Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
Projeto de Experimentos
Jos Luis Duarte Ribeiro & Carla ten Caten, editores
Projeto Grfico
Editorao Eletrnica
Projeto de Experimentos
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
10.
1. Introduo ao Planejamento de
Experimentos
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.
Caractersticas de qualidade
SISTEMA
Parmetros
do Sistema
Fatores de Rudo
Figura 1.
Esquema de um sistema
ANLISE
OTIMIZAO
Conhecimentos Mercadolgicos
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
Conhecimentos Tcnicos
Conhecimentos Estatsticos
1.2.2. Terminologia
Caractersticas de Qualidade
Variveis de resposta
10
Parmetros do processo
Todas as variveis da linha de produo que podem ser alteradas e que talvez
tenham um efeito sobre as variveis de resposta.
Fatores controlveis
Fatores constantes
de Qualidade
Aspectos que
podem ser vagos
Voz do Engenheiro
Variveis de
Resposta
Mensurveis, quantitativas
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
Fatores Controlveis
Parmetros
do Processo
Objeto de
estudo
Processo ou Produto
Input
Parmetros
do Processo
Fatores de Rudo
Definir o
ajuste
timo
Pesquisa de Mercado
Identificar as C.Q. de interesse
Identificar a importncia relativa dessas C.Q.
Varivel de
Resposta
Responsveis pela
variabilidade
11
12
1.3.4. Anlise
1.3.5. Otimizao
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
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
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
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
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.
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
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
:
:
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
Variveis de
Resposta
Tipo
Alvo
(unidades)
Y1:
Y2:
Y3:
Y4:
Y5:
Y6:
Y5:
Y8:
Y9:
Y10:
Especificaes
Min
Max
Importncia
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
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
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:
onde:
Rij
IEi
PRj
Num nveis
Nveis reais
PRj
Ajuste
Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos
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
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.
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
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:
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
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
( Y ij -
Y. j )
SQG
Y . j )2
SQR
Graus de Liberdade:
(N - 1)
(K - 1)
(N - K)
Mdias quadradas:
MQG = SQG / (K - 1)
MQR = SQR / (N - K)
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
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)
SQ
SQG
SQR
SQT
GDL
K-1
N-K
N-1
MQ
MQG
MQR
Teste F
F = MQG / MQR
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
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
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
25
26
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
Bactrias
20
15
10
5
0
70
80
Figura 1.
90
100
110
: Grfico de barras
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
27
L1
61
62
64
62
63
63
Totais T.j
Num. Obs. nj
375,0
L2
60
61
58
58
60
59
60
416,0
L3
60
63
59
64
62
Mdias Y.j
62,50
59,43
61,60
308
T.. = 1099
N =
18
Y . . = 61,06
SQ
32,53
30,41
62,94
GDL
2
15
17
>
>
MQ
16,26
2,03
Teste F
8,02
F tabelado
3,68
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.
2.3. EXERCCIOS:
2.1. Um engenheiro deseja investigar o efeito da concentrao de catalisador sobre o tempo de
processo de uma mistura qumica. Para isso investigou quatro diferentes concentraes e mediu
o tempo de processo da mistura. Os seguintes tempos de processo foram obtidas nas quatro
concentraes:
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
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:
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)
Dentro Grupos (Residual)
Total
F calculado =
F tabelado =
Efeito dos catalisadores significativo ?
GDL
MQ
Teste F
29
30
sy =
MQR /
nc =
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
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
126
Projeto de Experimentos
2. Comparao de Vrios Grupos (One-way Analysis of Variance)
31
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
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.
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
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
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
34
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
50 + 12 20 + 40
=1
2
2
Projeto de Experimentos
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
A1
A2
B1
B2
x
x
x
x
Fatorial Cruzado
A1
A2
1
Fator
A
2
:
:
a
Fator B
2
Y121, Y122
, Y12n
Y221, Y222
, Y22n
...
...
...
...
j = 1, b
k = 1, n
onde:
a mdia geral;
ijk
Suposies:
o erro aleatrio.
ijk N (0, )
b
Y1b1, Y1b2
, Y1bn
:
:
:
:
Yab1, Yab2
, Yabn
35
36
Para o fator A:
Para o fator B:
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
Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores
37
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
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 =
SQB =
SQAB =
SQT =
2
yijk
434281 = 71611
Soma de
Quadrados
12888
GDL
2
Mdias
Quadradas
6444
Teste F
9,3
F tab
3,35 S
31892
15946
23,1
3,35 S
8187
18644
71611
4
27
35
2047
691
3,0
2,73 S
Voltagem
200
150
100
50
0
50
65
Tem peratura
80
Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores
y12 =
57,25
(material 1)
y22 = 134,75
(material 2)
y32 = 145,75
(material 3)
Sy =
MQR
n
691
2 6 ,2 = 13,1
=
2
4
Ld = 3 S y = 39,3
(iv) Comparao duas a duas:
DNS
57,25 = 88,5 DS
57,25 = 77,5 DS
_______
__
ijk N (0, )
39
40
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
Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores
Totais
13
10
44
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.
Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores
43
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:
SQ
GDL
MQ
F calc.
F tab.
Signif. ?
44
e) Tomada de deciso
A2
A3
B1
B2
Totais
Totais
a) Qual a varivel de resposta e quais os fatores controlveis ?
b) Faa a anlise de varincia e conclua sobre a significncia dos fatores em estudo;
c) Plote um grfico relacionando os fatores controlveis com a resposta medida;
d) Com base nos resultados da Anova, indique o que voc pensa que poderia ser feito para
maximizar a qualidade.
3.3. Os dados a seguir representam os tempos de montagem obtidos em um estudo que envolveu
trs operadores e dois layouts para os postos de trabalho.
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
3.4. Um Engenheiro de alimentos est tentando ajustar o percentual de gordura do produto final.
O valor ideal 10%, mas o engenheiro sabe que esse valor depende da vazo de gorduras e,
talvez da origem da matria prima. Analise os dados a seguir, usando a Anova e um gfico de
dois fatores, e conclua sobre o melhor ajuste para esse processo.
Uruguai
Oeste do RS
Sta. Catarina
Totais
Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores
Totais
45
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
a mdia geral;
( ij )
ijkl
Suposies:
o erro aleatrio.
ijkl N (0, )
Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais
Para o fator A:
:
Ho: ij = 0
H1:
ijk
(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 =
SQBC =
(T. jk .)2
bn
SQABC =
SQR =
bcn
an
TC - SQB - SQC
(Tijk .)2
n
2
yijkl
(Tijk .)2
n
SQT =
VERIFICAO
SQT = SQA + SQB + SQC + SQAB + .... + SQR
2
TC
yijkl
47
48
Soma de
Quadrados
SQA
SQB
SQC
SQAB
SQAC
SQBC
SQABC
SQR
SQT
GDL
(a-1)
(b-1)
(c-1)
(a-1)(b-1)
(a-1)(c-1)
(b-1)(c-1)
(a-1)(b-1)(c-1)
abc(n-1)
abcn-1
Mdias
Quadradas
MQA
MQB
MQC
MQAB
MQAC
MQBC
MQABC
MQR
Teste F
MQA/MQR
MQB/MQR
MQC/MQR
MQAB/MQR
MQAC/MQR
MQBC/MQR
MQABC/MQR
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:
Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais
% 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 =
:
SQAB =
:
SQABC =
49
50
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
Tabela com as somas e mdias entre parntesis para elaborao dos grficos de dois fatores
Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais
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
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
51
52
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
__________________________________________________________________
4.3.1. 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:
Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais
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
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
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
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:
Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais
EVA(A)
4
45,7
43,9
44,7
60,0
65,6
65,8
44,0
48,4
46,6
46,7
50,8
52,6
59,8
57,8
55,2
43,2
34,0
43,8
56,2
53,1
55,5
78,3
66,8
73,9
59,0
60,4
59,6
51,8
57,0
53,9
79,6
70,0
73,9
52,6
59,1
55,1
10
52,6
46,8
52,6
70,9
66,3
75,8
46,2
48,7
52,2
50,2
48,8
50,3
67,1
73,3
71,8
51,8
48,7
50,7
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:
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:
Resistncia trao
GDL
MQ
F calc.
F tab.
Signif. ?
Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais
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
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:
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
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.
I
C(12)
A(17)
D(13)
D(11)
II
A(14)
A(13)
B(14)
C(12)
III
D(10)
C(11)
B(14)
B(13)
IV
A(13)
D(9)
B(8)
C(9)
Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos
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
61
62
SQ
30,69
50,25
80,94
GDL
3
12
15
MQ
10,23
4,19
Teste F
2,44
F tab
3,49 S
Para esse projeto, o valor calculado de F resulta menor que o tabelado. Assim, a hiptese nula
no pode ser rejeitada !
I
B(14)
C(12)
A(17)
D(13)
II
D(11)
C(12)
B(14)
A(14)
III
A(13)
B(13)
D(10)
C(11)
IV
C(9)
D(9)
B(8)
A(13)
ij N(0, 2)
Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos
63
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.
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
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
Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos
65
ij N(0, 2)
Para esse modelo a decomposio dos resduos leva as seguintes somas quadradas:
SQT = SQC + SQM + SQP + SQR
Indicando o nmero de carros, marcas e posies por a, os respectivos graus de liberdade
resultam:
(N - 1) = (a - 1) + (a - 1) + (a - 1) + (N - 3a + 2)
SQ
30,69
38,69
6,69
4,87
80,94
GDL
3
3
3
6
15
MQ
10,23
12,90
2,23
0,82
Teste F
12,4
15,7
2,7
F tab
4,76
4,76
4,76
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
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
Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos
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
5.4.1. 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
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
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.
Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos
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)
6.1. INTRODUO
Algumas vezes, dificuldades tcnicas impedem de rodar todo o experimento de uma vez ou em
um nico equipamento ou com um nico lote de matria-prima:
==> Projetos fatoriais confundidos em bloco
Outras vezes, dificuldades financeiras ou de tempo impedem de rodar o experimento completo:
==> Projetos fatoriais fracionados
Outras vezes, dificuldades impedem a aleatorizao completa do experimento dentro do bloco:
==> Projetos parcionados em clulas
Vejamos um exemplo para ilustrar esse tipo de restrio experimental.
6.1.1. Exemplo
Seja que um engenheiro quer analisar o efeito da composio (trao) e do tempo de cozimento
sobre a resistncia de tijolos cermicos.
Dados sobre a resistncia de tijolos cermicos
Tempo de
Cozimento
(min)
C1
C2
C3
C4
T1
X X X
X X X
X X X
X X X
T2
X X X
X X X
X X X
X X X
T3
X X X
X X X
X X X
X X X
Aparentemente, trata-se de um projeto fatorial cruzado 4x3, com repeties, cujo modelo
estatstico seria:
xijk = + Ti + Cj + TCij + erro
Projeto de Experimentos
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
Ri + Cj + RCij
Clula inteira
Clula parcionada
Neste caso, como no h repetio dentro das clulas, no h um termo de erro independente.
Para esse exemplo, o valor esperado das mdias quadradas resulta:
Fonte
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
Composio:
Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)
73
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.
(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:
Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)
75
R + RL
==>
RT + RLT
==>
==>
Outra tcnica conveniente realizar duas ou trs repeties, computar os resultados e verificar
se a significncia foi obtida ou se os valores de F so grandes, mesmo que no significativos.
Ento, conforme os resultados, adicionar outras repeties, aumentando a preciso e o custo do
experimento, na esperana de detectar efeitos significativos.
6.3. EXERCCIOS
6.1 Esse exemplo refora a idia que, no meio industrial, muitas vezes mais prtico e eficiente
rodar experimentos parcionados em clulas. O objetivo do experimento descrito a seguir era
melhorar a resistncia corroso de barras de ao, aplicando um filme de revestimento curado
em um forno industrial. Quatro tipos diferentes de revestimento (C1, C2, C3 e C4) foram
testados usando-se trs temperaturas diferentes: 360, 370 e 380oC.
O arranjo experimental foi o seguinte: o forno era ajustado em uma determinada temperatura;
em seguida 4 barras eram colocadas no forno, cada uma delas pintada com um tipo diferente de
revestimento. As barras eram deixadas curar por um tempo fixo e, depois, uma nova
temperatura era ajustada, e assim por diante. A ordem dos ensaios e os resultados aparecem a
seguir:
Repetio
R1
R2
Temperatura
Coating (Revestimento)
T1 = 360
C2 = 73
C3 = 83
C1 = 67
C4 = 89
T2 = 370
C1 = 65
C3 = 87
C4 = 86
C2 = 91
T3 = 380
C3 = 147
C1 = 155
C2 = 127
C4 = 212
T3 = 380
C4 = 153
C3 = 90
C2 = 100
C1 = 108
T2 = 370
C4 = 150
C1 = 140
C3 = 121
C2 = 142
T1 = 360
C1 = 33
C4 = 54
C2 = 08
C3 = 46
Na seo anterior analisamos projetos com fatores a nveis fixos. Nessa seo vamos analisar
duas outras situaes:
Var(Yijk) = 2 + 2 + 2 + 2
H0: 2 = 0
H0: 2.= 0
H1: 2 0
H1: 2 0
H1: 2. 0
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
77
Se a hiptese H0 for verdadeira, esse quociente deve resultar prximo de 1. Da mesma forma,
para testar a hiptese: H0: 2 = 0 a estatstica apropriada :
FB = MQB / MQAB
Como pode ser visto, os testes F no so os mesmos definidos para o modelo com nveis fixos
(onde todos os testes mantinham MQR no denominador)
7.1.1. Exemplo
Uma siderrgica possui diversos fornos. Foi rodado um experimento escolhendo-se
aleatoriamente trs fornos e quatro lotes de matria prima. A resposta medida foi a tenacidade
da liga metlica obtida. Faa o teste F, conclua a respeito dos fatores significativos e estime os
componentes de variao.
Fonte de
Variao
Fornos
Material
Interao
Erro
Total
SQ
GDL
MQ
Teste F
15460
4539
5040
4920
29959
2
3
6
24
35
7730
1513
840
205
9,2
1,8
4,1
Sig.
N.Sig.
Sig.
78
2 = MQR = 205,0
2 =
2 =
2 =
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:
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
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)
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:
79
80
i
j
ij
k(ij)
b
A
j
n
A
k
i
j
ij
k(ij)
3. Para cada linha (cada termo do modelo), copie o nmero de observaes abaixo de cada
subscrito, desde que o subscrito no aparea no cabealho das linhas.
a
F
i
i
j
ij
k(ij)
b
A
j
b
n
A
k
n
n
n
4. Coloque 1 nas posies em que o subscrito da coluna coincide com um subscrito que est
entre parnteses no cabealho da linha.
a
F
i
i
j
ij
k(ij)
b
A
j
b
a
1
n
A
k
n
n
n
5. Complete o restante com 0 ou 1; use 0 nas colunas dos fatores a nveis fixos; use 1 nas
colunas dos fatores a nveis aleatrios.
i
j
ij
k(ij)
a
F
i
0
a
0
1
b
A
j
b
1
1
1
n
A
k
n
n
n
1
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
81
i
j
ij
k(ij)
b
A
j
b
1
1
1
n
A
k
n
n
n
1
2 + n2 + bnA
2 + an2
2 + n2
2
7. Para projetos com fatores aninhados, os nveis do fator que est aninhado seguem entre
parnteses, e usa-se a regra 4 descrita acima
7.1.4. Exemplo:
Seja um experimento fatorial de trs fatores, A, B e C, ensaiados a a, b e c nveis,
respectivamente. E seja que n observaes por parcela so coletadas.
Assumindo que todos os fatores sejam a nveis aleatrios, os E(MQ) resultam conforme a
Tabela a seguir:
i
j
k
ij
ik
jk
ijk
l(ijk)
a
A
i
1
a
a
1
1
a
1
1
b
A
j
b
1
b
1
b
1
1
1
c
A
k
c
c
1
c
1
1
1
1
n
A
l
n
n
n
n
n
n
n
1
A anlise dessa Tabela revela que no h testes exatos para os fatores principais A, B e C. Ou
seja, se desejamos testar a hiptese 2 = 0 , no encontramos o denominador apropriado. O
mesmo acontece em relao aos fatores B e C.
82
GDL* =
( MQ*) 2
a 2i MQ i2 / i
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
2
A
j
2
A
k
2
A
l
100
x x
x x
x x
120
x x
x x
x x
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
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
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
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:
GDL
2
1
2
3
3
6
6
24
47
Projeto Cruzado-Aninhado
SQ
SQA
SQB
SQAB
SQC(B) = SQC + SQBC
12
SQR
SQT
24
47
GDL
2
1
2
2 + 22 + 16A
2 + 62 + 24B
2 + 62
2 + 22 + 8AB
2 + 22
2
Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios
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 *
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 ?
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.
Projeto de Experimentos
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
I
11
20
15
19
Repeties
II
14
16
19
18
III
11
18
14
22
Total
36
54
48
59
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
89
90
= 4,83
= 2,83
Efeito=
(Contraste )
2k 1 n
Os contrastes so ortogonais:
As somas dos sinais coef. de ab, a, b e (1) igual a zero.
A soma dos produtos dos sinais dos coef. (CA . CB , etc.) igual a zero.
SQ=
(Contraste )2
2k n
T 2 ...
197 2
= 112 + ... + 182 + 22 2
= 134,92
SQT = xi2j k
12
i jk
N
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
91
SQ
70,08
24,08
4,08
36,68
134,92
GDL
1
1
1
8
11
MQ
70,08
24,08
4,08
4,59
F
15,28
5,25
0,90
8.2.5. Verificao:
Os mesmos resultados seriam obtidos usando o formulrio convencional de projetos fatoriais.
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.
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
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
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
93
I
+
+
+
+
+
+
+
+
A
+
+
+
+
Efeito fatorial
AB
C
+
+
+
+
+
+
+
+
B
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
Totais
30ppm
40ppm
10ppm
15ppm
10ppm
15ppm
15
20
15
20
15
20
15
20
6,1
6,6
5,1
6,4
8,3
10,4
9,5
8,7
7,6
6,0
4,6
5,5
9,2
9,8
10,7
10,7
6,8
6,2
5,7
6,0
10,3
8,7
8,5
9,4
20,5
(1)
18,8
c
15,4
b
17,9
bc
27,8
a
28,9
ac
28,7
ab
28,8
abc
94
n x 2k = 24
EA = CA / 12 = 3,46
EB = 5,2 / 12 = 0,43
EC = 2,0 / 12 = 0,17
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
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
95
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 *
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
AB ... K =
( Contraste AB ... K )
2 k 1 n
2
Contraste AB ... K )
(
SQAB ... K =
2k n
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
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
97
Recursos limitados
Tempo limitado
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
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
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
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
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
99
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
Normal
Reforado
B: Dimetro da antena
10
+00
+02
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
Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k
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
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
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
No mesmo dia;
Na mesma sala;
Com o mesmo operador
104
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
Bloco II
(1)
ab
Pares
mpares
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
105
SQ
SQA
SQB
SQAB
SQT
GDL
1
1
1
3
Este exemplo apenas acadmico, pois no temos GDL para o termo de erro.
Bloco II
(1)
ab
ac
bc
a
b
c
abc
Repetio II
Repetio III
Bloco 1
Bloco 2
Bloco 2
Bloco 1
Bloco 1
Bloco 2
ac
(1)
ab
bc
a
c
abc
b
c
abc
b
a
(1)
ac
bc
ab
ab
(1)
ac
bc
c
b
abc
a
106
Bn
RBmn
Usualmente o erro tomado como a interao entre as repeties e os efeitos principais e suas
interaes:
mijk = RAmi + RBmj + RCmk + RABmij + RACmik + RBCmjk
O efeito das repeties e o efeito dos blocos so analisados separadamente com o objetivo de
principal de diminuir o termo de erro.
GDL
2
1
2
1
1
1
1
1
1
12
23
5 entre as
subdivises
18 dentro das
subdivises
Repeties e Blocos podem ser testados contra RB. Teste fraco pois RB possui apenas
2 graus de liberdade.
Efeitos principais e interaes podem ser testadas contra o erro. Teste forte pois o erro
tem 12 graus de liberdade.
ABC no pode ser testada (confundida com blocos)
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
Repetio I
Conf. ABC
(1)
a
ab
b
ac
c
bc
abc
Repetio II
Conf. AB
(1)
a
c
b
ab
ac
abc
bc
Repetio III
Conf. AC
(1)
a
ac
c
abc
bc
b
ab
107
Repetio IV
Conf. BC
(1)
b
bc
c
a
ab
abc
ac
GDL
3
4
7 entre as
subdivises
1
1
1
1
1
1
1
24 dentro das
subdivises
1
1
1
1
|
|
|
|
17
Erro = Repet. x Outros
Total
31
Erro = RA + RB + RC + RAB + RAC + RBC + RABC
GDL = 3 + 3 + 3 + 2
+ 2 +
2 +
2 = 17
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
GDL
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
15
|
| 4 GDL para
| o termo de erro
|
ABC e BCD
Confundido BCD
ab ac d
bcd
cd
a b c abc ad bd cd abcd
a abc bd
b
ad abcd
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
109
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
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
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
Difceis de interpretar
Em geral no significativas
Em geral, no temos interesse em estudar as interaes de mais alta ordem
Dividir em dois ou mais blocos o projeto completo, confundindo uma (ou mais)
interaes de ordem superior
E, aps, ensaiar apenas um dos blocos, escolhido aleatoriamente.
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
111
(1)
ab
ac
bc
Bloco 2
abc
CA =
+a
+ab
+ac
+abc
-(1)
-b
-c
-bc
CBC =
+a
-ab
-ac
+abc
+(1)
-b
-c
+bc
A(ABC) = A2BC = BC
Vnculo de B:
B(ABC) = AB2C = AC
Vnculo de C:
C(ABC) = ABC2 = AB
112
(1) ab ac bc ad bd
Bloco 2
cd abcd ....
GDL
1 para cada
Sub-total
7
1 para cada
21
1 para cada
35
63
Nesse projeto fracionado em 4, cada efeito estar vinculado o outros trs, por exemplo:
A(ABCDE) = BCDE ; A(CDEFG) = ACDEFG ;
A(ABFG) = BFG
B(ABFG) = AFG
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
113
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,
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
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
(1) ab ac bc ad bd
Bloco 2
cd abcd
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
115
(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
Efeito
C
D
AC
AB
BC
B
A
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
SQ
(3)2 /2 3.1
2701,125
1128,125
3,125
1,125
1,125
28,125
1.125
116
Graficamente:
Os fatores A e B so significativos.
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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
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 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.
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
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
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
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
Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos
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
Aplicaes da MSR
A MSR tem ampla aplicao dentro da engenharia, contribuindo para a otimizao de produtos
ou processos, principalmente quando os fatores controlveis so a nveis contnuos.
Apesar do potencial da MSR no que se refere a otimizao de produtos e processos, essa
metodologia pouco empregada no Brasil, pois exige o domnio dos conceitos bsicos de
projeto de experimentos, regresso mltipla e otimizao, e poucas escolas de engenharia
mantm cursos que contemplem todas essas reas.
Explorar a superfcie de resposta encontrando o ajuste dos fatores que maximiza a resposta
A estratgia de anlise supe que a resposta Y possa ser representada por uma funo
polinomial dos fatores controlveis X1, X2, ..., Xk. Entre os modelos possveis, esto o modelo
linear,
Y = b0 + b1X1 +b2X2 + ... + bkXk
126
o modelo quadrtico,
2
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
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
128
X2
X3
X1
Matrix experimental
A matriz experimental desse projeto seria:
Rodada
1 (1)
2 (a)
3 (b)
4 (ab)
5 (c)
6 (ac)
7 (bc)
8 (abc)
9
10
11
12
13
14
15
X1 (A)
-1
+1
-1
-1
-1
+1
-1
+1
-
0
0
0
0
0
X2 (B)
-1
-1
+1
+1
-1
-1
+1
+1
0
0
-
0
0
0
X3 (C)
-1
-1
-1
+1
+1
+1
+1
+1
0
0
0
0
-
0
Y
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Estrela
Estrela
Central
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
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
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
F
2
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).
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
131
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.
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
132
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
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
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
133
Covarincia de X,Y:
Figura 3.
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
134
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.
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
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.
Consumo
Mdio semanal
(R$)
2,3
3,1
3,8
2,1
3,4
4,6
2,8
2,6
4,8
1,8
4,3
5,5
0,7
3
1,1
23,1
27,5
26,1
24
26,2
31,3
26,1
19,6
36,4
17,8
31,3
36
14,1
22,3
17,3
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
137
(Km )
(R$)
50
45
40
y = 4,92 x + 10,28
R2 = 0,9235
35
30
25
20
15
10
(R$)
(R$)
0
0
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!
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
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
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
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
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
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 :
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
bi N i , bi2
ti > t / 2 , n k 1
Interseo
Varivel X 1
Varivel X 2
Stat t
0,394584709
5,732067324
3,106524374
valor-P
0,70007
9,4E-05
0,00908
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
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
141
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)
Estatstica de regresso
R mltiplo
0,85836418
R-Quadrado
0,73678906
R-quadrado ajustado 0,69292057
Erro padro
3,14078989
Observaes
15
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
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.
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
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
143
valores atpicos. Se isso acontecer o dado atpico deve ser eliminado e a rotina de regresso
deve ser rodada novamente.
yi ( b0 + b1xi )
S
S = SQR / n 2
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 =
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.
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
LSI
LII
120 100
+ 100 = 110
2
100 110
O nvel 100 oC calculado como: NC =
= 1
(120 100) / 2)
O valor central calculado como: VC =
110 110
=0
(120 100) / 2)
120 110
= +1
(120 100) / 2)
Figura 6.
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
145
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
IRj
.
((LSE - LIE)/2)2
Perda
20
15
L(y)
10
5
0
0
12
Figura 7.
Kj=
IRj
.
2
(alvo - LIE)
Perda
14
12
10
L(y)
8
6
4
2
0
0
12
Figura 8.
IRj
.
2
(LSE - alvo)
Projeto de Experimentos
10. Metodologia de Superfcie de Resposta e Otimizao
147
Perda
30,00
25,00
20,00
L(y)
15,00
10,00
5,00
0,00
0
12
Figura 9.
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;
Z (i ) =
2
IR2
IR1
Y1 T1 +
Y T
2
( alvo1 LIE1 )
(( LSE2 LIE2 ) / 2)2 2 2
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.