Projeto de Experimentos Jose Luis Duarte Ribeiro

Srie Monogrfica Qualidade
Projeto de Experimentos
Jos Luis Duarte Ribeiro & Carla ten Caten
Editores
Universidade Federal do Rio Grande do Sul
Escola de Engenharia
Programa de Ps Graduao em Engenharia de Produo
Porto Alegre, RS
2003
Jos Luis Duarte Ribeiro & Carla ten Caten, editores
2000 by Jos Luis Duarte Ribeiro & Carla ten Caten

Direitos em lngua portuguesa para o Brasil adquiridos por
Universidade Federal do Rio Grande do Sul
Escola de Engenharia
Programa de Ps Graduao em Engenharia de Produo
Praa Argentina, 9 sala 404

90040-020 Porto Alegre RS Brasil
Tel. 55 51 316 3490 / 316 3948 / 316 3491
Fax: 55 51 316 4007
e-mail: ppgep@vortex.ufrgs.br
Projeto Grfico
Lia Buarque de Macedo Guimares
Editorao Eletrnica
Andria Fabiane Nahra Leal

Fabolla Granata
Marcelo Luiz Pereira
Ilustrao da Capa
Arcngelo Ianelli, Natureza-morta

1960 leo s/ tela 70 X 83 cm
IPHAN, Museu Nacional de Belas Artes
1. Introduo ao Planejamento de Experimentos......................................................... 7
1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS: ............................................................... 8
1.2. FASES DO PROJETO DE EXPERIMENTOS ........................................................................................ 8
1.3. AS ETAPAS DE UM EXPERIMENTO .................................................................................................. 11
1.4. EXERCCIO 1:....................................................................................................................................... 15
2. Comparao de Vrios Grupos (One-way Analysis of Variance) ............................. 21

2.2. A ANLISE DE VARINCIA (ANOVA) ................................................................................................ 22
2.3. EXERCCIOS: ....................................................................................................................................... 28
3. Projetos Fatoriais com Dois Fatores ....................................................................... 33

3.1. VANTAGENS DOS EXPERIMENTOS FATORIAIS ............................................................................. 35
3.2. OS EXPERIMENTOS FATORIAIS DE DOIS FATORES (TWO-WAY ANOVA) .................................. 35
3.3. ANLISE DE VARINCIA PARA PROJETOS CRUZADOS DE 2 FATORES ..................................... 37
3.4. COMPARAO MLTIPLA DE MDIAS ............................................................................................. 39
3.5. TESTE DAS SUPOSIES DO MODELO: ......................................................................................... 39
3.6. EXPERIMENTOS SEM REPETIO ................................................................................................... 40
3.7. EXERCCIOS ........................................................................................................................................ 42
4. Generalizao dos Projetos Fatoriais ..................................................................... 46

4.1. MODELO ESTATSTICO: ..................................................................................................................... 46
4.2. MODELO ESTATSTICO: ..................................................................................................................... 52
4.3. Experimentos com fatores aninhados e cruzados ................................................................................ 52
4.4. EXERCCIOS ........................................................................................................................................ 54
5. Blocos Aleatorizados e Quadrados Latinos ........................................................... 59

5.1. PROJETOS COMPLETAMENTE ALEATORIZADOS .......................................................................... 60
5.2. PROJETOS EM BLOCOS ALEATORIZADOS ..................................................................................... 62
5.3. QUADRADOS LATINOS ....................................................................................................................... 64
5.4. QUADRADOS GRECO-LATINOS ........................................................................................................ 67
5.5. EXERCCIOS: ....................................................................................................................................... 68
6. Experimentos Parcionados em Clulas (Split-Plot) ............................................... 70

6.1. INTRODUO ...................................................................................................................................... 70
6.2. EXPERIMENTOS MULTI-PARCIONADOS EM CLULAS (Split-Split-plot) .................................... 73
6.3. EXERCCIOS ........................................................................................................................................ 75
7. Experimentos com Fatores a Nveis Aleatrios ..................................................... 76

7.1. O MODELO PARA FATORES A NVEIS ALEATRIOS...................................................................... 76
7.2. EXERCCIO ........................................................................................................................................... 85
8. Projetos Fatoriais do Tipo 2K ................................................................................... 88

8.2. PROJETOS 22 ....................................................................................................................................... 89
3
8.3. PROJETOS 2 ....................................................................................................................................... 92
K
8.4. O PROJETO 2 GENERALIZADO........................................................................................................ 95
8.5. O PROJETO 2K SEM REPETIES .................................................................................................... 97
8.6. ALGORITMO DE YATES PARA PROJETOS 2K ...................................................................................... 98
8.7. EXERCCIOS ........................................................................................................................................ 99
9. Experimentos Fatoriais Confundidos em Blocos ................................................. 103

9.2. CONFUNDIMENTO ............................................................................................................................ 104
9.3. SISTEMA PARA CONFUNDIR EFEITOS: ......................................................................................... 104
9.4. EXPERIMENTOS CONFUNDIDOS EM BLOCO COM REPETIO ................................................ 105
9.5. EXPERIMENTOS COMPLETAMENTE CONFUNDIDOS .................................................................. 105
9.6. EXPERIMENTOS PARCIALMENTE CONFUNDIDOS....................................................................... 106
9.7. EXPERIMENTOS CONFUNDIDOS EM BLOCO SEM REPETIO ................................................. 107
9.8. DIVISO EM MAIS DE DOIS BLOCOS .............................................................................................. 108

9.9. PROJETOS FATORIAIS FRACIONADOS 2k-1 ................................................................................... 110
9.10. EFEITOS VINCULADOS ................................................................................................................... 110
k-1
9.11. ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS 2 ............................. 114
9.12. PAPEL DE PROBABILIDADE ........................................................................................................... 115
9.13. EXERCCIOS .................................................................................................................................... 121
10.
Metodologia de Superfcie de Resposta e Otimizao..................................... 125
10.1. METODOLOGIA DE SUPERFCIE DE RESPOSTA ........................................................................ 125

10.2. MODELAGEM DAS VR ..................................................................................................................... 129
10.3. FUNO DE PERDA MULTIVARIADA ............................................................................................ 145
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.
1. Introduo ao Planejamento de Experimentos

Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Avalia o desem penho do sistema

Input
Caractersticas de qualidade
SISTEMA
Parmetros
do Sistema
Fatores de Rudo
Figura 1.
Esquema de um sistema
1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS:

Achar o ajuste timo dos parmetros do sistema de forma a:
Maximizar o desempenho do sistema

Minimizar custos
Tornar o desempenho do sistema pouco sensvel ao efeito dos fatores de rudo
Fazer isso, ...
Definindo uma seqncia de ensaios econmica e eficiente

Procedendo uma avaliao estatstica dos resultados
= Assegurar respaldo cientfico
= Maximizar as informaes obtidas
1.2. FASES DO PROJETO DE EXPERIMENTOS

OUVIR A VOZ DO CLIENTE
OUVIR A VOZ DO ENGENHEIRO
PLANEJAMENTO FINAL E EXECUO
ANLISE
OTIMIZAO
1.2.1. Trabalho de Equipe:

O trabalho em equipe exige:
Conhecimentos Mercadolgicos
Conhecimentos Tcnicos
Conhecimentos Estatsticos
O que ser visto:
Introduo ao Projeto de Experimentos
Comparao de vrios grupos
Projetos fatoriais com dois fatores
Generalizao dos projetos fatoriais
Blocos Aleatorizados e Quadrado Latino
Projetos fatoriais do tipo 2k
Experimentos fatoriais confundidos em bloco
Experimentos fatoriais fracionados
Metodologia de Superfcie Resposta
1.2.2. Terminologia
Caractersticas de Qualidade
Todas as caractersticas do produto que o cliente percebe como importantes.
Variveis de resposta
Aspectos do produto que podem ser medidos e que permitem quantificar as

caractersticas de qualidade.
Caractersticas de qualidade do tipo nominal--melhor (por exemplo, caractersticas

dimensionais) tendem a apresentar uma distribuio de probabilidade aproximadamente
simtrica, pois as causas de variabilidade geram valores que podem se afastar tanto para cima
como para baixo do alvo. Elas apresentam tolerncias bilaterais.
Caractersticas de qualidade do tipo maior--melhor (por exemplo, resistncia mecnica)

tendem a apresentar uma distribuio de probabilidade assimtrica esquerda, pois muitas
vezes existem limitaes tecnolgicas que dificultam a obteno de valores altos, enquanto que
muitos causas de variabilidade podem gerar valores baixos. Elas apresentam apenas Limite
inferior de especificao-LIE.
10

Caractersticas de qualidade do tipo menor--melhor (por exemplo, nvel de rudo)

tendem a apresentar uma distribuio de probabilidade assimtrica direita, pois muitas
vezes existem limitaes tecnolgicas dificultando a obteno de valores baixos,
enquanto que muitos causas de variabilidade podem gerar valores altos. Elas apresentam
apenas Limite superior de especificao-LSE.
Parmetros do processo
Todas as variveis da linha de produo que podem ser alteradas e que talvez
tenham um efeito sobre as variveis de resposta.
Fatores controlveis
So um subconjunto dos parmetros do processo; so aqueles parmetros do

processo que foram elegidos para serem estudados a vrios nveis no
experimento.
Fatores constantes
So os parmetros do processo que no entram no experimento e que so

mantidos constantes durante o experimento.
Fatores no controlveis (Rudo)
So as variveis que no podem ser controladas pela equipe tcnica. So

responsveis pelo erro experimental ou variabilidade residual ou varincia do
erro.
1.2.3. Relao entre a demanda de qualidade (cliente) e as variveis de resposta

(engenharia)
Voz do Cliente
Caractersticas
de Qualidade
Aspectos que
podem ser vagos
Voz do Engenheiro
Variveis de
Resposta
Mensurveis, quantitativas
1.2.4. Status dos parmetros do processo dentro de um programa experimental:
Fatores Controlveis
Parmetros
do Processo
Objeto de
estudo
Fatores mantidos constante
1.2.5. Relao entre os fatores controlveis e a resposta
Processo ou Produto
Input
Parmetros
do Processo
Fatores de Rudo
Definir o
ajuste
timo
1.3. AS ETAPAS DE UM EXPERIMENTO

1.3.1. Ouvir a voz do cliente (o qu)
Pesquisa de Mercado
Identificar as C.Q. de interesse
Identificar a importncia relativa dessas C.Q.
1.3.2. Ouvir a voz do engenheiro (como)
Varivel de
Resposta
Definir variveis de resposta associadas s C.Q.

Identificar outras variveis de resposta de interesse
(em geral associadas a custos/produtividade)
Identificar os parmetros do processo
Identificar o intervalo de variao dos P.P.
Identificar os fatores controlveis
(F.C. = P.P. que podem afetar as V.R.)
Definir o nmero de nveis para cada F.C.
Definir possveis interaes entre os FC
Identificar as restries experimentais
Responsveis pela
variabilidade
11
12

- Numero mximo de ensaios

- Equipamento e RH disponveis
- Tempo disponvel, etc.
Escolher o modelo estatstico do experimento
1.3.3. Planejamento final e execuo
Escrever a matriz experimental

Definir a ordem dos ensaios (aleatorizao)
Definir os procedimentos de ensaio (uniformizao)
Desenhar planilhas de coleta de dados
Executar o experimento e anotar resultados
1.3.4. Anlise
Fazer a anlise de varincia

Escrever uma tabela de mdias
Fazer grficos dos efeitos dos fatores principais
Fazer grficos das interaes significativas
1.3.5. Otimizao
Modelar individualmente cada Varivel de Resposta

V.R. = f (F.C.)
Definir uma funo objetivo:
L = f1 (V.R.) L = f2 (F.C.)
Otimizar, isto , achar o ajuste dos F.C. que minimiza/ maximiza L.
Verificar a consistncia da soluo
1.3.5.1. Exemplo: Estudo experimental em solados de borracha.

1. Ouvir a voz do cliente
Pesquisa de Mercado
O solado deve ser macio e durvel.
Caractersticas de Qualidade:
Designao
Tipo
Flexibilidade
Durabilidade
Maior--melhor
Maior--melhor
Importncia
Relativa
1
1
2. Ouvir a voz do Engenheiro
Variveis de Resposta:
Designao
Tipo
Mdulo de Elasticidade
(kgf/cm2)
Dureza superficial (kgf)
Resistncia trao (Kgf/cm2)
Menor--melhor
1
0.5
Alvo
200
25
100
Parmetros do processo:
Designao
Quantidade de Talco
Quantidade de leo
Quantidade de Asfalto
Quantidade de Breu
Quantidade de Fluxtec
Tempo de mistura
Temperatura de mistura
Tempo de resfriamento
Maior--melhor
Maior--melhor
Importncia
Relativa
1
Intervalo de
Variao
2a5
0.5 a 1
0.5 a 1
2a4
10 a 20
30 a 60
60 a 80
Unidade
g
ml
g
u.v.
u.v.
min
o
C
min
30 a 120
Fatores Controlveis:
- Quantidade de Breu
- Quantidade de Fluxtec
- Tempo de mistura
- Temperatura de mistura
Definio dos nveis dos fatores controlveis:
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
13
14

Listar possveis interaes entre os fatores controlveis:

- Temperatura de mistura x Tempo de mistura
- Temperatura de mistura x Quantidade de Fluxtec
Listar restries experimentais
- Mximo 100 ensaios em funo de tempo e $
- Mximo 20 ensaios por dia
Definir o modelo estatstico
- Um Projeto Fatorial Cruzado completo: 2 x 4 x 3 x 3 = 72 ensaios
3. Planejamento final e execuo
Matriz experimental e ordem dos ensaios
Rodada Ordem
1
54
2
23
3
18
4
9
:
:
:
:
72
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.
Planilha de coleta de dados:
Ensaio:_________________________________________________________
Data :____________________________
1.3.5.2. E
Ensaio
1
2
3
4
:
Operador: ___________________
Fatores Controlveis
Breu
Fluxtec
2
4
4
2
:
10
10
16
13
:
Tempo
Mistura
45
60
60
30
:
Variveis de Resposta
Temperatura
60
60
80
70
:
Mdulo
de
Elast.
Dureza
Superf.
Resist.
Trao
:
:
72
:
:
4
:
:
13
:
:
45
15
:
:
70
Obs:
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
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.
TTULO DO ESTUDO
Objetivos do Estudo
Equipe de Trabalho
16

Local e data
A voz do cliente:
Listar a demanda de qualidade do cliente
Demanda de Qualidade
Importncia
A voz da equipe tcnica:

Listar as variveis de resposta que avaliam quantitativamente a demanda de qualidade.
Variveis de
Resposta
Tipo
Alvo
(unidades)
Y1:
Y2:
Y3:
Y4:
Y5:
Y6:
Y5:
Y8:
Y9:
Y10:
Listar todos os parmetros do processo
Especificaes
Min
Max
Importncia
Ajuste
Parmetro
do processo
X1:
X2:
X3:
X4:
X5:
X6:
X7:
X8:
X9:
X10:
atual
Ajuste
Sugerido
Intervalo de
pesquisa
MIN
MAX
Facilid.
de ajuste
Listar os fatores de rudo

Fatores de rudo
Z1:
Z2:
Z3:
Z4:
Z5:
Z6:
Z7:
Z8:
Z9:
Z10:
Atribuir uma intensidade para as relaes entre parmetros do processo e variveis de
resposta
Intensidade das relaes e

interaes
Inexistente
Fraca
Moderada
Forte
IE
Y1
Y2
Y3
Y4
Y5
Y6
X1
X2
X3
Valor numrico
0
1
3
9
Rij = Relaes XiYj
X4
X5
X6
X6
X8
X9
X10
17
18

K1
A priorizao dos parmetros do processo feita em funo de 2 aspectos:
Efeito dos parmetros do processo sobre as variveis resposta (K1);
O formulrio para os clculos o seguinte:
K1( x j ) = Rij IEi

i
onde:
Rij
relao entre a varivel de resposta i e o parmetro do processo j
IEi
ndice de importncia para a varivel de resposta i
Listar os fatores controlveis (subconjunto dos parmetros do processo que foram

priorizados)
Fatores controlveis
PRj
Num nveis
Nveis reais
Listar os fatores mantidos constantes e seu respectivos ajustes.
Fatores mantidos constantes
PRj
Listar possveis interaes entre os fatores controlveis:

-
Ajuste
Listar restries experimentais

Definir o modelo estatstico
Planejamento final e execuo

Matriz experimental e ordem dos ensaios
Rodada
Ordem
Fator A
Fator B
Fator C
Fator D
Fator E
Fator F
Procedimentos de ensaio
Planilha de coleta de dados
Ensaio:_________________________________________________________
Data :____________________________ Operador : ___________________
Ensaio
Fatores Controlveis
Variveis de Resposta
19
20

Obs: ___________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
Obs: ___________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
Execuo do experimento
2. Comparao de Vrios Grupos

(One-way Analysis of Variance)

Carla ten Caten
2.1.1. Experimentos que envolvem:
1 Varivel de Resposta
1 Fator Controlvel a vrios nveis
2.1.2. Objetivo:
Identificar se os valores da varivel de resposta medidos nos diversos nveis diferem entre si.
2.1.3. Existem 2 tipos de experimentos:
Fatores Controlveis a nveis fixos

(Por ex., 5 valores de temperatura)
Fatores Controlveis a nveis aleatrios
(Por ex., 3 lotes escolhidos ao acaso)
2.1.4. Disposio dos dados:

Os dados so dispostos da seguinte forma:
Fator A
Totais
T.j
No.Obs. nj
Mdias Y . j
A1
y11
A2
y12
...
...
Ak
y1k
y21
:
y22
:
...
y2k
:
yn1,1
T.1
yn2,2
T.2
n1
Y .1
yij
...
...
...
ynk,k
T.k
T.. =
n2
...
nk
N =
Y. 2
...
Y. k
Y.. =
22
2. Comparao de Vrios Grupos (One-way Analysis of Variance)

2.1.5. Exemplo a nveis fixos:

Um profissional deseja estudar se a temperatura ambiente influencia na produtividade dos
funcionrios. Para isso realizou trs medidas de produtividade (peas/hora) em trs temperaturas
diferentes.
Fator controlvel: temperatura
Nveis do fator controlvel: 15 oC, 25 oC, 35 oC
Varivel de resposta: produtividade
Repeties: 3 valores para cada nvel
2.2. A ANLISE DE VARINCIA (ANOVA)

2.2.1. Formulao matemtica do problema:
Yij = + j + ij
Modelo Estatstico:
onde:
a mdia geral;
j o efeito do grupo j;
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,
T. j =
15 C
12
13
11
36
Temperatura
25 oC
20
19
18
57
35 oC
17
16
18
51
T.. = 144
nj =
N =9
Y. j =
12
19
17
Y.. = 16
Modelo Estatstico
Yij = + j + ij
20 = 16 + 3 +1
Os dados podem ser visualizados no grfico abaixo:
Y .2 = 19
(Y ij Y.j )=2019=1
(Y.j Y..)=1916=3
Yij= 20
(Yij
23
.. =2016=4
Y .3 = 17
Y.. = 16
Y . 1 = 12
15oC
25oC
35oC
Decomposio dos resduos:

( Yij - Y. . ) = ( Y . j - Y. . ) +
( Y ij -
Y. j )
Elevando ao quadrado e somando:

( Yij - Y . . )2 = n ( Y. j - Y . . )2 + ( Yij SQT
SQG
Y . j )2
SQR
Graus de Liberdade:
(N - 1)
(K - 1)
(N - K)
Mdias quadradas:
MQG = SQG / (K - 1)
MQR = SQR / (N - K)
Se no h diferenas significativas entre os grupos

E [MQG] = E [MQR]
Teste F:
F = MQG / MQR
Comparar F calculado com F tabelado, se o valor calculado for maior que o valor tabelado ( ou
valor-p <0,05), descarta-se Ho, ou seja, existe diferenas significativas entre os grupos
provocada pelo fator controlvel em estudo.
24

O limite de deciso estabelecido usando os valores tabelados da distribuio F , ou seja:
F ,k 1, N k
onde:
: nvel de significncia (usualmente 0,05)
k-1: graus de liberdade do numerador (MQG)
N-k : graus de liberdade do denominador (MQR)
Exemplo da Distribuio F 0,05,5,20
Frmulas para os clculos:

2
TC = T.. / N
2
SQT = (Yij ) - TC
2
SQG = (T.j / nj) - TC
SQR = SQT SQG
2.2.3. Tabela ANOVA:

Fonte
Entre Grupos
Dentro Grupos
Total
SQ
SQG
SQR
SQT
GDL
K-1
N-K
N-1
MQ
MQG
MQR
Teste F
F = MQG / MQR
2.2.4. Exemplo a nveis fixos:

Um pesquisador deseja investigar o efeito da temperatura do forno sobre o nmero de bactrias
contadas aps o processo de esterelizao. Os dados revelaram o seguinte:
Hipteses:
Ho: no h diferenas significativas entre os grupos, ou seja, no h efeito da

temperatura do forno;
H1: h diferenas significativas entre os grupos provocada pela temperatura do forno.
Temperatura
Totais
No.Obs.
Mdias
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
2.2.5. Clculos iniciais:

2
2
TC = T.. / N = (818,7) / 60 = 11.171,1
2
SQT = (Yij ) - TC = 11.608,2 - 11.171,1 = 437,1
2
2
2
= [(206,1) / 12] + ... + [(146,2) / 12] - 11.171,1 = 222,3
SQR = SQT - SQG = 437,1 - 222,3 = 214,8
2.2.6. Tabela Anova:

Fonte
Entre Grupos
(Temperatura)
Dentro Grupos (Residual)
Total
F calculado
14,2
SQ
222,3
GDL
4
MQ
55,6
214,8
437,1
55
59
3,9
>
>
Teste F Ftab
14,2
2,55
F tabelado
2,55
H diferenas significativas entre os grupos, provocada pelo fator controlvel

temperatura do forno.
25
26

2.2.7. Comparao mltipla de mdias

1. Calcular o desvio padro das mdias
Sy
= MQR/ nc = 3,9 / 12 = 1,97 / 3,46 = 0,57
onde nc = (n1 + n2 + ... + nk) / k

2. Calcular o limite de deciso
Ld = 3 x S y = 3 x 0,57 = 1,71
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
4. Usar barras contnuas sobre as mdias que no diferem entre si
Bactrias
20
15
10
5
0
70
80
Figura 1.
90
100
110
: Grfico de barras
O ajuste timo considerando qualidade (bactrias) temperatura 90, 100 ou 110.

O ajuste timo considerando qualidade (bactrias) e custo temperatura 90 (mais barato).
27
2.2.8. Exemplo a nveis aleatrios:

Um pesquisador deseja investigar se a permeabilidade das lentes de uso flexvel fabricadas em
sua indstria permanece uniforme ou no. Escolhe-se aleatoriamente trs lotes de produo e
realizam-se ensaios:
Lote
L1
61
62
64
62
63
63
Totais T.j
Num. Obs. nj
375,0
L2
60
61
58
58
60
59
60
416,0
L3
60
63
59
64
62
Mdias Y.j
62,50
59,43
61,60
308
T.. = 1099
N =
18
Y . . = 61,06
2.2.9. Clculos iniciais:

2
2
TC = T.. / N = (1099) / 18 = 67.100,06
2
SQT = (Yij ) - TC = 67.163,00 - 67.100,06 = 62,94
2
2
2
= [ (375) / 6 ] + ... + [ (308) / 5 ] - 67.100,06 = 32,53
SQR = SQT - SQG = 62,94 - 32,53 = 30,41

Fonte
Entre Grupos (Lotes)
Total
F calculado
8,02
SQ
32,53
30,41
62,94
GDL
2
15
17
>
>
MQ
16,26
2,03
Teste F
8,02
F tabelado
3,68
H diferenas significativas entre os grupos, provocada pelo fator controlvel em estudo
Prximo passo: Estimar componentes de variao

2
E [MQR] =
28

2
2
E [MQG] = + nc
Assim as estimativas so:
2
= MQR = 2,03
2
= (MQG - MQR) / nc = 2,37
2
2
2
= + = 4,40
T
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.
Figura 2.
: Scatter plot para o exemplo da permeabilidade
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:
Tarefa p/ semana que vem. Fazer explicado. Dar a resposta.
1%
56,7
58,2
57,2
58,4
55,8
54,9
Catalisadores
2%
3%
56,3
53,0
55,9
51,2
54,5
54,2
57,0
53,2
55,3
4%
54,4
53,0
51,4
51,5
53,3
Totais
n
Mdias
T.. =
N =
Y. . =
Pede-se:
Fazer a anlise de Varincia e concluir a respeito do efeito dos catalisadores.

Fazer uma comparao mltipla de mdias se for o caso.
Fazer um grfico de barras, indicando a concentrao mdia obtida para cada
catalisador e concluir a respeito do que deve ser feito para (i) assegurar qualidade
(menor tempo de processo) e (ii) assegurar economia.
Clculos iniciais:
2
TC = T.. / N =
2
(Yij ) =
2
SQT = (Yij ) - TC =
2
SQG = (T.j / nj) - TC =
SQR = SQT - SQG =
Tabela Anova:
Fonte
SQ
Entre Grupos
(Catalisadores)
Total
F calculado =
F tabelado =
Efeito dos catalisadores significativo ?
GDL
MQ
Teste F
29
30

Comparao mltipla de mdias

(1) Calcular o desvio padro das mdias
sy =
MQR /
nc =
onde nc = (n1 + n2 + ... + nk) / k

(2) Calcular o limite de deciso
Ld = 3 x S y =
(3) Escrever as mdias em ordem crescente ou decrescente e compar-las duas a duas. A
diferena ser significativa se for maior que o Ld
Y(1) - Y(2) =
Y(1) - Y(3) =
Y(1) - Y(4) =
Y(2) - Y(3) =
Y(2) - Y(4) =
Y(3) Y4) =
(4) Usar barras contnuas sobre as mdias que no diferem entre si
2.2 Resultados de corpos de prova de concreto com adio de Microsslica indicaram os
seguintes resultados de resistncia compresso:
Adio
0%
5%
10%
15%
28,1
35,3
39,8
39,1
Resistncia (MPa)
26,5
24,3
23,8
34,3
37,5
38,0
44,1
42,3
39,2
40,8
43,0
40,1
28,5
33,9
44,8
43,5
a) Indique se esse um experimento a nveis fixos ou aleatrios.

b) Faa a anlise da varincia e conclua a respeito do efeito da adio de microsslica.
c) Se for o caso, faa uma comparao mltipla de mdias.
d) Plote um grfico de linha para a mediana.
2.3 Um engenheiro deseja que os azulejos produzidos em uma indstria cermica apresentem a
menor absoro de gua possvel. Os resultados de um experimento feito com trs tipos
diferentes de argila indicaram o seguinte:
Tipo de
Argila
A1
A2
A3
Absoro (gramas)
141
132
135
112
115
122
128
98
158
122
121
143
102
108
155
139
a) Indique se esse um experimento a nveis fixos ou aleatrios.
126
31
b) Faa a anlise da varincia e conclua a respeito do efeito do tipo de argila.

c) Se for o caso, faa uma comparao mltipla de mdias.
d) Plote um grfico de barras para as mdias.
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
1
2
3
4
Temperatura
821 829 808
830 819 809
810 831 824
828 810 820
824
817
822
826
815
825
818
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 aparecem a
seguir.
Intervalo
4
6
8
10
12
136
145
146
134
117
Produtividade
137 135 140
146 147 147
144 148 145
131 136 134
119 117 115
136
148
145
133
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
32

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.
% do componente X
0
25
50
75
100
Atividade de gua
0,91
0,75
0,65
0,62
0,61
0,92
0,80
0,59
0,60
0,64
0,88
0,72
0,59
0,58
0,59
0,88
0,74
0,62
0,65
0,60
3. Projetos Fatoriais com Dois

Fatores

Carla ten Caten
Muitos experimentos envolvem o estudo de dois ou mais fatores.

Se todas as combinaes de nveis dos fatores so investigadas, ento temos um projeto fatorial.
Por exemplo, sejam os dados da tabela a seguir:
Fator B
Fator A
A1
A2
B1
B2
20
40
30
52
O efeito de um fator definido como a mudana que aparece na resposta quando muda-se o
nvel deste fator.
60
50
40
30
20
10
0
B1
B2
A1
Assim, efeito de A =
A2
40 + 52 20 + 30
= 21
2
2
Isto , passando do nvel A1 para o nvel A2 h uma mudana mdia na resposta de 21

unidades.
34
3. Projetos Fatoriais com Dois Fatores

60
50
40
30
20
10
0
A1
A2
B1
Similarmente, efeito de B =
B2
30 + 52 20 + 40
= 11
2
2
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:
B1
A1
A2
B2
20
50
40
12
60
50
40
B1
30
B2
20
10
0
A1
A2
Nesse caso, diz-se que h uma interao entre A e B.

Os grficos de dois fatores so teis para esclarecer a natureza da interao.
Quando a interao forte, os efeitos principais tm pouco interesse prtico, por exemplo, para
esses dados:
Efeito A =
50 + 12 20 + 40
=1
2
2
O fator A tem um efeito pequeno ? ERRADO!
3. Projetos Fatoriais de Dois Fatores
O fator A tem um efeito pronunciado, mas esse efeito depende do nvel do fator B:
Em B1
Efeito de A = 50 - 20 = 30
Em B2
Efeito de A = 12 - 40 = -28
3.1. VANTAGENS DOS EXPERIMENTOS FATORIAIS

Comparar:
B1
B2
x x
x x
x x
One-at-a-time
A1
A2
B1
B2
x
x
x
x
Fatorial Cruzado
A1
A2
Fatoriais cruzados so mais econmicos;

Fatoriais cruzados permitem que se avalie interaes.
3.2. OS EXPERIMENTOS FATORIAIS DE DOIS FATORES (TWO-WAY ANOVA)

Os experimentos fatoriais mais simples envolvem dois fatores;
Fator A com a nveis e Fator B com b nveis.
Cada repetio completa do experimento envolve N=a x b tratamentos (setups).
1
Y111, Y112
, Y11n
Y211, Y212
, Y21n
:
:
Ya11, Ya12
, Ya1n
1
Fator
A
2
:
:
a
Fator B
2
Y121, Y122
, Y12n
Y221, Y222
, Y22n
...
...
...
...
3.2.1. Modelo estatstico:

i = 1, a
yijk = + i + j + ( )ij + ijk
j = 1, b
k = 1, n
onde:
a mdia geral;
o efeito do i-simo nvel de A;
o efeito do j-simo nvel de B;
( ij ) o efeito da interao AB;
ijk
Suposies:
o erro aleatrio.
ijk N (0, )
b
Y1b1, Y1b2
, Y1bn
:
:
:
:
Yab1, Yab2
, Yabn
35
36

3.2.2. Hipteses a serem testadas:

Ho: i = 0
Para o fator A:
H1: i # 0 para algum i.

Ho: j = 0
Para o fator B:
H1: j # 0 para algum j.

Ho: ij = 0
Para a interao AB:
H1: ij # 0 para algum ij.
3.2.3. Formulrio para os clculos da significncia de A, B, AB:
Fator B
Tij.
Ti..
Fator A
T.j.
TC =
(T ...) 2
abn
SQA =
(T
SQB =
(T
i ..
)2
TC
bn
)2
. j.
an
SQAB =
(T
ij .
SQR =
yijk2
SQT =
2
ijk
TC
)2
TC - SQA - SQB
(T
ij .
)2
TC
Verificao:
SQT = SQA + SQB + SQAB + SQR
37
3.3. ANLISE DE VARINCIA PARA PROJETOS CRUZADOS DE 2 FATORES

Fonte de
Variao
A
B
AB
Erro
Total
Soma de
Quadrados
SQA
SQB
SQAB
SQR
SQT
GDL
(a-1)
(b-1)
(a-1)(b-1)
ab(n-1)
abn-1
Mdias
Quadradas
MQA
MQB
MQAB
MQR
Teste F
MQA/MQR
MQB/MQR
MQAB/MQR
Observaes importantes:
O Valor esperado da MQR igual a varincia:
E(MQR) = 2
Se um fator ou interao no significativo, o valor esperado do MQ fator igual ao valor
esperado da MQR.
Se um fator ou interao significativo, o valor esperado da MQ fator ser maior que o valor
esperado da MQR.
Calcula-se o teste Fcalc = MQfator//MQR
Se F calculado > F tabelado
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
2
3
T.j. =
TC =
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)
( 3954 )2
= 434281
36
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)
38

SQA =
( 998 )2 ( 1455 )2 ( 1501 )2

+
+
434281 = 12888
12
12
12
SQB =
( 1738 )2 ( 1351 )2 ( 865 )2

+
+
434281 = 31892
12
12
12
SQAB =
( 539 )2 (229)2 (342)2

...
+
434281 12888 31892 = 8187
4
4
4
SQT =
2
yijk
434281 = 71611
SQ R = 71611 12888 31892 8187 = 18644
3.3.2. Anlise de varincia

Fonte de
Variao
Material
(A)
Temper.
(B)
AB
Erro
Total
Soma de
Quadrados
12888
GDL
2
Mdias
Quadradas
6444
Teste F
9,3
F tab
3,35 S
31892
15946
23,1
3,35 S
8187
18644
71611
4
27
35
2047
691
3,0
2,73 S
O efeito do Material significativo;

O efeito da Temperatura significativo;
O efeito da interao significativo.
3.3.3. Grfico de Interao

Quando a interao significativa, a otimizao deve ser realizada pelo grfico de dois fatores
pois os efeitos principais podem estar mascarados.
Voltagem
200
150
100
50
0
50
65
Tem peratura
80
3.4. COMPARAO MLTIPLA DE MDIAS

Se h efeitos significativos, em geral procede-se a uma CMM.
Como a interao significativa, as comparaes devem ser feitas no grfico de dois fatores,
fixando-se o nvel de um dos fatores e comparando as mdias do outro fator. Por exemplo,
podemos investigar se h DS entre as mdias obtidas com os trs tipos de materiais para a
Temperatura de 65C
(i) Mdias em ordem crescente:
y12 =
57,25
(material 1)
y22 = 134,75
(material 2)
y32 = 145,75
(material 3)
(ii) Desvio padro das mdias:
Sy =
MQR
n
691
2 6 ,2 = 13,1
=
2
4
(iii) Limites de deciso
Ld = 3 S y = 39,3
(iv) Comparao duas a duas:
y32 y22 = 145,75 - 134,75 = 11,0
DNS
y32 y12 = 145,75 -
57,25 = 88,5 DS
y22 y12 = 134,75 -
57,25 = 77,5 DS
_______
__
y32 y22 y12

3.5. TESTE DAS SUPOSIES DO MODELO:
ijk N (0, )
39
40

3.6. EXPERIMENTOS SEM REPETIO

Lembrando, o nmero de GDL do termo de erro vem dado por:
GDL=ab(n-1)
Se no h repeties do experimento, isto , se n=1, no sobram GDL para calcular de modo
independente a MQR.
Contudo, se h motivos para acreditar que a interao AB no significativa, ento:
E(MQAB) = E(MQR)
E possvel fazer a anlise usando a MQAB como uma estimativa do termo de erro:
3.6.1. Tabela Anova

Fonte de
Variao
A
B
Erro (AB)
Total
Soma de
Quadrados
SQA
SQB
SQAB
SQT
GDL
(a-1)
(b-1)
(a-1)(b-1)
abn-1
Mdias
Quadradas
MQA
MQB
MQAB
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
0
4
1
1
5
5
3
1
% de Microsslica
10
6
4
3
15
5
3
2
20
3
2
1
Totais
23
13
8
Totais
13
10
44
3.6.2.1. Anlise de varincia

Fonte de
Variao
Operador
% Micros.
Erro (AB)
Total
Soma de
Quadrados
23,33
11,60
2,00
36,93
GDL
2
4
8
14
Mdias
Quadradas
11,67
2,90
0,25
Teste F
46,7
11,6
F tab
4,46 S
3,84 S
41
42

3.7. 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.
43
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 =
Fonte
% Madeira esc. (A)
Temperatura
(B)
AB
Erro
Total
Efeitos significativos:
d) Grfico de dois fatores

Resistncia trao
40
30
20
10
0
SQ
GDL
MQ
F calc.
F tab.
Signif. ?
44

e) Tomada de deciso
3.2. Um engenheiro est estudando a rugosidade (menor--melhor) do acabamento superficial

de peas metlicas produzidas por trs mquinas (A1, A2, A3). Essas mquinas podem
trabalhar em duas velocidades (B1 = 10 partes/min. ou B2 = 15 partes/min.). Os dados
revelaram os seguintes valores de rugosidade superficial:
A1
A2
A3
B1
33,2 32,6 34,3
32,7 33,4 31,5
36,3 38,5 38,7
B2
36,6 35,5 37,4
37,2 38,6 36,6
39,6 42,6 43,1
Totais
Totais
a) Qual a varivel de resposta e quais os fatores controlveis ?
b) Faa a anlise de varincia e conclua sobre a significncia dos fatores em estudo;
c) Plote um grfico relacionando os fatores controlveis com a resposta medida;
d) Com base nos resultados da Anova, indique o que voc pensa que poderia ser feito para
maximizar a qualidade.
3.3. Os dados a seguir representam os tempos de montagem obtidos em um estudo que envolveu
trs operadores e dois layouts para os postos de trabalho.
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
Totais
Totais
a) Qual a varivel de resposta e quais os fatores controlveis ?

b) Faa a anlise de varincia e conclua sobre a significncia dos fatores em estudo;
c) Plote um grfico relacionando os fatores controlveis com a resposta medida;
d) Com base nos resultados da Anova, indique o que voc pensa que poderia ser feito para
maximizar a produtividade.
3.4. Um Engenheiro de alimentos est tentando ajustar o percentual de gordura do produto final.
O valor ideal 10%, mas o engenheiro sabe que esse valor depende da vazo de gorduras e,
talvez da origem da matria prima. Analise os dados a seguir, usando a Anova e um gfico de
dois fatores, e conclua sobre o melhor ajuste para esse processo.
Uruguai
Oeste do RS
Sta. Catarina
Vazao = 30 11,5 11,2 11,7
9,9 10,2 9,8
9,2 9,5 8,9
Vazao = 50 12,7 13,3 12,9
11,7 11,3 11,4
10,2 10,5 10,5
Totais
Totais
45
4. Generalizao dos Projetos

Fatoriais

Carla ten Caten
Os resultados do Projeto Fatorial de 2 fatores podem ser extendidos para o caso onde h vrios
fatores:
Fator A,
a nveis
Fator B,
b nveis
Fator C,
c nveis
:
n observaes por parcela
O nmero total de observaes N = a x b x c x ... x n
4.1. MODELO ESTATSTICO:
yijkl = + i + j + k + ( ) ij + ( ) ik + ( ) jk + ( ) ijk + ijkl

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;
( ij )
o efeito da interao AB;
ijkl
Suposies:
o erro aleatrio.
ijkl N (0, )
4. Generalizao dos Projetos Fatoriais
4.1.1. Hipteses a serem testadas:

Ho: i = 0
H1: i # 0 para algum i.
Para o fator A:
:
Ho: ij = 0
Para a interao AB:
H1: ij # 0 para algum ij.

:
Ho: ijk = 0
Para a interao ABC:
H1:
ijk
# 0 para algum ijk.
4.1.2. Formulrio para os clculos

TC =
(T.... ) 2 ;
abcn
SQB =
(T. j.. ) 2
acn
SQAB =
TC ;
(Tij.. ) 2
cn
SQA =
(Ti... ) 2
SQC =
(T..k . ) 2
abn
TC
TC
TC - SQA - SQB
SQAC =
(Ti.k .)2 TC - SQA - SQC
SQBC =
(T. jk .)2
bn
SQABC =
SQR =
bcn
an
TC - SQB - SQC
(Tijk .)2
n
2
yijkl
TC - SQA - SQB - SQC - SQAB - SQAC - SQBC
(Tijk .)2
n
SQT =
VERIFICAO
SQT = SQA + SQB + SQC + SQAB + .... + SQR
2
TC
yijkl
47
48

4.1.3. Tabela anova para projetos cruzados de 3 fatores

Fonte de
Variao
A
B
C
AB
AC
BC
ABC
Erro
Total
Soma de
Quadrados
SQA
SQB
SQC
SQAB
SQAC
SQBC
SQABC
SQR
SQT
Se F calculado > F tabelado
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
Efeito correspondente
significativo
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:
Presso de Enchimento (B)

20 psi
25 psi
Velocidade (C)
Velocidade (C)
100
120
100
120
% Carbonatao
(A)
10
-1
-3 -1
(-1)
12
14
(3)
10
(9)
21
T..k.
T..1. = 49 ; T..2. = 26
11
A
20
25
10 -5 (-1,25) 1 (0,25)
12
4 (1,00) 16 (4,00)
14 22 (5,50) 37 (9,25)
-4
3
(5)
(21)
20
9
(16)
59
54
T.... = 75
Ti.k.
B
(-1)
(11)
T.j..
Tij..
-1
(2)
(1)
(13)
TC =
(-4)
Ti...
T.jk.
C
A 100
120
10 1 (0,25) -5(-1,25)
12 14(3,50) 6 (1,50)
14 34(8,50) 25(6,25)
C
B 100
120
20 15(2,50) 6 (1,00)
25 34(5,67) 20(3,33)
752
= 234,375
abcn
SQA =
(4) 2 + (20) 2 + (59) 2 - TC = 252,750

8
:
SQAB =
(5) 2 + (4) 2 +...+(37) 2

- TC - SQA - SQB = 5,250
4
:
SQABC =
(1) 2 + (3) 2 +...+(16) 2 - TC - SQA - SQB - SQC 2

SQAB - SQAC - SQBC = 1,083
49
50

4.1.5. Tabela Anova
Fonte
SQ
A: % Carb.
B: Presso
C: Veloc.
252,75
45,38
22,04
5,25
0,58
1,04
1,08
8,50
336,63
AB
AC
BC
ABC
Erro
Total
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
4.1.6. Grficos de dois fatores
Tabela com as somas e mdias entre parntesis para elaborao dos grficos de dois fatores
4.1.7. Projetos com fatores aninhados

Considere o seguinte experimento:
1
Temperatura
50
75
100
Materiais
2
Temperatura
50
75
100
3
Temperatura
50
75
100
xx
xx
xx
xx
xx
xx
xx
xx
xx
Trata-se de um projeto fatorial cruzado, cuja tabela tambm poderia ser apresentada como:
Materiais
2
xx
xx
xx
1
xx
50
Temper. 75
100
xx
xx
3
xx
xx
xx
Mas agora vamos analisar o seguinte experimento:
1
Temperatura
40
50
60
Materiais
2
Temperatura
100 120
140
3
Temperatura
60
75
90
xx
xx
xx
xx
xx
xx
xx
xx
xx
Agora, Materiais e Temperatura no esto cruzados

Conforme o material (Fator A), os nveis de Temperatura (Fator B) so diferentes.
Nesse caso temos um experimento com Fatores Aninhados.
Diz-se que os nveis do fator B esto aninhados dentro dos nveis do fator A
No possvel verificar a existncia de uma interao AB.
51
52

4.2. MODELO ESTATSTICO:
yijk = + i + j (i ) + ijk
Como fazer o clculo das Mdias Quadradas ?
Usar o mesmo formulrio do Projeto cruzado.
Aglutinar algumas Somas Quadradas para fazer a anlise correta
____________________________________________________________
Projeto Fatorial
Projeto Fatorial Aninhado
A e B cruzados
B aninhado em A
__________________________________________________________________
SQ
GDL
SQ
GDL
MQ
__________________________________________________________________
SQA
(a-1)
SQA
(a-1)
MQA
MQA/MQR
SQB
(b-1)
SQB(A)
a(b-1)
MQB(A)
MQB(A)/MQR
SQAB
(a-1)(b-1) (SQB + SQAB)
SQR
ab(n-1)
SQR
ab(n-1)
MQR
__________________________________________________________________
SQT
abn-1
SQT
abn-1
__________________________________________________________________
4.3. EXPERIMENTOS COM FATORES ANINHADOS E CRUZADOS

Em certos experimentos pode ocorrer de alguns fatores estarem cruzados e outros aninhados.
4.3.1. Exemplo
Uma fbrica tem produzido azulejos que tm se mostrado muito quebradios (baixa resistncia
trao). Os engenheiros desconfiam que 3 fatores podem afetar a resistncia:
A: Quantidade de Feldspato
B: Tipo de Aglutinante (3 fornecedores)
C: Quantidade de Aglutinante
Decide-se rodar um experimento envolvendo esses fatores. Observa-se que cada fornecedor de
aglutinante sugere uma quantidade ideal de aplicao de seu produto. Mas como a quantidade
de aglutinante pode afetar a resistncia trao, usa-se dois nveis deste fator: um nvel 10%
abaixo da indicao do respectivo fornecedor e outro 10% acima. Os ensaios revelaram:
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
A1
A2
A3
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
180,3
T..1. = 257,7 ;
B1
47,0
60,5
68,6
B2
50,7
60,4
69,2
167,8
Ti...
146,8
177,0
200,4
524,2
T..2. = 266,5
Ti.k.
Tij..
A1
A2
A3
13,7
12,4
16,7
14,9
16,6
17,0
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
53
B3
49,1
56,1
62,6
A1
A2
A3
C1
69,3
87,9
100,5
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
TC = (524,2) / 36 = 7632,934
2
2
2
SQB = (176,1) + (180,3) + (167,8) - TC = 6,74
12
2
2
2
SQBC = (83,9) + (89,0) +...+(83,0) - TC - SQB - SQC = 4,30
6
SQT = (10,0) + (11,0) + ... + (15,6) ] - TC = 198,35

C aninhado em B Aglutinar Somas Quadradas
Cruzado
SQ
GDL
Aninhado
SQ
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)
(SQC+SQBC)
SQAC(B)
SQAC+SQABC
SQR
18
SQT
35
SQT
35
= 198,35
2
2
4
3
6
54

4.3.2. Tabela Anova para o exemplo

Fonte
SQ
A: Feldsp.
B: Tipo de
Agl.
AB
C(B)
AC(B)
Erro
Total
GDL
MQ
Teste F
F tab
120,35
6,74
2
2
60,17
3,37
24,9
1,4
3,55
3,55
4,79
6,45
16,50
43,51
198,35
4
3
6
18
35
1,20
2,15
2,75
2,42
0,5
0,9
1,1
2,93
3,16
2,66
Apenas o fator A (Quantidade de Feldspato) significativo
4.3.3. Grfico de 2 fatores
Para maximizar-se a resistncia trao, deve-se aumentar a quantidade de feldspato
4.4. EXERCCIOS
4.1. Deseja-se maximizar a resistncia de uma cera a base de carnaba. Aps uma brainstorm
os engenheiros decidiram que trs fatores podem ter um efeito importante sobre a resistncia
trao:
A: % de Etileno Vinil Acetato adicionada cera
B: Fornecedor de carnaba (h dois fornecedores na regio).
C: % de parafina adicionada cera
Para decidir quais desses fatores ou interaes entre eles so efetivamente significativos, foi
rodado um experimento e os seguintes dados foram coletados:
EVA(A)
4
Fornecedor de Carnaba (B)

Fornecedor 1
Fornecedor 2
Qtdade de Parafina (C)
Qtdade de Parafina
10
12
14
10
12
14
28,0
48,0
32,0
35,1
49,5
26,4
37,9
53,3
33,7
33,4
46,8
28,0
30,3
47,0
33,4
33,8
48,2
30,0
45,7
43,9
44,7
60,0
65,6
65,8
44,0
48,4
46,6
46,7
50,8
52,6
59,8
57,8
55,2
43,2
34,0
43,8
56,2
53,1
55,5
78,3
66,8
73,9
59,0
60,4
59,6
51,8
57,0
53,9
79,6
70,0
73,9
52,6
59,1
55,1
10
52,6
46,8
52,6
70,9
66,3
75,8
46,2
48,7
52,2
50,2
48,8
50,3
67,1
73,3
71,8
51,8
48,7
50,7
55
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:
b) Fatores controlveis e nmero de nveis:
c) Anlise de varincia:
56

TC = 192 613,55
SQB =
SQBC =
Fonte
SQA
SQ
6060,54
SQB
SQC
5030,65
SQAB
12,97
SQAC
150,44
SQBC
SQABC
121,85
Erro
480,79
Total
efeitos significativos:
d) Grficos de dois fatores
Resistncia trao
GDL
MQ
F calc.
F tab.
Signif. ?
57
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
58

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
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

Carla ten Caten
Vamos analisar 4 tipos de experimentos:
Projetos completamente aleatorizados

Projetos em blocos aleatorizados
Quadrados Latinos
Quadrados Greco-Latinos
Focando no modelo estatstico e na informao que pode ser obtida de cada um desses
experimentos.
Para apresentar esses modelos, vamos considerar o exemplo de uma locadora de automveis que
deseja comparar o desgaste de quatro marcas de pneus.
Nesse exemplo tem-se:
Varivel de resposta: Desgaste dos pneus

(diferena de espessura aps 20.000 Km de uso)
Varivel principal: Marca de pneu

( um fator a nveis fixos - 4 marcas de pneu)
Variveis secundrias possveis:

Carro
Posio dos pneus no carro
Motorista
Variveis no controlveis:
Temperatura, Umidade, Terreno, etc.
Usando letras para indicar as 4 marcas de pneus e nmeros romanos para indicar os carros, o
experimento poderia ser efetuado da seguinte forma:
Exemplo de um experimento mal planejado
60
5. Blocos Aleatorizados e Quadrados Latinos

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 confun-dido, e a anlise fica prejudicada.
Exemplo de um experimento mal planejado.
5.1. PROJETOS COMPLETAMENTE ALEATORIZADOS

Uma segunda tentativa poderia ser um projeto completamente aleatorizado. Nesse tipo de
projeto, a distribuio dos pneus nos carros feita de modo completamente aleatria.
Por exemplo, coloca-se numa cartola as fichas representando os 16 pneus. Ento, os 4
primeiros a serem retirados seguem no carro 1, e assim por diante.
Os resultados desse procedimento poderiam gerar o projeto que aparece a seguir:
Carros
Marcas e
(Desgaste)
I
C(12)
A(17)
D(13)
D(11)
II
A(14)
A(13)
B(14)
C(12)
III
D(10)
C(11)
B(14)
B(13)
IV
A(13)
D(9)
B(8)
C(9)
O propsito da aleatorizao espalhar, sobre os totais de todas as marcas, qualquer efeito de

carros ou de outras variveis no-controladas.
5.1.1. Modelo estatstico do projeto completamente aleatorizado:

Yij = + j + ij
onde a mdia geral, j indica o efeito de cada marca , e ij o erro aleatrio. As
suposies para a anlise so:
j = 0 ;
ij N(0, 2)
Para esse modelo, os resduos em relao a mdia geral podem ser decompostos da seguinte
maneira:
( y ij y..) = ( y. j y..) + ( y ij y. j )
Elevando ao quadrado e efetuando o somatrio, resulta:
SQT = SQM + SQR
Associadas aos seguintes GDL:
(N - 1) = (a - 1) + (N - a)
Nos interessa testar a hiptese:
H0: j = 0
H1: j 0 para algum j
Para tanto usamos o teste F, uma vez que pode ser demonstrado que quando j = 0 resulta:
E(MQM) = E(MQR)
Para o clculo das Somas Quadradas, usamos o formulrio tradicional:
TC = ( T.. ) 2 / N
SQM = ( T j2 / a ) TC
SQT = ( y ij2 ) TC
SQR = SQT SQM
Para o exemplo em questo, os totais de cada marca valem:
A
17
14
13
13
57
B
14
14
13
8
49
C
12
12
11
9
44
D
13
11
10
9
43
Desgastes medidos
em cada pneu
= 193
Assim, as somas quadradas resultam:

SQM = (572 + 492 + 442 + 432) / 4 - 2328,06 = 30,69
SQT = 2409,00 - 2328,06 = 80,94
SQR = 80,94 - 30,69 = 50,25
61
62

5.1.2. Tabela ANOVA para o projeto completamente aleatorizado

Fonte
Marcas
Resduo
Total
SQ
30,69
50,25
80,94
GDL
3
12
15
MQ
10,23
4,19
Teste F
2,44
F tab
3,49 S
Para esse projeto, o valor calculado de F resulta menor que o tabelado. Assim, a hiptese nula
no pode ser rejeitada !
5.2. PROJETOS EM BLOCOS ALEATORIZADOS

Um exame mais cuidadoso do projeto completamente aleato-rizado ir revelar algumas
desvantagens. Por exemplo, nota-se que a marca A no foi usada no carro III, mas foi usada
duas vezes no carro II, etc.
Assim, pode estar embutido na marca A algum efeito que possa existir entre os carros II e
III.
Seria interessante desenvolver uma estratgia para bloquear um possvel efeito dos carros. Isso
pode ser feito usando um Projeto em Blocos Aleatorizados.
Nesse tipo de projeto, impe-se que cada marca aparea um mesmo nmero de vezes em cada
carro, conforme aparece no arranjo a seguir:
Carros
Marcas e
(Desgaste)
I
B(14)
C(12)
A(17)
D(13)
II
D(11)
C(12)
B(14)
A(14)
III
A(13)
B(13)
D(10)
C(11)
IV
C(9)
D(9)
B(8)
A(13)
5.2.1. Modelo estatstico do projeto em blocos aleatorizado:

Yij = + i + j + ij
onde i acrescentado (ou melhor, separado do termo de erro experimental). O termo i
indica o efeito dos carros, que antes no podia ser calculado apropriadamente.
As suposies para a anlise so:
i N(0, 2) ;
ij N(0, 2)
63
5.2.2. Decomposio dos Resduos

Para esse modelo a decomposio dos resduos leva s seguintes somas quadradas:
SQT = SQC + SQM + SQR
Indicando o nmero de carros e o nmero de marcas por a, os respectivos graus de liberdade
resultam:
(N - 1) = (a - 1) + (a - 1) + (N - 2a + 1)
5.2.3. Teste de Hipteses

A hiptese principal que queremos testar continua sendo em relao s marcas de pneu. Mas
neste projeto tambm pode-mos testar se h diferenas entre os carros. Os clculos aparecem a
seguir:
Marcas
Carros
Totais
I
II
III
IV
A
17
14
13
13
57
B
14
14
13
8
49
C
12
12
11
9
44
D
13
11
10
9
43
Totais
56
51
47
39
= 193
Para fins didticos, estamos usando as mesmas observaes anteriores, apenas redistribuindo-as
ao longo dos carros. Assim, a SQT e a SQM continuam as mesmas. Mas preciso calcular:
SQC = (562 + 512 + 472 + 392)/4 - 2328,06 = 38,69
SQR = SQT - SQM - SQC = 11,56
Pode ser observado que a SQR diminuiu de 50,25 para 11,56 porque foi extrado o efeito dos
carros (38,69). Assim, o projeto em blocos aleatorizados efetivamente reduz a varincia
residual.
5.2.4. Tabela ANOVA para o projeto em blocos aleatorizados

Fonte
Marcas
Carros
Resduo
Total
SQ
30,69
38,69
11,56
80,94
GDL
3
3
9
15
MQ
10,23
12,90
1,28
Teste F
7,90
10,00
F tab
3,86 S
3,86 S
Agora a hiptese nula rejeitada tanto para Marcas como para Carros. Ou seja, detecta-se um
efeito significativo de Marcas e Carros.
64

5.3. QUADRADOS LATINOS

Nesse exemplo, poderia se suspeitar tambm de um possvel efeito da posio sobre o desgaste
dos pneus.
Pneus dianteiros e traseiros, e mesmo pneus localizados em lados distintos de um mesmo carro,
podem apresentar desgastes diferentes.
No projeto em blocos aleatorizados as 4 marcas de pneus so distribudas em um carro sem
considerar a posio.
Um projeto onde cada tratamento (Posio) aparece uma e somente uma vez em cada linha
(Carro) e em cada coluna (Marca) chamado de Quadrado Latino.
Marca e carro esto blocados mas marca e posio esto confundidos :
Marca e carro esto blocados e tambm marca e posio:
II
III
IV
Marcas
B
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
Tj
57
49
44
43
193
193
No exemplo anterior:
44
49
51
49
65
5.3.1. Modelo estatstico do Quadrado Latino:

Yij = + i + j + (k) + ij
onde (k) acrescentado (ou melhor, separado do termo de erro experimental). O termo (k)
indica o efeito da posio dos pneus, que antes no podia ser calculado apropriadamente.
As suposies para a anlise so:
(k) = 0 ;
ij N(0, 2)
Para esse modelo a decomposio dos resduos leva as seguintes somas quadradas:
SQT = SQC + SQM + SQP + SQR
Indicando o nmero de carros, marcas e posies por a, os respectivos graus de liberdade
resultam:
(N - 1) = (a - 1) + (a - 1) + (a - 1) + (N - 3a + 2)
5.3.2. Teste de Hipteses

A hiptese principal que queremos testar continua sendo em relao s marcas de pneu. Mas
neste projeto tambm podemos testar se h diferenas entre os carros ou entre as posies.
Conforme mencionado, para fins didticos, estamos usando as mesmas observaes anteriores,
redistribudas ao longo dos carros. Assim, a SQT, a SQM e a SQC continuam as mesmas. Mas
preciso calcular:
SQP = (442 + 492 + 512 + 492)/4 - 2328,06 = 6,69
SQR = SQT - SQM - SQC - SQP = 4,87
Pode ser observado que a SQR diminuiu porque foi extrado o efeito das posies. Assim, o
projeto com Quadrado Latino reduz ainda mais a varincia residual.
5.3.3. Tabela ANOVA para o projeto do Quadrado Latino

Fonte
Marcas
Carros
Posio
Resduo
Total
SQ
30,69
38,69
6,69
4,87
80,94
GDL
3
3
3
6
15
MQ
10,23
12,90
2,23
0,82
Teste F
12,4
15,7
2,7
F tab
4,76
4,76
4,76
66

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:
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:
4x4
A
B
C
D
B
C
D
A
D
A
B
C
5x5
C
D
A
B
A
D
C
B
E
D
A
B
E
C
B
C
E
A
D
E
B
D
C
A
6x6
C
E
A
D
B
A
B
C
D
F
E
D
A
E
C
B
F
C
E
D
F
A
B
E
C
F
B
D
A
B
F
A
E
C
D
F
D
B
A
E
C
5.3.3.2 Sobre o Quadrado Latino

Observamos que o Quadrado Latino no considera interaes entre os fatores. Ele no deve ser
usado quando se suspeita de interaes significativas. Ele aproveita a interao para estudar um
terceiro fator.
Quando deseja-se estudar a interao o indicado seria um projeto fatorial cruzado. A vantagem
do Quadrado Latino que se trata de um experimento que exige poucos ensaios, e isso
representa economia de tempo e dinheiro.
5.3.4. Outros exemplos do uso de Quadrados Latinos

Seja que desejamos determinar o efeito de 5 fertilizantes diferentes (A, B, C, D, E) sobre o
crescimento de um tipo de cereal. E seja que h um terreno que pode ser dividido em uma
malha de 5 x 5 pores (Nem o terreno nem as pores precisam ser quadradas).
Nesse caso, um arranjo tipo Quadrado Latino poderia ser utilizado para bloquear o efeito de
algum gradiente de umidade ou de fertilidade que possa existir. Esses efeitos poderiam ser
virtualmente eliminados usando o projeto que aparece a seguir:
Linhas
I
II
III
IV
V
1
A
C
E
B
D
2
B
D
A
C
E
Colunas
3
C
E
B
D
A
4
D
A
C
E
B
5
E
B
D
A
C
67
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
Carros
I
II
III
IV
Motorista
1
A
D
B
C
2
B
C
D
A
3
D
A
C
B
4
C
B
A
D
5.4. QUADRADOS GRECO-LATINOS

Os Quadrados Greco-Latinos so projetos a x a que permitem analisar quatro fatores cada um
deles com a nveis.
Para obter um quadrado Greco-Latino preciso superpor dois Quadrados Latinos que sejam
ortogonais entre si.
5.4.1. Exemplo
Um engenheiro est medindo o ganho em um processo qumico. Os fatores principais so a
concentrao de cido (1, 2, 3, 4, 5), a concentrao de catalisador (, , , , ) e o tempo de
espera (A, B, C, D, E).
Para efetuar todos os ensaios, necessrio usar 5 lotes de matria prima (I, II, III, IV, V). O
experimento foi rodado seguindo um arranjo do tipo Quadrado Greco Latino e os resultados
aparecem a seguir:
Lotes
I
II
III
IV
V
1
A=26
B=18
C=20
D=15
E=10
Concentrao de cido
2
3
4
B=16
C=19
D=16
C=21
D=18
E=11
D=12
E=16
A=25
E=15
A=22
B=14
A=24
B=17
C=17
5
E=13
A=21
B=13
C=17
D=14
Como pode ser visto, h dois Quadrados Latinos superpostos. Um deles escrito nas letras
A,...,E e o outro escrito nas letras ,...,. O resultado um quadrado Greco-Latino, e ser
possvel avaliar o efeito de todos os fatores listados.
Iniciamos calculando os totais de cada tratamento:
cido
1 = 89
2 = 88
3 = 92
4 = 83
5 = 78
430
Catalisador
= 83
= 85
= 91
= 82
= 89
430
Tempo
A = 118
B = 78
C = 94
D = 75
E = 65
Lotes
I = 90
II = 89
III = 86
IV = 83
V = 82
430
430
68

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
De forma que a Tabela ANOVA resulta:
Fonte
cido
Catalisador
Tempo
Lotes
Resduo
Total
SQ
24,4
12,0
342,8
10,0
46,8
436,0
GDL
4
4
4
4
8
24
MQ
6,1
3,0
85,7
2,5
5,85
Teste F
1,04
0,51
14,65
0,43
F tab
3,84
3,84
3,84
A um nvel de significncia de 5% apenas o Tempo de Espera aparece como efeito significativo.
5.5. EXERCCIOS:
1. Um engenheiro est conduzindo um experimento a respeito do tempo necessrio para o olho
humano focar um objeto. Ele est interessado na influncia que a distncia do objeto possa ter
sobre o tempo de foco. Cinco indivduos esto sendo usados neste experimento. Como pode
haver diferenas entre os indivduos, o experimento foi feito em blocos aleatorizados.
Distncia
4
6
8
10
1
10
7
5
6
2
6
6
3
4
Indivduos
3
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.
69
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
T(k)
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.
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)

Carla ten Caten
6.1. INTRODUO
Algumas vezes, dificuldades tcnicas impedem de rodar todo o experimento de uma vez ou em
um nico equipamento ou com um nico lote de matria-prima:
==> Projetos fatoriais confundidos em bloco
Outras vezes, dificuldades financeiras ou de tempo impedem de rodar o experimento completo:
==> Projetos fatoriais fracionados
Outras vezes, dificuldades impedem a aleatorizao completa do experimento dentro do bloco:
==> Projetos parcionados em clulas
Vejamos um exemplo para ilustrar esse tipo de restrio experimental.
6.1.1. Exemplo
Seja que um engenheiro quer analisar o efeito da composio (trao) e do tempo de cozimento
sobre a resistncia de tijolos cermicos.
Dados sobre a resistncia de tijolos cermicos
Tempo de
Cozimento
Composio dos tijolos
(min)
C1
C2
C3
C4
T1
X X X
X X X
X X X
X X X
T2
X X X
X X X
X X X
X X X
T3
X X X
X X X
X X X
X X X
Aparentemente, trata-se de um projeto fatorial cruzado 4x3, com repeties, cujo modelo
estatstico seria:
xijk = + Ti + Cj + TCij + erro
6. Experimentos Parcionados em Clulas (Split-Splot)
71
Modelo ANOVA com dois fatores a nveis fixos e com trs repeties ??
==> isso exige aleatorizao completa, ou seja:
Escolher ao acaso uma composio, escolher ao acaso um tempo e colocar um tijolo no forno.
Repetir esse procedimento 36 vezes!!
==> muito pouco prtico e econmico
O modo mais prtico de rodar esse experimento seria:
Moldar todos os 9 tijolos da composio 1 de uma s vez. Coloc-los no forno deixando trs
deles cozinhar por T1 min, trs por T2 min e trs por T3 min. Depois moldar todos os tijolos da
composio 2 ...
Os quatro nveis de composio (os quatro traos) so chamados de clulas. Em tal arranjo,
composio - um dos fatores principais - est confundido com as clulas.
Se as condies (ambientais, humanas, etc.) se alterarem de uma clula para outra, essas
alteraes ficaro confundidas com o efeito da composio.
==> o primeiro caso muito pouco prtico!!
==> o segundo caso completamente confundido!
H outras possibilidades ?? SIM
Adotar um compromisso entre praticidade/aleatorizao:
Escolher uma composio ao acaso, moldar trs tijolos e cozinhar um deles por T1 min, o outro
por T2 min e o terceiro por T3 min.
Agora apenas 3 tijolos so colocados no forno, e no 9.
Outra composio escolhida e mais trs tijolos so cozidos por T1, T2 e T3 min. O mesmo
procedimento seguido para as quatro composies e, aps, todo o experimento repetido.
Inclusive, as repeties podem ser rodadas muitos dias aps o experimento inicial (com
freqncia vantajoso coletar dados de duas ou trs repeties e ento decidir se mais
repeties so necessrias)
Um experimento conduzido desse modo teria o seguinte arranjo:
Arranjo parcionado em clulas para o exemplo dos tijolos cermicos
Composio dos tijolos
Repetio
R1
R2
R3
Tempo de
Cozim.
C1
C2
C3
C4
T1
T2
T3
T1
T2
T3
T1
T2
T3
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Clula
inteira
Parcionamento
72

Aqui as composies esto parcialmente confundidas com as clulas, e as partes RxC

configuram a clula inteira. Dentro da clula inteira, os tempos de cozimento configuram o
parcionamento da clula inteira. vantajoso colocar no parcionamento o efeito principal de
maior interesse, pois no resulta nada confundido. Poderia se pensar que o tempo de cozimento
est aninhado nas clulas, mas este no o caso, pois os mesmos nveis de tempo de cozimento
so usados em todas as clulas.
O modelo deste experimento seria:
xijk =
Ri + Cj + RCij
Tk + RTik + CTjk + RTCijk
Clula inteira
Clula parcionada
Neste caso, como no h repetio dentro das clulas, no h um termo de erro independente.
Para esse exemplo, o valor esperado das mdias quadradas resulta:
Fonte
Clula
inteira
Clula parcionada
GDL
E(MQ)
Ri
2 + 122R
Cj
2 + 32RC + 9C
RCij
2 + 32RC
Tk
2 + 42RT + 12T
RTik
2 + 42RT
CTjk
2 + 2RCT + 3CT
RCTijk
12
(no dispon.)
Em(ijk)
Total
2
RCT
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
SQR
MQR = SQR/2
(ND)
SQC
MQC = SQC/3
MQC/MQRC
RC
SQRC
MQRC = SQRC/6
(ND)
SQT
MQT = SQT/2
MQT/MQRT
RT
SQRT
MQRT = SQRT/4
(ND)
CT
SQCT
MQCT = SQCT/6
MQCT/MQRCT
RCT
SQRCT
12
MQRCT = SQRCT/12
(ND)
Total
SQTotal
35
Os testes de hiptese so:
Composio:
73
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
Interao:
F = MQCT/MQRCT; e se F > Ftab(6,12) rejeita-se Ho
Esse exemplo mostra a necessidade de planejar cuidadosamente a forma de coleta dos dados.
6.2. EXPERIMENTOS MULTI-PARCIONADOS EM CLULAS
(SPLIT-SPLIT-PLOT)
Existem projetos onde pode ser necessrio mais de um nvel de parcionamento. Vejamos um
exemplo:
Sejam um experimento sobre o arrancamento de barras de ao mergulhadas em CPs de
concreto. Nesse experimento 3 laboratrios, 2 traos de concreto e 4 tipos de barras nervuradas
esto envolvidos.
O material para o laboratrio 1 (cimento, agregado, areia e barras de ao) enviado de uma s
vez. Isso implica uma restrio sobre a aleatorizao completa.
Por sua vez, o Laboratrio 1 preparava um trao de concreto e em seguida moldava CPs com os
4 tipos de barras nervuradas. Isso implica outra restrio sobre a aleatorizao completa.
Primeiro o laboratrio escolhido, depois o trao escolhido, e s ento as barras nervuradas
so aleatorizadas naquele trao e laboratrio particular.
Para evitar o confundimento total, trs repeties completas desse experimento so realizadas,
conforme segue:
Arranjo experimental para o experimento das barras nervuradas:
Trao ==>
Barras ==>
Repet.
R1
R2
R3
Lab.
L1
L2
L3
L1
L2
L3
L1
L2
L3
T1
T2
B1 B2 B3 B4
B1 B2 B3 B4
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Clula
Inteira
Clula
parcionada
Reparcionamento
Repeties x Laboratrio formam a clula inteira; Dentro de uma repetio, Laboratrio x Trao
formam a clula parcionada;
Ento, a cada combinao Trao-Laboratrio-Repetio, as 4 barras de ao so aleatoriamente
ensaiadas, formando o que chamado de clulas reparcionadas.
74

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:
Fonte
Clula inteira
Clula parcionada
Clula
reparcionada
GDL
E(MQ)
Ri
2 + 242R
Lj
2 + 82RL + 24L
RLij
2 + 82RL
Tk
2 + 122RT + 36T
RTik
2 + 122RT
LTjk
2 + 42RLT + 12LT
RLTijk
2 + 42RLT
Bl
2 + 62RB + 18B
RBil
2 + 62RB
LBjl
2 + 22RLB + 6LB
RLBijl
12
2 + 22RLB
TBkl
2 + 32RTB + 9TB
RTBikl
2 + 32RTB
LTBjkl
2 + 2RLTB + 3LTB
RLTBijk
12
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:
75
R + RL
==>
erro para a clula inteira
RT + RLT
==>
erro para a clula parcionada
RB + RLB + RTB + RLTB
==>
erro para o reparcionamento
Outra tcnica conveniente realizar duas ou trs repeties, computar os resultados e verificar
se a significncia foi obtida ou se os valores de F so grandes, mesmo que no significativos.
Ento, conforme os resultados, adicionar outras repeties, aumentando a preciso e o custo do
experimento, na esperana de detectar efeitos significativos.
6.3. EXERCCIOS
6.1 Esse exemplo refora a idia que, no meio industrial, muitas vezes mais prtico e eficiente
rodar experimentos parcionados em clulas. O objetivo do experimento descrito a seguir era
melhorar a resistncia corroso de barras de ao, aplicando um filme de revestimento curado
em um forno industrial. Quatro tipos diferentes de revestimento (C1, C2, C3 e C4) foram
testados usando-se trs temperaturas diferentes: 360, 370 e 380oC.
O arranjo experimental foi o seguinte: o forno era ajustado em uma determinada temperatura;
em seguida 4 barras eram colocadas no forno, cada uma delas pintada com um tipo diferente de
revestimento. As barras eram deixadas curar por um tempo fixo e, depois, uma nova
temperatura era ajustada, e assim por diante. A ordem dos ensaios e os resultados aparecem a
seguir:
Repetio
R1
R2
Temperatura
Coating (Revestimento)
T1 = 360
C2 = 73
C3 = 83
C1 = 67
C4 = 89
T2 = 370
C1 = 65
C3 = 87
C4 = 86
C2 = 91
T3 = 380
C3 = 147
C1 = 155
C2 = 127
C4 = 212
T3 = 380
C4 = 153
C3 = 90
C2 = 100
C1 = 108
T2 = 370
C4 = 150
C1 = 140
C3 = 121
C2 = 142
T1 = 360
C1 = 33
C4 = 54
C2 = 08
C3 = 46
Analise os resultados, identifique os efeitos significativos e conclua a respeito do melhor ajuste

para o processo
7. Experimentos com Fatores a

Nveis Aleatrios

Carla ten Caten
Na seo anterior analisamos projetos com fatores a nveis fixos. Nessa seo vamos analisar
duas outras situaes:
Projetos com fatores a nveis aleatrios

Projetos mistos
7.1. O MODELO PARA FATORES A NVEIS ALEATRIOS

Considere o caso de um projeto com dois fatores onde os nveis de A e B so aleatrios.
Por exemplo, A pode ser MQUINAS, escolhidas aleatoria-mente de um conjunto; enquanto B
pode ser OPERADORES, tambm escolhidos aleatoriamente.
O mesmo modelo linear usado para representar as observaes:
Yijk = + i + j + ()ij + k(ij)
A varincia de cada observao :
Var(Yijk) = 2 + 2 + 2 + 2
onde 2 , 2 , 2 , 2..so os chamados componentes de varincia. Estamos interessados em

testar as hipteses:
H0: 2 = 0
H0: 2 = 0
H0: 2.= 0
H1: 2 0
H1: 2 0
H1: 2. 0
7. Experimentos com Fatores a Nveis Aleatrios
77
Todos os clculos de Somas Quadradas e Mdias Quadradas permanecem idnticos queles

apresentados para o modelo com fatores a nveis fixos.
Mas, para definir o teste F, precisamos analisar o valor espera-do das Mdias Quadradas E(MQ). Pode ser demonstrado que esses valores esperados valem:
E(MQA) = 2 + n2 + bn2
E(MQB) = 2 + n2 + an2
E(MQAB) = 2 + n2
e
E(MQR) = 2
A partir dos E(MQ), observamos que a estatstica apropriada para testar a hiptese: H0: 2 = 0
:
FA = MQA / MQAB
Se a hiptese H0 for verdadeira, esse quociente deve resultar prximo de 1. Da mesma forma,
para testar a hiptese: H0: 2 = 0 a estatstica apropriada :
FB = MQB / MQAB
E para testar a interao, usamos:

FAB = MQAB / MQR
Como pode ser visto, os testes F no so os mesmos definidos para o modelo com nveis fixos
(onde todos os testes mantinham MQR no denominador)
7.1.1. Exemplo
Uma siderrgica possui diversos fornos. Foi rodado um experimento escolhendo-se
aleatoriamente trs fornos e quatro lotes de matria prima. A resposta medida foi a tenacidade
da liga metlica obtida. Faa o teste F, conclua a respeito dos fatores significativos e estime os
componentes de variao.
Fonte de
Variao
Fornos
Material
Interao
Erro
Total
SQ
GDL
MQ
Teste F
15460
4539
5040
4920
29959
2
3
6
24
35
7730
1513
840
205
9,2
1,8
4,1
Sig.
N.Sig.
Sig.
78

O fator A e a interao AB aparecem como significativos. Como um experimento com fatores

a nveis aleatrios, os testes foram feitos usando:
FA = MQA / MQAB
FB = MQB / MQAB
FAB = MQAB / MQR
Os componentes de variao podem ser calculados a partir das frmulas definidas para os
E(MQ). Isolando cada termo, resulta:
2 = MQR = 205,0
2 =
MQAB MQR 840 205

=
= 211,7
n
3
2 =
MQB MQAB 1513 840

=
= 74,7
an
3 3
2 =
MQA MQAB 7730 840

=
= 574,2
bn
43
7.1.2. O modelo misto

Seja a situao em que A um fator a nveis fixos, enquanto que os nveis de B so aleatrios.
Esse o chamado modelo misto.
Nesse caso, temos o mesmo modelo linear apresentado anteriormente, isto :
Yijk = + i + j + ()ij + k(ij)
E as Somas Quadradas e Mdias Quadradas tambm so calculadas da mesma forma. Contudo,

o valor esperado das mdias quadradas se altera:
E(MQA) = 2 + n2 + bnA
E(MQB) = 2 + an2
E(MQAB) = 2 + n2
E(MQR) = 2
Onde:
A =
i2
(a 1)
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
FB = MQB / MQR
FAB = MQAB / MQR
E as estimativas dos componentes de varincia feita usando:
2 = MQR
2 =
2 =
MQAB MQR
n
MQB MQR
an
A Tabela a seguir apresenta o valor esperado das mdias quadradas para os vrios modelos
vistos at aqui:
Efeito
E(MQA)
A, B Fixos
2 + bnA
A, B Aleatrios
2 + n2 + bn2
A fixo, B aleat.
2 + n2 + bnA
E(MQB)
2 + anB
2 + n2 + an2
2 + an2
E(MQAB)
2 + nAB
2 + n2
2 + n2
E(MQR)
E, portanto, o teste F a ser feito em cada caso :

Efeito
A, B Fixos
A, B Aleatrios
A fixo, B aleat.
FA
MQA/MQR
MQA/MQAB
MQA/MQAB
FB
MQB/MQR
MQB/MQAB
MQB/MQR
FAB
MQAB/MQR
MQAB/MQR
MQAB/MQR
As tabelas anteriores apresentam a soluo para experimentos com dois fatores cruzados.
Contudo, preciso um procedimento geral que fornea o E(MQ) para experimentos de K
fatores, onde inclusive, possa haver fatores aninhados.
Esse procedimento ser visto a seguir.
Enfatizamos que conhecer o valor das mdias quadradas importante por dois motivos:
Para a estimativa dos componentes de variao

Para a definio dos testes F
7.1.3. Procedimento para determinar o E(MQ)

1. Escreva os termos variveis do modelo no cabealho das linhas de uma tabela em duas
direes
79
80

i
j
ij
k(ij)
2. Escreva os subscritos do modelo no cabealho das colunas. Acima desses adicione F ou A,

conforme os nveis do fator sejam fixos ou aleatrios. Ainda, adicione o nmero de
observaes que cada subscrito cobre.
a
F
i
b
A
j
n
A
k
i
j
ij
k(ij)
3. Para cada linha (cada termo do modelo), copie o nmero de observaes abaixo de cada
subscrito, desde que o subscrito no aparea no cabealho das linhas.
a
F
i
i
j
ij
k(ij)
b
A
j
b
n
A
k
n
n
n
4. Coloque 1 nas posies em que o subscrito da coluna coincide com um subscrito que est
entre parnteses no cabealho da linha.
a
F
i
i
j
ij
k(ij)
b
A
j
b
a
1
n
A
k
n
n
n
5. Complete o restante com 0 ou 1; use 0 nas colunas dos fatores a nveis fixos; use 1 nas
colunas dos fatores a nveis aleatrios.
i
j
ij
k(ij)
a
F
i
0
a
0
1
b
A
j
b
1
1
1
n
A
k
n
n
n
1
6. Para obter o E(MQ) para um componente qualquer do modelo, faa o seguinte:
81
a) cubra as colunas que contm subscritos no entre parntesis correspondentes ao respectivo

termo do modelo (por exemplo, para a mdia quadrada de A, que est associada o subscrito i,
cubra a coluna i)
b) Multiplique os termos restantes em cada linha. Cada um desses produtos o coeficiente para
o termo respectivo do modelo, desde que o subscrito sob o termo cubra tambm o(s)
subscrito(s) do componente que est sendo avaliado.
c) A soma desses coeficientes, multiplicados pela varincia do termo correspondente (2 , 2 ,
A , etc.) o valor esperado da mdia quadrada para o componente considerado.
Por exemplo, para MQA, cubra a coluna i e o produto dos termos restantes 12 + n2 + n2
+ bnA , contudo, o termo n2 ignorado, pois ele no cobre o subscrito i.
Os resultados do uso deste procedimento fornecem os E(MQ) que aparecem a seguir:
a
F
i
0
a
0
1
i
j
ij
k(ij)
b
A
j
b
1
1
1
n
A
k
n
n
n
1
2 + n2 + bnA
2 + an2
2 + n2
2
7. Para projetos com fatores aninhados, os nveis do fator que est aninhado seguem entre
parnteses, e usa-se a regra 4 descrita acima
7.1.4. Exemplo:
Seja um experimento fatorial de trs fatores, A, B e C, ensaiados a a, b e c nveis,
respectivamente. E seja que n observaes por parcela so coletadas.
Assumindo que todos os fatores sejam a nveis aleatrios, os E(MQ) resultam conforme a
Tabela a seguir:
i
j
k
ij
ik
jk
ijk
l(ijk)
a
A
i
1
a
a
1
1
a
1
1
b
A
j
b
1
b
1
b
1
1
1
c
A
k
c
c
1
c
1
1
1
1
n
A
l
n
n
n
n
n
n
n
1
2 + n2 + nc2 + nb2 + nbc2

2 + n2 + nc2 + na2 + nac2
2 + n2 + nb2 + na2 + nab2
2 + n2 + nc2
2 + n2 + nb2
2 + n2 + na2
2 + n2
2
A anlise dessa Tabela revela que no h testes exatos para os fatores principais A, B e C. Ou
seja, se desejamos testar a hiptese 2 = 0 , no encontramos o denominador apropriado. O
mesmo acontece em relao aos fatores B e C.
82

7.1.5. Testes F aproximados

Vamos indicar duas alternativas para resolver esse problema:
1. Nesse exemplo existem testes exatos para as interaes de dois e trs fatores. No caso das
interaes de dois fatores resultarem no significativas, elas podem ser igualadas a zero e, ento,
podemos formar os testes para os fatores principais.
Por exemplo, se as interaes AB e AC no forem significa-tivas, o efeito do fator A pode ser
testado usando F = MQA / MQABC
2. Se as interaes no forem insignificantes, ento uma alternativa criar uma combinao
linear de Mdias Quadradas que forneam o denominador desejado.
Por exemplo, para testar o Fator A, podemos usar
MQ* = MQAB + MQAC - MQABC
Cujo valor esperado resulta:

2 + n2 + nc2 + nb2
Os graus de liberdade da MQ* so calculados usando:
GDL* =
( MQ*) 2
a 2i MQ i2 / i
onde ai so os coeficientes usados na construo da combi-nao linear, e MQi e i so as

respectivas mdias quadra-das e seus graus de liberdade
7.1.6. Exemplo
Reanalizar o experimento dos volumes de refrigerantes, supondo que todos os fatores fossem a
nveis aleatrios.
Presso
25 Psi
Velocidade
% de
Carbonatao
10
12
14
100
x x
x x
x x
30 Psi
Velocidade
120
x x
x x
x x
Sendo os fatores a nveis aleatrios, o E(MQ) resulta:

3
A
i
2
A
j
2
A
k
2
A
l
100
x x
x x
x x
120
x x
x x
x x
i
j
k
ij
ik
jk
ijk
l(ijk)
1
3
3
1
1
3
1
1
2
1
2
1
2
1
1
1
2
2
1
2
1
1
1
1
2
2
2
2
2
2
2
1
83
2 + 22 + 42 + 42 + 82
2 + 22 + 42 + 62 + 122
2 + 22 + 42 + 62 + 122
2 + 22 + 42
2 + 22 + 42
2 + 22 + 62
2 + 22
2
Os clculos das Somas Quadradas e Mdias Quadradas so os mesmos, s se altera o teste F:

Fonte
SQ
A: % Carb.
B: Presso
C: Veloc.
AB
AC
BC
ABC
Erro
Total
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
GDL* =
FA =
= 2,38
2,382
(2,632 / 2) + (0,29 2 / 2) + (0,54 2 / 2)
MQA 126,38
=
= 81,53 > Ftab
MQ *
1,55
= 1,55
(F0,05(2; 3,13) 9
7.1.7. Exemplo com fatores aninhados

Um engenheiro est estudando a montagem de um componente eletrnico. Ele projetou trs
acessrios de montagem e dois layouts de trabalho.
Para realizar a montagem, foram escolhidos aleatoriamente 4 operadores para trabalhar com o
layout 1 e outros 4 operadores (diferentes) para trabalhar com o layout 2.
De modo que operadores esto aninhados nos nveis de layout. Isso foi necessrio, pois na
verdade os layouts 1 e 2 ficam em plantas diferentes.
Tempos de montagem coletados:
84

Layout 1
Layout 2
Ti...
Acessrio 1
22
24
23
24
28
29
25
23
26
28
27
25
28
25
24
23
404
Acessrio 2
30
27
29
28
30
32
27
25
29
28
30
27
24
23
28
30
447
Acessrio 3
25
21
24
22
27
25
26
23
27
25
26
24
24
27
28
27
401
Totais T.jk.
149
150
171
149
163
159
151
160
Operad.==>
619
Totais T.j..
633
1252
Observa-se que Operadores esto aninhados dentro dos nveis de Layout, enquanto que Layout
e Acessrios esto cruzados. O modelo estatstico desse experimento :
Yijkl = + i + j + k(j) + ()ij + ()ik(j) + l(ijk)
onde:
i representa o efeito de Acessrios, a nveis fixos;

j representa o efeito de Layouts, a nveis fixos
k(j) representa o efeito dos Operadores, aninhado em Layout, a nveis aleatrios;

A Tabela a seguir apresenta as quantidades que devem ser agrupadas para a anlise do Projeto
aninhado:
Projeto Cruzado
SQ
SQA
SQB
SQAB
SQC
SQBC
SQAC
SQABC
SQR
SQT
GDL
2
1
2
3
3
6
6
24
47
Projeto Cruzado-Aninhado
SQ
SQA
SQB
SQAB
SQC(B) = SQC + SQBC
SQAC(B) = SQAC + SQABC
12
SQR
SQT
24
47
E os E(MQ) resultam (usando o procedimento):

3
2
2
2
F
F
4
A
i
j
k
l
i
0
2
4
2
j
3
0
4
2
k(j)
3
1
1
2
ij
0
0
4
2
ik(j)
0
1
1
2
l(ijk)
1
1
1
1
Por fim, a anlise de varincia resulta:
GDL
2
1
2
2 + 22 + 16A
2 + 62 + 24B
2 + 62
2 + 22 + 8AB
2 + 22
2
Fonte
SQ
82,80
4,08
71,91
19,04
65,84
56,00
299,67
Acessrios A
Layouts B
Operad. C(B)
AB
AC(B)
Erro
Total
GDL
2
1
6
2
12
24
47
MQ
41,40
4,08
11,99
9,52
5,49
2,33
85
F
MQA/MQAC(B) = 7,54 *
MQB/MQC(B) = 0,34
MQC(B)/MQR = 5,15 *
MQAB/MQAC(B) = 1,73
MQAC(B)/MQR = 2,36 *
A um nvel de significncia de 5% conclui-se que Acessrios, Operadores e a interao AC so

efeitos significativos.
7.2. EXERCCIO
5.1 Est sendo realizado um estudo para identificar as causas de trincas que surgem na base de
tubos de imagem. Para esse estudo, foram fixados trs desenhos de base, trs temperaturas de
Montagem e foram escolhidos aleatoriamente dois operadores para executar a montagem. Os
dados que aparecem a seguir representam a fora necessria para provocar a primeira trinca.
100
Operador 1
Temperatura
125
150
58
57
84
86
55
53
54
58
Desenho
da base
100
Operador 2
Temperatura
125
150
93
96
61
57
82
87
99
101
88
83
94
91
61
55
85
89
95
103
84
91
91
95
57
53
83
88
105
98
Pede-se:
1. Qual a varivel de resposta ?
2. Quais os fatores controlveis ? Fixos ou aleatrios ? Quantos nveis ?
3. Escreva as frmulas dos valores esperados das mdias quadradas para esse exemplo.
4. Quais os efeitos significativos ?
5. Faa os grficos pertinentes para auxiliar na anlise.
6. Baseado nos resultados, quais as recomendaes que voc faria para melhorar o processo ?
5.2 Um engenheiro est estudando a excentricidade presente em um tipo de pea usinada. Para
esse estudo, foram fixadas trs mquinas (A1, A2 e A3) que podem trabalhar em duas
velocidades (B1 = 10 partes/min. ou B2 = 15 partes/min.) e foram escolhidos aleatoriamente 3
operadores para participar do experimento (C1, C2, C3). Os dados que aparecem a seguir
representam os valores medidos de excentricidade (menor--melhor).
86

Velocidade
Operador:
Mquina
A1
B1
B2
C1
C2
C3
C1
C2
C3
32 34
33 31
45 46
33 35
33 36
47 46
A2
35 37
37 35
41 44
36 38
40 37
44 46
A3
30 32
28 29
40 42
30 31
32 29
42 45
Pede-se:
1. Qual a varivel de resposta ?
2. Quais os fatores controlveis ? Fixos ou aleatrios ? Quantos nveis ?
3. Escreva as frmulas dos valores esperados das mdias quadradas para esse exemplo.
4. Quais os efeitos significativos ?
5. Faa os grficos pertinentes para auxiliar na anlise.
6. Baseado nos resultados, quais as recomendaes que voc faria para melhorar o processo ?
8. Projetos Fatoriais do Tipo 2

Carla ten Caten
Os projetos fatoriais 2K contemplam K Fatores, cada um deles a apenas dois nveis: alto ou
baixo.
O nveis podem ser:
Quantitativos: dois valores de resistncia,
dois tempos de cozimento,
duas concentraes de reagentes, etc.
Qualitativos: dois layouts,
duas mquinas de corte,
a presena ou ausncia de um componente, etc.
Esse projeto chamado 2K porque para rod-lo (uma repetio completa) so necessrias:
2 x 2 x 2 x ... x 2 = 2K observaes
8.1.1. Suposies:
Os fatores so a nveis fixos,
Os projetos so completamente aleatorizados e
As hipteses de normalidade so satisfeitas.
8.1.2. Vantagens dos projetos 2k
Simples de serem analisados

Especialmente teis nos estgios iniciais de pesquisa
Quando h muitos fatores a serem investigados
Onde outros projetos seriam inviveis
8. Projetos Fatoriais do Tipo 2k
8.2. PROJETOS 22
Esse o mais simples dos projetos 2k.
Vejamos um exemplo:
Baixo
Alto
15%
20%
Fator A: % de Cimento
Fator B: Aditivo
Ausente
Presente
Dados para o projeto fatorial 22

Tratamento
A baixo, B baixo
A alto, B baixo
A baixo, B alto
A alto, B alto
I
11
20
15
19
Repeties
II
14
16
19
18
III
11
18
14
22
Total
36
54
48
59
8.2.1. Tratamentos e totais:
Letras minsculas = Tratamentos

Letras Maisculas = Efeitos
Tratamentos
1
a
b
ab
Efeitos
Contrastes
I
1
1
1
1
A
-1
1
-1
1
4,83
29
B
-1
-1
1
1
2,83
17
AB
1
-1
-1
1
-1,16
-7
8.2.2. Clculo dos efeitos

O efeito de um fator definido como a mudana que se verifica na resposta quando o nvel
desse fator alterado. Assim:
A = [(ab + a) - (b + (1))] / (2K-1 x n)
B = [(ab + b) - (a + (1))] / (2K-1 x n)
89
90

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

As letras minsculas (1), a, b, ab representam o total de todas as n repeties obtido para o
correspondente tratamento.
Para esse exemplo de resistncia da argamassa, os efeitos mdios resultam:
A = [59 + 54 - 48 36] / (2 x 3)
= 4,83
B = [59 +48 - 54 36] / (2 x 3)
= 2,83
AB = [59 + 36 - 54 48] / (2 x 3) = -1,16

Nas frmulas dos efeitos, as expresses entre colchetes so chamadas de CONTRASTES, ou
seja:
ContrasteA = CA = ab + a - b - (1)
ContrasteB = CB = ab + b - a - (1)
ContrasteAB = CAB = ab + (1) - a - b
E os efeitos so:
Efeito=
(Contraste )
2k 1 n
Os contrastes so ortogonais:
As somas dos sinais coef. de ab, a, b e (1) igual a zero.
A soma dos produtos dos sinais dos coef. (CA . CB , etc.) igual a zero.
8.2.3. Clculo das somas quadradas

Podem ser obtidas a partir dos contrastes:
SQ=
(Contraste )2
2k n
SQA = [ab + a - b - (1)]2 / (2K x n)

= (59 + 54 - 48 - 36)2 / 12 = 70,08
SQB = [ab + b - a - (1)]2 / (2K x n)
= (59 + 48 - 54 - 36)2 / 12 = 24,08
SQAB = [ab + (1) - a - b)2 / (2K x n)
= (59 + 36 - 54 - 48)2 / 12 = 4,08
A soma dos quadrados totais encontrada na maneira usual:
T 2 ...
197 2
= 112 + ... + 182 + 22 2
= 134,92
SQT = xi2j k
12
i jk
N
91
Assim como a soma quadrada dos resduos (por subtrao):

SQR = SQT - SQA - SQB - SQAB
= 134,92 - 70,08 - 24,08 - 4,08 = 36,68

Fonte
A
B
AB
Resduos
Total
SQ
70,08
24,08
4,08
36,68
134,92
GDL
1
1
1
8
11
MQ
70,08
24,08
4,08
4,59
F
15,28
5,25
0,90
F.05 (1,8) = 5,32 A significativo, B quase significativo.
8.2.5. Verificao:
Os mesmos resultados seriam obtidos usando o formulrio convencional de projetos fatoriais.
FATOR
B
-1
+1
FATOR A
-1
36
48
84
+1
54
59
113
90
107
197
TC = 1972/12
SQA = [(842 + 1132) / 6] - (1972 / 12) = 70,08
SQB = [(902 + 1072) / 6] - (1972 / 12) = 24,08
SQAB = [(362 + 542 + 482 + 592) / 3] - 70,08 - 24,08 - (1972 / 12) = 4,08
SQT e SQR calculados como acima.
8.2.6. Ordem padro das combinaes de tratamento:

(1) a b ab
Tabela de sinais para o clculo dos efeitos em um projeto 22.
Tratamentos
(1)
a
b
ab
I
+
+
+
+
A
+
+
Efeito fatorial
B
+
+
AB
+
+
92

Obs. Os sinais para o contraste de AB so obtidos a partir do produto dos sinais das colunas de A e B.
8.3. PROJETOS 23
Trs fatores, cada um deles a dois nveis. Assim h oito tratamentos. Na ordem padro:
(1) a b ab c ac bc abc
Graficamente podemos represent-las como um cubo:
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
[
] = Contrastes
Efeitos: E = (contraste) / (2k-1 x n)

Somas Quadradas: SQ = (contraste)2 / (2k x n)
Interaes: a partir da comparao das diagonais:
AB = [ab - b - a + (1) + abc - bc - ac + c] / (2k-1 x n)
AC = [ac - a - c + (1) + abc - ab - bc + b] / 4n
BC = [bc - b - c + (1) + abc - ab - ac + a] / 4n
ABC = [(abc - bc) - (ac - c) - (ab - b) + (a - (1))] / 4n
= [abc - bc - ac + c - ab + b + a - (1)] / 4n
93
Tabela de Sinais para o clculo dos efeitos no projeto 23.

Tratamento
(1)
a
b
ab
c
ac
bc
abc
I
+
+
+
+
+
+
+
+
A
+
+
+
+
Efeito fatorial
AB
C
+
+
+
+
+
+
+
+
B
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
8.3.1. Propriedades da Tabela de Sinais:

Exceto para a coluna I, cada coluna tem o mesmo nmero de sinais positivos e negativos.
A soma dos produtos de sinais de quaisquer duas colunas zero.
A multiplicao da coluna I por qualquer outra coluna mantm esta inalterada. (I o elemento
identidade).
O produto de quaisquer duas colunas resulta uma outra coluna da tabela. Por exemplo:
A x B = AB
AB x B = AB2 = A
8.3.2. Somas Quadradas:

SQ = (contraste)2 / (2k x n)
Exemplo: Um tcnico deseja melhorar a transparncia da gua (maior melhor) . Os fatores
controlveis so:
Fator A: Quantidade de Sulfato de Alumnio
Fator B: Quantidade de Cal
Fator C: Temperatura
Dados (trs repeties)
Sulfato de AL
Cal
Temperatura
Totais
30ppm
40ppm
10ppm
15ppm
10ppm
15ppm
15
20
15
20
15
20
15
20
6,1
6,6
5,1
6,4
8,3
10,4
9,5
8,7
7,6
6,0
4,6
5,5
9,2
9,8
10,7
10,7
6,8
6,2
5,7
6,0
10,3
8,7
8,5
9,4
20,5
(1)
18,8
c
15,4
b
17,9
bc
27,8
a
28,9
ac
28,7
ab
28,8
abc
Contrastes obtidos a partir dos totais:

A = [a - (1) + ab - b + ac - c + abc - bc]
94

= [27,8 - 20,5 + 28,7 - 15,4 + 28,9 - 18,8 + 28,8 - 17,9] = 41,6

B = [b - (1) + ab - a + bc - c + abc - ac] = 5,2
C = [c + ac + bc + abc - (1) - a - b - ab] = 2,0
AB = [ab - a - b + (1) + abc - bc - ac + c] = 6,8
AC = [ac - a - c + (1) + abc - ab - bc + b] = 0,4
BC = [bc - b - c + (1) + abc - ab - ac + a] = 3,2
ABC = [abc - bc - ac + c - ab + b + a - (1)] = 5,2
Efeitos mdios e Somas Quadradas a partir dos contrastes:
n x 2k - 1 = 12;
n x 2k = 24
EA = CA / 12 = 3,46
SQA = (CA)2 / 24 = 72,11
EB = 5,2 / 12 = 0,43
SQB = (5,2)2 / 24 = 1,13
EC = 2,0 / 12 = 0,17
SQC = (2,0)2 / 24 = 0,17
EAB = 6,8 / 12 = 0,57
SQAB = (6,8)2 / 24 = 1,93
EAC = 0,4 / 12 = 0,03
SQAC = (0,4)2 / 24 = 0,01
EBC = 3,2 / 12 = 0,27
SQBC = (3,2)2 / 24 = 0,43
EABC = 5,2 / 12 = 0,43
SQABC = (5,2)2 / 24 = 1,13
A partir das observaes individuais,

Por subtrao,
SQT = 87,19
SQR = 10,31
Tratamentos
1
a
b
ab
c
ac
bc
abc
Efeitos
Contrastes
I
1
1
1
1
1
1
1
1
A
-1
1
-1
1
-1
1
-1
1
3,46
41,52
B
-1
-1
1
1
-1
-1
1
1
0,43
5,2
AB
1
-1
-1
1
1
-1
-1
1
0,57
6,8
C
-1
-1
-1
-1
1
1
1
1
0,17
2
AC
1
-1
1
-1
-1
1
-1
1
0,03
0,03
BC
1
1
-1
-1
-1
-1
1
1
0,27
0,27
CA =
+a
+ab
+ac
+abc
-(1)
-b
-c
-bc
CBC =
+a
-ab
-ac
+abc
+(1)
-b
-c
+bc
ABC
-1
1
1
-1
1
-1
-1
1
0,43
0,43
95
Anlise de varincia para o exemplo do volume.

Fonte
Sulfato de AL (A)
Cal
(B)
Temperatura (C)
AB
AC
BC
ABC
Erro
Total
SQ
72,11
1,13
0,17
1,93
0,01
0,43
1,13
10,31
87,19
GDL
1
1
1
1
1
1
1
16
23
MQ
72,11
1,13
0,17
1,93
0,01
0,43
1,13
0,64
F calc
111,94
1,75
0,26
2,99
0,01
0,66
1,75
F tab
4,49 **
4,49
4,49
4,49 *
O fator A fortemente significativo; seu controle fundamental para assegurar a transparncia

desejada.
Notar que muitas vezes o efeito de um fator significativo, mas praticamente sem importncia.
8.4. O PROJETO 2K GENERALIZADO

Projeto que envolvem K fatores, cada um a dois nveis,
O modelo estatstico do projeto 2K inclui:
K efeitos principais,
K
interaes de dois fatores,
2
K
interaes de trs fatores,
3
:,
Uma interao de k fatores.
K
= permutaes de k elementos tomados dois a dois
2
K
= K! [n!(K n )!]
n
possvel calcular (2k - 1) efeitos, calculados a partir dos 2k tratamentos
Para um projeto 24, por exemplo, os tratamentos so:
(1), a, b, ab, c, ac, bc, abc, d, ad, bd, abd, cd, acd, bcd, abcd
Para se estimar um efeito a tabela de sinais pode ser utilizada, mas escrev-la trabalhoso.
Alternativa, usar:
96

ContrasteAB ...K = (a 1) (b 1) ... (K 1)

Dentro de cada parnteses utilizamos o sinal (-) se o fator est incluido no efeito ou o sinal (+)
se no estiver incluido.
Por exemplo, em um projeto 23, o contraste para AB seria:
Contraste AB = (a - 1) (b - 1) (c + 1)
= abc + ab + c + (1) - ac - bc - a - b
8.4.1. Efeitos e Somas Quadradas:
AB ... K =
( Contraste AB ... K )
2 k 1 n
2
Contraste AB ... K )
(
SQAB ... K =
2k n
Onde n denota o nmero de repeties.

Anlise de Varincia para o projeto fatorial 2K.
Fonte de variao
k efeitos principais
A
B
:
K
SQ
GDL
SQA
SQB
.
SQK
1
1
.
1
SQAB
SQAC
.
SQJK
1
1
.
1
SQABC
SQABD
.
SQIJK
.
1
1
.
1
.
SQAB .. K
SQR
SQT
1
2k(n - 1)
n2k - 1
K
interaes de 2 fatores
2
AB
AC
:
JK
K
interaes de 3 fatores
3
ABC
ABD
:
IJK
:
K
= 1 interaes de k
K
fatores
ABC .. K
Erro
Total
97
8.5. O PROJETO 2K SEM REPETIES

Quando h vrios fatores a serem estudados, o nmero total de tratamentos (2k) cresce
rapidamente.
Um projeto 25 envolve 32 tratamentos,
um 26 envolve 64, e assim por diante.
Com freqncia:
Recursos limitados
Tempo limitado
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
F= MQG 1.
MQR
Assim, o MQG dessa interao ser aproximadamente igual a varincia do erro experimental
MQR, logo usa-se o valor do MQG do efeito de interao como estimativa do MQR.
Para escolher as interaes que iro formar o termo de erro:
Usar bom-senso
Interaes de trs ou mais fatores raramente so significativas.
Usar conhecimentos tcnicos.
Exemplo de Aditivo x Operadores
Exemplo: Taxa de filtragem de um produto qumico.

Fator (A): Temperatura,
Fator (B): Presso,
Fator (C): Concentrao de reagentes,
Fator (D): Taxa de agitao.
Dados para o exemplo da taxa de filtragem (projeto 24).
D0
D1
A0
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)
Supondo as interaes de 3 e 4 fatores como insignificantes, elas podem ser usadas como uma
estimativa do erro:
98

SQR= SQABC + SQABD + SQACD + SQBCD + SQABCD

Anlise de varincia para o exemplo da taxa de filtragem.
Fonte
a
b
c
d
ab
ac
ad
bc
bd
cd
Erro
Total
SQ
1870,56
39,06
390,06
855,56
0,06
1314,06
1105,56
22,56
0,56
5,06
127,56
5730,94
GDL
1
1
1
1
1
1
1
1
1
1
5
15
MQ
1870,56
39,06
390,06
855,56
0,06
1314,06
1105,56
22,56
0,56
5,06
25,57
F calc
73,15
1,53
15,25
33,46
<1
51,39
43,24
<1
<1
<1
F tab
6,61 S
6,61 NS
6,61 S
6,61 S
6,61 NS
6,61 S
6,61 S
6,61 NS
6,61 NS
6,61 NS
Usar A, C e D para assegurar Qualidade.

Usar B para obter Preo baixo.
8.5.2. Mtodos grficos para testar a significncia dos efeitos

1. Papel de probabilidade
2. Pseudo-standard error
8.6. ALGORITMO DE YATES PARA PROJETOS 2K

Uma tcnica bastante simples
A partir das respostas (totais) chegamos aos efeitos e SQ
Regra bsica: somar e subtrair pares adjacentes
Exemplo: Projeto 23 com 2 repeties
Tratamento
(1)
a
b
ab
c
ac
bc
abc
Resposta
-4
1
-1
5
-1
3
2
11
(1)
-3
4
2
13
5
6
4
9
(2)
1
15
11
13
7
11
1
5
(3)
16
24
18
6
14
2
4
4
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
SQ
(3)2 / 23.2
--36,00
20,25
2,25
12,25
0,25
1,00
1,00
99
Exemplo de Yates para 22

Exemplo apostila com k=2 fatores e n=3 repeties
Tratam
1
a
b
ab
Efeito=
Resposta
36
54
48
59
1
90
107
18
11
(Contraste )
2
197
29
17
-7
SQ=
2k 1 n
Fonte
I (total)
A
B
AB
Efeito
-4,83
2,83
-1,17
SQ
-70,08
24,08
4,08
(Contraste)2
2k n
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)
(1)+a
b+ab
a-(1)
ab-b
(1)
a
b
ab
(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
8.1. Um grupo de engenheiros est desenvolvendo um carro de passeio. Nos primeiros testes a
antena do prottipo apresentou amplitude de vibrao excessiva. O grupo decidiu que os
seguintes fatores poderiam influenciar a amplitude de vibrao:
Nvel 1
Nvel 2
A: Tipo de suporte da base
Normal
Reforado
B: Dimetro da antena
10
C: Posio da antena sobre o cap
+00
+02
D: Desenho da ponteira da antena
Arredondado
Chato
Foi feito um experimento 24 com duas observaes por parcela. Os dados (resultados obtidos
em tnel de vento) revelaram o seguinte:
100

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
Tratam.
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
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
---
SQ
101
bcd
abcd
=
95,39
b) Anlise de varincia
Fonte
SQ
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
Erro
Total
103,53
d) Grfico de dois fatores

Amplitude
15
10
GDL
MQ
F calc.
Signif. ?
102

0
e) Tomada de deciso
8.2. Um engenheiro est realizando um experimento para otimizar a quantidade de salmoura
injetada em um tipo de alimento. A quantidade de salmoura uma varivel do tipo nominal-melhor, com valor alvo igual a 70 unidades. Analise os dados a seguir, encontre os fatores
significativos e indique o melhor ajuste para este processo.
Presso de
Operao
Velocidade
da Esteira
Batida das
Agulhas
A1=120
B1=300
A2=150
B2=400
C1=20 C2=30
C1
75 73 80 78 45 42
76 77 75 83 47 47
B1=300
B2=400
C2
C1
C2
C1
C2
50 54
48 51
92 93
95 99
95 100
99 101
75 75
79 68
77 80
83 85
Um engenheiro est realizando um experimento para otimizar o teor de umidade em um produto

a base de soja. Analise os dados a seguir, encontre os fatores significativos e faa os grficos
pertinentes. Qual o ajuste que maximixa a umidade ? e qual o ajuste que minimiza a umidade ?
Mquina 1
Tempo de
secagem
Temperatura
do processo
Vazo de ar
A1=20
B1=60
Mquina 2
Tempo de
secagem
Temperatura
do processo
Vazo de ar
B2=70
C1=2,5 C2=3,5
6,2
A2=30
7,4
B1=60
C1
C2
C1
C2
C1
C2
7,1
8,5
7,8
8,2
9,3
10,5
A1=20
B1=60
C1=2,5 C2=3,5
6,6
7,1
B2=70
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

Carla ten Caten
Algumas vezes a aleatorizao completa fica restringida.

Por exemplos, talvez no seja possvel rodar todos os ensaios:
No mesmo dia;
Na mesma sala;
Com o mesmo operador
Nesses casos, alguma informao ficar confundida.

Vejamos um problema onde isso acontece:
As caractersticas de um produto qumico dependem de:
Fator A: Temperatura
Fator B: Tempo de Reao
Se os fatores esto a dois nveis, temos:
104
9. Experimentos Fatoriais Confundidos em Blocos

9.1.1. Restrio Experimental:
O material usado no processo qumico produzido em lotes

preciso dois lotes para obter as quatro amostras
9.2. CONFUNDIMENTO
Diferenas entre os lotes ficaro confundidas com um dos efeitos, dependendo do plano de
amostragem seguido:
Lotes ou Blocos
1
2
I
(1) b
a ab
Plano
II
(1) a
b ab
III
(1) ab
a b
Plano 1: Efeito do Fator A est confundido com os blocos

Plano 2: Efeito do Fator B est confundido com os blocos
Plano 3: Interao AB confundida com os blocos
A partir da definio dos contrastes, facil verificar quem est confundido:
Plano 1:
Plano 2:
Plano 3:
Bloco 2 - Bloco 1 = ab + a - b - (1) = CA

Bloco 2 - Bloco 1 = ab + b - a - (1) = CB
Bloco 2 - Bloco 1 = ab + (1) - b - a = CAB
prefervel ter confundida uma interao
A esperana que ela no seja significativa
9.3. SISTEMA PARA CONFUNDIR EFEITOS:
Definir um contraste de definio. Isto , a informao que ficar confundida com os

blocos
Definir quais os tratamentos que iro em cada bloco, usando:
Nm. de letras pares em comun com o CD (neste exemplo AB) vo em um bloco (1)
Nm. de letras mpares em comum com o CD (neste exemplo AB) vo no outro bloco (2)
Para o exemplo do projeto 22, escolhendo AB como contraste de definio, resulta:
Bloco I
Bloco II
(1)
ab
Pares
mpares
105
A anlise de varincia resultaria

Fonte
A
B
AB ou Blocos
Total
SQ
SQA
SQB
SQAB
SQT
GDL
1
1
1
3
Este exemplo apenas acadmico, pois no temos GDL para o termo de erro.
9.4. EXPERIMENTOS CONFUNDIDOS EM BLOCO COM REPETIO

Quando h repeties, h duas possibilidades:
Experimentos completamente confundidos

Experimentos parcialmente confundidos
9.5. EXPERIMENTOS COMPLETAMENTE CONFUNDIDOS

Quando em todas as repeties o mesmo CD confundido.
Seja o exemplo de um 23, onde apenas 4 tratamentos podem ser rodados num dia e, assim, o
projeto deve ser dividido em dois. E seja que escolhemos ABC como o C.D.
Bloco I
Bloco II
(1)
ab
ac
bc
a
b
c
abc
Se h 3 repeties, o arranjo dos ensaios poderia ser:

Repetio I
Repetio II
Repetio III
Bloco 1
Bloco 2
Bloco 2
Bloco 1
Bloco 1
Bloco 2
ac
(1)
ab
bc
a
c
abc
b
c
abc
b
a
(1)
ac
bc
ab
ab
(1)
ac
bc
c
b
abc
a
Em todas as repeties ABC o contraste de definio;

mas de resto Aleatorizao
106

9.5.1. Modelo Estatstico

Yijkmn = + Rm + Bn + RBmn + Ai + Bj + Ck + ABij + ACik + BCkj + mijk
Rm
representa o efeito das repeties
Bn
representa o efeito dos blocos 1 e 2
RBmn
interao entre repeties e blocos
Usualmente o erro tomado como a interao entre as repeties e os efeitos principais e suas
interaes:
mijk = RAmi + RBmj + RCmk + RABmij + RACmik + RBCmjk
O efeito das repeties e o efeito dos blocos so analisados separadamente com o objetivo de
principal de diminuir o termo de erro.
9.5.2. ANOVA para projeto 23 completamente confundido:

Fonte
Rm Repeties
Bn Blocos ou ABC
RB Repeties x Blocos
A
B
AB
C
AC
BC
Erro = Repet. x Outros
Total
GDL
2
1
2
1
1
1
1
1
1
12
23
5 entre as
subdivises
18 dentro das
subdivises
Repeties e Blocos podem ser testados contra RB. Teste fraco pois RB possui apenas
2 graus de liberdade.
Efeitos principais e interaes podem ser testadas contra o erro. Teste forte pois o erro
tem 12 graus de liberdade.
ABC no pode ser testada (confundida com blocos)
9.6. EXPERIMENTOS PARCIALMENTE CONFUNDIDOS

No exemplo anterior, ABC foi confundida em todas as repeties. Mas se h repeties, uma
alternativa :
Confundir ABC na 1a repetio
Confundir AB na 2a repetio
Confundir AC na 3a repetio
Confundir BC na 4a repetio
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
107
Repetio IV
Conf. BC
(1)
b
bc
c
a
ab
abc
ac
9.6.1. Modelo Estatstico

Yijkmn = + Rm + Bn(m) + Ai + Bj + Ck + ABij + ACik + BCkj + ABCijk + mijk
Bn(m) indica que os blocos esto aninhados dentro das repeties (em cada repetio os blocos 1
e 2 so diferentes)
SQB(R) = SQB + SQBR; GDL = 1 + 3 = 4
9.6.2. Anlise do projeto 23 parcialmente confundido:

Fonte
Rm Repeties
Bn Blocos (dentro de Rep.)
ABC
AB
AC
BC
A
B
C
AB
AC
BC
ABC
GDL
3
4
7 entre as
subdivises
1
1
1
1
1
1
1
24 dentro das
subdivises
1
1
1
1
|
|
|
|
Somente das repet.

em que no esto
confundidas
17
Erro = Repet. x Outros
Total
31
Erro = RA + RB + RC + RAB + RAC + RBC + RABC
GDL = 3 + 3 + 3 + 2
+ 2 +
2 +
2 = 17
9.7. EXPERIMENTOS CONFUNDIDOS EM BLOCO SEM REPETIO

Muitas vezes preciso dividir em blocos e s h recursos para uma repetio
Se h muitos fatores envolvidos, digamos 4 ou mais fatores, projetos desse tipo so viveis.
9.7.1. Estratgia de ao:
Uma interao de ordem superior sacrificada (confundida)

Outras so aglutinadas para formar o termo de erro
108

Por exemplo, seja um fatorial 24, onde somente oito tratamentos podem ser rodados de uma vez.
Uma possvel diviso em dois blocos seria usar o contraste de definio ABCD:
Bloco 1
(1) ab bc ac abcd cd ad bd
Bloco 2
a b abc c bcd acd d abd
9.7.2. Anlise de varincia:

Fonte
A
B
C
D
AB
AC
AD
BC
BD
CD
ABC
ABD
ACD
BCD
Blocos (ABCD)
Total
GDL
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
15
|
| 4 GDL para
| o termo de erro
|
Interaes de trs ou mais fatores no poderiam ser avaliadas; mas em geral no so

significativas
Todos os efeitos principais e interaes de dois fatores poderiam ser avaliados
9.8. DIVISO EM MAIS DE DOIS BLOCOS

Tambm possvel a diviso em mais que dois blocos
Seja um 24 que devido a restries experimentais deve ser rodado em 4 blocos.
Contraste de definio:
ABC e BCD
Ateno: nesse caso ABC x BCD = AD tambm fica automaticamente confundido

Usando o procedimento par-mpar mencionado anteriormente:
Confundido ABC
Confundido BCD
(1) ab ac bc d abd acd bcd
(1) bc abd acd
ab ac d
bcd
cd
a b c abc ad bd cd abcd
a abc bd
b
ad abcd
109
9.8.1. Mtodo de Yates para o clculo das Somas Quadradas

Tratam.
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
Total
Resposta
82
76
79
85
71
84
55
74
80
79
73
88
72
81
84
89
(1)
158
164
155
129
159
161
153
173
-6
6
13
19
-1
15
9
5
(2)
322
284
320
326
0
32
14
14
6
-26
2
20
12
6
16
-4
(3)
606
646
32
28
-20
22
18
12
-38
6
32
0
-32
18
-6
-20
(4)
1252
60
2
30
-32
32
-14
-26
40
-4
42
-6
44
-32
50
-14
SQ
225,00
0,25
56,25
64,00
64,00
12,25
42,25
100,00
1,00
110,00
2,25
121,00
64,00
156,25
12,25
1031,00
9.8.2. Tabela Anova para o experimento 24 em 4 blocos

Fonte
A
B
C
D
AB
AC
BC
BD
CD
Blocos (ou ABC ou BCD ou AD)
Erro (ABD + ACD + ABCD)
Total
SQ
225,00
0,25
64,00
100,00
56,00
64,00
12,25
110,25
121,00
199,50
78,50
1031,00
GDL
1
1
1
1
1
1
1
1
1
3
3
15
MQ
225,00
0,25
64,00
100,00
56,00
64,00
12,25
110,25
121,00
66,50
26,17
Fcalc
8,6
0,0
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:
SQR = 78,50 + 0,25 + 12, 25 = 91,00 ;
GDL= 3 + 1 + 1= 5
MQR = 91,00/5 = 18,2
110

F calc A = 225 / 18,2 = 12,36

F calc CD =121 / 18,2 = 6,65
Agora, temos F0,05(1,5) = 6,61 A e CD significativos
Experimentos 2k so rodados para fornecer um quadro geral

J que B apareceu como no significativo, um novo experimento poderia ser planejado
sem esse fator.
9.9. PROJETOS FATORIAIS FRACIONADOS 2k-1

Com o aumento do nmero de fatores, o nmero de tratamentos e o nmero de interaes
aumentam rapidamente
k
5
6
7
8
2k
32
64
128
256
Efeitos
Princ.
5
6
7
8
1a
10
15
21
28
2a
10
20
35
56
3a
5
15
35
70
4a
1
6
21
56
5a
6a
7a
1
7
28
1
8
Interaes de ordem superior
Difceis de interpretar
Em geral no significativas
Em geral, no temos interesse em estudar as interaes de mais alta ordem
Para experimentos com muitos fatores:
Pode no ser possvel ($) rodar o experimento completo

Quase a mesma informao pode ser obtida de dos ensaios
Quando somente uma frao dos ensaios rodada,

o projeto chamado Fatorial Fracionado
9.9.1. Procedimento para definir projetos fracionados
Dividir em dois ou mais blocos o projeto completo, confundindo uma (ou mais)
interaes de ordem superior
E, aps, ensaiar apenas um dos blocos, escolhido aleatoriamente.
9.10. EFEITOS VINCULADOS

Seja o caso simples de um projeto 23 onde o tcnico s tem recursos para efetuar 4 ensaios, ou
seja, a metade do 23.
111
Confundindo ABC com os blocos, resulta:

Bloco 1
(1)
ab
ac
bc
Bloco 2
abc
Por sorteio, decide-se rodar apenas o bloco 2.

Que informao pode ser obtida do bloco 2 ?
Que informao fica perdida ou confundida ?
A partir da tabela de sinais, observamos que no possvel distinguir entre, por exemplo, os
contrastes de A e BC, pois os ensaios ab, ac, (1) e bc no foram realizados:
CA =
+a
+ab
+ac
+abc
-(1)
-b
-c
-bc
CBC =
+a
-ab
-ac
+abc
+(1)
-b
-c
+bc
Assim, dizemos que A e BC esto vinculados

Do mesmo modo, B e AC esto vinculados, e tambm C e AB
preciso cuidado ao escolher o contraste de definio:
A idia que dois fatores importantes no devem estar vinculados entre si

O que deve ser feito vincular um efeito importante com uma interao de ordem
superior (suposta insignificante)
Se o bloco 1 for rodado ao invs do bloco 2, a situao dos vnculos a mesma.
9.10.1. Modo rpido de encontrar os vnculos:

Multiplicar os efeitos pelo(s) contraste(s) de definio, neste exemplo, o contraste ABC
Vnculo de A:
A(ABC) = A2BC = BC
Vnculo de B:
B(ABC) = AB2C = AC
Vnculo de C:
C(ABC) = ABC2 = AB
112

9.10.2. Exemplo de um projeto 27 dividido em dois

Metade de um 27 = 64 ensaios
Confundindo a interao mais alta com os blocos:
ou seja, Contraste de definio = ABCDEFG
e dividindo em dois blocos, resulta:
Bloco 1
(1) ab ac bc ad bd
Bloco 2
cd abcd ....
c abc d acd abd bcd .....
Ensaia-se apenas um bloco, mas antes verifica-se os vnculos

A(ABCDEFG) = BCDEFG ...
AB(ABCDEFG) = CDEFG ...
ABC(ABCDEFG) = DEFG ... etc.
Tomando para erro as interaes de 2a e 3a ordem,
Fonte
Efeitos principais A, B, ..., G
(ou interaes de 5a ordem)
Interaes de 1a ordem
Interaes de 2a ordem
Total
GDL
1 para cada
Sub-total
7
1 para cada
21
1 para cada
35
63
9.10.3. Projeto fatorial fracionado em quatro

Seja que no exemplo anterior os recursos permitissem rodar apenas 32 ensaios. Assim, preciso
rodar um projeto fracionado em 4.
Escolhendo duas interaes de 4a ordem, por exemplo ABCDE e CDEFG, para fazer a diviso
dos blocos, ento automaticamente uma terceira interao fica confundida:
ABCDE(CDEFG) = ABC2D2E2FG = ABFG
As interaes confundidas no so independentes
Portanto, devem ser escolhidas com cuidado
Nesse projeto fracionado em 4, cada efeito estar vinculado o outros trs, por exemplo:
A(ABCDE) = BCDE ; A(CDEFG) = ACDEFG ;
A(ABFG) = BFG
B(ABCDE) = ACDE ; B(CDEFG) = BCDEFG ;
B(ABFG) = AFG
113
AB(ABCDE) = CDE ; AB(CDEFG) = ABCDEFG ; AB(ABFG) = FG

etc....
Efeitos principais livres de interaes de 1a ordem

Trs interaes de 1a ordem (AB, AF, AG) vinculadas a outras interaes de 1a ordem
(FG, BG, BF)
Escolher com cuidado os fatores principais B, F, G
Se qualquer um deles no apresentar interao com os demais, (por exemplo, operador
x aditivo), o experimento poder ser rodado
As restantes 15 interaes de 1a ordem esto livres de interaes que no sejam de 2a
ordem ou mais
H ainda 6 GDL para o erro, que envolvem apenas interaes de 2a ordem ou mais.
9.10.4. Anlise do projeto 27 fracionado em quatro

Fonte
Efeitos principais A, B, ..., G
Interaes de 1a ordem AC, AD, ...
AB (ou FG), AF (ou BG), AG (ou BF)
Interaes de 2a ordem ACF, ACG, ...
Total
GDL
1 para cada
1 para cada
1 para cada
1 para cada
Sub-total
7
15
3
6
31
9.10.5. Exemplo
Nmero de cartas processadas por minuto em uma mquina processadora de envelopes
Fator A: ngulo da correia transportadora
Fator B: Velocidade da correia
Fator C: Material da correia
Fator D: Posio da polia
Cada um desses fatores fixado em dois nveis e a metade de um 24, ou seja, um 24-1 rodado.
ABCD escolhido como o contraste de definio
Assim,
A(ABCD) = BCD, ...

AB(ABCD) = CD, ...
As frmulas usuais so utilizadas nos clculos, ou seja,
Efeito =
Tratamentos
1
a
b
ab
c
ac
bc
abc
d
ad
I
1
1
1
1
1
1
1
1
1
1
A
-1
1
-1
1
-1
1
-1
1
-1
1
Contraste ;
N 2
B
-1
-1
1
1
-1
-1
1
1
-1
-1
AB
1
-1
-1
1
1
-1
-1
1
1
-1
SQ =
C
-1
-1
-1
-1
1
1
1
1
-1
-1
Contraste 2
N
AC
1
-1
1
-1
-1
1
-1
1
1
-1
BC
1
1
-1
-1
-1
-1
1
1
1
1
ABC
-1
1
1
-1
1
-1
-1
1
-1
1
onde N = 24-1 = 8
D
-1
-1
-1
-1
-1
-1
-1
-1
1
1
AD
1
-1
1
-1
1
-1
1
-1
-1
1
BD
1
1
-1
-1
1
1
-1
-1
-1
-1
ABD
-1
1
1
-1
-1
1
1
-1
1
-1
CD
1
1
1
1
-1
-1
-1
-1
-1
-1
ACD
-1
1
-1
1
1
-1
1
-1
1
-1
BCD
-1
-1
1
1
1
1
-1
-1
1
1
ABCD
1
-1
-1
1
-1
1
1
-1
-1
1
114

Como pode ser visto, ABCD foi usado como o contraste de definio para a diviso em dois
blocos. O bloco amarelo formado pelos sinais positivos do contraste ABCD e o bloco branco
formado pelos sinais negativos.
Os engenheiros executaram apenas o bloco amarelo.
Bloco 1
(1) ab ac bc ad bd
Bloco 2
cd abcd
c abc d abd acd bcd
9.10.6. Anlise de varincia para o projeto 24-1

Fonte
A ou BCD
B ou ACD
AB ou CD
C ou ABD
AC ou BD
BC ou AD
D ou ABC
Total
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
9.11. ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS 2k-1

O procedimento o seguinte:
listar na ordem padro os tratamentos de um projeto 2k-1

Adicionar entre parnteses uma letra (ou letras) para obter os tratamentos que foram
efetivamente rodados
Seja o exemplo anterior de um 24-1, tendo ABCD como o contraste de definio

Bloco 1
(1) ab ac bc ad bd
Bloco 2
cd abcd
c abc d abd acd bcd
E seja que o bloco 1 apenas rodado
115
9.11.1. Algoritmo de Yates

Tratamento Resposta
(1)
a(d)
b(d)
ab
c(d)
ac
bc
abc(d)
(1)
182
222
173
228
34
38
37
38
74
108
92
130
68
105
95
133
(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
9.12. PAPEL DE PROBABILIDADE
Efeito
C
D
AC
AB
BC
B
A
Listar os efeitos em ordem (I = 1,7) crescente

Plotar os efeitos no eixo vertical,
Com os valores de 100((2I-1) / 2N) no eixo vertical
Valor
-0,75
-0,75
0,75
1,25
3,75
23,75
36,75
Ordem I
1
2
3
4
5
6
7
100((2I-1) / 14)
7,1
21,4
35,7
50,0
64,2
78,6
92,8
9.12.1. Duas formas de se estimar MQR:

Aglutinando as SQ dos efeitos no significativos:
SQR = SQC + SQD + SQAC + SQAB + SQBC = 34,625
MQR = 34,625 / 5 = 6,9
SQ
(3)2 /2 3.1
2701,125
1128,125
3,125
1,125
1,125
28,125
1.125
116

Graficamente:
3,92 9,2 2,34 2 = MQR 5,50

O valor do MQR estimado colocado na tabela para continuar os clculos da tabela ANOVA.
Os fatores A e B so significativos.
9.13.1 EXPERIMENTO 24 COMPLETO

Foi usado a interao ABCD pra a blocagem e posterior fracionamento.
Tratamentos
1
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
B
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
AB
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
C
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
AC
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
BC
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
ABC
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
D
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
AD
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
BD
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
1
ABD
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1
CD
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
ACD
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
BCD
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
ABCD
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
No experimento completo no h correlao entre nenhum fator indicando que todos os efeitos
podem ser estudados separadamente. O termo de erro pode ser estimado pelas interaes de trs
fatores e a interao ABCD usada para estudar o efeito do bloco.
Experimento 24 fracionado ou seja 24-1 onde foi usado o contraste de definio ABCD:
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
1
1
-1
-1
-1
-1
1
1
-30
AC
-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
-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
-1
-1
1
1
-1
-1
1
1
40
CD
1
1
-1
-1
-1
-1
1
1
-30
ACD
-1
1
-1
1
-1
1
-1
1
30
BCD
ABCD
-1
1
1
-1
1
-1
-1
1
20
No experimento fracionado possivel estimar apenas 7 efeitos pois metade dos efeitos est
vinculada a outra metade, ou seja, A com BCD, B com ACD, AB com CD, C com ABD, AC
com BD, BC com AD, ABC com D.
Y
1
1
1
1
1
1
1
1
10
15
25
35
40
35
30
50
A
B
AB
C
AC
BC
ABC
D
AD
BD
ABD
CD
ACD
BCD
ABCD
AB
1
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
AC
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
BC
ABC
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
AD
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
BD
ABD
1
0
0
0
0
0
0
CD
1
0
0
0
0
0
ACD
1
0
0
0
0
1
0
0
0
117
BCD
1
0
0
ABCD
1
0
Sistema para verificao dos efeitos vinculados: multiplica-se o efeito pelo contraste de definio ou
realiza a matriz de correlao.
A
A
B
AB
C
AC
BC
ABC
D
AD
BD
ABD
CD
ACD
BCD
ABCD
1
0
0
0
0
0
0
0
0
0
0
0
0
1
#DIV/0!
AB
1
0
0
0
0
0
0
0
0
0
0
1
0
#DIV/0!
1
0
0
0
0
0
0
0
0
1
0
0
#DIV/0!
AC
BC
1
0
0
0
0
0
0
1
0
0
0
#DIV/0!
1
0
0
0
0
1
0
0
0
0
#DIV/0!
ABC
1
0
0
1
0
0
0
0
0
AD
1
1
0
0
0
0
0
0
#DIV/0!
#DIV/0!
1
0
0
0
0
0
0
#DIV/0!
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
BD
1
0
0
0
0
0
#DIV/0!
ABD
1
0
0
0
0
#DIV/0!
CD
1
0
0
0
#DIV/0!
Efeito
vinculado
BCD
ACD
CD
ABD
BD
AD
D
ABC
BC
AC
C
AB
B
A
Tabela ANOVA
Efeiro
A (ou BCD)
B (ou ACD)
AB (ou CD)
C (ou ABD)
AC (ou BD)
BC( ou AD)
D (ou ABC)
erro
Total
SQ
GDL
MQ
Fcalc
Ftab
ACD
1
0
0
#DIV/0!
BCD
1
0
#DIV/0!
ABCD
1
#DIV/0!
118

No recomenda-se o fracionamento de um experimento 24 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. Seria necessrio
realizar repeties para estimar o termo de erro. A interao ABCD no pode ser estimada
devido ao fracionamento ter sido realizado usando o seu contraste de definio.
A nica maneira de fracionar um experimento 24 seria caso um dos fatores B, C ou D no
interagisse com os demais, ou seja, teriamos razes tcnicas para escolher entre as interaes de
dois fatores vinculadas.
9.13.2 EXPERIMENTO 25 COMPLETO

Foi usado a interao ABCDE pra a blocagem e posterior fracionamento.
AB
TrataAB
AB
AC BC AB
AB
AC BC AB
AD BD AB CD AC BC CD
mentos A B AB C AC BC C D AD BD D CD D D CD E AE BE E CE E E CE DE E E DE E DE DE E
1
-1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1
a
1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1
b
-1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1
ab
1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1
c
-1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1
ac
1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1
-1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1
bc
abc
1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1
d
-1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1
ad
1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1
bd
-1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1
abd
1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1
cd
-1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1
acd
1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1
bcd
-1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
abcd
e
-1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1
1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1
ae
be
-1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1
abe
1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1
ce
-1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1
ace
1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1 -1 -1 1 1
bce
-1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1 1 -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1
abce
1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1
-1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1
de
ade
1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1
-1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 1 -1 1
bde
abde
1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1
cde
-1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1
acde
1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1
bcde -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1
abcde 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
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.
119
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
Experimento 25 fracionado ou seja 25-1 onde foi usado o contraste de definio ABCDE
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
120

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
Sistema para verificao dos efeitos vinculados: multiplica-se o efeito pelo contraste de
definio ou realiza 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
Recomenda-se o fracionamento de um experimento 25 pois interaes de dois fatores esto

vinculadas com outras de trs, o que no considerado problema pois as 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. Seria
necessrio realizar repeties para estimar o termo de erro. A interao ABCDE no pode ser
estimada devido ao fracionamento ter sido realizado usando o seu contraste de definio.
121
9.14. EXERCCIOS
9.1 Um grupo de engenheiros deseja determinar quais os fatores que afetam o tempo de
processamento em uma workstation. Eles decidem fazer um experimento incluindo os seguintes
fatores:
Fator
Nvel 1
Nvel 2
2
No
C1
D1
4
Sim
C2
D2
A = No de softwares abertos
B = Processador I/O
C = Distribuio dos arquivos
D = Tipo de coprocessador
Como os ensaios so bastante trabalhosos (exigem mudar o setup do computador e tomam

tempo), a escolha recaiu sobre um projeto 24 dividido em dois, ou seja, em um 2 4 -1. Os dados
coletados (tempo em minutos) revelaram:
(1) =
ab =
ac =
ad =
19,6
29,2
19,2
29,5
bc =
bd =
cd =
abcd =
11,8
22,0
08,7
20,6
Como pode ser visto, ABCD foi usado como o contraste de definio para o fracionamento.
Considerando que o fator D no interage em absoluto com os demais (informao tcnica dos
engenheiros), mas os demais fatores podem interagir entre si, pede-se:
a) Qual a caracterstica de qualidade que est sendo medida ?
b) Use o mtodo de Yates e ache os efeitos e somas quadradas
c) Indique quais os fatores e interaes significativos
d) O que fazer para obter qualidade ? Economia ?
Soluo:
a) Caracterstica de qualidade:
b) Tabela de Yates
Tratam.
(1)
a
b
ab
Resposta
(1)
(2)
(3)
Efeito
-A = BCD =
B = ACD =
SQ
122

c
ac
bc
abc
=
374,95
c) Papel de probabilidade para identificar efeitos significativos:
Efeito
Valor
Ordem i
100 (2i-1) / 14
D
AB
C
BC
AC
B
A
-10,00
-1,10
1
2
7,1
21,4
99
95
80
50
20
5
1
0,1
Efeitos significativos:
d) Tomada de deciso
9.2. Um engenheiro de alimentos est estudando um processo de resfriamento. Por questes de

textura e sabor, sabe-se que o tempo de resfriamento ideal de 90 min. Analise os dados a
seguir, identifique os fatores significativos e conclua a respeito do melhor ajuste para o
processo.
Temperatura do ar
Velocidade do ar
Posio na cmara
Espaamento entre
unidades
A1=0
B1=10
C1 =
C2 =
baixa
alta
D1 =
D2 =
12
15
89
96
123
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

Carla ten Caten
10.1. METODOLOGIA DE SUPERFCIE DE RESPOSTA

10.1.1. Introduo MSR
A Metodologia de Superfcie de Resposta (MSR) envolve uma srie de tcnicas orientadas
anlise de experimentos planejados de modo a gerar informaes suficientes para a modelagem
das respostas de interesse atravs de superfcies n-dimensionais.
Aps a construo de modelos para a resposta, o interesse recai na busca do ajuste timo, ou
seja, na busca de regies que conduzam a um valor mnimo, mximo ou nominal, conforme a
caracteristica da resposta em questo.
Aplicaes da MSR
A MSR tem ampla aplicao dentro da engenharia, contribuindo para a otimizao de produtos
ou processos, principalmente quando os fatores controlveis so a nveis contnuos.
Apesar do potencial da MSR no que se refere a otimizao de produtos e processos, essa
metodologia pouco empregada no Brasil, pois exige o domnio dos conceitos bsicos de
projeto de experimentos, regresso mltipla e otimizao, e poucas escolas de engenharia
mantm cursos que contemplem todas essas reas.
10.1.2. Etapas no uso da MSR

A proposta da MSR responder questes gerais referente ao comportamento da resposta dentro
do intervalo de interesse e, em particular, mapear regies de alto desempenho. Os estudos
envolvem trs etapas principais:
Planejar o experimento, distribuindo adequadamente os pontos experimentais
Estimar os coeficientes da equao da superfcie de resposta
Explorar a superfcie de resposta encontrando o ajuste dos fatores que maximiza a resposta
A estratgia de anlise supe que a resposta Y possa ser representada por uma funo
polinomial dos fatores controlveis X1, X2, ..., Xk. Entre os modelos possveis, esto o modelo
linear,
Y = b0 + b1X1 +b2X2 + ... + bkXk
126
10. Metodologia de Superfcie de Resposta e Otimizao

o modelo quadrtico,
2
Y = b0 + b1X1 + b2X2 + ... + b11X1 + b2X2 + ... + b12X1X2 + ...

e tambm modelos no lineares.
10.1.3. Projetos de Superfcie de resposta

Os coeficientes dos modelos podem ser estimados mais eficientemente se for usado um projeto
experimental adequado para a coleta de dados. Projetos para o ajuste de superfcies de resposta
so chamados de projetos de superfcie de resposta.
Por exemplo, para ajustar modelos lineares, toda a classe de experimentos 2k so
particularmente eficientes. Eles permitem fracionamento, blocagem e a suposio de
linearidade pode ser facilmente testada acrescentando-se alguns pontos centrais.
Exemplos de projetos para modelos lineares
Um projeto 22 com um ponto central
Um projeto 23 com um ponto central
10.1.4. Projetos para modelos quadrticos

Para o ajuste de modelos quadrticos, o Projeto Composto de Segunda Ordem (PCSO)
recomendado. Esse projeto, que ser visto a seguir tem inmeras vantagens. Ele tem como
base um projeto 2k, exige um nmero pequeno de ensaios, pode contemplar blocagem,
rotacionalidade e ortogonalidade.
O que aparece a seguir um exemplo de um PCSO para um experimento de dois fatores
controlveis:
127
Exemplo de um PCSO
Matriz experimental
A matriz experimental para esse experimento seria a seguinte:
Rodada
1 (1)
2 (a)
3 (b)
4 (ab)
5
6
7
8
9
X1
-1
+1
-1
+1
-
0
0
0
X2
-1
-1
+1
+1
0
0
-
0
Y
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Central
10.1.5. Construo dos PCSO

Como pode ser visto, o PCSO a soma de um experimento 2k, mais uma estrela, mais pontos
centrais. Por isso o nome projeto composto. Os pontos da parte fatorial (2k) permitem a
estimativa de termos lineares e interaes. Os pontos da estrela, permitem a estimativa de
efeitos quadrticos puros.
De forma geral, os PCSO consistem de trs partes:
a) A parte fatorial, ou seja 2k vrtices de um cubo k dimensional (ou uma frao desses vrtices)
com coordenadas 1, 1, ..., 1.
b) A parte em estrela, 2xk vrtices com coordenadas 0, ..., , ...,0.
c) no pontos centrais, com coordenadas 0,0,...
128

Exemplo de um PCSO - 3 fatores

A figura a seguir apresenta um PCSO para um experimento de trs fatores:
X2
X3
X1
Matrix experimental
A matriz experimental desse projeto seria:
Rodada
1 (1)
2 (a)
3 (b)
4 (ab)
5 (c)
6 (ac)
7 (bc)
8 (abc)
9
10
11
12
13
14
15
X1 (A)
-1
+1
-1
-1
-1
+1
-1
+1
-
0
0
0
0
0
X2 (B)
-1
-1
+1
+1
-1
-1
+1
+1
0
0
-
0
0
0
X3 (C)
-1
-1
-1
+1
+1
+1
+1
+1
0
0
0
0
-
0
Y
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Estrela
Estrela
Central
10.1.6. Caractersticas dos PCSO

Caso necessrio, o projeto pode contemplar repeties do ponto central, aumentando os graus de
liberdade do termo de erro, ou seja, permitindo uma avaliao mais precisa da varincia
experimental.
O valor de alfa pode ser definido de modo que o projeto tenha algumas propriedades
interessantes. Por exemplo, alfa pode ser calculado para atribuir rotacionalidade ou
ortogonalidade ao projeto.
129
10.1.6.1. 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:
1
= F4
onde F se refere ao nmero de pontos da parte fatorial
10.1.6.2. 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:
4
(F + T )1 / 2 F1 / 2
F
=
4 n2
onde F se refere ao nmero de pontos da parte fatorial

T o nmero de pontos adicionais (estrela mais pontos centrais), multiplicado pelo nmero de
repeties n
10.1.6.3. Blocos ortogonais

Por fim, os PCSO so particularmente eficientes quando existe a necessidade de blocagem.
Nesse caso, o projeto normalmente dividido em dois: um bloco contendo a parte fatorial e o
outro bloco contendo a parte em estrela. Os pontos centrais so utilizados para assegurar o
mesmo nmero de ensaios em cada bloco.
Para assegurar que os blocos sero ortogonais entre si, o que ir permitir extrair o efeito entre
blocos, caso ele exista, basta ter o mesmo nmero de ensaios em cada bloco e definir o valor de
alfa usando:
F
2
10.2. MODELAGEM DAS VR

Inicialmente, a partir dos resultados do experimento planejado, chega-se a modelos para as
variveis de resposta. Esses modelos podem contemplar mdia e variabilidade:
Y1 = f1 (X1, X2, ..., Xk)
Y2 = f2 (X1, X2, ..., Xk)
:
Yp = fp (X1, X2, ..., Xk)
Y1 = g1 (X1, X2, ..., Xk)

Y2 = g2 (X1, X2, ..., Xk)
:
Yp = gp (X1, X2, ..., Xk)
130

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).
10.2.1. Regresso linear simples

A regresso linear simples se aplica quelas situaes onde h duas variveis (digamos, X e Y)
que podem possuir uma relao de causa e efeito. A varivel X chamada de varivel
independente ou fator controlvel (causa) e a varivel Y a varivel dependente ou varivel de
resposta (efeito, que depende de X). dito relao linear simples, pois supe-se tendncia linear
entre as variveis e simples por ser uma nica varivel independente (X).
Seja que existam dados coletados (pares de valores) associando uma varivel de resposta Y
(varivel dependente) com uma varivel regressora X (varivel independente). E suponha que
a relao entre Y e X seja aproximadamente linear. Ento o valor esperado de Y para cada
valor de X vir dado por:
E (Y/X) = 0 + 1 X
onde os parmetros da relao linear, 0 e 1, so desconhecidos.
Vamos supor que cada observao Y possa ser descrita pelo modelo:
Y = 0 + 1 X +
onde o erro aleatrio, com mdia 0 e varincia 2.
Nesta equao, o coeficiente 0 a interseo (valor de Y para X = 0) enquanto que 1 a
inclinao da reta, que pode ser positiva, negativa ou nula.
0 a interseco, ou seja, o valor que Y assume quando X=0. 1 o coeficiente angular

(inclinao da reta). O coeficiente 0 mostra a variao de Y para cada unidade de variao de
X. O coeficiente angular 1 a tangente do ngulo e quanto maior o valor mais inclinada a
reta.
Se 1 positivo, a reta crescente;
Se 1 negativo, a reta decrescente;
131
Se 1 zero, Y no depende de X e a reta paralela ao eixo X na altura do valor 0.
10.2.2. Exemplo
Aps uma regulagem eletrnica um veculo apresenta um rendimento ideal no que tange a
rendimento de combustvel. Contudo, com o passar do tempo esse rendimento vai se
degradando. Os dados que aparecem na tabela representam o rendimento medido ms a ms
aps a regulagem. Calcule a equao de regresso.
X: meses aps a regulagem

Y : rendimento
X: meses aps a regulagem
Y : rendimento
1
10,7
7
9,0
2
10,9
8
9,3
3
10,8
9
7,6
4
9,3
10
7,6
5
9,5
11
7,9
6
10,4
12
7,7
Se h n pares de dados (Y1, X1), ..., (Yn, Yn) possvel estimar os parmetros 0 e 1
usando o mtodo dos Mnimos Quadrados, o qual busca minimizar:
L = (Yobs-Yest)2 = (Yi (b0 + b1 Xi))2
Meses(X)
o 1
n 2
3
d
4
e
5
6
b
7
0
8
9
e 10
11
b 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
12
Co
11
10
9
8
7
0
10 12
Tempo aps a regulagem

132
O Mtodo dos Quadrados busca minimizar:

L = (Yobs-Yest)2 = (Yi (b0 + b1 Xi))2
Onde b0 e b1 so estimativas amostrais de 0 e 1. O uso do mtodo conduz as seguintes
estimativas:
b1 = SXY / SXX
b0 = Y b1 X
onde:
S XX = X i2 ( X i )2 n
S YY = Yi2 ( Yi )2 n
S XY = X i Yi ( X i )( Yi ) n
10.2.3. Exemplo
Meses(X) Rendimento(Y)
1
10,7
2
10,9
3
10,8
4
9,3
5
9,5
6
10,4
7
9
8
9,3
9
7,6
10
7,6
11
7,9
12
7,7
78
110,7
6,5
9,225
X^2
1
4
9
16
25
36
49
64
81
100
121
144
650
Xi = 78,00;
Xi2 = 650,00 ;
X = 6,50
Yi = 110,70;
Yi2 = 1039,55;
Y = 9,225
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
Desvio-padro de X
S XX = X i2 ( X i )2 n = 650 (78)2 / 12 = 143,00

Desvio-padro de Y
S YY = Yi2 ( Yi )2 n = 1039,55 (110,70 )2 / 12 = 18,34
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
133
Covarincia de X,Y:
S XY = X i Yi ( X i )( Yi ) n = 673,1 (78 110,70) / 12 = 46,45

Estimativa dos parmetros:
b1 = SXY / SXX = -46,45 / 143,00 = -0,325
b0 = Y b1 X = 9,225 - (-0,325) 6,50 = 11,34
Equao de regresso
Y = 11,34 + (-0,325) X
10.2.4. Decomposio dos Resduos
Figura 3.
Decomposio dos resduos
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:
2
R =
S 2xy
S xx S yy
O coeficiente de determinao indica o percentual da variabilidade de Y que explicado pelo

modelo de regresso em funo de X.
Para o exemplo analisado resultou R2 =(-0,907)2 = 0,82, ou seja, 82% da variabilidade nos
resultados de rendimento de combustvel pode ser devida ao tempo decorrido aps a regulagem
e 18% da variabilidade total devido a outros fatores que no foram investigados ou a fatores
de ruido.
10.2.5 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:
Ri = Yobs - Yest

134
Ri = Yobs (b0 + b1Xi)
E verificar as seguintes hipteses:
A distribuio do erro possui mdia zero;
A varincia do erro constante;
A distribuio do erro normal;
Os valores do erro so independentes dos y observados.
Os resduos padronizados so calculados como:
Ri =
Yi (b0 + b1 X i )
S
onde:
S = SQR / n 2
SQR = SYY b1SXY
Adequao do ajuste
A adequao do ajuste testada plotando os resduos em funo de X. Se o ajuste for bom, os
resduos seguiro um padro aleatrio. Caso contrrio, alguma tendncia curvilneo ser observada.
Na figura abaixo, os resduos no so aleatrios, demonstrando a falta de ajuste do modelo linear:
135
15
10
5
0
0
10
12
14
-5
-10
-15
Na Figura 44, (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
(a)
(b)
Figura 4.
Anlise de resduos.
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. Quando h
desconfiana da presena destes dados, ou seja, quando o resduo for muito elevado (Ri>3),
deve-se verificar a procedncia dos mesmos e caso sejam valores realmente atpicos, devero
ser retirados e uma nova regresso deve ser feita.
Se o modelo linear no fornece um bom ajuste, as vezes o problema pode ser contornado
trabalhando-se com valores transformados de X ou Y, por exemplo:
Y = b0 + b1 X
Y = b0 + b1 X
onde X =
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 55 apresenta duas situaes: (a) onde verifica-se a suposio de homogeneidade, e (b)
onde essa suposio violada.
136

Figura 5.
Verificao da homogeneidade da variana.
Se a suposio de homogeneidade da varincia rejeitada, pode-se usar o mtodo da regresso linear

ponderada, onde se busca os valores de 0 e 1 que minimizam
L = Ki (Yi - (b0 + b1 Xi))2
Nesse caso, os pesos ki so inversamente proporcionais varincia.

Exerccio (resoluo no Excel)
Um servio de tele-entrega tem um site para entregas a domiclo, e fez um levantamento de quanto
gastaram 32 de seus clientes durante certo perodo. Ele deseja saber se este gasto depende da distncia
do domiclio ao ponto de venda:
Distncia do domiclio
ao Ponto de Vendas
(Km)
Consumo
Mdio semanal
(R$)
2,3
3,1
3,8
2,1
3,4
4,6
2,8
2,6
4,8
1,8
4,3
5,5
0,7
3
1,1
23,1
27,5
26,1
24
26,2
31,3
26,1
19,6
36,4
17,8
31,3
36
14,1
22,3
17,3
Distncia do dom iclio ao Ponto de Vendas
137
(Km )
Consumo mdio semanal
(R$)
50
45
40
y = 4,92 x + 10,28
R2 = 0,9235
35
30
25
20
15
10
Consumo mdio semanal
(R$)
Previsto(a) Consumo mdio semanal
(R$)
0
0
Distncia do domiclio ao Ponto de Vendas
8
(Km)
Pelo modelo prev-se que, para cada km adicional de distncia do morador, o consumo
semanal dele aumenta de a = 4,92 Reais.
Pelo modelo tambm:
correto pensar que se x = zero, o consumo previsto de 10,28 R$? Quem mora dentro da loja
consome 10,28 R$?
Resposta: no.
Esta interpretao s vlida no intervalo estudado (ou seja entre 0,7 Km e 6,1 Km). Fora disto
no d para aplicar o modelo!
10.2.4. Regresso Mltipla

Embora haja muitos problemas em que uma varivel pode ser predita com bastante preciso em
termos de outra, claro que as predies devem melhorar se for levado em conta informaes
adicionais importantes. Por exemplo:
- Pode-se fazer melhores predies sobre o desempenho de funcionrios recm contratados se
for levado em considerao no somente sua formao, mas tambm seu tempo de experincia e
sua personalidade;
- Pode-se fazer melhor predio do sucesso de um novo produto se for considerado no somente
sua qualidade, mas o potencial de procura e a concorrncia.
Muitos problemas de regresso envolvem mais de uma varivel regressora ou independente.
Por exemplo, a qualidade de um processo qumico pode depender da temperatura, presso e taxa
de agitao. Nesse caso h trs variveis regressoras.
Uma equao de regresso linear mltipla expressa uma relao entre uma varivel dependente
e duas ou mais variveis independentes.
Y = 0 + 1 X 1 + 2 X 2 + ... + k X k +
138

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:
Y
y1
y2
.
.
.
yn
X1
x11
x21
.
.
.
xn1
X2
x12
x22
.
.
.
xn2
...
...
...
.
.
.
...
Xk
x1k
x2k
.
.
.
xnk
Ou seja, estimar bo, b1, b2 ...
10.2.5. Exemplo
Um distribuidor de cerveja est analisando seu sistema de distribuio. Especificamente 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
20
25
18
12
14
16
22
24
17
13
30
25
40
18
22
31
26
34
29
37
20
25
27
24
27
29
31
25
33
26
28
31
39
33
30
25
30
24
23
33
139
12
40
Resoluo:
- Anlise preliminar dos dados: Fazer um grfico de disperso das variveis independentes
versus varivel dependente.
X1 = nmero de caixas
X2 = distncia
- Rodar a rotina de regresso no Excel.

- Clculo dos coeficientes: Identificar o modelo fornecido pela rotina de regresso.
Interseo
Varivel X 1
Varivel X 2
Coeficientes
2,31120209
0,87720461
0,45592077
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
O modelo fornecido :
Y = 2,31 + 0,877 X 1 + 0, 459 X 2
10.2.6.1. 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 MQR / MQReg
A hiptese nula ser rejeitada quando:
Fcalculado > Fa/2, k, n-k-1
ou
valor-p<0,05 (5%)
140

ANOVA
gl
Regresso
Resduo
Total
SQ
331,3585994
118,3747339
449,7333333
2
12
14
MQ
F
F de significao
165,6792997 16,7954
0,000332524
9,864561157
10.2.6.2. Identificao dos fatores significativos

Para identificar os fatores significativos faz- se um teste individual sobre a
significncia de cada parmetro bi
Se os resduos seguem o modelo normal, os parmetros bi tambm iro seguir esse
modelo, ou seja:
bi N i , bi2
De modo que para testar as hipteses H0: i = 0 e H1: i 0 usa-se a distribuio de

Student, calculando:
ti = bi / Sbi
A hiptese nula ser rejeitada quando:
ti > t / 2 , n k 1
ou valor-p < 0,05 (5%)
Coeficientes Erro padro

2,31120209 5,857302725
0,87720461 0,153034597
0,45592077 0,146762335
Interseo
Varivel X 1
Varivel X 2
Stat t
0,394584709
5,732067324
3,106524374
valor-P
0,70007
9,4E-05
0,00908
Neste exemplo todos os termos so significativos pois os valores-p so menores que

0,05 (5%). Os termos que no so significativos no devem permanecer no modelo.
Logo, deve-se retirar um termo por vez e rodar novamente a rotina de regresso at
definir um modelo com apenas termos significativos.
10.2.6.3. Anlise dos coeficiente de determinao R2

R2 uma medida de quo bem a equao de regresso mltipla se ajusta as dados
amostrais e indica a percentagem da variabilidade total que explicada pelo modelo de
regresso.
Re 0
Re 0
-1
-1
-2
-2
0
12 16 20
-3
0
12
(a)
(b)
Figura 10.4: Verificao da Homogeneidade da Variana
16
20
141
Se R2 = 1, todas as observaes estaro sobre o hiperplano definido pelo modelo.

Se R2 = 0, no h nenhuma relao entre a varivel de resposta e as variveis
independentes.
No exemplo, 73,67% da variabilidade do fenmeno pode ser explicado pelo modelo de
regresso.
Estatstica de regresso
R mltiplo
0,85836418
R-Quadrado
0,73678906
R-quadrado ajustado 0,69292057
Erro padro
3,14078989
Observaes
15
10.2.6.4. Anlise do R2 ajustado
Para analisar o valor do R2ajustado deve-se compar-lo com o valor do R2. O R2ajustado um
R2 modificado para levar em considerao o nmero de variveis e o tamanho amostral.
2
Rajustado
= 1
( n 1) 1 R 2
(
)
n ( k + 1)
Onde: n o tamanho da amostra e k o nmero de variveis independentes

Se esses valores forem muito diferentes, pode-se afirmar que h um excesso de
variveis no modelo.
Estatstica de regresso
R mltiplo
0,85836418
R-Quadrado
0,73678906
R-quadrado ajustado 0,69292057
Erro padro
3,14078989
Observaes
15
10.2.6.5. Anlise dos Resduos

Para testar o ajuste do modelo plotar os resduos em funo de Y, de X1 ou de X2 para
verificar se os resduos esto aleatoriamente distribudos em torno do valor zero.
ri = Yi Yi
Os resduos padronizados so calculados dividindo-se o resduo pelo desvio-padro:
ri =
Yi Yi
3
Considera-se um valor atpico quando o resduo padronizado (Z) for maior do que:
Z > 3,00 (99,73%) ou
Z > 1,96 (95,00 %)
142

10.2.6.6. Anlise dos grficos dos resduos

Se o resduo de algum ponto tem comportamento diferente dos resduos dos outros pontos este
ponto pode no pertencer 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. Deve-se
observar os valores dos resduos padronizados para verificar a existncia de valores
atpicos.Caso isso ocorra faz-se necessrio elimin-lo e a rotina de regresso deve ser rodada
novamente.
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.
10.2.6.7. Dados Atpicos

Seguindo na anlise, observar a coluna dos resduos padronizados para verificar a existncia de
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
Resduos padro
-0,760871317
-0,261665052
0,132709479
0,045639035
-0,320079022
-0,110075767
2,938131815
1,010428962
-9,271574323
-3,188511547
0,765571022
0,263281289
1,308402542
0,449962053
-2,093372844
-0,71991479
1,431821786
0,492406159
0,521227954
0,179251257
0,517471829
0,177959518
1,378300256
0,474000006
-1,02472284
-0,352404079
2,88648185
0,992666443
1,590501813
0,546976513
143
valores atpicos. Se isso acontecer o dado atpico deve ser eliminado e a rotina de regresso
deve ser rodada novamente.
10.2.6.8. Anlise da Validade do Modelo

A adequao do ajuste e as suposies do modelo podem ser verificadas atravs de uma
anlise dos resduos. Os resduos padronizados so calculados como:
Ri =
yi ( b0 + b1xi )
S
S = SQR / n 2
SQR = SYY b1SXY
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
curvilnea ser observada.
Na figura a seguir, (a) representa uma situao onde o ajuste adequado, enquanto (b)
Re 0
Re 0
-1
-1
-2
-2
0
12 16 20
12
16
20
X
(a)
(b)
10.3: Anlise
Resduoslinear no se ajusta bem aos dados:
representa umaFigura
situao
onde odemodelo
Se o modelo linear no fornece um bom ajuste, s vezes o problema pode ser contornado
trabalhando-se com valores transformados de X ou Y, por exemplo,
Y = b0 + b1 X
Y = b0 + b1 X
onde X =
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 a seguir
apresenta uma situao (a) onde verifica-se a suposio de homogeneidade, enquanto que
em (b) essa suposio violada:
2
3
2
Re 0
Re 0
-1
-1
-2
-2
0
12 16 20
-3
0
12
16
20
(a)
(b)
Figurano
10.4:estejam
Verificao
da Homogeneidade
da Variana
Caso os resduos
distribudos
aleatoriamente
indcio de falta de ajuste do
modelo, ou seja, faltou algum termo quadrtico, um logartmico ou outros (de uma ou
mais variveis independentes). Quando isso acontecer deve-se acrescentar a tabela dos
dados colunas com os termos julgados necessrios.
10.2.6.9. Codificao dos nveis
144

Nas equaes de regresso mltipla, pode ser interessante comparar os efeitos dos
diferentes fatores controlveis (termos) do modelo.
Neste caso, necessrio padronizar o intervalo de variao dos diferentes termos do modelo,
para que os coeficientes sejam diretamente comparveis entre si. necessrio converter os
nveis reais do intervalo de investigao em nveis codificados do intervalo.
O nvel baixo ser o nvel 1 e o nvel alto ser o nvel +1
Apresenta-se a seguir como converter os nveis reais (NR) em nveis codificados (NC):
NC =
NR VC
(( LSI LII ) / 2)
onde:
VC
representa o valor central do intervalo investigado VC=((LSI-LII)/2+LII);
LSI
representam o limite superior do intervalo investigado;
LII
representam o limite inferior do intervalo investigado.
Por exemplo, o intervalo de investigao da temperatura de 100 oC a 120 oC.

LII = 100 oC e o LSI = 120 oC.
120 100
+ 100 = 110
2
100 110
O nvel 100 oC calculado como: NC =
= 1
(120 100) / 2)
O valor central calculado como: VC =
O nvel 110 oC calculado como NC =
110 110
=0
(120 100) / 2)
E o nvel 120 oC calculado como NC =
120 110
= +1
(120 100) / 2)
Como os nveis variam de 1 a +1, o clculo do coeficiente 1 (inclinao da reta) em uma

equao de regresso equivale ao efeito do fator dividido por dois, ou seja, 1 = Efeito/2.
Figura 6.
Relao entre efeito do fator e 1
145
10.3. FUNO DE PERDA MULTIVARIADA

10.3.1. Introduo funo de perda multivariada
Na maioria dos estudos experimentais, existe mais de uma varivel de resposta de interesse,
exigindo o uso de algum procedimento multivariado na busca do ajuste timo dos fatores
controlveis.
O procedimento que ser mostrado a seguir baseia-se na utilizao da Funo de Perda
Multivariada. Trata-se de um procedimento bastante genrico que ir fornecer resultados
consistentes na maioria das aplicaes prticas.
A funo de perda empregada para quantificar a perda que um produto impem sociedade
pela falta de qualidade.
Em muitos casos, essa perda resulta aproximadamente proporcional ao quadrado do desvio da
meta estabelecida para uma certa caracterstica de qualidade, ou seja:
Z i = K j (Y j T j ) 2
onde:
Z(i) a perda associada com o desvio da meta, para a unidade i;
Y o valor medido na unidade i para a caracterstica de qualidade em estudo;
T a meta para a respectiva caracterstica de qualidade;
k o coeficiente de perda da qualidade, que converte o desvio do alvo em R$.
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).
146

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: Kj =
IRj
.
((LSE - LIE)/2)2
Perda
20
15
L(y)
10
5
0
0
12
Figura 7.
Funo de perda para caractersticas do tipo nominal--melhor
Maior--melhor se refere s caractersticas que tm um valor mnimo estabelecido e, se esse

valor for superado tanto melhor. Por exemplo, seja uma caracterstica cujo valor Alvo=12 e
limite inferior de 3,0. No existe limite superior de especificao.
Maior--melhor:
Kj=
IRj
.
2
(alvo - LIE)
Perda
14
12
10
L(y)
8
6
4
2
0
0
12
Figura 8.
Funo de perda para caractersticas do tipo maior--melhor
Menor--melhor se refere s caractersticas que tm um valor mximo estabelecido e, se esse

valor for menor tanto melhor. Por exemplo, seja uma caracterstica cujo valor Alvo=1 e limite
inferior de 7,0. No existe limite inferior de especificao.
Menor--melhor: Kj =
IRj
.
2
(LSE - alvo)
147
Perda
30,00
25,00
20,00
L(y)
15,00
10,00
5,00
0,00
0
12
Figura 9.
Funo de perda para caractersticas do tipo menor--melhor
10.3.2. FUNO PERDA MULTIVARIADA

A expresso da funo de perda multivariada a seguinte:
J
Z ( i ) = K j Yj T j
j =1
onde: Z(i) o valor que a funo de perda Z assume para um dado ajuste do conjunto dos
fatores controlveis;
Yj o valor medido na unidade i para a caracterstica;

Kj a ponderao atribuda a VR "j";
o modelo matemtico que fornece uma estimativa da mdia da VR j em funo do ajuste

Y
j
dos fatores controlveis;
Tj o valor alvo para a VR "j";
(nota: para VR do tipo maior melhor ou menor melhor, quando o valor de Y
supera o alvo,
j
atribui-se zero para o correspondente desvio do alvo).
EXEMPLO: Funo de perda para a mdia de duas variveis de resposta:
primeira VR = Produtividade do tipo Maior--melhor
segunda VR = Qualidade do tipo Nominal--melhor
Z (i ) =
2
IR2
IR1
Y1 T1 +
Y T
2
( alvo1 LIE1 )
(( LSE2 LIE2 ) / 2)2 2 2
10.3.3. Notas sobre a Funo perda Multivariada

Vale observar que a perda funco das VR Y, que por sua vez so funo dos fatores
controlveis X. Logo, em ltima anlise tem-se que a perda funo de X, ou seja, funo do
ajuste dos fatores controlveis.
Observa-se tambm que a perda cresce quadraticamente quando qualquer VR afasta-se do alvo
(ou em regies onde aumenta a variabilidade das VR). Assim, o objetivo encontrar o ajuste
dos fatores controlveis que minimiza a funo perda.
148

Este ajuste timo estar associado a uma regio onde as VR esto prximas de seus respectivos alvos
(ou em regies onde a variabilidade pequena). Em projetos com muitos fatores, a busca do ponto
timo exige suporte computacional.
O Solver do Excel pode ser usado para identificar a melhor combinao dos fatores controlveis que
otimiza o conjunto das variveis de resposta simultaneamente.

Projeto de Experimentos Jose Luis Duarte Ribeiro

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Projeto de Experimentos Jose Luis Duarte Ribeiro

Caricato da

Copyright:

Formati disponibili

Srie Monogrfica Qualidade

2000 by Jos Luis Duarte Ribeiro & Carla ten Caten

Praa Argentina, 9 sala 404

Lia Buarque de Macedo Guimares

Andria Fabiane Nahra Leal

Arcngelo Ianelli, Natureza-morta

2. Comparao de Vrios Grupos (One-way Analysis of Variance) ............................. 21

3. Projetos Fatoriais com Dois Fatores ....................................................................... 33

4. Generalizao dos Projetos Fatoriais ..................................................................... 46

5. Blocos Aleatorizados e Quadrados Latinos ........................................................... 59

6. Experimentos Parcionados em Clulas (Split-Plot) ............................................... 70

7. Experimentos com Fatores a Nveis Aleatrios ..................................................... 76

8. Projetos Fatoriais do Tipo 2K ................................................................................... 88

9. Experimentos Fatoriais Confundidos em Blocos ................................................. 103

9.8. DIVISO EM MAIS DE DOIS BLOCOS .............................................................................................. 108

Metodologia de Superfcie de Resposta e Otimizao..................................... 125

10.1. METODOLOGIA DE SUPERFCIE DE RESPOSTA ........................................................................ 125

Jos Luis Duarte Ribeiro

1. Introduo ao Planejamento de Experimentos

Avalia o desem penho do sistema

1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS:

Maximizar o desempenho do sistema

Fazer isso, ...

Definindo uma seqncia de ensaios econmica e eficiente

1.2. FASES DO PROJETO DE EXPERIMENTOS

OUVIR A VOZ DO ENGENHEIRO

PLANEJAMENTO FINAL E EXECUO

1.2.1. Trabalho de Equipe:

O que ser visto:

Introduo ao Projeto de Experimentos

Comparao de vrios grupos

Projetos fatoriais com dois fatores

Generalizao dos projetos fatoriais

Blocos Aleatorizados e Quadrado Latino

Projetos fatoriais do tipo 2k

Experimentos fatoriais confundidos em bloco

Experimentos fatoriais fracionados

Metodologia de Superfcie Resposta

Todas as caractersticas do produto que o cliente percebe como importantes.

Aspectos do produto que podem ser medidos e que permitem quantificar as

Caractersticas de qualidade do tipo nominal--melhor (por exemplo, caractersticas

Caractersticas de qualidade do tipo maior--melhor (por exemplo, resistncia mecnica)

1. Introduo ao Planejamento de Experimentos

Caractersticas de qualidade do tipo menor--melhor (por exemplo, nvel de rudo)

So um subconjunto dos parmetros do processo; so aqueles parmetros do

So os parmetros do processo que no entram no experimento e que so

Fatores no controlveis (Rudo)

So as variveis que no podem ser controladas pela equipe tcnica. So

1.2.3. Relao entre a demanda de qualidade (cliente) e as variveis de resposta

1.2.4. Status dos parmetros do processo dentro de um programa experimental:

Fatores mantidos constante

1.2.5. Relao entre os fatores controlveis e a resposta

1.3. AS ETAPAS DE UM EXPERIMENTO

1.3.2. Ouvir a voz do engenheiro (como)

Definir variveis de resposta associadas s C.Q.

1. Introduo ao Planejamento de Experimentos

- Numero mximo de ensaios

1.3.3. Planejamento final e execuo

Escrever a matriz experimental

Fazer a anlise de varincia

Modelar individualmente cada Varivel de Resposta

1.3.5.1. Exemplo: Estudo experimental em solados de borracha.

2. Ouvir a voz do Engenheiro