Introduo aos experimentos

fatoriais
Blocagem cap. 5 (5.6)

Blocagem em um experimento fatorial: modelo

Considere um experimento fatorial a dois fatores (A e B) com n
replicaes. O modelo estatstico linear para esse experimento :

i 1, 2,..., a

yijk i j ( )ij ijk j 1, 2,..., b

k 1, 2,..., n

Suponha que para uma realizao um material particular exigido e

que esse material est disponvel em lotes que no so suficientemente
grandes para permitir que todas as abn combinaes de tratamentos sejam
realizadas com o mesmo lote.
Porm, se um lote contm material suficiente para ab realizaes, ento um
plano alternativo rodar cada uma das n replicaes usando um lote
diferente de material.

Blocagem em um experimento fatorial: modelo

Consequentemente, os lotes de material representam uma
restrio em aleatorizao ou um bloco, e uma replicao de um
experimento fatorial completo realizada para cada bloco.
O modelo de efeitos para esse novo plano :
y ijk

i 1,2,..., a

i j ( ) ij k ijk , j 1,2,..., b
k 1,2,..., n

com k representando o efeito do k-simo bloco.

Dentro de cada bloco, claro, as realizaes so feitas de modo
completamente aleatorizado.

Tabela ANOVA
FV
Blocos
A
B
AB
Erro
Total

SQ

gl

y...2
1
2
y..k abn
ab k

n-1

y...2
1
2
y

i.. abn
bn i

a-1

y...2
1
2
y. j. abn
an j

y...2
1
2
yij. abn SS A SS B
n i j

Diferena
y...2
yijk abn

b-1
(a-1)(b-1)
(ab-1)(n-1)
abn-1

QM
QMBl
QMa
QMb
QMab
QMe
--

F
--

---

Blocagem
O modelo assume que a interao entre blocos e
tratamentos desprezvel. Isso foi suposto
anteriormente na anlise dos planejamentos em bloco
aleatorizados. Se essas interaes de fato existem, elas
no podem ser separadas da componente de erro.
De fato, o termo de erro nesse modelo consiste das
interaes entre cada fator principal e bloco e entre os
trs (fatores A, B e bloco).

Exerccio 19
O resultado de um processo qumico est sendo estudado. Os dois fatores de
interesse so temperatura e presso. Trs nveis de cada fator foram selecionados.
Porm, somente nove realizaes podem ser feitas num dia. O experimentador
rodou as replicaes em dias diferentes. Analise os dados, supondo que os dias
so blocos.

y=read.table("e:\\dox\\procquim.txt",header=T)
pr=as.factor(y$Pressure)
temp=as.factor(y$Temperature)
bloco=as.factor(y$dia)
modeloB=y$Yield~pr+temp+pr:temp+bloco
fitB=aov(modeloB)
fv
gl SQ
QM
F value
Pr(>F)
pr
2 5.508
2.754
5.1838 0.035988 *
temp
2 99.854 49.927
93.9807 2.778e-06 ***
bloco
1 13.005 13.005
24.4800
0.001124 **
pr:temp
4 4.452
1.113
2.0952
0.173314
Residuals 8 4.250
0.531
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Perfis das mdias por combinao de nveis apresentam paralelismo,

confirmando a no-rejeio da hiptese de ausncia de efeito de
Interao entre temperatura e presso.

Experimentos fatoriais 2k Cap. 6

Os experimentos fatoriais so muito usados em experimentos

envolvendo vrios fatores para os quais necessrio estudar o
efeito conjunto dos fatores sobre a resposta.
No captulo 5 apresentamos mtodos gerais de anlise do
experimento fatorial.
Existem casos especiais do experimento fatorial geral.
O caso mais importante, entre os especiais, o de k fatores cada
um com apenas 2 nveis.
Os nveis podem ser quantitativos ou qualitativos.
O plano 2k particularmente til nos estgios iniciais do trabalho
experimental, quando muitos fatores devero ser investigados.
Ele fornece o menor nmero de realizaes com o qual k fatores
podem ser simultaneamente investigados em um planejamento
fatorial completo.

Experimentos fatoriais 2

Consequentemente, esses planos so muito usados em

experimentos chamados factor screening experiments (filtragem,
peneiramento de fatores).
Como h somente dois nveis para cada fator, supe-se que a
resposta aproximadamente linear sobre a variedade de nveis dos
fatores escolhidos.
Em muitos experimentos de filtragem de fatores, quando estamos
apenas comeando a estudar o processo, essa suposio costuma
ser razovel.
Na seo 6.8 so apresentados um mtodo simples para verificar
se essa suposio violada e aes em caso afirmativo.

The Simplest Case: The 22

- and + denote the low and

high levels of a factor,
respectively
Low and high are arbitrary
terms
Geometrically, the four runs
form the corners of a square
Factors can be quantitative
or qualitative, although their
treatment in the final model
will be different

Chemical Process Example

A = reactant concentration, B = catalyst amount,

y = recovery

Analysis Procedure for a

Factorial Design
Estimate factor effects
Formulate model
With replication, use full model
With an unreplicated design, use normal
probability plots

Statistical testing (ANOVA)

Refine the model
Analyze residuals (graphical)
Interpret results

Estimation of Factor Effects

A y A y A
ab a b (1)

2n
2n
21n [ab a b (1)]
B yB yB
ab b a (1)

2n
2n
21n [ab b a (1)]
ab (1) a b
AB

2n
2n
21n [ab (1) a b]

See textbook, pg. 209-210 For

manual calculations
The effect estimates are:
A
= 8.33, B = -5.00, AB = 1.67
Practical interpretation?
Design-Expert analysis

Estimation of Factor Effects

Form Tentative Model
Model
Model
Model
Model
Error
Error

Term
Effect
SumSqr
% Contribution
Intercept
A
8.33333
208.333
64.4995
B
-5
75
23.2198
AB
1.66667
8.33333
2.57998
Lack Of Fit 0
0
P Error
31.3333
9.70072
Lenth's ME
Lenth's SME

6.15809
7.95671

Obs.: As somas de quadrados aqui so bastante simples.

Statistical Testing - ANOVA

The F-test for the model source is testing the significance of the
overall model; that is, is either A, B, or AB or some combination of
these effects important?

Residuals and Diagnostic Checking

The 23 Factorial Design

Effects in The 23 Factorial Design

A y A y A
B yB yB
C yC yC
etc, etc, ...

Analysis
done via
computer

An Example of a 23 Factorial
Design

A = gap, B = Flow, C = Power, y = Etch Rate

Table of and + Signs for the 23 Factorial Design (pg. 218)

Properties of the Table

Except for column I, every column has an equal number of + and
signs
The sum of the product of signs in any two columns is zero
Multiplying any column by I leaves that column unchanged (identity
element)
The product of any two columns yields a column in the table:

A B AB
AB BC AB 2C AC
Orthogonal design
Orthogonality is an important property shared by all factorial
designs

Estimation of Factor Effects

ANOVA Summary Full Model

Model Interpretation
Cube plots are
often useful visual
displays of
experimental
results

Cube Plot of Ranges

What do the
large ranges
when gap and
power are at the
high level tell
you?