Documente Academic
Documente Profesional
Documente Cultură
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
Projeto Grfico
Editorao Eletrnica
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
10.
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
Input
Caractersticas de qualidade
SISTEMA
Parmetros
do Sistema
Fatores de Rudo
Figura 1.
Esquema de um sistema
ANLISE
OTIMIZAO
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
Conhecimentos Mercadolgicos
Conhecimentos Tcnicos
Conhecimentos Estatsticos
1.2.2. Terminologia
Caractersticas de Qualidade
Variveis de resposta
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.
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
Fatores constantes
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
Voz do Engenheiro
Caractersticas
Variveis de
Resposta
de Qualidade
Aspectos que
podem ser vagos
Mensurveis, quantitativas
Fatores Controlveis
Parmetros
do Processo
Objeto de
estudo
Input
Processo ou Produto
Parmetros
do Processo
Fatores de Rudo
Definir o
ajuste
timo
Pesquisa de Mercado
Identificar as C.Q. de interesse
Identificar a importncia relativa dessas C.Q.
Varivel de
Resposta
Responsveis pela
variabilidade
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
1.3.4. Anlise
1.3.5. Otimizao
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
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
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
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
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
Tipo
Alvo
(unidades)
Especificaes
Min
Max
Importncia
Ajuste
atual
Ajuste
Sugerido
Intervalo de
pesquisa
MIN
MAX
Facilid.
de ajuste
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
Valor numrico
0
1
3
9
Fraca
Moderada
Forte
IE
X1
X2
X3
X8
X9
X10
Y1
Y2
Y3
Y4
Y5
Y6
PRj
O formulrio para os clculos o seguinte:
onde:
Rij
IEi
PRj
Num nveis
Nveis reais
15
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
PRj
Ajuste
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
Fatores Controlveis
Variveis de Resposta
Obs: ___________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
Obs: ___________________________________________________________
17
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.
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
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
25C
35C
12
20
17
13
19
16
11
18
18
Repeties
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
20
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
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
21
Graus de Liberdade:
Mdias quadradas ou :
Fcalc
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
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- )
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
P-value
F crit
39 0,000364 5,143253
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
23
SQ
SQG
SQR
SQT
GDL
K-1
N-K
N-1
MQ
MQG
MQR
Teste F
F = MQG / MQR
Temperatura
Totais
No.Obs.
Mdias
70
15,0
15,9
18,4
17,2
18,6
18,7
16,0
17,1
21,5
14,2
18,4
15,1
206,10
12
17,18
80
13,1
14,1
18,2
11,1
15,5
12,2
12,3
13,0
15,5
14,3
15,9
15,6
170,80
12
14,23
90
12,4
11,2
15,9
13,4
9,00
10,3
10,0
13,2
11,0
13,8
12,4
13,4
146,00
12
12,17
100
10,4
13,4
11,5
14,2
12,7
13,8
12,6
11,4
16,1
13,7
9,20
10,6
149,60
12
12,47
110
13,1
10,0
13,9
11,1
13,6
12,4
11,2
12,3
13,4
15,9
9,10
10,2
146,20
12
12,18
T..=818,7
N = 60
Y. . = 13,65
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
24
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
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
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
SQ
GDL
MQ
Teste F
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
32,53
30,41
62,94
>
>
2
15
17
16,26
2,03
26
8,02
F tabelado
3,68
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:
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
A1
A2
A3
Absoro (gramas)
141
132
135
112
115
122
128
98
158
122
121
143
102
108
155
139
126
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
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%.
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
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:
Efeito de A = 50 - 20 = 30
Em B2
Efeito de A = 12 - 40 = -28
A1
A2
B1
B2
x
x
x
x
Fatorial Cruzado
A1
A2
1
Fator
A
2
:
:
a
Fator B
2
Y121, Y122
, Y12n
Y221, Y222
, Y22n
...
...
...
...
k = 1, n
onde:
a mdia geral;
b
Y1b1, Y1b2
, Y1bn
:
:
:
:
Yab1, Yab2
, Yabn
Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores
Suposies:
Para o fator B:
para algum j.
Para a interao AB:
para algum ij.
Verificao:
SQT = SQA + SQB + SQAB + SQR
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:
Fcalc
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
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
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
SYi..
MQR
bn
SY. j .
MQR
an
MQR
n
SYij .
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.
ijk N (0, )
SQR
ab(n 1)
MQG
MQR
Fcal
Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores
39
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
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
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. ?
Efeitos significativos:
40
30
20
10
0
e) Tomada de deciso
A2
A3
B1
B2
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
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
Totais
Totais
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
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 erro aleatrio.
Suposies:
Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais
;
(
;
)
VERIFICAO
SQT = SQA + SQB + SQC + SQAB + .... + SQR
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
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
T.j..
21
T..k.
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
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
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
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
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
____________________________________________________________
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
4.3.1. 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
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
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
80
70
60
50
B1
40
B2
30
B3
20
10
0
A1
A2
A3
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
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
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:
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
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.
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)
Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos
ij N(0, 2)
Para esse modelo, os resduos em relao a mdia geral podem ser decompostos da seguinte
maneira:
(
(
)
)
B
14
14
13
8
49
C
12
12
11
9
44
D
13
11
10
9
43
Desgastes medidos
em cada pneu
= 193
57
Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos
58
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 !
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)
ij N(0, 2)
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)
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.
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.
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 :
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
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)
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
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
5.4.1. 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
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
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
(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
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
Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)
68
Ri + Cj + RCij
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
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.
(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
RT + RLT
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
Na seo anterior analisamos projetos com fatores a nveis fixos. Nessa seo vamos analisar
duas outras situaes:
Var(Yijk) = 2 + 2 + 2 + 2
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
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
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
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)
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:
75
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
76
j
ij
k(ij)
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
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
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.
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
78
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
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
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
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
80
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
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
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 *
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
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.
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
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
III
11
18
14
22
Total
36
54
48
59
84
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
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
= 4,83
= 2,83
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
Contraste
SQ
2k n
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
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.
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
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
Efeito
SQ
Contraste
2k 1 n
Contraste 2
2k n
89
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
90
Tratamento
(1)
a
b
ab
c
ac
bc
abc
I
+
+
+
+
+
+
+
+
A
+
+
+
+
Efeito fatorial
AB
C
+
+
+
+
+
+
+
+
B
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
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
n x 2k - 1 = 12;
n x 2k = 24
EA = CA / 12 = 3,47
EB = -5,2 / 12 = -0,43
EC = 2,0 / 12 = 0,17
SQR = 10,31
SQT = 87,19
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
92
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 *
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
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
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
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
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
96
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
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
Normal
Reforado
B: Dimetro da antena
10
+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
GDL
MQ
F calc.
Signif. ?
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
99
15
10
e) Tomada de deciso
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
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
No mesmo dia;
Na mesma sala;
Com o mesmo operador
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
102
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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
103
Bloco II
(1)
ab
Pares
mpares
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
104
SQ
SQA
SQB
SQAB
SQT
GDL
1
1
1
3
Este exemplo apenas acadmico, pois no temos GDL para o termo de erro.
Bloco II
(1)
Ab
Ac
Bc
a
b
c
abc
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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
105
Bn
RBmn
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.
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)
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
indica que os blocos esto aninhados dentro das repeties (em cada repetio os blocos 1
e 2 so diferentes)
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
|
|
|
|
17
31
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
GDL
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
15
|
| 4 GDL para
| o termo de erro
|
ABC e BCD
Confundido BCD
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
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
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
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
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
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
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
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.
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
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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
112
Vnculo de C:
9.11
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
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.
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
onde
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
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
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
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
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
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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
120
(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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
121
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
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
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 =
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
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
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.
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,
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
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
127
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
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:
[
{
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
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.
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
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:
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:
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
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
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.
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)
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.
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
136
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
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
137
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
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
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
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:
ti > t / 2 , nk 1
Coeficientes
2,31120209
0,87720461
0,45592077
Interseo
Varivel X 1
Varivel X 2
Erro padro
5,857302725
0,153034597
0,146762335
Stat t
0,394584709
5,732067324
3,106524374
Valor-p
0,70007
9,4E-05
0,00908
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
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
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
NC
onde:
VC
LSI
LII
120 100
100 110
2
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
142
efeitoANOV A
2
Zi K j (Y j T j ) 2
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
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
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
*(
) +]
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";
supera o alvo,
(nota: para VR do tipo maior melhor ou menor melhor, quando o valor de Y
j
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
145
IR1
Y1 T1
(alvo1 LIE1 ) 2
IR2
( LSE2 LIE2 ) / 2
Y2 T2