 3 empresas
• Resultados
30

• Modelo:
• : salário da pessoa i; : média dos 9 salários
: efeito da pessoa i; : efeito da empresa j; : termo de desvio
• Efeitos calculados em relação à média:
• Salario médio por pessoa:
• Logo,
• Semelhantemente para empresa:
31

• Média das respostas:
• Efeito de Jack:
• Efeito da empresa A:
32

• Análise da soma dos quadrados:
• ANOVA
• Graus de liberdade
• 8 para o conjunto de ensaios
• 2 para as pessoas
• 2 para as companhias
• 4 para os resíduos
33
• Quadrado latino 33-1
• Construção
• Planejamento 32 (fator 1: níveis 1, 2 e 3; fator 2: níveis I, II e III)
• Distribuir os níveis do fator 3 (A, B e C) de tal maneira que cada linha e cada coluna
tenha todos os níveis sem ter duas vezes a mesma letra.
• Representação em 3-D
• 12 configurações possíveis
• Modelo:
•
34
• Quadrado latino 43-1

• Construção
• Planejamento 43 (fator 1: níveis 1, 2, 3 e 4; fator 2: níveis I, II, III e IV)
• Distribuir os níveis do fator (A, B, C e D) de tal maneira que cada linha e
cada coluna tenha todos os níveis sem ter duas vezes a mesma letra.
• Modelo:
•
35
• Quadrado greco-latino 44-2

• Construção
• Planejamento 42 (fator 1: níveis 1, 2, 3 e 4; fator 2: níveis I, II, III e IV)
• Distribuir os níveis dos fatores 3 (A, B, C e D) e 4 (α, β, δ e χ) de tal maneira
que cada linha e cada coluna tenha todos os níveis sem ter duas vezes a
mesma combinação de letras latinas e gregas.
• Modelo:
•
36
• Quadrado de Youden
• Exemplo para 2 fatores com 7 níveis e 1 ensaio por nível
• Exemplo para 2 fatores com 7 níveis e 2 ensaios por nível
37
Planejamentos uniformes
• Desenvolvido recentemente para simulações numéricas
• Metamodelos, modelos simples obtidos a partir de modelos complexos, em uma dada região do
domínio de estudo
• Diferença com os planejamentos de experimentos clássicos
• Não há erro aleatório ⟹ impossível usar a redução do erro de predição para distribuir os pontos
• Novo critério: redução dos resíduos ⟹ Solução: distribuição uniforme
• Não há necessidade nem de repetir pontos, nem de blocagem ou randomização
• Não há erro experimental, mas um erro pode ser calculado simulando uma perturbação da resposta
simulada
• Nomenclatura:
• Espaço experimental ⟹ Espaço de cálculo
• Domínio de estudo ⟹ Região de validade
• Experimento ⟹ Ponto de cálculo
• Ensaio ⟹ Simulação numérica
• Resposta experimental ⟹ Resposta simulada 38
• Diferentes distribuições de ponto possíveis

• Alguns exemplos
• Empilhamento compacto de esferas
• Hipercubos latinos e redes ortogonais
• Planejamento com distribuição uniforme
• Planejamento construído com o critério do potencial mínimo (ou planejamento Audze-Eglais)
• Planejamento construído com o critério da máxima entropia
• Planejamento construído com o critério do quadrado médio de um processo gaussiano
39

• Nomenclatura
• Cubos: quadrado (dimensão 2), cubo (dimensão 3) e hipercubo (dimensão ≥ 4)
• Esferas: disco (dimensão 2), esfera (dimensão 3) e hiperesfera (dimensão ≥ 4)
• Pontos de cálculo no centro de esferas de raio constante tangente entre elas, empilhadas em
volumes cúbicos ou esféricos
• Para uma dada quantidade de ensaios, maximizar o raio das esferas para deixar os pontos de cálculo o
mais longe possíveis um dos outros
• Critério Maximin: a menor distancia entre 2 pontos de cálculo (= diâmetro) é maximizada.
• Requer o uso de ferramentas computacionais
40

• Exemplos com 8 ou 3 simulações em espaço cúbico e 7 simulações em um espaço esférico
Fator 2
Fator 2 Fator 2
Fator 1 Fator 1 Fator 1
41
• Construção parecida com os quadrados latinos e planejamentos
derivados, aplicada ao espaço de cálculo em vez das simulações
Caso 1 Caso 2 Caso 3
• Por exemplo, planejamento com 2 fatores e 3 níveis
• Dividir os eixos dos 2 fatores em 3 regiões de mesmo comprimento: 9
quadrados obtidos
• Escolher 3 quadrados tais que as projeções deles nos eixos não se
sobrepõem
Caso 4 Caso 5 Caso 6
• Quadrado latino: 27 quadrados obtidos
• Hipercubos latinos (Latin Hypercubes ou LH): número de pontos de
cálculo = números de fatores
Fator 3
(letra latina)
Fator 2
• Redes ortogonais (Orthogonal Arrays ou OA): número de pontos de
(dígito cálculo é múltiplo do números de fatores
romano)
• Estrutura análoga aos quadrados latinos
42
Fator 1 (dígito árabe)
Fator 3
(letra latina)
• Hipercubos latinos (Latin Hypercubes ou LH)
Fator 2 • 3 pontos de cálculo: escolher aleatoriamente 3 cubos tais que as
(dígito projeções deles nos eixos não se sobrepõem e posicionar
romano)
aleatoriamente os pontos dentro dos mesmos
Fator 1 (dígito árabe) • Problema: espaço pouco preenchido
• Redes ortogonais (Orthogonal Arrays ou OA)
• 9 pontos de cálculo: escolher aleatoriamente 9 cubos tais que as
projeções deles nos eixos não se sobrepõem e posicionar
aleatoriamente os pontos dentro dos mesmos
• Critério de non collapsing
• Se um fator não é influente, os n-1 fatores influentes formam um
espaço de cálculo com uma dimensão a menos que o inicial.
• Hipercubos latinos melhores para evitar uma repetição (inútil) 43
Fator 2
• Planejamento com distribuição uniforme
Fator 1
• Objetivo : obter uma distribuição uniforme das projeções dos
pontos de cálculo nos eixos
• Distribuição perfeitamente uniforme para um intervalo de 0,5
Pontos 1 2 3 4 5 6 7 8 9 10
Fator 1 0,95 0,65 -0,65 0,16 0,85 0,75 -0,45 0,36 -0,36 -0,25
Fator 2 -0,16 -0,04 0,25 -0,35 0,47 -0,65 0,55 0,85 -0,85 -0,45
Pontos 11 12 13 14 15 16 17 18 19 20
Fator 1 -0,95 -0,57 -0,75 0,46 0,25 0,54 -0,03 0,05 -0,85 -0,16
3 7 4 1 Fator 2 -0,26 -0,74 0,04 0,35 0,15 -0,94 0,95 -0,55 0,66 0,75
Efetivo 11 9 8 2 • Medição da uniformidade calculando a discrepância em

12 10 14 5 relação a uma distribuição uniforme
13 17 15 6
19 20 18 16
Fator 1
44
• Planejamento construído com o critério do potencial
mínimo (ou planejamento Audze-Eglais)
𝑛 𝑛
1
• Obtidos minimizando a quantidade ෍ ෍
𝑑𝑥2𝑖 ,𝑥𝑗
onde
Fator 2
𝑖=1 𝑗=1
𝑑𝑥2𝑖,𝑥𝑗 é a distância entre os pontos 𝑥𝑖 e 𝑥𝑗 e 𝑛 é o número
de pontos de cálculo
• Similar a minimização das forças eletrostáticas
• Dispersão dos pontos dentro e na superfície de uma
esfera Fator 1
Pontos 1 2 3 4 5 6 7 8 9 10
Fator 1 0 0,99 -0,40 -0,45 0,34 -0,09 -0,10 -0,57 -0,14 -0,47
Fator 2 0 0,11 -0,90 -0,25 -0,39 -0,50 0,98 0,78 0,49 0,20
Pontos 11 12 13 14 15 16 17 18 19 20
Fator 1 -0,96 -0,80 0,39 0,88 0,59 -0,92 0,51 0,11 0,79 0,30
Fator 2 -0,10 -0,59 0,90 -0,39 -0,80 0,40 0,03 -0,97 0,57 0,41
45
• Planejamento construído com o critério da máxima entropia

• Maximizar a desordem na distribuição dos pontos Fator 2
• Requer o uso de ferramenta computacional
Pontos 1 2 3 4 5 6 7 8 9 10
Fator 1 0,6 -0,5 -1 1 1 -0,5 0 1 0,2 -1
Fator 2 0 -0,7 0,9 1 0,4 1 1 -1 -0,5 0,3
Pontos 11 12 13 14 15 16 17 18 19 20
Fator 1 -1 0,5 0 -0,1 -1 -0,6 0,9 -0,4 0,7 0,1
Fator 2 -0,4 0,8 -1 -0,1 -1 0 -0,5 0,5 -0,7 0,4 Fator 1
46
• Planejamento construído com o critério do
quadrado médio de um processo gaussiano
Fator 2
• Baseado no quadrado médio (MS) integrado a
um processo gaussiano
• Também chamado de IMSE, Integrated Mean
Square Error
• Requer o uso de ferramenta computacional
Pontos 1 2 3 4 5 6 7 8 9 10 Fator 1
Fator 1 -0,33 -0,88 -0,32 -0,74 0,34 0,12 -0,52 0,76 0,68 0,66
Fator 2 0 0,37 -0,74 0,74 -0,39 -0,01 0,39 0,34 0,75 -0,75
Pontos 11 12 13 14 15 16 17 18 19 20
Fator 1 0,35 -0,74 0,14 0,55 -0,65 0,76 -0,28 0,19 -0,76 -0,13
Fator 2 0,37 -0,74 -0,75 0,01 -0,34 -0,35 0,75 0,75 0,06 -0,38
47
• Modelagem matemática da resposta

• Planejamentos de experimentos clássicos: 𝑦 = 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛 + ∆ + 𝜀
• Erro de ajuste ou lack of fit (Δ) e erro aleatório ou erro puro (ε)
• Planejamentos uniformes:
• Sem erro aleatório ou erro puro (ε): 𝑦 = 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛 + ∆(𝑥1 , 𝑥2 , … , 𝑥𝑛 )
• Estimação da função 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛 por Resíduo
regressão multilinear, baseado no método
dos mínimos quadrados
• Estimação da função ∆ 𝑥1 , 𝑥2 , … , 𝑥𝑛 que
representa o resíduo
• 𝑛 simulações com 𝑛 pontos 𝑢1 , 𝑢2 , … , 𝑢𝑛 :
• 𝑛 respostas 𝑦1 , 𝑦2 , … , 𝑦𝑛 Fator
• 𝑛 resíduos 𝑧1 , 𝑧2 , … , 𝑧𝑛
48
• Modelagem matemática da resposta
• Valor o mais provável do resíduo 𝑧𝑥 de coordenadas 𝑢𝑥 para qual não foi feito simulação:
combinação linear dos 𝑛 resíduos e um jogo de 𝑛 coeficientes (a otimizar)
𝑛
𝑧𝑥 = ෍ 𝜆𝑖 𝑧𝑖
𝑖=1
• Coeficientes 𝜆𝑖 dependem de uma função 𝛾 ℎ𝑖 onde ℎ𝑖 é a distância entre um ponto simulado 𝑢𝑖 e

o ponto 𝑢𝑥 .
• Valor de 𝜆𝑖 diminui com a distância: os pontos mais próximos são os mais influentes; além de uma
certa distância (alcance, 𝑎), os pontos não têm mais influência no valor de 𝜆𝑖 .
• Função 𝛾 ℎ𝑖
• Função potência linear: 𝛾 ℎ𝑖 = 𝐶 ℎ𝑖 𝛼 , com 𝐶 constante e 𝛼 entre 0 e 2
ℎ𝑖 3
• Modelo esférico: 𝛾 ℎ𝑖 = 𝐶 1,5
ℎ𝑖
𝑎
− 0,5 𝑎
, se ℎ𝑖 < 𝑎 ou 𝛾 ℎ𝑖 = 𝐶 se ℎ𝑖 ≥ 𝑎
ℎ 2
• Modelo gaussiano: 𝛾 ℎ𝑖 = 𝐶 1 − 𝑒
−𝜃 𝑎𝑖
se ℎ𝑖 < 𝑎 ou 𝛾 ℎ𝑖 = 𝐶 se ℎ𝑖 ≥ 𝑎, 49
com 𝜃 parâmetro de ajuste, escolhido pelo experimentador
y
• Exemplo com 1 fator (temperatura)

• 10 simulações
Simulação 1 2 3 4 5 6 7 8 9 10
Temperatura 10 20 30 40 50 60 70 80 90 100
Resposta simulada 179 199 174 149 125 144 139 147 149 128
• Metamodelo: polinômio de ordem 9 com 10 coeficientes

• Porém, forte variação entre 1 e 2, 8 e 9 e 9 e 10
• Modelo polinomial de ordem elevada não adequado
• Solução: regressão e simulação dos resíduos para
regressão linear e quadrático T
50
• Regressão linear y
• 𝑦ො𝑟𝑒𝑔𝑟𝑒𝑠𝑠ã𝑜 1 = 185,13 − 0,579𝑥

• 𝑅 2 = 0,55 e resíduos elevados: inadequado
Resíduo
T
T
51
• Regressão linear y Metamodelo com uma regressão
• Modelo gaussiano dos resíduos linear e um modelo gaussiano
Resíduo
T T
52
• Exemplo com 1 fator (temperatura) y
Metamodelo com uma regressão
• Regressão quadrática quadrática e um modelo gaussiano
• 𝑦ො𝑟𝑒𝑔𝑟𝑒𝑠𝑠ã𝑜 2 = 208,22 − 1,73𝑥 + 0,01𝑥²

• 𝑅 2 = 0,67: melhor, mas continua inadequado
y
53
T
y
•
Comparação dos metamodelos
Exemplo com 1 fator (temperatura)
• Comparação Linear
• Ambos os modelos passam pelos pontos de cálculo Quadrático
• Perfis diferentes
• Justificativa para as subidas entre 4 e 5 e 5 e 6 ou as
descidas entre 2 e 3 e 8 e 9?
• Necessidade de validação: simulações adicionais

Simulação 11 12 13 14
Temperatura 25 46 54 85
Resposta simulada com o metamodelo 1 190 130 130 151
Resposta simulada com o metamodelo 2 173 147 142 138
Resposta simulada original 190 130 130 148
• Metamodelo 1 melhor
T
• Após seleção do melhor modelo, resultados usados
para refinar o modelo
54
• Refino do modelo linear
y Metamodelo refinado (14 pontos)
com uma regressão linear e um
y Metamodelo original (10 pontos) modelo gaussiano
com uma regressão linear e um
modelo gaussiano
T T
55
• Planejamentos uniformes para vários fatores
• Conceitos vistos podem ser aplicados par vários fatores, mas requerem o uso de computadores
• Metodologia:
• 1. “Corte” do espaço de simulação para definir as regiões de interesse
• 2. Seleção do tipo de metamodelo e escolha de um planejamento uniforme adequado
• 3. Execução das simulações
• 4. Obtenção do metamodelo inicial
• 5. Exame crítico dos resultados obtidos
• 6. Simulações complementares para refinar a superfície de resposta
• 7. Validação do metamodelo final
• Uso de planejamentos uniformes na experimentação clássica
• Aplicável quando as superfícies de respostas são muito acidentados e os modelos clássicos não são
suficientes para representar estas variações
• Metodologia: 𝑦 = 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛 + ∆ 𝑥1 , 𝑥2 , … , 𝑥𝑛 + 𝜀
• 1. Regressão linear para 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛
• 2. Modelagem dos resíduos ∆ 𝑥1 , 𝑥2 , … , 𝑥𝑛
• 3. Introdução de um termo para o erro aleatório, baseado nas repetições 56

9 - Outros Tipos de Planejamento (Revisados)

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

9 - Outros Tipos de Planejamento (Revisados)

Enviado por

Direitos autorais:

Formatos disponíveis

MEC 2007 – Planejamento de

• Planejamentos D-optimal (Cap. 11)

• Quadrados latinos e planejamentos derivados (Cap. 12)

• Planejamentos ótimos ou custom designs

• Matriz dos efeitos:

• Determinação das massas de A e B pelo método de Hotelling

• Matriz dos efeitos:

• Metodologia para encontrar o planejamento D-optimal

• Abordagem simples, mas não a melhor

• Abordagem melhor, mas não a melhor possível

• Metodologia para encontrar o planejamento D-optimal

• Metodologia para encontrar o planejamento D-optimal

• Metodologia para encontrar o planejamento D-optimal

• Adaptabilidade dos planejamentos D-optimal

• Planejamento fatorial completo 23: 8 ensaios

• Segunda opção: Planejamentos D-optimal

• Fatores não significativos mais facilmente discriminados

• Adaptabilidade dos planejamentos D-optimal

• Planejamentos D-optimal : os comprimidos do farmacêutico

• Estes coeficientes dependem dos níveis dos fatores 𝑧1 e 𝑧2

• Para os fatores de processo: modelo linear

• 18 coeficientes (18 ensaios) + 10 repetições: 28 ensaios no total

• Planejamentos D-optimal : os comprimidos do farmacêutico

• Planejamentos D-optimal : os comprimidos do farmacêutico

• Planejamentos D-optimal : Correção de um planejamento mal concebido

• Porém, neste caso, temos:

• Logo, o modelo real é:

• Modelo não pode ser usado

• Todas as respostas são iguais considerando

• Pontos mal escolhidos: pequeno domínio de

• Planejamentos D-optimal : o protetor solar

• Modelo linear com interação (sem usar o ensaio no

• Planejamentos D-optimal : o protetor solar

• Diferença significativa entre os valores

• Planejamentos D-optimal : o protetor

• Sabendo que , obtém-se:

• Exemplo introdutório: os salários com dois fatores

• Salario médio por pessoa:

• Semelhantemente para empresa:

• Exemplo introdutório: os salários com dois fatores

• Exemplo introdutório: os salários com dois fatores

• Quadrado latino 43-1

• Quadrado greco-latino 44-2

• Diferentes distribuições de ponto possíveis

• Empilhamento compacto de esferas

• Empilhamento compacto de esferas

Fator 1 Fator 1 Fator 1

Efetivo 11 9 8 2 • Medição da uniformidade calculando a discrepância em

• Planejamento construído com o critério da máxima entropia

• Modelagem matemática da resposta

• Coeficientes 𝜆𝑖 dependem de uma função 𝛾 ℎ𝑖 onde ℎ𝑖 é a distância entre um ponto simulado 𝑢𝑖 e

• Exemplo com 1 fator (temperatura)

• Metamodelo: polinômio de ordem 9 com 10 coeficientes

• 𝑦ො𝑟𝑒𝑔𝑟𝑒𝑠𝑠ã𝑜 1 = 185,13 − 0,579𝑥

• 𝑦ො𝑟𝑒𝑔𝑟𝑒𝑠𝑠ã𝑜 2 = 208,22 − 1,73𝑥 + 0,01𝑥²

• Ambos os modelos passam pelos pontos de cálculo Quadrático

• Necessidade de validação: simulações adicionais

Você também pode gostar