Вы находитесь на странице: 1из 168

Srie Monogrfica Qualidade

Projeto de Experimentos
Jos Luis Duarte Ribeiro & Carla Schwengber ten Caten
Editores
Universidade Federal do Rio Grande do Sul
Escola de Engenharia
Programa de Ps Graduao em Engenharia de Produo
Porto Alegre, RS

2011

Projeto de Experimentos
Jos Luis Duarte Ribeiro &CarlaSchwengbertenCaten, editores

2000 by Jos Luis Duarte Ribeiro & Carla SchwengbertenCaten


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

Projeto Grfico

Lia Buarque de Macedo Guimares

Editorao Eletrnica

Andria Fabiane Nahra Leal


FabollaGranata
Gustavo Schroeder
Marcelo Luiz Pereira
Ilustrao da Capa

Arcngelo Ianelli, Natureza-morta


1960 leo s/ tela 70 X 83 cm
IPHAN, Museu Nacional de Belas Artes

Projeto de Experimentos
1.

Introduoao Planejamento de Experimentos ....................................................... 5

1.1. OBJETIVO CENTRAL DO PROJETO DE EXPERIMENTOS: ................................................................ 6


1.2. FASES DO PROJETO DE EXPERIMENTOS ......................................................................................... 7
1.3. AS ETAPAS DE UM EXPERIMENTO ...................................................................................................10
1.4. EXERCCIO 1: .......................................................................................................................................14

2.

Comparao de Vrios Grupos (One-wayAnalysisofVariance) ............................. 19

2.2. A ANLISE DE VARINCIA (ANOVA) ..................................................................................................20


2.3. EXERCCIOS: ........................................................................................................................................31

3.

Projetos Fatoriais com Dois Fatores .................................................................... 35

3.1. VANTAGENS DOS EXPERIMENTOS FATORIAIS ..............................................................................39


3.2. OS EXPERIMENTOS FATORIAIS DE DOIS FATORES (TWO-WAY ANOVA) ...................................39
3.3. ANLISE DE VARINCIA PARA PROJETOS CRUZADOS DE 2 FATORES .....................................40
3.4. COMPARAO MLTIPLA DE MDIAS (CMM) .................................................................................43
3.5. TESTE DAS SUPOSIES DO MODELO: ..........................................................................................45
3.6. EXPERIMENTOS SEM REPETIO....................................................................................................45
EXERCCIOS ................................................................................................................................................48

4.

Generalizao dos Projetos Fatoriais ................................................................... 51

4.1. MODELO ESTATSTICO: ......................................................................................................................51


4.2. MODELO ESTATSTICO: ......................................................................................................................56
4.3. Experimentos com fatores aninhados e cruzados .................................................................................56
4.4. EXERCCIOS .........................................................................................................................................58

5.

Blocos Aleatorizados e Quadrados Latinos ......................................................... 63

5.1. PROJETOS COMPLETAMENTE ALEATORIZADOS ...........................................................................64


5.2. PROJETOS EM BLOCOS ALEATORIZADOS ......................................................................................66
5.3. QUADRADOS LATINOS .......................................................................................................................67
5.4. QUADRADOS GRECO-LATINOS .........................................................................................................71
5.5. EXERCCIOS: ........................................................................................................................................72

6.

Experimentos Parcionados em Clulas (Split-Plot)............................................. 74

6.1. INTRODUO .......................................................................................................................................74


6.2. EXPERIMENTOS MULTI-PARCIONADOS EM CLULAS (Split-Split-plot) .....................................77
6.3. EXERCCIOS .........................................................................................................................................79

7.

Experimentos com Fatores a Nveis Aleatrios ................................................... 80

7.1. O MODELO PARA FATORES A NVEIS ALEATRIOS ......................................................................80


7.2. EXERCCIO ...........................................................................................................................................89

8.

Projetos Fatoriais do Tipo 2K ................................................................................. 91


2

8.2. PROJETOS 2 .......................................................................................................................................92


3
8.3. PROJETOS 2 .......................................................................................................................................96
K
8.4. O PROJETO 2 GENERALIZADO ......................................................................................................100
K
8.5. O PROJETO 2 SEM REPETIES ..................................................................................................101
8.6. ALGORITMO DE YATES PARA PROJETOS 2 K ....................................................................................104
8.7. EXERCCIOS .......................................................................................................................................104

9.

Experimentos Fatoriais Confundidos em Blocos .............................................. 109

9.2. CONFUNDIMENTO .............................................................................................................................110


9.3. SISTEMA PARA CONFUNDIR EFEITOS: ..........................................................................................111
9.4. EXPERIMENTOS CONFUNDIDOS EM BLOCO COM REPETIO .................................................112
9.5. EXPERIMENTOS COMPLETAMENTE CONFUNDIDOS ...................................................................112
9.6. EXPERIMENTOS PARCIALMENTE CONFUNDIDOS .......................................................................114
9.7. EXPERIMENTOS CONFUNDIDOS EM BLOCO SEM REPETIO .................................................114

9.8. DIVISO EM MAIS DE DOIS BLOCOS ..............................................................................................116


k-1
9.9. PROJETOS FATORIAIS FRACIONADOS 2 ....................................................................................119
9.10. EFEITOS VINCULADOS ...................................................................................................................119
4
9.11
Experimento 2 completo vs FRACIONADO................................................................................121
k-1
9.15
ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS2 .........................128
9.18
EXERCCIOS ...............................................................................................................................130

10

Metodologia de Superfcie de Resposta e Otimizao ...................................... 133

10.15
10.16
10.17
10.18
10.19
10.20
10.21

O que modelagem .....................................................................................................................133


METODOLOGIA DE SUPERFCIE DE RESPOSTA ...................................................................133
MODELAGEM DAS VR ................................................................................................................139
Anlise da multicolinearidade .......................................................................................................155
Seleo de variveis do modelo ..................................................................................................157
seleo do melhor modelo ...........................................................................................................158
FUNO DE PERDA MULTIVARIADA .......................................................................................158

Bibliografia ..................................................................................................................... 162

1. Introduoao Planejamento de
Experimentos
Jos Luis Duarte Ribeiro
Carla tenCaten

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 sequncia de ensaios de forma a traduzir os objetivos preestabelecidos
pelo pesquisador. A eficincia de experimentos projetos superior em termos de informao a
qualquer outra sequncia 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. Entende-se
por sistema, qualquer produto, processo ou servio. Um sistema avaliado por indicadores de
desempenho, ou seja, caractersticas de qualidade resultantes da operao do mesmo. Por
exemplo, as caractersticas de qualidade avaliadas em um sistema podem ser produtividade,
custos, caractersticas dimensionais, entre outras.
Em um sistema, existem parmetros do sistema (do produto, do processo ou do servio) que
podem ser alterados durante sua execuo. Por exemplo, em um produto pode-se alterar o tipo
de material e suas caractersticas dimensionais, em um processo pode-se alterar a temperatura e
a presso e em um servio pode-se alterar o nmero de funcionrios e o layout. A alterao
desses parmetros pode afetar as caractersticas de qualidade resultantes do sistema.
Existem ainda os fatores de rudo, ou seja, fatores que podem influenciar o desempenho do
sistema, no entanto no consegue-se control-los. Os fatores de rudo so, por exemplo, a
temperatura e umidade do dia, o desgaste das ferramentas e a habilidade e cansao do operador.

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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:


Projeto de Experimentos uma atividade que em geral envolve o estudo sistmico de diversos
fatores que podem afetar uma ou mais caractersticas de qualidade. Apesar do ttulo Projeto de
Experimentos, essa uma atividade que envolve:
O planejamento do experimento.
A sua execuo.
A anlise dos resultados.
A otimizao do produto/processo em estudo.
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 sequncia de ensaios econmica e eficiente
Procedendo uma avaliao estatstica dos resultados
= Assegurar respaldo cientfico
= Maximizar as informaes obtidas
Combinaes de todos os nveis dos fatores:
N=axb=2x2=4

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Figura 2.

Combinao de fatores

1.2. FASES DO PROJETO DE EXPERIMENTOS


OUVIR A VOZ DO CLIENTE
OUVIR A VOZ DO ESPECIALISTA
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;

Projeto de Experimentos
1. Introduo ao Planejamento 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(denominados Ys).
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(LIE e LSE).

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
muitas causas de variabilidade podem gerar valores baixos. Elas apresentam apenas Limite
inferior de especificao-LIE.

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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 muitas 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, denominados Xs.
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.
Importante
Se um fator (varivel importante) no for considerado como um fator controlvel
(investigado a vrios nveis) ou como um fator constante (fixo em um nvel), ele
ir se tornar um fator de rudo e inflacionar a variabilidade do erro tornando o
experimento pouco sensvel para a identificao de fatores significativos.

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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


(engenharia)
Voz do Cliente

Voz do Engenheiro

Caractersticas

Variveis de
Resposta

de Qualidade
Aspectos que
podem ser vagos

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

Input

Processo ou Produto

Parmetros
do Processo

Varivel de
Resposta

Fatores de Rudo

Definir o
ajuste
timo

Responsveis pela
variabilidade

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)


Definir variveis de resposta associadas s C.Q.;
Identificar outras variveis de resposta de interesse(em geral associadas a
custos/produtividade);

10

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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.(geralmente de 2 a 5 nveis);
Definir possveis interaes entre os FC;
Identificar as restries experimentais:
- 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:

11

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

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
Maior--melhor
Maior--melhor

Importncia
Relativa
1
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

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

No. nveis
2
4

Nveis
2 4
10 13 16 19

Unidade
u.v.
u.v.

12

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Tempo de mistura
Temperatura de mistura

3
3

30 45 60
60 70 80

Min
o
C

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
1
2
3
4
:
:
72

Ordem
54
23
18
9
:
:
17

Fator A
1
1
1
1
:
:
2

Fator B
1
1
1
1
:
:
4

Fator C
1
1
1
2
:
:
3

Fator D
1
2
3
1
:
:
3

Fator E

Fator F

Procedimentos de ensaio
- Aleatorizar a ordem dos ensaios;
- Fixar parmetros do processo no incorporados no experimento;
- Observar sempre a mesma sistemtica de ensaios, mesmas mquinas, operadores, etc.

13

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

14

Planilha de coleta de dados:

Ensaio:_________________________________________________________
Data:____________________________
1.3.5.2. Ensaio

1
2
3
4
:
:
72

Operador: ___________________

Fatores Controlveis
Breu

Fluxtec

2
4
4
2
:
:
4

10
10
16
13
:
:
13

Tempo
Mistura

45
60
60
30
:
:
45

Variveis de Resposta

Temperatura

Mdulo
de
Elast.

Dureza
Superf.

Resist.
Trao

60
60
80
70
:
:
70

Obs:
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________
_____________________________________________________________________________

Execuo do experimento.

4. Anlise
Ser o objetivo principal do curso.

5. Otimizao
Esse assunto ser abordado frequentemente.

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

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

15

Equipe de Trabalho

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
Y1:
Y2:
Y3:
Y4:
Y5:

Tipo

Alvo
(unidades)

Especificaes
Min
Max

Importncia

Listar todos os parmetros do processo


Parmetro
do processo
X1:
X2:
X3:
X4:
X5:
X6:
X7:
X8:
X9:
X10:

Ajuste

atual

Ajuste
Sugerido

Intervalo de
pesquisa
MIN
MAX

Facilid.
de ajuste

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Listar os fatores de rudo


Fatores de rudo
Z1:
Z2:
Z3:
Z4:
Z5:
Atribuir uma intensidade para as relaes entre parmetros do processo e variveis de
resposta
Intensidade das relaes e
interaes
Inexistente

Valor numrico
0
1
3
9

Fraca

Moderada
Forte

IE

X1

X2

X3

Rij = Relaes XiYj


X4
X5
X6
X6

X8

X9

X10

Y1
Y2
Y3
Y4
Y5
Y6
PRj
O formulrio para os clculos o seguinte:

onde:

Rij
IEi

relao entre a varivel de resposta i e o parmetro do processo j


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

16

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Listar os fatores mantidos constantes e seu respectivos ajustes.


Fatores mantidos constantes

PRj

Ajuste

Listar possveis interaes entre os fatores controlveis:


Listar restries experimentais
--

Planejamento final e execuo


Matriz experimental e ordem dos ensaios
Rodada

Ordem

Fator A

Procedimentos de ensaio
--

Fator B

Fator C

Fator D

Fator E

Fator F

17

Projeto de Experimentos
1. Introduo ao Planejamento de Experimentos

Planilha de coleta de dados


Ensaio:_________________________________________________________
Data :____________________________ Operador : ___________________
Ensaio

Fatores Controlveis

Variveis de Resposta

Obs: ___________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
Obs: ___________________________________________________________

18

2. Comparao de Vrios Grupos


(One-wayAnalysisofVariance)
Jos Luis Duarte Ribeiro
Carla ten Caten
A anlise de varincia a metodologia estatstica que avalia a significncia dos diversos fatores e
interaes.H suposies bsicas para validar a anlise de varincia:
Distribuio normal dos dados.
Homogeneidade das varincias (em cada grupo) - aleatoriedade dos erros.
Aditividade dos efeitos.
Independncia estatstica dos valores observados (sem correlao).
Se as suposies de normalidade e homogeneidade no forem satisfeitas, o resultado da anlise de
varincia deixa de ser exato, e passa a ser aproximado. Em raras situaes a suposio de
aditividade dos efeitos no satisfeita. Nesse caso, uma transformao dos dados (log, , etc.) pode
recuperar a aditividade e permitir uma anlise mais precisa.A independncia estatstica dos valores
observados obtida com o uso da aleatorizao.

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 (grupos) diferem entre
sidevido ao efeito do fator controlvel.

2.1.3. Existem 2 tipos de experimentos:


Fatores Controlveis a nveis fixos possvel repetir o ensaio tempos depois, basta
utilizar os nveis dos FC escolhidos.
(Por ex., 5 valores de temperatura).
Fatores Controlveis a nveis aleatrios - Nunca mais ser possvel ter os mesmos fatores
controlveis.
(Por ex., 3 lotes escolhidos ao acaso).

2.1.4. Formulao matemtica do problema:

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

20

Modelo Estatstico:
Onde:
a mdia geral;
j o efeito do grupo j;
ii um erro aleatrio.
Hipteses:
Ho: no h diferenas significativas entre os grupos;
H1: h diferenas significativas entre os grupos.

2.1.5. Disposio dos dados:


Os dados so dispostos da seguinte forma:
Fator A

Totais

T.j
No.Obs. nj

A1
y11

A2
y12

...
...

Ak
y1k

y21
:

y22
:

...

y2k
:

:
yn1,1
T.1

:
yn2,2
T.2

n1

n2

yij
...
...
...

:
ynk,k
T.k

T.. =

...

nk

N =

...

Mdias

2.1.6. 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 de fator controlvel
15C

25C

35C

12

20

17

13

19

16

11

18

18

Repeties

Medio da variavel de resposta


Varivel de resposta: produtividade
Repeties: 3 valores para cada nvel

2.2. A ANLISE DE VARINCIA (ANOVA)

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

21

A anlise de varincia a metodologia estatstica que avalia a significncia dos diversos


fatores e interaes.
H suposies bsicas para validar a anlise de varincia:
Distribuio normal dos dados.
Homogeneidade das varincias (em cada grupo) - aleatoriedade dos erros.
Aditividade dos efeitos.
Independncia estatstica dos valores observados (sem correlao).
Se as suposies de normalidade e homogeneidade no forem satisfeitas, o resultado da
anlise de varincia deixa de ser exato, e passa a ser aproximado.
Em raras situaes a suposio de aditividade dos efeitos no satisfeita. Nesse caso, uma
transformao dos dados (log, , etc.) pode recuperar a aditividade e permitir uma anlise
mais precisa.
A independncia estatstica dos valores observados obtida com o uso da aleatorizao.

2.2.1. Formulao matemtica do problema:


Modelo Estatstico:
Onde:

Yij =

+ j + ij

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 fator controlvel investigado.
Para o exemplo anterior,

15 C
12
13
11
36
3
12

Temperatura
25oC
20
19
18
57
3
19

35oC
17
16
18
51
3
17

SQR dentro do grupo


Variabilidade residual (erro)

SQG= Variabilidade entre grupos (fator controlvel)


SQT = SQG grupo + SQR resduo

(20-16) = (19-16)+(20-1)

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

Modelo Estatstico

Os dados podem ser visualizados no grfico abaixo:

Decomposio dos resduos:

Elevando ao quadrado e somando:

Graus de Liberdade:

Mdias quadradas ou varincias:

Se no h diferenas significativas entre os grupos

O teste F compara as duas varincias:

Fcalc

Varincia entre grupos


Varincia dentro do grupo

MQG( Fator )
MQR( Erro )

22

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

23

Se o Fcalc = 1, conclui-se que no h diferenas significativas entre os grupos pois: E [MQG] = E


[MQR], logo no rejeita-se Ho pois no h evidncias suficientes para comprovar que as mdias
diferem entre si, logo no tem evidncias suficientes para afirmar que a temperatura tenha efeito
significativo.
Comparar F calculado com F tabelado, se o valor calculado for maior que o valor tabelado (ou
valor-p <0,05), rejeita-se Ho, ou seja, existe diferenas significativas entre os grupos provocada
pelo fator controlvel em estudo.
O limite de deciso estabelecido usando os valores tabelados da distribuio F, ou seja:

onde:
: nvel de significncia (usualmente 0,05)
k-1: graus de liberdade do numerador (MQG)
N-k : graus de liberdade do denominador (MQR)
Sendo o nvel de significncia (geralmente =0,05 ou 5%), que um valor aceitvel de se cometer
o erro do tipo I (rejeitar H0 sendo que a hiptese verdadeira). O intervalo de confiana na deciso
(1- ).
Exemplo da Distribuio F0,05,2,6=5,14

Estatstica descritiva

Sumrio
Groups
15C
25C
35C

ANOVA
Fonte
Entre grupos
Dentro grupo
Total

Count
3
3
3

SS
78
6
84

Sum

Average Variance
36
12
1
57
19
1
51
17
1

df

MS
2
6
8

F
39
1

P-value
F crit
39 0,000364 5,143253

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

24

Existe efeito significativo da temperatura (valor-p=0,000364<0,05) sobre a produtividade a


umnvel de significncia de 5%.
Frmulas para os clculos:
Termo de correo

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 esterilizao. 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

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

25

2.2.5. Clculos iniciais:

2.2.6. Tabela Anova:


Fonte
Entre Grupos
(Temperatura)
Dentro Grupos (Residual)
Total

SQ
222,3

GDL
4

MQ
55,6

214,8
437,1

55
59

3,9

>
>

F calculado
14,2

Teste F Ftab
14,2
2,55

F tabelado
2,55

H diferenas significativas entre os grupos, provocada pelo fator controlvel


temperatura do fornoou existe efeito da temp. do forno sobre o nmero de bactrias a um
nvel de significncia de 5% (Fcal=14,2>F0,05=2,54).

Comparao mltipla de mdias


Se na ANOVA, a hiptese nula da igualdade das mdias dos grupos (nveis) for rejeitada (Fcalc>Ftab
ou valor-p<0,05), necessrio realizar uma comparao mltipla de mdias (CMM) para os fatores que
possuam mais do que dois nveis a fim de identificar quais deles diferem entre si.
So diversos mtodos de CMM: Duncan,Tukey, Scheff, Bartlett.
Deseja-se comparar se existe diferena entre as mdias e considera-se que elas diferem entre si se
vierem de populaes diferentes, ou seja, que as curvas em torno das mdias no esto sobrepostas.
Como se compara mdias necessrio calcular o tamanho da curva usando 3 x desvio-padro das
mdias.Considera-se que as mdias diferem se uma mdia estiver fora da curva da outra mdia, ou seja, quando
a distncia entre elas for maior do que 3 x desvio-padres das mdias.
1. Calcular o desvio padro das mdias
O valor esperado da MQR igual a varincia: E(MQR) =
Pelo teorema do limite central

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

26

onde
2. Calcular o limite de deciso

Sy
3. Escrever as mdias em ordem crescente ou decrescente e compar-las duas a duas. A diferena
ser significativa se for maior que o Ld

Dif Signif.
Dif Signif.
Dif No Signif.
Dif No Signif.
4. Usar barras contnuas sobre as mdias que no diferem entre si

Bactrias
20
15
10
5
0
70

80

90

100

110

O ajuste timo considerando qualidade (bactrias) temperatura 90, 100 ou 110.


O ajuste timo considerando qualidade (bactrias) e custo temperatura 90 (mais barato).

2.2.7. Exemplo a nveis aleatrios:


Os dados a seguir representam o alongamento (maior melhor) medido sobre um composto de
borracha, em funo da quant. de agente adicionado durante a mistura (LIE = 52).

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

Agente

Totais
No.Obs.
Mdias

0
43
47
46
45
45
46
47
44
42
48
49
44
546
12
45,5

5
47
53
52
50
49
51
55
48
49
50
47
49
600
12
50,0

10
55
50
54
55
52
53
55
56
59
56
57
54
656
12
54,7

15
50
54
54
55
56
52
57
57
55
60
56
58
664
12
55,3

20
52
49
54
55
55
56
56
53
57
60
57
55
659
12
54,9

T.. =3125
N=60

Y. . =52,08

2.2.8. Clculos iniciais:

2.2.9. Tabela Anova:


Fonte
Entre Grupos (Lotes)
Dentro Grupos (Residual)
Total

SQ
875,33
335,25

GDL
4
55

1210,58

59

H diferenas significativas entre os grupos.


Fcal>Ftab;
Valor-p < .

2.2.10. Comparao mltipla de mdias (CMM)

MQ
218,83
6,09

Teste F
35,9

27

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

28

Existem diversos mtodos de CMM: Duncan, Tukey, Scheff, Bartlett, etc. O mtodo apresentado
a seguir o de Duncan.
1. Calcular o desvio padro das mdias pelo Teorema do Limite Central

MQR

SY. j

12

6,09
12

0,71

Onde nc = (n1 + n2 + ... + nk) / k


2. Calcular o limite de deciso:
Ld = 3 x = 3 x 0,71 = 2,13
3.

Escrever as mdias em ordem crescente ou decrescente e compar-las duas a duas (todas


combinaes). A diferena ser significativa se for maior que o Ld (=2,13)
45,5

50,0

54,7

54,9

55,3

Y.1

Y.2

Y.3

Y.5

Y.4

50,0 45,5 = 4,5 >Ld=2,13 DS


54,7 50,0 = 4,7 >Ld=2,13 DS
54,9 54,7 = 0,2 <Ld=2,13 DNS
55,3 54,9 = 0,4 <Ld=2,13 DNS
4. Usar barras contnuas sobre as mdias que no diferem entre si:
___

___

Y.1

Y.2

__________
Y.3 Y.5 Y.4

a. Otimizao observando o boxplot:

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

65

Q3
Mdia

Max
Min

29

Mediana
Q1

Alongamento

60
55
50
45
40
0%

5%

10%

15%

20%

Concentrao do Agente
Como o LIE do cliente 52, ento a escolha da concentrao de agente pode ser 10, 15 e 20%, pois
atendem a especificao.
b. Otimizao observando grfico de barras:

70
Alongamento

60
50
40
30
20
10
0
0%

5%

10%

15%

20%

Concentrao de agente

Como a CQ alongamento do tipo maior--melhor, ento a escolha da concentrao de agente


pode ser 10, 15 e 20%, pois produzem a mesma resposta mdia e ainda superior que 5%.
Contudo, quanto maior a concentrao do agente, mas caro a borracha, ento a escolha
recomendada a concentrao de 10%.

2.2.11. 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 realizamse ensaios:

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

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

Mdias Y.j

62,50

59,43

61,60

30

L3
60
63
59
64
62

308

T.. = 1099
N =

18

Y. . = 61,06

2.2.12. Clculos iniciais:

2.2.13. Tabela Anova:


Fonte
Entre Grupos (Lotes)
Dentro Grupos (Residual)
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

Assim as estimativas so:

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.

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

31

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:
Catalisadores
1%
56,7

58,2
57,2
58,4
55,8
54,9
Totais
N
Mdias

2%
56,3
55,9
54,5
57,0
55,3

3%
53,0
51,2
54,2
53,2

4%
54,4
53,0
51,4
51,5
53,3
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 ) =

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

SQT =

2
(Yij ) - TC =

SQG =

2
(T.j / nj) - TC =

32

SQR = SQT - SQG =


Fonte

SQ

GDL

MQ

Teste F

Entre Grupos
(Catalisadores)
Dentro Grupos (Residual)
Total
F calculado =
F tabelado =
Efeito dos catalisadores significativo ?
Comparao mltipla de mdias
(1) Calcular o desvio padro das mdias
=
onde
(2) Calcular o limite de deciso

Sy
(3) Escrever as mdias em ordem crescente ou decrescente e compar-las duas a duas. A diferena
ser significativa se for maior que o Ld
Y(1) - Y(2) =
Y(1) - Y(3) =
Y(1) - Y(4) =
Y(2) - Y(3) =
Y(2) - Y(4) =
Y(3) Y4) =
(4) Usar barras contnuas sobre as mdias que no diferem entre si
2.2 Resultados de corpos de prova de concreto com adio de Microsslica indicaram os seguintes
resultados de resistncia compresso:
Adio
0%
5%
10%
15%

28,1
35,3
39,8
39,1

Resistncia (MPa)
26,5
24,3
23,8
34,3
37,5
38,0
44,1
42,3
39,2
40,8
43,0
40,1

28,5
33,9
44,8
43,5

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

33

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

126

a) Indique se esse um experimento a nveis fixos ou aleatrios.


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
Temperatura
1
824 821 829 808 815
2
817 830 819 809 825
3
822 810 831 824 818
4
826 828 810 820 815
2.5 Um engenheiro industrial desenvolveu um modelo estocstico de simulao que prev a
produtividade mensal em funo do intervalo de tempo entre manutenes preventivas. Se esse
intervalo for muito curto, as mquinas estaro constantemente em manuteno e a produtividade
ser baixa. Se o intervalo for muito longo, haver quebras, exigindo manuteno corretiva, mais
demorada, novamente prejudicando a produtividade. Os resultados da simulao so.
Intervalo
Produtividade
4
136 137 135 140 136
6
145 146 147 147 148
8
146 144 148 145 145
10
134 131 136 134 133
12
117 119 117 115 116
Faa a anlise da varincia, plote um grfico de barras para a produtividade mdia e conclua a
respeito do intervalo timo para as intervenes da manuteno produtiva.
2.6 Em uma indstria qumica um catalisador utilizado para acelerar um processo de deposio
metlica. Foi feito um experimento variando-se a concentrao desse catalisador e anotando-se o
tempo necessrio para completar o processo. Analise os dados usando a Tabela Anova. Depois
faa uma comparao mltipla de mdias, plote um grfico de linhas e conclua a respeito da
concentrao ideal.

Projeto de Experimentos
2. Comparao de Vrios Grupos (One-wayAnalysisofVariance)

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

34

19,6
12,6
11,7
10,6

2.7 Os tcnicos de uma indstria de alimento precisam diminuir ao mximo a quantidade de gua
livre presente no produto final. Eles realizaram ensaios substituindo um dos componentes por um
novo ingrediente (o ingrediente X), que no altera a qualidade do produto, mas que talvez tenha
melhores condies de absoro de gua livre. Analise os resultados obtidos usando a Tabela
Anova. Depois faa uma comparao mltipla de mdias, plote um grfico de linhas e conclua a
respeito do % ideal para o ingrediente X. A propsito, o ingrediente X tem o preo um pouco
superior ao do ingrediente original.
Atividade de gua

% do componente X
0
25
50
75
100

0,91
0,75
0,65
0,62
0,61

0,92
0,80
0,59
0,60
0,64

0,88
0,72
0,59
0,58
0,59

0,88
0,74
0,62
0,65
0,60

3. Projetos Fatoriais com Dois


Fatores
Jos Luis Duarte Ribeiro
Carla tenCaten
Exemplo do que muitas vezes se faz na indstria: Uma empresa estava interessada em aumentar
o teor de pureza de uma substncia qumica. Os dois fatores mais importantes que
influenciavam o teor de pureza eram a temperatura e a presso do reator.
Objetivo: determinar os nveis de temperatura e presso que maximizassem o teor de pureza.
Como:
1. fixar a temperatura em 65 oC e variar presso;
2. fixar a melhor presso, variar a temperatura obtendo a resposta.
Neste exemplo os fatores foram testados um de cada vez.
Temperatura fixada em 65C

Grfico com os fatores


controlaveis testados um
de cada vez (5 niveis cada)

Presso fixada em14,3 atm

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

36

O correto seria testar os dois fatores simultaneamente cada um no mnimo a dois nveis
totalizando 4 ensaios. Os nveis so estabelecidos em torno das condies operacionais atuais:
temperatura 68C, presso 14,3 atmque resulta em uma pureza de 75%.

Grafico com os FC testados ao


mesmo tempo (2 niveiscada)

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 (quadrado).Cada uma das
possveis combinaes de nveis chamada de Tratamento ou setup resultando:
N= a x b.
Por exemplo, sejam os dados da tabela a seguir:
Fator B
Fator A

A1
A2
Mdia

B1

B2

Mdia

20
40
30

30
52
41

25
46

O efeito principal do fator A definido como a mudana que aparece na varivel de resposta
quando se muda o nvel deste fator, independente do nvel do fator B logo, trabalha-se com a
mdia.

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral

1900ral

1900ral

A1

A2

Assim,
Isto , passando do nvel A1 para o nvel A2 h uma mudana mdia na resposta de 21
unidades, independente dos nveis do fator B.

Similarmente,

1900ral
1900ral

1900ral
1900ral

1900ral

A1

1900ral

1900ral

1900ral

1900ral

1900ral
1900ral
B1

B2

A2

37

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

38

1900ral
1900ral
1900ral

1900ral

1900ral

11

1900ral

1900ral

1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
B1

B2

Isto , passando do nvel B1 para o nvel B2 h uma mudana mdia na resposta de 11 unidades,
independente do nvel do fator A.
Quando as retas so paralelas (ou quase), no existe efeito de interao entre os fatores, ou seja,
o efeito do fator A ou B sempre o mesmo independente do nvel do outro fator.

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:

Fator A

A1
A2
Mdia

B1

B2

Mdia

20
50
35

40
12
26

30
31

60
50

50
40

40

B1

30
20

B2

20
12

10
0
A1

A2

Nesse caso, onde as retas no so paralelas, 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:

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

39

O fator A tem um efeito pequeno? ERRADO!


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
x
x
FatorialCruzado

A1
A2

B2
x
x

Fatoriais cruzados so mais econmicos;


Fatoriais cruzados permitem que se avaliem efeitos principais e efeitos de 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 ensaios, onde:
a o nmero de nveis do fator A;
b o nmero de nveis do fator B.
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
j = 1, b
k = 1, n

onde:

a mdia geral;

b
Y1b1, Y1b2
, Y1bn
:
:
:
:
Yab1, Yab2
, Yabn

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

o efeito do i-simo nvel de A;

o efeito do j-simo nvel de B;


o efeito da interao AB;
o erro aleatrio.
Suposies:

3.2.2. Hipteses a serem testadas:


Para o fator A:
para algum i.

Para o fator B:
para algum j.
Para a interao AB:
para algum ij.

3.2.3. Formulrio para os clculos da significncia de A, B, AB:

Verificao:
SQT = SQA + SQB + SQAB + SQR

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

40

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

Fcalc

Varincia entre grupos


Varincia dentro do grupo

MQA( fator )
MQR

Fcalc

Varincia entre grupos


Varincia dentro do grupo

MQB( fator )
MQR

Fcalc

Varincia entre grupos


Varincia dentro do grupo

MQAB( fator )
MQR

41

Observaes importantes:
O Valor esperado da MQR igual a varincia:

Se um fator ou interao no significativo, o valor esperado do MQ fator igual ao valor


esperado da MQR erro.
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

Fcalc

Varincia entre grupos


Varincia dentro do grupo

MQG
MQR

O valor de Ftabelado :

Ftab

,GLnumerador , GLdenomnador

Se F calculado > F tabelado ou valor-p<0,05 (5%) Efeito correspondente


significativo

3.3.1. Exemplo

Suspeita-se que a mxima voltagem de sada de um tipo de bateria afetada pelo material
usado nas placas e pela temperatura. Foram investigados 3 tipos de materiais (a=3) e trs
diferentes temperaturas (b=3). Quatro repeties completas (n=4) de um experimento
fatorial cruzado foram rodadas em laboratrio e os seguintes dados foram obtidos. O nmero
total de ensaios:

N=a x b x n = 3 x 3 x 4 = 9 x 4 = 36.

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

Material
(A)

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)

3
T.j. =

SQAB

( 539 )2
4

(229 ) 2
4

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)

(342 ) 2
4

...

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)

434281 12888 31892

Ti.. =
998
(83,17)
1455
(121,25)
1501
(125,08)
3954
(109,83)

8187

3.3.2. Anlise de varincia


Fonte de
Variao
Material
(A)
Temper.
(B)
AB
Erro
Total

FtabA

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

F0,05;2;27

3,35

O efeito do Material significativo Fcalc=9,3>Ftab=3,35 ;


O efeito da Temperatura significativo Fcalc=23,1>Ftab=3,35 ;
O efeito da interao significativo Fcalc=3,0>Ftab=2,37.

42

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

43

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

1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1
1900ral
1900ral
1900ral 2
1900ral
1900ral
1900ral
3
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
1900ral
Temperatura

Voltagem

200
50

150

65
100

80

50
0
1

M ate rial

3.4. COMPARAO MLTIPLA DE MDIAS (CMM)


Se h efeitos significativos, procede-se uma CMM.Se apenas os efeitos principais so
significativos (ou seja, a interao no significativa):

CMM para cada fator individualmente

Usar grfico de barras ou linhas

O desvio-padro das mdias calculado como:


- O Valor esperado da MQR igual a varincia: E(MQR) = 2
- Como o desvio padro das mdias

- Logo, usa-se:

MQR
bn

SYi ..

SY. j .

MQR
an

Se a interao significativa (independentemente se os fatores principais so ou no


significativos)

CMM somente para a interao


As comparaes devem ser feitas no grfico de dois fatores fixando-se um nvel de
um dos fatores e comparando as mdias dos nveis do outro fator.

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

Usar grfico de linhas


O desvio-padro das mdias calculado como:

O Valor esperado da MQR igual a varincia: E(MQR) = 2

Como o desvio padro das mdias

SYij .

44

Logo, usa-se:

MQR
n

No exemplo, a interao AB foi significativa, a otimizao ser realizada no grfico de dois


fatores. Como o valor nominal = 127 V, sugere-se temperatura 65oC e investigar se h DS
entre as mdias obtidas com os trs tipos de materiais.

Fator fixo: Temperatura;

Nvel fixo do fator: 65oC;

Anlise das mdias do fator Material

(i) Mdias em ordem crescente:


(material 1)
(material 2)
(material 3)
(ii) Desvio padro das mdias:

O Valor esperado da MQR igual a varincia: E(MQR) =

Como o desvio padro das mdias :


x

Teorema do limite central

n
Ento o desvio padro das mdias do efeito da interao pode ser descrito como:

(iii) Limites de deciso

(iv) Comparao das mdias duas a duas:

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

45

O resultado da CMM apresentado com uma barra continua sobre os nveis que no diferem
entre si

O resultado da otimizao indica que se deve utilizar as placas de material 2 ou 3(empate


tcnico) para se obter a voltagem nominal.

3.5. TESTE DAS SUPOSIES DO MODELO:


ijk

N (0, )

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.
MQR

SQR
ab(n 1)

Indeterminado se o denominador zero.

Fcal

MQG
MQR

Logo Fcalc tambm ser indeterminado.

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:

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

46

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
Totais

0
4
1
1
6

5
5
3
1
9

% de Microsslica
10
6
4
3
13

15
5
3
2
10

20
3
2
1
6

Totais
23
13
8
44

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

Os efeitos do operador e do % de microsslica so significativos. necessrio realizar uma CMM tanto para
A quanto para B.

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

SY A .
Ld

MQR
0,25
0,289
n
3
3 SYA. 3 0,289 0,866
Nvel

Mdia

Diferena

Valor da dif

0
5
10
15
20

2,0
3,0
4,3
3,3
2,0

0-5
5-10
10-15
15-20

1,0
1,3
1,0
1,3

Limite

>
>
>
>

Ld=0,87
Ld=0,87
Ld=0,87
Ld=0,87

Como a resistncia do tipo maior--melhor, o melhor % de microssilica 10%

47

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

48

EXERCCIOS
3.1. A resistncia trao de um produto de papel (Y) parece estar relacionada % de madeira
escura (A) presente na polpa e Temperatura (B) dos rolos de manufatura. Dados experimentais
revelaram:
Temperatura dos rolos (B)
5
10

% de
Madeira
escura

15

5%

15 13

23 27

32 33

34 38

10%

31 28

38 39

43 40

41 39

Totais

Totais

514

Pergunta-se:
Qual a varivel de resposta?
Quais os fatores controlveis e qual o nmero de nveis dos fatores controlveis?
Faa a anlise de varincia e indique quais os efeitos significativos?
Faa um grfico de dois fatores.
O que fazer para assegurar qualidade? (Resistncia maior--melhor)
O que fazer para assegurar economia? (Supor que um aumento na % de madeira escura ou na
temperatura dos rolos implica maior custo)

Soluo:
a) Varivel de resposta:
b) Fatores controlveis e nmero de nveis
c) Anlise de varincia
TC =
SQA =
SQB =
SQAB =
SQR =
SQT =

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

Fonte

SQ

GDL

MQ

F calc.

F tab.

49

Signif. ?

% Madeira esc. (A)


Temperatura
(B)
AB
Erro
Total

Efeitos significativos:

d) Grfico de dois fatores


Resistncia trao

40
30
20
10
0

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.

Projeto de Experimentos
3. Projetos Fatoriais de Dois Fatores

Operador 1

Operador 2

Operador 3

Layout 1

17,4 18,3
18,2

18,8 17,6
17,5

16,8 15,7
15,7

Layout 2

16,8 15,5
15,7

15,2 16,4
16,2

15,0 13,6
13,7

50

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

4. Generalizao dos Projetos


Fatoriais
Jos Luis Duarte Ribeiro
Carla tenCaten

Os resultados do Projeto Fatorial de 2 fatores podem ser estendidos para o caso onde h vrios
fatores:
Fator A,

a nveis

Fator B,

b nveis

Fator C,

c nveis

:
n observaes por parcela
O nmero total de observaes N = a x b x c x ... x n

4.1. MODELO ESTATSTICO:

i = 1, a
j = 1, b
k = 1, c
l = 1, n
onde:
a mdia geral;
o efeito do i-simo nvel de A;
o efeito do j-simo nvel de B;
o efeito da interao AB;
:
o erro aleatrio.

Suposies:

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

4.1.1. Hipteses a serem testadas:


Para o fator A:
para algum i.
:
Para a interao AB:
para algum ij.
:
Para a interao ABC:

4.1.2. Formulrio para os clculos


;
;

VERIFICAO
SQT = SQA + SQB + SQC + SQAB + .... + SQR

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

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

52

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

Se F calculado > F tabelado ou valor-p<0,05 (5%)


significativo

53

Efeito correspondente

Observaes:
O valor esperado da MQR igual a varincia:
E(MQR) =

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.Para cada combinao
foram realizadas duas repeties totalizando N= 3 x 2 x 2 x 2 = 24. Os dados esto apresentados na
tabela a seguir:
Tabela com as somas e mdias entre parntesis para elaborao dos grficos de dois fatores

%Carbonatao
(A)

10
12
14

Presso de Enchimento (B)


20 psi
25psi
Velocidade (C)
Velocidade (C)
100
120
100
120
-1
0
-3
-1
1
1
-1
0
(-1)
(-4)
(2)
(-1)
2
1
0
1
6
5
2
3
(3)
(1)
(11)
(5)
7
6
5
4
10
11
7
9
(13)
(9)
(21)
(16)

T.j..

21

T..k.

T..1. = 49; T..2. = 26

A
0
2
4

Tij..
B
20
-5 (-1,25)
4 (1,00)
22 (5,50)

A1(10)
A2(12)
A3(14)

20
59

T....=75

Ti.k.
25
1 (0,25)
16 (4,00)
37 (9,25)

C
A
0
2
4

100
1 (0,25)
14(3,50)
34(8,50)

120
-5(-1,25)
6 (1,50)
25(6,25)

Ti.k.
B2(25)
1
16
37
54

-4

54

Tij..
B1(20)
-5
4
22
21

T.i..

-4
20
59

A1(10)
A2(12)
A3(14)

C1(100)
1
14
34
49

T.jk.
C
100
120
15(2,50)
6 (1,00)
34(5,67)
20(3,33)

B
0
5

T.jk.
C2(120)
-5
6
25
26

-4
20
59

B1(20)
B2(25)

C1(100)
15
34
49

C2(120)
6
20
26

21
54

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

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

4.1.6. Grficos de dois fatores

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

54

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

8,50
6,25
C1 (100)
3,50

C2 (120)

1,50
0,25
A1 (10)

A2 (12)

A3 (14)

9,25

5,50
B1 (20)

4,00

B2 (25)

1,00
0,25
A1 (10)

A2 (12)

A3 (14)

5,67

B1 (20)
3,33

B2 (25)

2,50
1,00
C1 (100)

C2 (120)

4.1.7. Projetos com fatores aninhados


Considere o seguinte experimento:

1
Temperatura
50
75
100
xxxxxx

Materiais
2
Temperatura
50
75
100
xxxxxx

3
Temperatura
50
75
100
xxxxxx

Trata-se de um projeto fatorial cruzado, cuja tabela tambm poderia ser apresentada como:
Materiais

55

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

1
50
75
100

Temper.

2
xx
xx
xx

xx

xx
xx

3
xx
xx
xx

Mas agora vamos analisar o seguinte experimento:

1
Temperatura
40
50
60
xxxxxx

Materiais
2
Temperatura
100 120
140
xxxxxx

3
Temperatura
60
75
90
xxxxxx

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.

4.2. MODELO ESTATSTICO:

yijk

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.

56

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

57

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..

Tipo de Aglutinante
B2
Quantidade
C1(18) C2(22)

13,6
11,0
13,8
15,0
18,0
17,6

176,1

T..k.

13,7
12,4
16,7
14,9
16,6
17,0

T..1. = 257,7 ;

B1
47,0
60,5
68,6

146,8

167,8

524,2

180,3

Ti.k.

B2
50,7
60,4
69,2

Ti...

177,0
200,4

T..2. = 266,5

Tij..
A1
A2
A3

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

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

SQT = (10,0) + (11,0) + ... + (15,6) ] - TC = 198,35


C aninhado em B
Cruzado
SQ
SQA

= 120,35

Aglutinar Somas Quadradas

GDL
2

Aninhado
SQ
SQA

GDL
2

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

58

SQB = 6,74
SQAB = 4,79
SQC = 2,15
SQBC = 4,30
SQAC = 3,60
SQABC = 12,90
SQR = 43,51

2
4
1
2
2
4
18

SQB
SQAB
SQC(B)=6,45
SQC (2,15)+SQBC (4,30)
SQAC(B)=16,50
SQAC (3,60)+SQABC (12,90)
SQR

18

SQT

35

SQT

35

= 198,35

2
4
3
6

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

B1
B2

B3

A1

A2

A3

Para maximizar-se a resistncia trao, deve-se aumentar a quantidade de feldspato

4.4. EXERCCIOS

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

59

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

Totais

Totais

Pede-se:
a) Qual a varivel de resposta?
b) Quais os fatores controlveis? 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:

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

c) Anlise de varincia:

TC = 192 613,55

SQB =

SQBC =

Fonte
SQA

SQ
6060,54

SQB
SQC

5030,65

SQAB

12,97

SQAC

150,44

SQBC
SQABC

121,85

Erro

480,79

Total
Efeitos significativos:

d) Grficos de dois fatores


Resistncia trao

GDL

MQ

F calc.

F tab.

Signif. ?

60

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

61

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 interessada em aumentar a densidade de um dos
novos produtos em desenvolvimento. No entanto, isso deve ser feito variando alguns
parmetros em intervalos estreitos, pois a produo fora desses intervalos ir piorar o sabor do
produto. Analise os dados a seguir e identifique quais fatores exerceram efeito significativo
sobre a densidade. Depois, plote grficos de dois fatores e conclua a respeito do melhor ajuste

Projeto de Experimentos
4. Generalizao dos Projetos Fatoriais

62

para o processo. Considere que o ajuste central mais seguro em relao a sabor, mas variaes
dentro da faixa estudada no comprometem o produto.
Vazo de
Gordura:
Temperatura
:
Presso
120

30

50

75

80

85

75

80

85

0,35

0,34

0,35

0,39

0,40

0,38

130

0,37

0,35

0,38

0,41

0,40

0,42

140

0,39

0,38

0,37

0,43

0,43

0,44

150

0,40

0,39

0,41

0,45

0,46

0,45

5. Blocos Aleatorizados e
Quadrados Latinos
Jos Luis Duarte Ribeiro
Carla ten Caten

Vamos analisar 4 tipos de experimentos:


1.
2.
3.
4.

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.
Exemplo de projeto confundido:
Usando letras para indicar as 4 marcas de pneus e nmeros romanos para indicar os carros, o
experimento poderia ser efetuado da seguinte forma:

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

64

Carros
I
A
A
A
A

II
B
B
B
B

III
C
C
C
C

IV
D
D
D
D

Imediatamente podemos ver falhas nesse projeto, uma vez que os totais para as marcas tambm
sero totais para os carros!
Nesse projeto, o efeito das marcas e dos carros est confundido, e a anlise fica
prejudicada.Exemplo de um experimento mal planejado.

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:

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

Yij =

ij

onde
a mdia geral, j indica o efeito de cada marca , e
suposies para a anlise so:
j

=0 ;

o erro aleatrio. As

N(0,

ij

ij

Para esse modelo, os resduos em relao a mdia geral podem ser decompostos da seguinte
maneira:

( yij

y..)

( y. j

y..) ( yij

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:

H1:

=0
0 para algum j

Para tanto usamos o teste F, uma vez que pode ser demonstrado que quando
E(MQM) = E(MQR)
Para o clculo das Somas Quadradas, usamos o formulrio tradicional:

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 = SQT SQM = 80,94 - 30,69 = 50,25

5.1.2. Tabela ANOVA para o projeto completamente aleatorizado

= 0 resulta:

65

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

Fonte
Marcas
Resduo
Total

SQ
30,69
50,25
80,94

GDL
3
12
15

MQ
10,23
4,19

Teste F
2,44

66

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 aleatorizado 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
I
B(14)
C(12)
A(17)
D(13)

Marcas e
(Desgaste)

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 =

ij

onde i acrescentado (ou melhor, separado do termo de erro experimental). O termo


indica o efeito dos carros, que antes no podia ser calculado apropriadamente.
As suposies para a anlise so:
i

N(0,

) ;

ij

N(0,

5.2.2. Decomposio dos Resduos


Para esse modelo a decomposio dos resduos leva s seguintes somas quadradas:

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

67

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 podemos 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 = 80,94 - 30,69 - 38,69 = 11,56
Pode ser observado que a SQR diminuiu de 50,25 para 11,56 porque foi extrado o efeito dos
carros (38,69).Assim, o projeto em blocos aleatorizados efetivamente reduz a varincia residual.

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.

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.

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

68

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:

Matriz experimental
I

II

III

IV

Marcas
B

No exemplo anterior:
Desgaste
Posio

Ti

T(k)

I
Carros II
III
IV

3(17)
4(14)
1(13)
2(13)

2(14)
3(14)
4(13)
1(8)

1(12)
2(12)
3(11)
4(9)

4(13)
1(11)
2(10)
3(9)

56
51
47
39

1
2
3
4

Tj

57

49

44

43

193

193

5.3.1. Modelo estatstico do Quadrado Latino:

44
49
51
49

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

Yij =

(k)

69

ij

onde (k) acrescentado (ou melhor, separado do termo de erro experimental). O termo
indica o efeito da posio dos pneus, que antes no podia ser calculado apropriadamente.

(k)

As suposies para a anlise so:


(k)

=0 ;

N(0,

ij

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 = 80,94 - 30,69 - 38,69 - 6,69 = 4,87
Pode ser observado que a SQR diminuiu de 11,56 para 4,87 porque foi extrado o efeito das
posies (6,69). 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

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:

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

70

5.3.3.1 Aplicabilidade
Projetos desse tipo s so possveis quando todos os fatores tm um mesmo nmero de nveis,
ou seja, deve ser um quadrado. Exemplos de quadrados latinos de ordem 4, 5 e 6 so:
4 x 4
A
B
C
D

B
C
D
A

D
A
B
C

5 x 5
C
D
A
B

A
D
C
B
E

D
A
B
E
C

B
C
E
A
D

E
B
D
C
A

6 x 6
C
E
A
D
B

A
B
C
D
F
E

D
A
E
C
B
F

C
E
D
F
A
B

E
C
F
B
D
A

B
F
A
E
C
D

F
D
B
A
E
C

5.3.3.2Sobre o Quadrado Latino


O Quadrado Latino no permite estudar interao entre os fatores. Ele no deve ser usado quando se
suspeita de interaes significativas. Ele aproveita a interao para estudar um terceiro fator, ou seja,
ele estuda trs efeitos principais A, B e C.
Quando deseja-se estudar a interao, sugere-se o projeto fatorial cruzado N=4*4*4=64. O fatorial
completo permite estudar os efeitos A, B, C, AB, AC, BC e ABC. 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

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:

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

Aditivos

Carros
1
A
D
B
C

I
II
III
IV

Motorista

71

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

A
B
C
D
E

1
=26
=18
=20
=15
=10

B
C
D
E
A

Concentrao de cido
2
3
4
=16
C =19
D =16
=21
D =18
E =11
=12
E =16
A =25
=15
A =22
B =14
=24
B =17
C =17

E
A
B
C
D

5
=13
=21
=13
=17
=14

Como pode ser visto, h dois Quadrados Latinos superpostos. Um deles escrito nas letras
A,...,Ee o outro escrito nas letras ,..., . O resultado um quadrado Greco-Latino, e ser
possvel avaliar o efeito de todos os fatores listados.
Iniciamos calculando os totais de cada tratamento:
cido
1 = 89
2 = 88
3 = 92
4 = 83
5 = 78

Catalisador
= 83
= 85
= 91
= 82
= 89
430
430
E em seguida as Somas quadradas:
TC = 4302 / 25 = 7396
SQTot = ( yij2) - TC = 7832 - 7396 = 436,0
SQA = [(892 + ...) / 5] - TC = 24,4

Tempo
A = 118
B = 78
C = 94
D = 75
E = 65

Lotes
I = 90
II = 89
III = 86
IV = 83
V = 82

430

430

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

72

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.


Assim como o Quadrado Latino, projetos desse tipo s so possveis quando todos os fatores
tm um mesmo nmero de nveis, ou seja, deve ser um quadrado.

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.
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.

Projeto de Experimentos
5. Blocos Aleatorizados e Quadrados Latinos

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

73

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)
Jos Luis Duarte Ribeiro
Carla ten Caten

6.1. INTRODUO
Algumas vezes, dificuldades tcnicas impedem de rodar todo o experimento de uma vez ou em
um nico equipamento ou com um nico lote de matria-prima:
Projetos fatoriais confundidos em bloco
Outras vezes, dificuldades financeiras ou de tempo impedem de rodar o experimento completo:
Projetos fatoriais fracionados
Outras vezes, dificuldades impedem a aleatorizao completa do experimento dentro do bloco:
Projetos parcionados em clulas
Vejamos um exemplo para ilustrar esse tipo de restrio experimental.

6.1.1. Exemplo
Seja que um engenheiro quer analisar o efeito da composio (trao) e do tempo de cozimento
sobre a resistncia de tijolos cermicos.
Dados sobre a resistncia de tijolos cermicos
Tempo de
Cozimento

Composio dos tijolos

(min)

C1

C2

C3

C4

T1

X XX

X XX

X XX

X XX

T2

X XX

X XX

X XX

X XX

T3

X XX

X XX

X XX

X XX

Aparentemente, trata-se de um projeto fatorial cruzado 4x3, com repeties, cujo modelo
estatstico seria:
xijk =

+ Ti + Cj + TCij + erro

Modelo ANOVA com dois fatores a nveis fixos e com trs repeties ??

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

75

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

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

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

76

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

GDL

Ri
Clula
inteira

Clula parcionada

Cj

3
A
i

4
F
j

3
F
k

1
A
m

+ 12

+3

+3

E(MQ)

RCij

Tk

+4

+4

RTik

CTjk

RCTijk

12

Em(ijk)
Total

2
2

2
R
2
RC
2
RC
2
RT
2
RT

2
RCT
2
RCT

+9

+ 12
+3

CT

(no dispon.)

35

H testes exatos para os fatores principais (C, T) e para a interao entre eles (CT).
No h testes exatos para R, nem para as suas interaes, mas em geral no h interesse nesses
efeitos.
A anlise de varincia resulta como segue:
Fonte

SQ

GDL

MQ

R
C
RC
T
RT
CT
RCT

SQR
SQC
SQRC
SQT
SQRT
SQCT
SQRCT

2
3
6
2
4
6
12

MQR = SQR/2
MQC = SQC/3
MQRC = SQRC/6
MQT = SQT/2
MQRT = SQRT/4
MQCT = SQCT/6
MQRCT = SQRCT/12

(ND)
MQC/MQRC
(ND)
MQT/MQRT
(ND)
MQCT/MQRCT
(ND)

Total

SQTotal

35

Os testes de hiptese so:


Composio:
F = MQC/MQRC; e se F >Ftab(3,6) rejeita-se Ho
Tempo de cozimento:
F = MQT/MQRT; e se F >Ftab(2,4) rejeita-se Ho

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

77

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

XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX

X
X
X
X
X
X
X
X
X

XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX
XXX

Clula
Inteira
Clula
parcionada
Reparcionamento

Repeties x Laboratrio formam a clula inteira; Dentro de uma repetio, Laboratrio x Trao
formam a clula parcionada;
Ento, a cada combinao Trao-Laboratrio-Repetio, as 4 barras de ao so aleatoriamente
ensaiadas, formando o que chamado de clulas reparcionadas.
A existncia do reparcionamento indica que mais de um efeito principal est confundido (no
caso Laboratrio e Trao apresentam diferentes graus de confundimento).
Valores esperados para as mdias quadradas:

Projeto de Experimentos
6. Experimentos Parcionados em Clulas (Split-Splot)

Fonte

Clula inteira

Clula parcionada

Clula
reparcionada

GDL

3
A
i

3
F
j

2
F
k

4
F
l

1
A
m

E(MQ)
2

+ 24 2R
2
+ 8 2RL + 24
2
+ 8 2RL

Ri
Lj

2
2

1
3

3
0

2
2

4
4

1
1

RLij

Tk

RTik
LTjk

2
2

1
3

3
0

0
0

4
4

1
1

RLTijk

Bl

RBil

2
2

LBjl

RLBijl

12

TBkl

RTBikl

LTBjkl
RLTBijk

6
12

3
1

0
0

0
0

0
0

1
1

78

+ 12 2RT + 36
2
+ 12 2RT
2
+ 4 2RLT + 12
2
+ 4 2RLT
+6

LT

2
RB + 18 B
2
RB
2
RLB + 6 LB
2
RLB
2
RTB + 9 TB
2
RTB

+6
+2
2
+2
2
+3
2
+3
2
+ 2RLTB + 3
2
+ 2RLTB
2

LTB

(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)

79

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
Jos Luis Duarte Ribeiro
Carla tenCaten

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 =

+ ( )ij +

k(ij)

A varincia de cada observao :

Var(Yijk) =

onde 2 , 2 , 2 ,
testar as hipteses:

..so os chamados componentes de varincia. Estamos interessados em

H0:

=0

H0:

=0

H0:

H1:

H1:

H1:

.= 0
.

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

81

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) =

+n

+ bn

E(MQB) =

+n

+ an

E(MQAB) =

+n

e
E(MQR) =

A partir dos E(MQ), observamos que a estatstica apropriada para testar a hiptese: H0:
:

=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.

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

82

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:

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 =

+ ( )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) =

E(MQB) =

E(MQAB) =
E(MQR) =

+n

+ an

+n

+ bn

Onde:

no exatamente uma varincia, uma vez que o efeito dos nveis do fator A suposto fixo; no
entanto, esse termo tem a mesma unidade de uma varincia
Nesse caso, os testes F apropriados so:
FA = MQA / MQAB

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

83

FB = MQB / MQR
FAB = MQAB / MQR
E as estimativas dos componentes de varincia feita usando:

A Tabela a seguir apresenta o valor esperado das mdias quadradas para os vrios modelos
vistos at aqui:
Efeito
E(MQA)

A, B Fixos
2
+ bn A
2

E(MQB)
2

E(MQAB)

+ an
+n

A, B Aleatrios
2
+ n 2 + bn
2

+n

+n

AB

+ an

2
2

A fixo, B aleat.
2
+ n 2 + bn
2

+ an

+n

2
2

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
i

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

84

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

b
A
j
b

j
ij

n
A
k
n
n
n

k(ij)

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

b
A
j
b

j
ij
k(ij)

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:


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)

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

85

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 (
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 1
+ bn A , contudo, o termo n 2 ignorado, pois ele no cobre o subscrito i.

+n

+n

,
2

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

+n
+ an
2
+n
2

+ bn

2
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

+n
+n
2
+n
2
+n
2
+n
2
+n
2
+n

+ nc
+ nc
2
+ nb
2
+ nc
2
+ nb
2
+ na

+ nb
+ na
2
+ na

+ nbc
+ nac
2
+ nab

2
2
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.

7.1.5. Testes F aproximados

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

86

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

+n

+ nc

+ nb

Os graus de liberdade da MQ* so calculados usando:

onde ai so os coeficientes usados na construo da combi-nao linear, e MQi e


respectivas mdias quadra-das e seus graus de liberdade

so as

7.1.6. Exemplo
Reanalizar o experimento dos volumes de refrigerantes, supondo que todos os fatores fossem a
nveis aleatrios.
Presso
% de
Carbonatao
10
12
14

25 Psi
Velocidade
100
x x
x x
x x

30 Psi
Velocidade
120
x x
x x
x x

100
x x
x x
x x

120
x x
x x
x x

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

87

Sendo os fatores a nveis aleatrios, o E(MQ) resulta:

i
j
k
ij
ik
jk
ijk
l(ijk)

3
A
i
1
3
3
1
1
3
1
1

2
A
j
2
1
2
1
2
1
1
1

2
A
k
2
2
1
2
1
1
1
1

2
A
l
2
2
2
2
2
2
2
1

+2
+2
2
+2
2
+2
2
+2
2
+2
2
+2

+4
+4
2
+4
2
+4
2
+4
2
+6

+4
+6
2
+6
2

+8 2
+ 12 2
2
+ 12 2
2

2
2
2

Os clculos das Somas Quadradas e Mdias Quadradas so os mesmos, s se altera o teste F:


Fonte
A: % Carb.
B: Presso
C: Veloc.
AB
AC
BC
ABC
Erro
Total

SQ

GDL

252,75
45,38
22,04
5,25
0,58
1,04
1,08
8,50
336,63

MQ
2
1
1
2
2
1
2
12
23

126,38
45,38
22,04
2,63
0,29
1,04
0,54
0,71

Teste F
No dispon.
No dispon.
No dispon.
MQAB/MQABC
MQAC/MQABC
MQBC/MQABC
MQABC/MQR

Para ilustrar, o teste do fator A ser feito contra uma combinao linear de mdias quadradas, no
caso:
MQ* = MQAB + MQAC - MQABC
MQ* = 2,63 + 0,29 - 0,54

= 2,38

F0,05(2; 3,13)

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.

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

88

Tempos de montagem coletados:

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 =
onde:

k(j)

k(j)

+ ( )ij + ( )ik(j) +

l(ijk)

representa o efeito de Acessrios, a nveis fixos;

representa o efeito de Layouts, a nveis fixos

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
Projeto Cruzado-Aninhado
SQ
GDL
SQ
SQA
2
SQA
SQB
1
SQB
SQAB
2
SQAB
SQC
3
SQC(B) = SQC + SQBC
SQBC
3
SQAC
6
SQAC(B) = SQAC + SQABC
SQABC
6
SQR
24
SQR
SQT
47
SQT
E os E(MQ) resultam (usando o procedimento):

i
j
k(j)
ij
ik(j)
l(ijk)

3
F
i
0
3
3
0
0
1

2
F
j
2
0
1
0
1
1

2
4
k
4
4
1
4
1
1

2
A
l
2
2
2
2
2
1

+2
+6
2
+ 6
2
+2
2
+2
2

2
2

+ 16 A
+ 24 B

2
2
2

+8

AB

GDL
2
1
2
6
12
24
47

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

89

Por fim, a anlise de varincia resulta:


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

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).

Projeto de Experimentos
7. Experimentos com Fatores a Nveis Aleatrios

B1

90

Velocidade
Operador:
Mquina
A1

B2

C1

C2

C3

C1

C2

C3

32 34

33 31

45 46

33 35

33 36

47 46

A2

35 37

37 35

41 44

36 38

40 37

44 46

A3

30 32

28 29

40 42

30 31

32 29

42 45

Pede-se:
1. Qual a varivel de resposta ?
2. Quais os fatores controlveis ? Fixos ou aleatrios ? Quantos nveis ?
3. Escreva as frmulas dos valores esperados das mdias quadradas para esse exemplo.
4. Quais os efeitos significativos ?
5. Faa os grficos pertinentes para auxiliar na anlise.
6. Baseado nos resultados, quais as recomendaes que voc faria para melhorar o processo

8. Projetos Fatoriais do Tipo 2


Jos Luis Duarte Ribeiro
Carla tenCaten

Os projetos fatoriais 2K contemplam K Fatores, cada um deles com apenas dois nveis: alto ou
baixo.
Os nveis podem ser:
Quantitativos: dois valores de resistncia,
dois tempos de cozimento,
duas concentraes de reagentes, etc.
Qualitativos: dois layouts,
duas mquinas de corte,
a presena ou ausncia de um componente, etc.

Esse projeto chamado 2K porque para rod-lo (uma repetio completa) so necessrias:
N = 2 x 2 x 2 x ... x 2 = 2K observaes
Por exemplo, para k=3 fatores so necessrios:
N= 2 x 2 x 2 = 23 = 8tratamentos.

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.

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

8.2. PROJETOS 22
Esse o mais simples dos projetos 2k.
Vejamos um exemplo:
Baixo(-1)
Fator A: % de Cimento

15%

Fator B: Aditivo

Alto(+1)
20%

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

Totais Y
Abaixo

Aalto

Balto

48

59

Bbaixo

36

54

8.2.1. Tratamentos e totais:

Letras minsculas = Tratamentos


Letras maisculas = Efeitos
O tratamento recebe a letra do fator que estiver no nvel alto.

III
11
18
14
22

Total
36
54
48
59

92

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

93

8.2.2. Clculo dos efeitos


O efeito de um fator definido como a mudana mdia que se verifica na resposta quando o fator
alterado do nvel baixo para o nvel alto.
Mdias
Abaixo

Aalto

Mdia B

Efeito B

Balto

16,0

19,7

17,8

2,83

Bbaixo

12,0

18,0

15,0

Mdia A

14,00

18,83

Efeito A

4,83

20,00
18,00
16,00
14,00
12,00
10,00
8,00
6,00
4,00
2,00
0,00

18,83
14,00

efeito A

Aba ixo

Aa llto

1900ral

1900ral
1900ral

1900ral

1900ral
efeito B
1900ral
1900ral
Bbaixo

20,00
15,00

Balto

19,7
18,00
16,00
12,00
Balto

10,00

Bbaixo
5,00
,00
Abaixo

Aallto

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

O efeito tambm pode ser calculado como:


Efeito= [(mdia_alto) - (mdia_baixo)]
A = direita- esquerda = [(ab + a) - (b + (1))] / (2k-1 x n)
B = topo- base = [(ab + b) - (a + (1))] / (2k-1 x n)
AB = principal - secund = [(ab + (1)) - (a + b)]/(2k-1 x n)
O K representa o nmero de fatores, 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:
ContrasteA = CA = ab + a - b - (1)
ContrasteB = CB = ab + b - a - (1)
ContrasteAB = CAB = ab + (1) - a - b
E os efeitos so:

Contraste
2k 1 n

Efeito

Os contrastes so ortogonais:
As somas dos sinais coef. de ab, a, b e (1) igual a zero.
A soma dos produtos dos sinais dos coef. (CA. CB , etc.) igual a zero.
Tratamento

AB

Totais Y

-1

-1

36

-1

-1

54

-1

-1

48

ab

59

Contraste

29

17

-7

Efeito

4,83

2,83

-1,17

SQ

70,08

24,08

4,08

94

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

95

8.2.3. Clculo das somas quadradas


Podem ser obtidas a partir dos contrastes:

SQ

Contraste
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:

Assim como a soma quadrada dos resduos (por subtrao):


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

8.2.4. Tabela Anova:


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

O fator A significativo, O fator B quase significativo.

8.2.5. Verificao:
Os mesmos resultados seriam obtidos usando o formulrio convencional de projetos fatoriais.

Ftab
5,32
5,32
5,32

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

FATOR
B

-1
+1

FATOR A
-1
36
48
84

+1
54
59
113

96

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
+
+

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 bcabc

Graficamente podemos represent-las como um cubo:

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

Efeitos principais:
A = DIREITA - ESQUERDA
A = [a + ab + ac + abc - (1) - b - c - bc] / (2k-1 x n)
B = POSTERIOR - FRONTAL
B = [b + ab + bc + abc - (1) - a - c - ac] / 4n
C = TOPO - BASE
C = [c + ac + bc + abc - (1) - a - b - ab] / 4n

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
O clculo dos efeitos e somas quadradas a partir dos contrastes:

Efeito

SQ

Contraste
2k 1 n

Contraste
2k n

97

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

98

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 (Noexperimento foram coletadas trs repeties para cada tratamento)
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

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

Trat

AB

AC

BC

ABC

99
Y

-1

-1

-1

-1

20,5

-1

-1

-1

-1

27,8

-1

-1

-1

-1

15,4

ab

-1

-1

-1

-1

28,7

-1

-1

-1

-1

18,8

ac

-1

-1

-1

-1

28,9

bc

-1

-1

-1

-1

17,9

abc

28,8

Contraste

41,6

-5,2

6,8

0,4

3,2

-5,2

Efeito

3,47

-0,43

0,57

0,17

0,03

0,27

-0,43

SQ

72,1

1,13

1,93

0,17

0,01

0,43

1,13

Contrastes obtidos a partir dos totais:


A = [a - (1) + ab - b + ac - c + abc - bc]
= [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 = 3,47

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,

SQR = 10,31

SQT = 87,19

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

100

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


Projetos que envolvem K fatores, cada um a dois nveis,
O modelo estatstico do projeto 2K inclui:
K efeitos principais,
interaes de dois fatores,
interaes de trs fatores,

Uma interao de k fatores.


= permutaes de k elementos tomados dois a dois

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:
ContrasteAB ...K = (a

1) (b

1) ... (K

1)

Dentro de cada parnteses utilizamos o sinal (-) se o fator est includo no efeito ou o sinal (+)
se no estiver includo.

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

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:

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

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.

101

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

102

Com frequncia, os recursos limitados e o tempo limitado, neste caso necessrio rodar apenas
uma repetio.
Se no h repeties de experimento, isto , se n = 1, no podemos estimar SQR independente.

8.5.1. Alternativa:
Contudo, se h motivos para acreditar que um efeito de interao no seja significativo,o teste

Assim, o MQG dessa interao ser aproximadamente igual a varincia do erro experimental
MQR, logo usa-se o valor do MQG do efeito de interao como estimativa do MQR.
Para escolher as interaes que iro formar o termo de erro:
Usar bom-senso;
Interaes de trs ou mais fatores raramente so significativas.
Usar conhecimentos tcnicos.
Exemplo de Aditivo x Operadores.

Exemplo:Um tcnico deseja estudar a taxa de filtragem de um produto qumico. Os fatores


controlveis so:.
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).
A0

D0
D1

B0
B1
C0 C1
C0 C1
45(1) 68 (c) 48 (b) 80(bc)
43(d) 75(cd) 45(bd) 70(bcd)

A1
B0
C0 C1
71(a)
60(ac)
100(ad) 86(acd)

B1
C0 C1
65(ab) 65(abc)
104(abd) 96(abcd)

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

103

Trat

AB

AC

BC

ABC

AD

BD

ABD

CD

ACD

BCD

ABCD

-1

-1

-1

-1

-1

-1

-1

-1

45

-1

-1

-1

-1

-1

-1

-1

-1

71

-1

-1

-1

-1

-1

-1

-1

-1

48

ab

-1

-1

-1

-1

65

-1

-1

-1

-1

-1

68

-1

-1

-1

-1

60

-1

-1

-1

-1

-1

80
65

ac
bc

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1
1
-1

-1
1
1

abc

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

43

ad

-1

-1

-1

-1

-1

-1

-1

-1

100

bd

-1

-1

-1

-1

-1

-1

-1

-1

45

abd

-1

-1

-1

-1

-1

-1

-1

-1

104

cd

-1

-1

-1

-1

-1

-1

-1

-1

75

acd

-1

-1

-1

-1

-1

-1

-1

-1

86

bcd

-1

-1

-1

-1

-1

-1

-1

-1

70

abcd

96

173.0

25.0

1.0

79.0

-145.0

19.0

15.0

117.0

133.0

-3.0

33.0

-9.0

-13.0

-21.0

11.0

Cont
Efeito

21.6

3.1

0.1

9.9

-18.1

2.4

1.9

14.6

16.6

-0.4

4.1

-1.1

-1.6

-2.6

1.4

SQ

1870.6

39.1

0.1

390.1

1314.1

22.6

14.1

855.6

1105.6

0.6

68.1

5.1

10.6

27.6

7.6

No h graus de liberdade para estimar o termo de erro pois no tem repeties. Como
alternativa, estima-se o erro baseado nas interaes de 3 e 4 fatores (ABC,ABD,ACD,BCD e
ABCD). Supondo as interaes de 3 e 4 fatores como insignificantes, elas podem ser usadas como
uma estimativa do erro:
SQR= SQABC + SQABD + SQACD + SQBCD + SQABCD
SQR= 14,1 + 68,1 + 10,6 + 27,6 + 7,6 = 127,56
GDL=1+1+1+1+1=5
MQR=SQR/GDL=127,56/5=25,56
Anlise de varincia para o exemplo da taxa de filtragem.
Efeito
A
B
AB
C
AC
BC
D

SQ
1870,6
39,1
0,1
390,1
1314,1
22,6
855,6

GDL
1,0
1,0
1,0
1,0
1,0
1,0
1,0

MQ
1870,6
39,1
0,1
390,1
1314,1
22,6
855,6

FCALC
73,2
1,5
0,0
15,3
51,4
0,9
33,5

FTAB
6,61
6,61
6,61
6,61
6,61
6,61
6,61

Signif
SIM
NO
NO
SIM
SIM
NO
SIM

AD
BD
CD
ERRO
(ABC,ABD,ACD,BCD,ABCD)

1105,6
0,6
5,1

1,0
1,0
1,0

1105,6
0,6
5,1

43,2
0,0
0,2

6,61
6,61
6,61

SIM
NO
NO

127,8

5,0

25,6

TOTAL

5730,9

15

Os fatores A, C e D so significativos, logo devendo-se ajusta-los de forma a assegurar


Qualidade.
O fator B no significativo, logo pode ser usado no ajuste que obtenha Preo baixo.

8.5.2. Mtodos grficos para testar a significncia dos efeitos

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

104

1. Papel de probabilidade
2. Pseudo-standarderror

8.6. ALGORITMO DE YATES PARA PROJETOS 2K


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
(1)
-3
4
2
13
5
6
4
9

-4
1
-1
5
-1
3
2
11

(2)
1
15
11
13
7
11
1
5

Efeitos
(3) / 23-1.2
I = --A = 3,00
B = 2,25
AB = 0,75
C = 1,75
AC = 0,25
BC = 0,50
ABC = 0,50

(3)
16
24
18
6
14
2
4
4

SQ
(3) / 23.2
--36,00
20,25
2,25
12,25
0,25
1,00
1,00
2

Exemplo de Yates para 22


Exemplo com k=2 fatores e n=3 repeties
Tratam
1
a
b
ab

Resposta
36
54
48
59

1
90
107
18
11

2
197
29
17
-7

Fonte
I (total)
A
B
AB

Efeito
-4,83
2,83
-1,17

SQ
-70,08
24,08
4,08

Uma demonstrao simples do algoritmo de Yates obter as colunas (1) e (2) usando as
respostas (1), a, b, ab de um projeto fatorial 22
Tratamento
(1)
a
b
ab

Resposta
(1)
a
b
ab

(1)
(1)+a
b+ab
a-(1)
ab-b

(2)
(1)+a+b+ab
a-1+ab-b
b+ab-(1)-a
ab-b-a+(1)

= Total
= Cont. A
= Cont. B
= Cont. AB

Como pode ser visto, os valores da coluna (2), que nesse caso so os contrastes, esto de acordo
com as definies.

8.7. EXERCCIOS

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

105

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:
C1
A1
A2

B1
B2
B1
B2

D1
15,2 16,2
11,8 12,9
14,8 15,9
11,8 12,7

C2
D2
14,6 15,6
11,8 12,5
15,0 15,9
12,0 13,2

D1
10,4 11,4
13,9 14,7
10,6 11,9
13,8 14,0

D2
10,6 11,3
14,0 15,4
11,0 12,3
15,0 15,9

Pede-se:
Qual a varivel de resposta que est sendo medida e quais so os fatores controlveis neste
experimento? Qual o nmero de nveis para cada um dos fatores controlveis?
Use o algoritmo de Yates e calcule os efeitos e somas quadradas.
Faa a anlise de varincia e indique quais os fatores e interaes significativas.
Plote os grficos de dois fatores pertinentes a este estudo.
Indique o que fazer para assegurar qualidade e preo baixo. Em relao a qualidade, considere
que a mxima amplitude de vibrao aceitvel 13,0. Em relao a custos, considere que:
- Suporte normal mais barato;
- Dimetro menor mais barato;
- Posio +00 de montagem mais fcil;
- Ponteira arredondada mais barata.

Soluo:
a) Algoritmo de Yates

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

Tratam.
(1)
A
B
Ab
C
Ac
Bc
Abc
D
Ad
Bd
Abd
Cd
Acd
Bcd
Abcd

Resposta
31,4
30,7
24,7
24,5
21,8
22,5
28,6
27,8

(1)
62,1
49,2
44,3
56,4

(2)
111,3
100,7

(3)

(4)

Efeito
---

106

SQ

95,39

b) Anlise de varincia
Fonte

SQ

A
B
Ab
C
Ac
Bc
abc
D
Ad
Bd
abd
Cd
acd
bcd
abcd
Erro
Total

103,53

d) Grfico de dois fatores

GDL

MQ

F calc.

Signif. ?

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

107

Amplitude

15

10

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
C1=20 C2=30

A2=150
B2=400

C1

75 73 80 78 45 42
76 77 75 83 47 47

B1=300

B2=400

C2

C1

C2

C1

C2

50 54
48 51

92 93
95 99

95 100
99 101

75 75
79 68

77 80
83 85

Projeto de Experimentos
8. Projetos Fatoriais do Tipo 2k

108

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 maximiza 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
Jos Luis Duarte Ribeiro
Carla tenCaten

Algumas vezes a aleatorizao completa fica restringida.


Por exemplo, talvez no seja possvel rodar todos os ensaios:
No mesmo dia;
Na mesma sala;
Com o mesmo operador;
Com o mesmo lote de matria prima.
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:

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

110

9.1.1. Restrio Experimental:


O material usado no processo qumico produzido em lotes (vermelho e azul)
preciso dois lotes para obter as quatro amostras

9.2. CONFUNDIMENTO
Diferenas entre os lotes ficaro confundidas com um dos efeitos, dependendo do contraste de
definio utilizado para blocar.
Lotes ou Blocos
1
2

I
(1) b
a ab

Plano
II
(1) a
b ab

III
(1) ab
a b

Plano I

A partir da definio dos contrastes, fcil verificar quem est confundido:


Plano I: Bloco 2 (azul) - Bloco 1 (vermelho) = ab + a - b - (1) = CA
Plano I: Efeito do Fator A est confundido com os blocos e o efeito do fator B e interao AB
esto salvos.
Plano II

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

111

Plano II: Bloco 2 (azul) - Bloco 1 (vermelho) = ab +b a - (1) = CB


Plano II: Efeito do Fator B est confundido com os blocos e o efeito do fator A e interao AB
esto salvos
Plano III

Plano III: Bloco 2 (azul) - Bloco 1 (vermelho) = ab +(1)a - b = CAB


Plano III: Efeito do Fator de interao AB est confundido com os blocos e o efeito do fator A
e B esto salvos

Usa-se o contraste da interao AB, pois prefervel ter uma interao confundida do
que efeitos principais. A esperana que o efeito de interao no seja significativo

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 comum 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)

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

112

Para o exemplo do projeto 22, escolhendo AB como contraste de definio, resulta:


Bloco I

Bloco II

(1)

ab

Pares

mpares

Escolhe-se a coluna da interao AB como contraste para a blocagem do experimento em dois:


Trat

AB

Bloco

-1

-1

-1

-1

-1
1

1
1

-1

ab

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 escolhemosABC como o C.D.
Bloco I
(1)
Ab
Ac
Bc

Se h 3 repeties, o arranjo dos ensaios poderia ser:

Bloco II
a
b
c
abc

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

Repetio I

Repetio II

113

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

9.5.1. Modelo Estatstico


Yijkmn =

+ Rm + Bn + RBmn + Ai + Bj + Ck + ABij + ACik + BCkj +

Rm

representa o efeito das repeties;

Bn

representa o efeito dos blocos 1 e 2;

RBmn

interao entre repeties e blocos;

mijk

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. um teste fracopois RB possui
apenas 2 graus de liberdade.
Efeitos principais e interaes podem ser testados contra o erro. um teste fortepois o
erro tem 12 graus de liberdade.
ABC no pode ser testada (confundida com blocos)

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

114

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

Repetio IV
Conf. BC
(1)
b
bc
c
a
ab
abc
ac

9.6.1. ModeloEstatstico

indica que os blocos esto aninhados dentro das repeties (em cada repetio os blocos 1
e 2 so diferentes).

9.6.2. Anlise do projeto 23 parcialmente confundido:


Fonte
Rm Repeties
Bn Blocos (dentro de Rep.)
ABC
AB
AC
BC
A
B
C

GDL
3
4

7 entre as
subdivises
1
1
1
1

1
1
1

24 dentro das
subdivises

AB
AC
BC
ABC

1
1
1
1

|
|
|
|

Erro = Repet. x Outros


Total

17
31

Somente das repet.


em que no esto
confundidas

9.7. EXPERIMENTOS CONFUNDIDOS EM BLOCO SEM REPETIO

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

115

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 confundida com o efeito do bloco (no pode ir para
o termo de erro);
Outras interaes so aglutinadas para formar o termo de erro.

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) abbc ac abcd cd ad bd

Bloco 2

a b abc c bcdacd 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
|

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

116

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 abdacdbcd

(1) bcabdacd

ab ac d

a b c abc ad bd cd abcd

bcd

a abc bdcd

ad abcd

9.8.1. Tabela de sinais com os contrastes de definio para a diviso em 4 blocos

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

117

Trat

ABC

BCD

Blocos

(1)

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

ab

-1

-1

-1

-1

-1

-1

-1

-1

ac

-1

-1

-1

-1

bc

-1

-1

-1

-1

-1

abc

-1

-1

-1

-1

-1

-1

-1

-1

ad

-1

-1

-1

bd

-1

-1

-1

-1

abd

-1

-1

-1

-1

cd

-1

-1

-1

-1

acd

-1

-1

-1

-1

bcd

-1

-1

-1

abcd

-1

-1

-1

-1

-1

-1

-1

ae

-1

-1

-1

-1

be

-1

-1

-1

abe

-1

-1

-1

ce

-1

-1

-1

ace

-1

-1

-1

bce

-1

-1

-1

-1

abce

-1

-1

de

-1

-1

-1

-1

ade

-1

-1

bde

-1

-1

-1

abde

-1

-1

-1

cde

-1

-1

-1

acde

-1

-1

-1

bcde

-1

-1

abcde

9.8.2. 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

9.8.3. Tabela Anova para o experimento 24 em 4 blocos

(4)
1252
60
2
30
-32
32
-14
-26
40
-4
42
-6
44
-32
50
-14

SQ
225,00
0,25
56,25
64,00
64,00
12,25
42,25
100,00
1,00
110,00
2,25
121,00
64,00
156,25
12,25
1031,00

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

Fonte

SQ

GDL

225
0,25
64
100
56
64
12,25
110,25
121
199,5

1
1
1
1
1
1
1
1
1
3

225
0,25
64
100
56
64
12,25
110,25
121
66,5

Erro (ABD + ACD + ABCD)

78,5

26,17

Total

1031

15

A
B
C
D
AB
AC
BC
BD
CD
Blocos (ou ABC ou BCD ou AD)

MQ

118

Fcalc
8,6
0
2,4
3,8
2,1
2,4
0,5
4,2
4,5

O termo de erro tem apenas 3 GDL e os teste so feitos usando F0,05(1,3) = 10,13
efeito significativo.

nenhum

Contudo, B e BC parecem no significativos. Aglutinando esses efeitos ao erro:

Agora, temos

A e CD significativos

Efeito
A
C
D

SQR
225,00
64,00
100,00

GDL
1
1
1

MQR
225
64
100

Fcalc
12.36
3.52
5.49

AB
AC

56,00
64,00

1
1

56
64

3.08
3.52

BD
CD
Blocos (ou ABC ou BCD ou AD)

110,25
121,00
199,50

1
1
3

110.25
121
66.5

6.06
6.65
3.65

Erro (ABD + ACD + BCD+B+BC)

91,0

18.2

Total

1031,00

15

Ftab
6.61
6.61
6.61
6.61
6.61
6.61
6.61
6.61

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

119

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 Interaes
Princ.
2 FC
5
10
6
15
7
21
8
28

3 FC 4 FC
10
5
20
15
35
35
56
70

5 FC
1
6
21
56

5 FC

7 FC

8 FC

1
7
28

1
8

As interaes de ordem superior geralmente so:


Difceis de interpretar;
No so significativas;
Logo em geral, no temos interesse em estudar as interaes de mais alta ordem 3 ou
maisfatores.

Para experimentos com muitos fatores:


Pode no ser possvel ($) rodar o experimento completo;
Quase a mesma informao pode ser obtida realizando-se uma frao ( ) dos ensaios.

Quando somente uma frao dos ensaios rodada,


o projeto chamado Fatorial Fracionado

9.9.1. Procedimento para definir projetos fracionados

Inicialmente divide-se o experimento completo em dois blocos, utilizando-se a interao de ordem


superior, aps, ensaiar apenas um dos blocos, escolhido aleatoriamente.

Quando o experimento fracionado em dois, realiza-se apenas a metade dos ensaios,logo ser
possvel estimar apenas metade dos efeitos pois cada efeito estar vinculado com outro efeito.

A estratgia confundir efeitos principais com efeitos de interaes de alta ordem supostamente no
significantes.

9.10. EFEITOS VINCULADOS

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

120

Seja o caso simples de um projeto 2 onde o tcnico s tem recursos para efetuar 4 ensaios, ou
seja, a metade do 2-= 4 ensaios.
Inicialmente realizada a blocagem do experimento em dois blocos de 4 usando o contraste de
definio 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

Observa-se que no possvel distinguir entre os contrastes de A e BC, pois os ensaios ab ac 1 e


bc no foram realizados. 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 para a blocagem

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:
Vnculo de B:

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

121

Vnculo de C:

EXPERIMENTO 24 COMPLETO VS FRACIONADO

9.11

A matriz experimental apresenta um 24 completo


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

Foi usado a interao ABCD para a blocagem e posterior fracionamento.


No experimento completo no h correlao entre nenhum fator indicando que todos os efeitos
podem ser estudados separadamente. O termo de erro pode ser estimado pelas interaes de trs
fatores e a interao ABCD usada para estudar o efeito do bloco.
A
A
B
AB
C
AC
BC
ABC
D
AD
BD
ABD
CD
ACD
BCD
ABCD

B
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0

AB
1
0
0
0
0
0
0
0
0
0
0
0
0
0

1
0
0
0
0
0
0
0
0
0
0
0
0

AC

1
0
0
0
0
0
0
0
0
0
0
0

BC

1
0
0
0
0
0
0
0
0
0
0

ABC

1
0
0
0
0
0
0
0
0
0

1
0
0
0
0
0
0
0
0

AD

1
0
0
0
0
0
0
0

BD

1
0
0
0
0
0
0

ABD

1
0
0
0
0
0

CD

1
0
0
0
0

ACD

1
0
0
0

BCD

1
0
0

ABCD

1
0

Matriz experimental 24 fracionado, ou seja, 24-1 onde foi usado o contraste de definio ABCD.

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

Tratamentos
1
ab
ac
bc
ad
bd
cd
abcd
Contraste

B
-1
1
1
-1
1
-1
-1
1
20

AB
-1
1
-1
1
-1
1
-1
1
30

AC

1
1
-1
-1
-1
-1
1
1
-30

-1
-1
1
1
-1
-1
1
1
40

BC
1
-1
1
-1
-1
1
-1
1
0

ABC
1
-1
-1
1
1
-1
-1
1
30

D
-1
-1
-1
-1
1
1
1
1
70

AD
-1
-1
-1
-1
1
1
1
1
70

BD
1
-1
-1
1
1
-1
-1
1
30

ABD
1
-1
1
-1
-1
1
-1
1
0

CD
-1
-1
1
1
-1
-1
1
1
40

ACD
1
1
-1
-1
-1
-1
1
1
-30

BCD
-1
1
-1
1
-1
1
-1
1
30

122
ABCD

-1
1
1
-1
1
-1
-1
1
20

Y
1
1
1
1
1
1
1
1

10
15
25
35
40
35
30
50

No experimento 24-1fracionado realiza-se 8 ensaios, logo possvel estimar apenas 7 efeitos pois metade dos
efeitos est vinculada com outra metade.
Para se verificar os efeitos vinculados, multiplica-se o efeito pelo contraste de definio (ABCD) ou realizase a matriz de correlao.
.
Efeito
Efeito
Contraste
vinculado
A
ABCD
BCD
B
ABCD
ACD
AB
ABCD
CD
C
ABCD
ABD
AC
ABCD
BD
BC
ABCD
AD
ABC
ABCD
D
D
ABCD
ABC
Os efeitos
so:
AD vinculados
ABCD
BC
- A com
BDBCD, ABCD
AC
- B com
ACD,
ABD
ABCD
C
- AB com CD,
CD
ABCD
AB
- C com ABD,
ACD
ABCD
B
- AC com BD,
A
- BCBCD
com AD, ABCD
- ABC com D.
Verifica-se na matriz de correlao, os efeitos que apresentam correlao 1.
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!

1
0
0
0
0
0
0
0
0
0
0
1
0
#DIV/0!

AB

1
0
0
0
0
0
0
0
0
1
0
0
#DIV/0!

AC

1
0
0
0
0
0
0
1
0
0
0
#DIV/0!

BC

1
0
0
0
0
1
0
0
0
0
#DIV/0!

ABC

1
0
0
1
0
0
0
0
0
#DIV/0!

1
1
0
0
0
0
0
0
#DIV/0!

AD

1
0
0
0
0
0
0
#DIV/0!

BD

1
0
0
0
0
0
#DIV/0!

ABD

1
0
0
0
0
#DIV/0!

CD

1
0
0
0
#DIV/0!

ACD

1
0
0
#DIV/0!

BCD

1
0
#DIV/0!

ABCD

1
#DIV/0!

O experimento 24-1 de resoluo IV, ou seja, os efeitos principais esto vinculados com
interaes de trs fatores e as 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,

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

123

poisesto 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.
Um experimento 24-1 seria vivel caso um dos fatores B, C ou D no interagisse com os demais,
ou seja, existiriam razes tcnicas para escolher entre as interaes de dois fatores vinculadas
Por exemplo, se o fator D no interagisse com os demais:

AB com CD;

AC com BD;

BC com AD.

Mas ainda seria necessrio realizar repeties para estimar o termo de erro, pois no sobra
nenhuma interao de mais alta ordem livre uma vez que esto todas vinculadas com efeitos
principais e interaes de dois fatores.

EXEMPLO Experimento 2 4-1Fracionado

9.12

Nmero de cartas processadas por minuto em uma mquina processadora de envelopes depende de
4 fatores:
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,

;
N corresponde a quantidade de ensaios realizadas no experimento fracionado.
No exemplo
A matriz experimental de um projeto fatorial 24
Tratamentos
1
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd

I
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

A
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1

B
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1

AB
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1

C
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1

AC
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1

BC
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1

ABC
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1

D
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1

AD
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
1

BD
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1

ABD
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1

CD
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1

ACD
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1

BCD
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1

ABCD
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

124

Como pode ser visto, o contraste ABCD foi usado na diviso em dois blocos: bloco 1 amarelo
formado pelos sinais positivos e bloco 2 branco formado pelos sinais negativos.
Os engenheiros executaram apenas o bloco 1 amarelo.
Bloco 1

(1) ab ac bc ad bd

Bloco 2

cd abcd

c abc d abdacdbcd

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 pois como no tem repetio no sobraram graus de liberdade;


Mas pode-se verificar que a SQ de A e B so bem maiores do que dos demais fatores;
Os demais fatores (AB,C,AC,BC,D) podem ser usados para estimar o termo de erro;

9.13

PAPEL DE PROBABILIDADE
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.

Efeito
C
D
AC
AB
BC
B
A

Valor Ordem I
-0,75
1
-0,75
2
0,75
3
1,25
4
3,75
5
23,75
6
36,75
7

100((2I-1) / 14)
7,1
21,4
35,7
50,0
64,2
78,6
92,8

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

125

Alternativa para estimar MQR:


Aglutinando as SQ dos efeitos no significativos:
SQR = SQC + SQD + SQAC + SQAB + SQBC = 34,625
SQR = 1,125 + 1,125+ 1,125 + 3,125 + 28,125 = 34,625
MQR = 34,625 / 5 = 6,9
O valor do MQR estimado colocado na tabela para continuar os clculos da tabela ANOVA.

Fonte

SQ

GDL

MQ

p-value

F crit

2701,13

1,00

2701,13

390,05

0,00001

6,61

1128,13

1,00

1128,13

162,91

0,00005

6,61

Erro

34,63

5,00

6,93

Total

3863,90

7,00

Os fatores A e B so significativos.

9.14 EXPERIMENTO 25 COMPLETO VS FRACIONADO

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

126

Matriz experimental de um experimento 2 5 completo


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

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

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

127

No experimento completo no h correlao entre nenhum fator indicando que todos os efeitos
podem ser estudados separadamente. O termo de erro pode ser estimado pelas interaes de trs
fatores e quatro fatores e a interao ABCDE usada para estudar o efeito do bloco.
Matriz experimental 25 fracionado ou seja 25-1 onde foi usado o contraste de definio ABCDE:

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

Sistema para verificao dos efeitos vinculados: multiplica-se o efeito pelo contraste de definio ABCDE
ou realiza-se a matriz de correlao.
Efeito Contraste
A
ABCDE
B
ABCDE
AB
ABCDE
C
ABCDE
AC
ABCDE
BC
ABCDE
ABC
ABCDE
ABCDE
D
AD
ABCDE
BD
ABCDE
ABD
ABCDE
CD
ABCDE
ACD
ABCDE
BCD
ABCDE
ABCD ABCDE

Efeitos vinculados
BCDE
ACDE
CDE
ABDE
BDE
ADE
DE
ABCE
BCE
ACE
CE
ABE
BE
AE
E

Oexperimento 25-1 de resoluo V, pois os efeitos principais esto confundidos com


interaes de quatro fatores, as interaes de dois fatores esto vinculadas com as de trs
(provavelmente no significativas). As interaes de trs fatores no podem ser usadas na
estimativa do termo de erro, pois esto vinculadas com interaes de dois fatores.A
interao ABCDE no pode ser estimada devido ao fracionamento ter sido realizado usando
o seu contraste de definio.Seria necessrio realizar repeties para estimar o termo de erro
ou teste grfico de probabilidade Normal.

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

9.15

128

ALGORITMO DE YATES PARA PROJETOS FATORIAIS FRACIONADOS2k-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, e seja que o
bloco 1 apenas rodado.

9.15.1 Exemplo Algoritmo de Yates


Tratamento Resposta
(1)
a(d)
b(d)
ab
c(d)
ac
bc
abc(d)

9.16

(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

SQ
(3)2 /2 3.1
2701,125
1128,125
3,125
1,125
1,125
28,125
1.125

EXPERIMENTO 2 6-1 FRACIONADO

O experimento 26-1 de resoluo VI, ou seja, os efeitos principais esto confundidos com
interaes de cinco fatores, as interaes de dois fatores esto vinculadas com as de quatro,
e as de trs fatores vinculadas com outras de trs.
As interaes de trs fatores (vinculadas com outras de trs fatores) so utilizadas para
estimar o termo de erro, no sendo necessrio realizar repeties.

9.17

EXPERIMENTO 2 7 COMPLETO VS FRACIONADO

9.17.1 Projeto 27 dividido em dois 27-1


Metade de um 27 =27-1= 64 ensaios;
Confundindo a interao mais alta com os blocos, ou seja, Contraste de definio = ABCDEFG
Dividindo em dois blocos, resulta:
Bloco 1

(1) ab ac bc ad bd

Bloco 2

cd abcd ....

c abc d acdabdbcd .....

Ensaia-se apenas um bloco, mas antes verifica-se os vnculos

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

129

...
...
... etc.
Tomando para erro as interaes de trs e quatro fatores,

Fonte
Efeitos principais A, B, ..., G
(ou interaes de 6 fatores)
Interaes de 2 fatores
(ou interaes de 5 fatores)
Interaes de 3 fatores
(ou interaes de 4 fatores)
Total

GDL
1 para cada

Sub-total
7

1 para cada

21

1 para cada

35
63

9.17.2 Projeto fatorial 27fracionado em quatro 27-1


Seja que no exemplo anterior 27os recursos permitissem rodar apenas 32 ensaios. Assim,
preciso rodar um projeto fracionado em 4.
Escolhendo duas interaes de cinco fatores, por exemplo ABCDE e CDEFG, para fazer a
diviso dos blocos, ento automaticamente uma terceira interao fica confundida:

As interaes confundidas no so independentes


Portanto, devem ser escolhidas com cuidado
Nesse projeto fracionado em 27-2, roda-se dos ensaios, logo cada efeito estar vinculado com
outros trs, por exemplo:
;

Efeitos principais livres de interaes de 2 fatores;


Trs interaes de 2 fatores (AB, AF, AG) vinculadas a outras interaes de 2 fatores
(FG, BG, BF);
Escolher com cuidado os fatores principais A, 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 2 fatores esto confundidas com interaes de 3 fatores ou
mais;
H ainda 6 GDL para o erro, que envolvem apenas interaes de 3 fatores ou mais.

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

130

9.17.3 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

9.18

GDL
1 para cada
1 para cada
1 para cada
1 para cada

Sub-total
7
15
3
6
31

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:

c) Tabela de Yates

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

Tratam.

Resposta

(1)

(2)

(3)

(1)
a
b
ab
c
ac
bc
abc

Efeito

131
SQ

-A = BCD =
B = ACD =

d) 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

374,95

Projeto de Experimentos
9. Experimentos Fatoriais Confundidos em Blocos

132

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

A2=5
B2=20

B1=10

B2=20

C1

C2

C1

C2

C1

C2

D2

D1

D2

D1

D1

D2

113

106

85

80

97

101

10

10 Metodologia de Superfcie
de Resposta e Otimizao
Jos Luis Duarte Ribeiro
Carla tenCaten

10.15

O QUE MODELAGEM
As equaes de regresso podem ser usadas para analisar a relao entre uma
varivel dependente (varivel de resposta) e vrias variveis independentes (fatores
controlveis). A ANOVA permite identificar os fatores controlveis significativos
sobre a VR e os grficos permitem identificar o ajuste timo dos fatores
controlveis, sendo um dos nveis ensaiados. A regresso ainda permite prever o
valor da VR para uma determinada combinao dos fatores controlveis atravs da
equao de regresso e o ajuste timo pode ser um nvel intermedirio.

Quando utilizar:
A ANOVA permite trabalhar com fatores controlveis qualitativos (no-mtricas)
ou quantitativos (mtricas), desde que a VR seja quantitativa. A regresso pode ser
usada quando a VR e os fatores controlveis so quantitativos.
Sob certas circunstncias possvel incluir fatores controlveis no-mtricos
(transformando os FC do tipo ordinais ou nominais em varivel com codificao
dicotmica). Quando a varivel de resposta for no-mtrica utiliza-se a regresso
logstica ou loglinear.
A definio do ajuste timo da ANOVA realizada graficamente e fica restrito aos
ensaios realizados. A definio do ajuste timo da regresso realizada por
Pesquisa operacional e permite interpolao dos fatores controlveis pela equao
de regresso. O ajuste timo pode um nvel intermedirio dos fatores controlveis
que no foi ensaiado.

10.16

METODOLOGIA DE SUPERFCIE DE RESPOSTA

10.16.1 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 ndimensionais.

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 caracterstica 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.

10.16.2 Etapas no uso da MSR


A proposta da MSR responder questes gerais referentes 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,

o modelo quadrtico,

e tambm modelos no lineares.

10.16.3 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 e blocagem, e a
suposio de linearidade pode ser 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

10.16.4 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:

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

Y
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Central

10.16.5 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,...

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

X3 (C)
-1
-1
-1
+1
+1
+1
+1
+1
0
0
0
0

0
0
0

Y
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Fatorial
Estrela
Estrela
Estrela
Estrela
Estrela
Estrela
Central

PCSO para 4 fatores:


X1 (A)

X2 (B)

X3 ( C)

X4 (D)

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

ab

-1

-1

-1

-1

-1

ac

-1

-1

bc

-1

-1

abc

-1

-1

-1

-1

ad

-1

-1

bd

-1

-1

abd

-1

cd

-1

-1

acd

-1

bcd

-1

abcd

estrela X1

alfa

estrela X1

-alfa

estrela X2

alfa

estrela X2

-alfa

estrela X3

alfa

estrela X3

-alfa

estrela X4

alfa

estrela X4

-alfa

ponto central

ponto central

10.16.6 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.

10.16.6.1 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:
onde F se refere ao nmero de pontos da parte fatorial

10.16.6.2 Ortogonalidade
Outra possibilidade atribuir ao projeto a condio de ortogonalidade. Nesse caso,
as estimativas dos coeficientes de termos lineares e quadrticos resultam
independentes, 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:

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.

10.16.6.3 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:

Quando o experimento est dividido em blocos ortogonais, realiza-se a parte


fatorial mais os pontos centrais. Se os pontos centrais detectarem a falta de ajuste
do modelo linear, roda-se a estrela para investigar os efeitos quadrticos, ou seja, a
parte da estrela s realizada caso necessrio.

10.17

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)

= g1 (X1, X2, ..., Xk)


Y2 = g2 (X1, X2, ..., Xk)
Y1

:
Yp

= gp (X1, X2, ..., Xk)

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).

10.17.1 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.Avarivel 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:

onde os parmetros da relao linear, 0 e


atravs de estimativas amostrais:

1, so desconhecidos e estimados

Vamos supor que cada observao Y possa ser descrita pelo modelo:

onde

o erro aleatrio, com mdia 0 e varincia

2.

Na equao de regresso linear simples, os coeficientes so:


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;
Se 1 zero, Y no depende de X e a reta paralela ao eixo X na altura
do valor 0.

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.
Se h n pares de dados (Y1, X1), ..., (Yn, Yn) possvel estimar os parmetros
0 e 1 usando o mtodo dos Mnimos Quadrados Ordinrios (MQO), o qual
busca minimizar os resduos: R Y
Y
i

L=

(Yobs-Yest)2 =

obs

est

(Yi (b0 + b1 Xi))2


Meses(X)
1
2
3
4
5
6
7
8
9
10
11
12

Rendimento(Y)
10,7
10,9
10,8
9,3
9,5
10,4
9
9,3
7,6
7,6
7,9
7,7

O Mtodo dos Quadrados busca minimizar:

Onde b0 e b1 so estimativas amostrais de


seguintes estimativas:
b1 = SXY / SXX

onde:

0 e

1. O uso do mtodo conduz as

Meses(X)
1
2
3
4
5
6
7
8
9
10
11
12
78
6,5

Rendimento(Y)
10,7
10,9
10,8
9,3
9,5
10,4
9
9,3
7,6
7,6
7,9
7,7
110,7
9,225

;
;

Desvio-padro de X

Desvio-padro de Y

Covarincia de X,Y:

Coeficientes:

Equao de regresso:

X^2
1
4
9
16
25
36
49
64
81
100
121
144
650

Y^2
114,49
118,81
116,64
86,49
90,25
108,16
81
86,49
57,76
57,76
62,41
59,29
1039,55

X*Y
10,7
21,8
32,4
37,2
47,5
62,4
63
74,4
68,4
76
86,9
92,4
673,1

10.17.2 Exemplo
Um gerente deseja investigar o efeito do investimento em marketing sobre o volume de
vendas.

Invest

Vendas

R$ 2.000,00

R$ 10.200,00

R$ 2.050,00

R$ 10.900,00

R$ 3.000,00

R$ 11.800,00

R$ 3.500,00

R$ 12.300,00

R$ 4.000,00

R$ 12.990,00

R$ 4.200,00

R$ 13.720,00

R$ 4.860,00

R$ 14.400,00

R$ 5.355,71

R$ 14.980,00

R$ 5.851,43

R$ 15.990,00

R$ 6.347,14

R$ 16.500,00

R$ 6.842,86

R$ 17.920,00

R$ 7.338,57

R$ 17.900,00

R$ 7.834,29

R$ 18.650,00

R$ 8.330,00

R$ 20.089,00

R$ 8.825,71

R$ 20.100,00

R$ 9.321,43

R$ 20.730,00

RESUMO DOS RESULTADOS

Estatstica de regresso
R mltiplo

0,996464396

R-Quadrado 0,992941292
R-quadrado
ajustado

0,992437099

Erro padro

298,2228194

Observaes

16

ANOVA

gl
Regresso

SQ
1

MQ

F de
significao

175149195 1,75E+08 1969,3658 1,83463E-16

Resduo

14

1245115,9 88936,85

Total

15 176394310,9

Coeficientes Erro padro

Stat t

valor-P

95%
inferiores

95%
Inferior Superior
superiores 95,0%
95,0%

Interseo

7469,369498 197,2415564 37,86915 1,661E-15 7046,328434 7892,411 7046,328 7892,411

Invest

1,446165736 0,032587787 44,37754 1,835E-16 1,376271885

1,51606 1,376272 1,51606

Coeficiente de determinao R2
Coeficiente de determinao R2 uma medida de quo bem a equao de regresso se ajusta aos
dados amostrais.
1968ral
1954ral
1941ral
y = 1900ralx + 1920ral
R = 1900ral

1927ral
1913ral
1900ral
1900ral

1905ral

1910ral

1916ral

1921ral

1927ral

1968ral
1954ral
1941ral
y = 1900ralx + 1914ral
R = 1900ral
1927ral
1913ral
1900ral
1900ral

1905ral

1910ral

1916ral

1921ral

1927ral

O coeficiente de determinao 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:

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

S xy2
S xx S yy

46,45 2
143,00 18,34

0,82

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.

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

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.
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:
15
10
5
0
0
-5
-10
-15

10

12

14

Na Figura abaixo (a) representa uma situao onde o ajuste adequado, enquanto
que (b) representa uma situao onde o modelo linear no se ajusta bem aos dados.

Re 0

Re 0

-1

-1

-2

-2

12

16

20

X
(a)

12

16

X
(b)

Caso os resduos no estejam 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.
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:

onde
Dados atpicos
Alguns dados coletados podem estar muito influenciados por fatores externos ao
estudo, ou podem ter sido digitados errados, ou podem ser provenientes de erros de
leitura.
Os resduos padronizados so calculados dividindo-se o resduo pelo desviopadro:

onde:

Considera-se um valor atpico quando o resduo padronizado (Z) for maior do que:
Z > 3,00 considerando um intervalo de confiana de 99,73% ou
Z > 1,96 considerando um intervalo de confiana de 95,00 %

20

Quando h desconfiana da presena destes dados, deve-se verificar a procedncia


dos mesmos e caso sejam valores realmente atpicos, devero ser retirados e uma
nova regresso deve ser feita.
Homogeneidade da varincia
A suposio de homogeneidade da varincia 2 ao longo de todo o intervalo de X
tambm pode ser verificada analisando o grfico de Resduos X.
A Figura abaixo apresenta duas situaes: (a) onde verifica-se a suposio de
homogeneidade, e (b) onde essa suposio violada.

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

(Yobs Yest ) 2

K i (Yi (b0 b1 X i )) 2

Nesse caso, os pesos kiso inversamente proporcionais varincia.


Anlise dos resduos padronizados
Se o resduo de algum ponto tem comportamento diferente dos resduos dos outros pontos
este ponto pode no pertencer a esse grupo de dados. Deve-se observar os valores dos
resduos padronizados para verificar a existncia de valores atpicos.Se houver registro de
alguma causa especial que tenha afetado essa coleta, essa observao pode ser eliminada
do conjunto e a anlise de regresso deve ser rodada novamente, possivelmente
fornecendo um modelo mais preciso.
Os resduos padronizados so calculados dividindo-se o resduo pelo desvio-padro:

Zi

Yobs Yest
S

Yobs

SQR / n 2

b0 b1 X i
S

SQR SYY

b1S XY

Considera-se um valor atpico quando o resduo padronizado (Zi) for maior do que:
Zi> 3,00 (quando o intervalo de confiana adotado for 99,73%);
Zi> 1,96 (quando o intervalo de confiana adotado for 95,00 %.

10.17.3 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 recmcontratados 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.
- 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.

1X1

2X2

...

k Xk

Onde:
Y = valor da varivel dependente
0

= coeficiente de interseco

k = nmero de variveis independentes


X1, X2, ..., Xk, = variveis independentes
1,

2,

...,

= coeficientes das variveis independentes

e = termo de erro
O problema ento estimar o valor dos coeficientes
do tipo:

a partir de um conjunto de dados

X1

X2

...

Xk

y1

x11

x12

...

x1k

y2
.
.
.
yn

x21
.
.
.
xn1

x22
.
.
.
xn2

...
.
.
.
...

x2k
.
.
.
xnk

Ou seja,estimar bo, b1, b2 ...


A regresso pode ser realizada baseada em um experimento planejado onde no
existe correlao entre os fatores controlveis. Neste caso quando
adicionamos/retiramos um fator, os demais coeficientes no se alteram.
A regresso tambm pode ser realizada baseada em dados histricos onde existe
correlao entre os fatores controlveis. Neste caso quando adicionamos/retiramos
um fator, os demais coeficientes se alteram devido a multicolinearidade dos dados.

10.17.4 Exemplo
Um distribuidor de cerveja est analisando seu sistema de distribuio. Ele est
interessado em prever o tempo requerido para atender um ponto de venda. O engenheiro
industrial acredita que os dois fatores mais importantes so o nmero de caixas de
cerveja fornecidas e a distncia do depsito ao posto de venda. Os dados devem ser
coletados pareados. As linhas representam as observaes coletadas e as colunas os
fatores controlveis (Xs) e a Varivel de resposta (Y).
X1: n de
caixas

X2: n de caixas

Y:
tempo

10
15
10
20
25
18
12
14
16
22
24
17
13
30

30
25
40
18
22
31
26
34
29
37
20
25
27
23

24
27
29
31
25
33
26
28
31
39
33
30
25
12

24

33

40

Resoluo:
- Anlise preliminar dos dados: Fazer um grfico de disperso das variveis
independentes versus varivel dependente.

X1 = nmero de caixas

X2 = distncia

Anlise do modelo
Para testar a significncia geral do modelo de regresso realiza-se o
teste de hiptese F para confirmar a inexistncia de relao entre X e
Y .
H0:

H1:

ji

; ...;

=0

0 para pelo menos um

Obtm-se o Fcalculadofazendo

A hiptese nula ser rejeitada quando:


ou

ANOVA

Regresso
Resduo
Total

gl
2
12
14

SQ
331,3585994
118,3747339
449,7333333

MQ
165,67929997
9,864561157

F
16,7954

F de significao
0,000332524

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

2
bi

De modo que para testar as hipteses:


H0:

= 0 e H1:

Usa-se a distribuio de Student, calculando:

A hiptese nula ser rejeitada quando:

ti > t

/2

,n

k 1 ou valor-p < 0,05 (5%)

O valor-p representa a probabilidade de errar na afirmao de que o


fator controlvel tem efeito significativo quando no tem

Coeficientes
2,31120209
0,87720461
0,45592077

Interseo
Varivel X 1
Varivel X 2

Erro padro
5,857302725
0,153034597
0,146762335

Stat t
0,394584709
5,732067324
3,106524374

Valor-p
0,70007
9,4E-05
0,00908

Neste exemplo os fatores controlveisX1 e X2 so significativos, pois os


valores-p so menores que 0,05 (5%). A equao de regresso :

2,31 0,877 X1 0, 459 X 2

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.

Anlisedo coeficiente de determinao R2


R2 uma medida de quo bem a equao de regresso mltipla se ajusta as
dados amostrais e indicaa percentagem da variabilidade total que
explicada pelo modelo de regresso em funo de X.O Coeficiente de
determinao R2 equivale a proporo da varincia dos valores de Y que
pode ser atribuda regresso com a varivel X, logo 0 R 1.

Se
, todas as observaes estaro sobre o hiperplano definido pelo
modelo(caso no houvesse variabilidade residual).
Se
, no h nenhuma relao entre a varivel de resposta e as
variveis independentes.
No exemplo, R2 = 0,7376, ou seja, 73,67% da variabilidade do fenmeno
pode ser explicada pelo modelo de regresso.
Estatstica de regresso
R mltiplo
R-Quadrado
R-quadrado ajustado
Erro padro
Observaes

0,85836418
0,73678906
0,69292057
3,14078989
15

Anlise do R2ajustado
O R2ajustado um ajuste do coeficiente de determinao R2modificado para
levar em considerao o nmero de variveis e o tamanho amostral.
2
Rajustado

n 1
n

k 1

1 R2

Onde: n o tamanho da amostra e k o nmero de variveis independentes


Para analisar o valor do R2ajustadodeve-secompar-lo com o valor do R2. Se
esses valores forem muito diferentes, pode-se afirmar que h um excesso
de variveis no modelo.

Anlise dos grficos dosresduos

Os resduos do ponto 5 tm comportamento diferente dos resduos dos outros


pontos. Este fato pode indicar que este ponto no pertence a esse grupo de dados.
Se houver registro de alguma causa especial que tenha afetado esta entrega em
particular, essa observao pode ser eliminada do conjunto e a anlise poderia ser
refeita, possivelmente fornecendo um modelo mais preciso.

Dados Atpicos
Seguindo na anlise, observar a coluna dos resduos padronizados para verificar a
existncia de valores atpicos. Se isso acontecer o dado atpico deve ser eliminado e
a rotina de regresso deve ser rodada novamente.
Observao
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Y previsto
24,7608713
26,8672905
29,320079
28,0618682
34,2715743
32,234429
24,6915975
30,0933728
29,5681782
38,478772
32,4825282
28,6216997
26,0247228
39,1135182
38,4094982

Resduos
-0,760871317
0,132709479
-0,320079022
2,938131815
-9,271574323
0,765571022
1,308402542
-2,093372844
1,431821786
0,521227954
0,517471829
1,378300256
-1,02472284
2,88648185
1,590501813

Resduos padro
-0,261665052
0,045639035
-0,110075767
1,010428962
-3,188511547
0,263281289
0,449962053
-0,71991479
0,492406159
0,179251257
0,177959518
0,474000006
-0,352404079
0,992666443
0,546976513

Codificao dos nveis


Nas equaes de regresso mltipla, pode ser interessante comparar os efeitos dos
diferentes fatores controlveis (termos) da equao.
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):

NR VC
(( LSI LII ) / 2)

NC

NR (( LSI LII ) / 2 LII )


(( LSI LII ) / 2)

onde:
VC

representa o valor central do intervalo investigado;

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.
O valor central calculado como:
VC

120 100
100 110
2

O nvel 100 oC calculado como:


O nvel 110 oC calculado como
E o nvel 120 oC calculado como

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
(distncia entre -1 e +1), ou seja,
1

efeitoANOV A
2

10.18

ANLISE DA MULTICOLINEARIDADE
Uma das suposies para o modelo de regresso a independncia entre as
variveis controlveis do modelo de regresso, j que quando a correlao entre as
variveis significativa, as inferncias para modelo de regresso so errneas.

A independncia entre os fatores alcanada coletando-se dados atravs de um


experimento fatorial cruzado. Quando a modelagem baseada em dados histricos
sem uma coleta planejada, os dados podem apresentar correlao entre os fatores
controlveis caracterizando a multicolinearidade. A multicolinearidade afeta
principalmente as estimativas da varincia e covarincia dos parmetros de
regresso, pois tende a inflacionar os termos da matriz (XX)-1, o que pode
acarretar na no-aceitao de significncia de algumas variveis controlveis,
mesmo quando a varivel resposta for linearmente relacionada a essas variveis.
Existem quatro situaes que indicam multicolinearidade:
1. Grandes alteraes nas estimativas dos parmetros quando uma varivel
adicionada/removida do modelo;
2. O resultado do teste F de significncia do modelo de regresso indica que a
regresso estatisticamente significante, mas nenhum dos testes t indica
significncia dos coeficientes de inclinao;
3. Os coeficientes de regresso apresentam sinais algbricos contrrios aos
esperados em experimentos anteriores ou conhecimentos tericos;
4. Variveis teoricamente importantes para o modelo no so consideradas
estatisticamente significantes.
Existem duas tcnicas principais para o diagnstico da multicolinearidade:
(i) a anlise da matriz de correlao;
(ii) o fator de inflao da varincia (FIV).
A primeira tcnica consiste na inspeo dos elementos rij que no pertencem
diagonal da matriz de correlao (XX). Se os regressores xi e xj forem linearmente
dependentes, ento rij aproximadamente igual a 0.
A segunda tcnica calcula o Rj como sendo o coeficiente de determinao mltiplo
de um modelo de regresso de xj sobre as demais k-1 variveis de controle, calculase o FIVj.

FIV j

C jj

1
1 R 2j

FIVj o elemento Cjj da diagonal da matriz (XX)-1 e indica quantas vezes a


estimativa da varincia do parmetro j est sendo inflacionada.
Se o FIVj for aproximadamente igual a 1, a varivel de controle j independente
das demais variveis de controle.
Recomenda-se adotar como limite mximo do FIV valores entre 5 e 10.
Para a soluo da multicolinearidade, existem algumas solues:
- coleta de novos dados de forma a combater a multicolinearidade entre as
variveis controlveis;
- remoo de algumas variveis do modelo;

- combinaes de algumas variveis (divises, multiplicaes, somas, etc) e a


utilizao da regresso corrigida;
- uso de projetos de experimentos, j que envolvem um planejamento de coleta de
dados que garante a ortogonalidade das variveis de controle;
- modelagem atravs de regresso PLS.

10.19

SELEO DE VARIVEIS DO MODELO


-Quando existir um nmero muito grande de variveis candidatas ao modelo (n>30
ou 40), a anlise do modelo de regresso pode tornar-se muito complexa por parte
do usurio. Dessa forma, sugere-se a utilizao de algum mtodo que pr-selecione
as variveis mais importantes para caracterizar a varivel resposta.
Existem 3 categorias diferentes do mtodo passo-a-passo:
1. seleo progressiva,
2. eliminao regressiva e
3. regresso por etapas.
A estatstica F parcial, que o valor do teste F para a varivel xi dado que as
variveis xj (ji) j esto no modelo:

Fi

SQ Re g (

QMR( x j , xi )

A seleo progressiva consiste na adio gradual de variveis controlveis ao


modelo. Esse mtodo inicia com o modelo com apenas o parmetro de intercepto e,
a seguir, seleciona-se a varivel de controle que apresenta maior coeficiente de
correlao simples com a resposta.
Caso o F parcial para essa varivel for maior que fentra, deve-se adicionar essa
varivel ao modelo. A cada etapa deste mtodo, seleciona-se a varivel que
apresente maior correlao com a resposta, essa adicionada desde que o valor do
teste parcial F seja maior que fentra. O procedimento finaliza assim que nenhuma
varivel puder ser adicionada ao modelo.
A eliminao regressiva consiste na remoo gradual de variveis controlveis do
modelo que contenha todas as variveis candidatas. Como primeiro passo deve-se
calcular o valor F parcial para todas as variveis como se cada uma delas fosse a
ltima a entrar no modelo.
A seguir, seleciona-se a varivel que possua o menor valor parcial F, se esse valor
for menor que fsai, deve-se retirar essa varivel do modelo. A cada etapa desse
mtodo, seleciona-se a varivel que apresentar menor valor parcial F, essas so
removidas sempre que o valor do teste parcial F for menor que fsai. Quando no
existirem variveis a serem excludas do modelo, o mtodo se finaliza.
A regresso por etapas a combinao da seleo progressiva e da eliminao
regressiva. Inicia-se com o modelo com nenhuma varivel e a cada etapa escolhe-

se a varivel com maior correlao com a resposta, que dever ser adicionada ao
modelo se Fi>fentra. Caso a varivel xi seja inserida no modelo, analisa-se a
possibilidade de retirada das outras variveis j selecionadas dado que xi est
presente. O procedimento termina assim que no existir nenhuma varivel para ser
includa ou removida do modelo.

10.20

SELEO DO MELHOR MODELO


O primeiro critrio a escolha do modelo que maximiza o coeficiente de
determinao. Esse critrio deve ser utilizado com cuidado, pois a adio de novas
variveis ao modelo acarreta um aumento do R2, sem de fato melhorar o modelo.
Neste caso possvel utilizar o coeficiente de determinao ajustado. Essa
estatstica uma modificao do coeficiente de determinao, que considera
tambm o nmero de variveis do modelo, penalizando modelos que possuam mais
variveis. O segundo critrio seria a escolha do modelo que apresente esses dois
coeficientes aproximadamente iguais.
Um outro critrio lgico a escolha do modelo que apresente menor estimativa
para os erros, ou seja, deve-se escolher o modelo que minimize MQR. Dessa
forma, os critrios para escolha de modelos devem balancear a minimizao do
MQR com o aumento da complexidade da equao.

10.21

FUNO DE PERDA MULTIVARIADA

10.21.1 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 como funo objetivo a ser otimizada. 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:
Zi

K j (Y j T j ) 2

Z(i) a perda associada com o desvio da meta, para a unidade i;


Y o valor medido da VRjcoletada em um determinado ajuste i dos FC i;
T a meta para a respectiva VRj;
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 k, tm duas


funes:
a) normalizar os valores que representam os desvios do alvo, obtidos nas unidades
de grandeza da VR, para que os desvios de todas as VR possam ser diretamente
comparveis;
b) considerar a importncia relativa (IRj) de cada VR.
Para todas as variveis de resposta Yj, deve-se conhecer de antemo o seu valor
alvo, os limites de especificao e a importncia relativa (IRj).
Existem trs tipos variveis de resposta: nominal--melhor, maior--melhor e
menor--melhor.
Nominal--melhor se refere s caractersticas que tm um valor alvo e qualquer
desvio deste valor (para cima ou para baixo) incorre em uma perda de qualidade.
Por exemplo, seja uma caracterstica de qualidade cujo valor alvo T = 6,0 e
especificaes de +/- 3,0.
Nominal--melhor:
P er d a
20
15

L ( y)

10
5
0
0

12

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:

P er d a
14
12
10

L (y)

8
6
4
2
0
0

12

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:

P er d a
3 0 ,0 0
2 5 ,0 0
2 0 ,0 0

L (y)

1 5 ,0 0
1 0 ,0 0
5 ,0 0
0 ,0 0
0

12

10.21.2 FUNO PERDA MULTIVARIADA


A expresso da funo de perda multivariada a seguinte:

onde: Z(i) o valor que a funo de perda Z assume para um dado ajuste do
conjunto dos fatores controlveis;
Kj a ponderao atribuda a VR "j";

o modelo matemtico que fornece uma estimativa da mdia da VR j em


Y
j
funo do ajuste 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, 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

IR1
(alvo1

LIE1 )

Y1 T1

IR2

( LSE2

LIE2 ) / 2

Y2

T2

10.21.3 Notas sobre a Funo perda Multivariada


Vale observar que a perda funo das equaes das VR, 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.
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 ou Response Optmizer do Minitabpodem ser usados para identificar a
melhor combinao dos fatores controlveis que otimiza o conjunto das variveis de
resposta simultaneamente.

Bibliografia
1. ANG, A.H-S. & Tang, W.H. (1984), Probability Concepts in
Engineering Planning and Design. John Wiley and Sons, New York.
2. BOWKER & Lieberman, (1959), Engineering Statistics. Prentice
Hall, Inc., Englewood Cliffs, New Jersey, USA.
3. BOX, G., Hunter, W.G., and Hunter, J.S. (1978), Statistics for
experimenters, John Wiley and Sons, New York.
4. DUNCAN, A.J. (1974), Quality Control and Industrial Statistics,
4th ed., Irwin, Homewood, ILL.
5. HICKS, C.R. (1973), Fundamental Concepts in the Design of
Experiments. John Wiley and Sons, New York.
6. JOHNSON, N.L. & Leone, F.C. (1977), Statistics and Experimental
Design. John Wiley and Sons, New York.
7. MILLER, I. & Freund, J.E. (1977), Probability and Statistics for
Engineers. 2nd ed., Prentice Hall, Inc., Englewood Cliffs, New Jersey,
USA.
8. MONTGOMERY, D.C. (1984), Design and analysis of
experiments. John Wiley and Sons, New York, 2nd ed.
9. MONTGOMERY, D.C. (1985), Introduction to Statistical Quality
Control. John Wiley and Sons, New York.
10. SHAPIRO, S.S. & Gross, A.J. (1981), Statistical Modeling
Technique. Marcel Dekker, Inc, New York.
11. SNEDECOR, G.W. & Cochran, W.G. (1980), Statistical Methods.
7th ed., The Iowa State Univ. Press, Iowa, USA.
12. WERKEMA, M. C. C. Ferramentas Estatsticas Bsicas para o
Gerenciamento do Processo, Fundao Christiano Ottoni, Escola de
Engenharia da UFMG, Belo Horizonte, MG,1995
13. WERKEMA, M. C. C. Planejamento de experimentos, Fundao
Christiano Ottoni, Escola de Engenharia da UFMG, Belo Horizonte,
MG,1995

reas sob a curva normal


(Cauda da esquerda)
z

0,09

0,08

0,07

0,06

0,05

0,04

0,03

0,02

0,01

0,00

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

-3,9
-3,8
-3,7
-3,6
-3,5
-3,4
-3,3
-3,2
-3,1
-3,0
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0

0,0000
0,0001
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0010
0,0014
0,0019
0,0026
0,0036
0,0048
0,0064
0,0084
0,0110
0,0143
0,0183
0,0233
0,0294
0,0367
0,0455
0,0559
0,0681
0,0823
0,0985
0,1170
0,1379
0,1611
0,1867
0,2148
0,2451
0,2776
0,3121
0,3483
0,3859
0,4247
0,4641

0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0005
0,0007
0,0010
0,0014
0,0020
0,0027
0,0037
0,0049
0,0066
0,0087
0,0113
0,0146
0,0188
0,0239
0,0301
0,0375
0,0465
0,0571
0,0694
0,0838
0,1003
0,1190
0,1401
0,1635
0,1894
0,2177
0,2483
0,2810
0,3156
0,3520
0,3897
0,4286
0,4681

0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0005
0,0008
0,0011
0,0015
0,0021
0,0028
0,0038
0,0051
0,0068
0,0089
0,0116
0,0150
0,0192
0,0244
0,0307
0,0384
0,0475
0,0582
0,0708
0,0853
0,1020
0,1210
0,1423
0,1660
0,1922
0,2206
0,2514
0,2843
0,3192
0,3557
0,3936
0,4325
0,4721

0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0015
0,0021
0,0029
0,0039
0,0052
0,0069
0,0091
0,0119
0,0154
0,0197
0,0250
0,0314
0,0392
0,0485
0,0594
0,0721
0,0869
0,1038
0,1230
0,1446
0,1685
0,1949
0,2236
0,2546
0,2877
0,3228
0,3594
0,3974
0,4364
0,4761

0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0016
0,0022
0,0030
0,0040
0,0054
0,0071
0,0094
0,0122
0,0158
0,0202
0,0256
0,0322
0,0401
0,0495
0,0606
0,0735
0,0885
0,1056
0,1251
0,1469
0,1711
0,1977
0,2266
0,2578
0,2912
0,3264
0,3632
0,4013
0,4404
0,4801

0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0008
0,0012
0,0016
0,0023
0,0031
0,0041
0,0055
0,0073
0,0096
0,0125
0,0162
0,0207
0,0262
0,0329
0,0409
0,0505
0,0618
0,0749
0,0901
0,1075
0,1271
0,1492
0,1736
0,2005
0,2296
0,2611
0,2946
0,3300
0,3669
0,4052
0,4443
0,4840

0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0004
0,0006
0,0009
0,0012
0,0017
0,0023
0,0032
0,0043
0,0057
0,0075
0,0099
0,0129
0,0166
0,0212
0,0268
0,0336
0,0418
0,0516
0,0630
0,0764
0,0918
0,1093
0,1292
0,1515
0,1762
0,2033
0,2327
0,2643
0,2981
0,3336
0,3707
0,4090
0,4483
0,4880

0,0000
0,0001
0,0001
0,0001
0,0002
0,0003
0,0005
0,0006
0,0009
0,0013
0,0018
0,0024
0,0033
0,0044
0,0059
0,0078
0,0102
0,0132
0,0170
0,0217
0,0274
0,0344
0,0427
0,0526
0,0643
0,0778
0,0934
0,1112
0,1314
0,1539
0,1788
0,2061
0,2358
0,2676
0,3015
0,3372
0,3745
0,4129
0,4522
0,4920

0,0000
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0009
0,0013
0,0018
0,0025
0,0034
0,0045
0,0060
0,0080
0,0104
0,0136
0,0174
0,0222
0,0281
0,0351
0,0436
0,0537
0,0655
0,0793
0,0951
0,1131
0,1335
0,1562
0,1814
0,2090
0,2389
0,2709
0,3050
0,3409
0,3783
0,4168
0,4562
0,4960

0,0000
0,0001
0,0001
0,0002
0,0002
0,0003
0,0005
0,0007
0,0010
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9

0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,9990
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
1,0000

0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9987
0,9991
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
1,0000

0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987
0,9991
0,9994
0,9995
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000

0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9988
0,9991
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000

0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9988
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000

0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000

0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000

0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989
0,9992
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000

0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9990
0,9993
0,9995
0,9996
0,9997
0,9998
0,9999
0,9999
0,9999
1,0000

0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,9990
0,9993
0,9995
0,9997
0,9998
0,9998
0,9999
0,9999
0,9999
1,0000

Distribuio de Student - cauda da direita


Pr (t >talfa) = alfa

GL

Nvel de
significncia - alfa
0,250
0,100

0,050

0,025

0,010

0,005

1
2
3
4
5
6

1,000
0,816
0,765
0,741
0,727
0,718

3,078
1,886
1,638
1,533
1,476
1,440

6,314
2,920
2,353
2,132
2,015
1,943

12,706
4,303
3,182
2,776
2,571
2,447

31,821
6,965
4,541
3,747
3,365
3,143

63,656
9,925
5,841
4,604
4,032
3,707

7
8
9
10
11

0,711
0,706
0,703
0,700
0,697

1,415
1,397
1,383
1,372
1,363

1,895
1,860
1,833
1,812
1,796

2,365
2,306
2,262
2,228
2,201

2,998
2,896
2,821
2,764
2,718

3,499
3,355
3,250
3,169
3,106

12
13
14
15
16

0,695
0,694
0,692
0,691
0,690

1,356
1,350
1,345
1,341
1,337

1,782
1,771
1,761
1,753
1,746

2,179
2,160
2,145
2,131
2,120

2,681
2,650
2,624
2,602
2,583

3,055
3,012
2,977
2,947
2,921

17
18
19
20
21

0,689
0,688
0,688
0,687
0,686

1,333
1,330
1,328
1,325
1,323

1,740
1,734
1,729
1,725
1,721

2,110
2,101
2,093
2,086
2,080

2,567
2,552
2,539
2,528
2,518

2,898
2,878
2,861
2,845
2,831

22
23
24
25
26

0,686
0,685
0,685
0,684
0,684

1,321
1,319
1,318
1,316
1,315

1,717
1,714
1,711
1,708
1,706

2,074
2,069
2,064
2,060
2,056

2,508
2,500
2,492
2,485
2,479

2,819
2,807
2,797
2,787
2,779

27
28
29
inf

0,684
0,683
0,683
0,674

1,314
1,313
1,311
1,282

1,703
1,701
1,699
1,645

2,052
2,048
2,045
1,960

2,473
2,467
2,462
2,326

2,771
2,763
2,756
2,576

Distribuio do Qui Quadrado - cauda da direita


Pr (QQ >QQalfa) = alfa

GL

Nvel de
significncia alfa
0,995 0,990 0,975

0,950

0,900

0,010

0,050

0,025

0,010

0,005

1
2
3
4
5
6

0,0000
0,010
0,072
0,207
0,412
0,676

0,0002
0,020
0,115
0,297
0,554
0,872

0,0010
0,051
0,216
0,484
0,831
1,237

0,0039
0,103
0,352
0,711
1,145
1,635

0,016
0,211
0,584
1,064
1,610
2,204

6,635
9,210
11,345
13,277
15,086
16,812

3,841
5,991
7,815
9,488
11,070
12,592

5,024
7,378
9,348
11,143
12,832
14,449

6,635
9,210
11,345
13,277
15,086
16,812

7,879
10,597
12,838
14,860
16,750
18,548

7
8
9
10
11

0,989
1,344
1,735
2,156
2,603

1,239
1,647
2,088
2,558
3,053

1,690
2,180
2,700
3,247
3,816

2,167
2,733
3,325
3,940
4,575

2,833
3,490
4,168
4,865
5,578

18,475
20,090
21,666
23,209
24,725

14,067
15,507
16,919
18,307
19,675

16,013
17,535
19,023
20,483
21,920

18,475
20,090
21,666
23,209
24,725

20,278
21,955
23,589
25,188
26,757

12
13
14
15
16

3,074
3,565
4,075
4,601
5,142

3,571
4,107
4,660
5,229
5,812

4,404
5,009
5,629
6,262
6,908

5,226
5,892
6,571
7,261
7,962

6,304
7,041
7,790
8,547
9,312

26,217
27,688
29,141
30,578
32,000

21,026
22,362
23,685
24,996
26,296

23,337
24,736
26,119
27,488
28,845

26,217
27,688
29,141
30,578
32,000

28,300
29,819
31,319
32,801
34,267

17
18
19
20
21

5,697
6,265
6,844
7,434
8,034

6,408
7,015
7,633
8,260
8,897

7,564
8,231
8,907
9,591
10,283

8,672
9,390
10,117
10,851
11,591

10,085
10,865
11,651
12,443
13,240

33,409
34,805
36,191
37,566
38,932

27,587
28,869
30,144
31,410
32,671

30,191
31,526
32,852
34,170
35,479

33,409
34,805
36,191
37,566
38,932

35,718
37,156
38,582
39,997
41,401

22
23
24
25
26

8,643
9,260
9,886
10,520
11,160

9,542
10,196
10,856
11,524
12,198

10,982
11,689
12,401
13,120
13,844

12,338
13,091
13,848
14,611
15,379

14,041
14,848
15,659
16,473
17,292

40,289
41,638
42,980
44,314
45,642

33,924
35,172
36,415
37,652
38,885

36,781
38,076
39,364
40,646
41,923

40,289
41,638
42,980
44,314
45,642

42,796
44,181
45,558
46,928
48,290

27
28
29
30

11,808
12,461
13,121
13,787

12,878
13,565
14,256
14,953

14,573
15,308
16,047
16,791

16,151
16,928
17,708
18,493

18,114
18,939
19,768
20,599

46,963
48,278
49,588
50,892

40,113
41,337
42,557
43,773

43,195
44,461
45,722
46,979

46,963
48,278
49,588
50,892

49,645
50,994
52,335
53,672

Distribuio F - cauda da direita


Pr (F >Falfa(n1,n2)) = alfa
Nvel de significncia - alfa = 0,05
n1 1

Nvel de significncia - alfa = 0,05

161,4
18,51
10,13
7,71
6,61
5,99

199,5
19,00
9,55
6,94
5,79
5,14

215,7
19,16
9,28
6,59
5,41
4,76

224,6
19,25
9,12
6,39
5,19
4,53

230,2
19,30
9,01
6,26
5,05
4,39

234,0
19,33
8,94
6,16
4,95
4,28

236,8
19,35
8,89
6,09
4,88
4,21

238,9
19,37
8,85
6,04
4,82
4,15

7
8
9
10
11

5,59
5,32
5,12
4,96
4,84

4,74
4,46
4,26
4,10
3,98

4,35
4,07
3,86
3,71
3,59

4,12
3,84
3,63
3,48
3,36

3,97
3,69
3,48
3,33
3,20

3,87
3,58
3,37
3,22
3,09

3,79
3,50
3,29
3,14
3,01

12
13
14
15
16

4,75
4,67
4,60
4,54
4,49

3,89
3,81
3,74
3,68
3,63

3,49
3,41
3,34
3,29
3,24

3,26
3,18
3,11
3,06
3,01

3,11
3,03
2,96
2,90
2,85

3,00
2,92
2,85
2,79
2,74

17
18
19
20
21

4,45
4,41
4,38
4,35
4,32

3,59
3,55
3,52
3,49
3,47

3,20
3,16
3,13
3,10
3,07

2,96
2,93
2,90
2,87
2,84

2,81
2,77
2,74
2,71
2,68

22
23
24
25
26

4,30
4,28
4,26
4,24
4,23

3,44
3,42
3,40
3,39
3,37

3,05
3,03
3,01
2,99
2,98

2,82
2,80
2,78
2,76
2,74

27
28
29
30
40

4,21
4,20
4,18
4,17
4,08

3,35
3,34
3,33
3,32
3,23

2,96
2,95
2,93
2,92
2,84

60
80
100
500

4,00
3,96
3,94
3,86

3,15
3,11
3,09
3,01

2,76
2,72
2,70
2,62

n2
1
2
3
4
5
6

10

12

15

20

30

40

60

120

500

240,5
19,38
8,81
6,00
4,77
4,10

n1
n2
1
2
3
4
5
6

241,9
19,40
8,79
5,96
4,74
4,06

243,9
19,41
8,74
5,91
4,68
4,00

245,9
19,43
8,70
5,86
4,62
3,94

248,0
19,45
8,66
5,80
4,56
3,87

250,1
19,46
8,62
5,75
4,50
3,81

251,1
19,47
8,59
5,72
4,46
3,77

252,2
19,48
8,57
5,69
4,43
3,74

253,3
19,49
8,55
5,66
4,40
3,70

254,1
19,49
8,53
5,64
4,37
3,68

3,73
3,44
3,23
3,07
2,95

3,68
3,39
3,18
3,02
2,90

7
8
9
10
11

3,64
3,35
3,14
2,98
2,85

3,57
3,28
3,07
2,91
2,79

3,51
3,22
3,01
2,85
2,72

3,44
3,15
2,94
2,77
2,65

3,38
3,08
2,86
2,70
2,57

3,34
3,04
2,83
2,66
2,53

3,30
3,01
2,79
2,62
2,49

3,27
2,97
2,75
2,58
2,45

3,24
2,94
2,72
2,55
2,42

2,91
2,83
2,76
2,71
2,66

2,85
2,77
2,70
2,64
2,59

2,80
2,71
2,65
2,59
2,54

12
13
14
15
16

2,75
2,67
2,60
2,54
2,49

2,69
2,60
2,53
2,48
2,42

2,62
2,53
2,46
2,40
2,35

2,54
2,46
2,39
2,33
2,28

2,47
2,38
2,31
2,25
2,19

2,43
2,34
2,27
2,20
2,15

2,38
2,30
2,22
2,16
2,11

2,34
2,25
2,18
2,11
2,06

2,31
2,22
2,14
2,08
2,02

2,70
2,66
2,63
2,60
2,57

2,61
2,58
2,54
2,51
2,49

2,55
2,51
2,48
2,45
2,42

2,49
2,46
2,42
2,39
2,37

17
18
19
20
21

2,45
2,41
2,38
2,35
2,32

2,38
2,34
2,31
2,28
2,25

2,31
2,27
2,23
2,20
2,18

2,23
2,19
2,16
2,12
2,10

2,15
2,11
2,07
2,04
2,01

2,10
2,06
2,03
1,99
1,96

2,06
2,02
1,98
1,95
1,92

2,01
1,97
1,93
1,90
1,87

1,97
1,93
1,89
1,86
1,83

2,66
2,64
2,62
2,60
2,59

2,55
2,53
2,51
2,49
2,47

2,46
2,44
2,42
2,40
2,39

2,40
2,37
2,36
2,34
2,32

2,34
2,32
2,30
2,28
2,27

22
23
24
25
26

2,30
2,27
2,25
2,24
2,22

2,23
2,20
2,18
2,16
2,15

2,15
2,13
2,11
2,09
2,07

2,07
2,05
2,03
2,01
1,99

1,98
1,96
1,94
1,92
1,90

1,94
1,91
1,89
1,87
1,85

1,89
1,86
1,84
1,82
1,80

1,84
1,81
1,79
1,77
1,75

1,80
1,77
1,75
1,73
1,71

2,73
2,71
2,70
2,69
2,61

2,57
2,56
2,55
2,53
2,45

2,46
2,45
2,43
2,42
2,34

2,37
2,36
2,35
2,33
2,25

2,31
2,29
2,28
2,27
2,18

2,25
2,24
2,22
2,21
2,12

27
28
29
30
40

2,20
2,19
2,18
2,16
2,08

2,13
2,12
2,10
2,09
2,00

2,06
2,04
2,03
2,01
1,92

1,97
1,96
1,94
1,93
1,84

1,88
1,87
1,85
1,84
1,74

1,84
1,82
1,81
1,79
1,69

1,79
1,77
1,75
1,74
1,64

1,73
1,71
1,70
1,68
1,58

1,69
1,67
1,65
1,64
1,53

2,53
2,49
2,46
2,39

2,37
2,33
2,31
2,23

2,25
2,21
2,19
2,12

2,17
2,13
2,10
2,03

2,10
2,06
2,03
1,96

2,04
2,00
1,97
1,90

60
80
100
500

1,99
1,95
1,93
1,85

1,92
1,88
1,85
1,77

1,84
1,79
1,77
1,69

1,75
1,70
1,68
1,59

1,65
1,60
1,57
1,48

1,59
1,54
1,52
1,42

1,53
1,48
1,45
1,35

1,47
1,41
1,38
1,26

1,41
1,35
1,31
1,16

Distribuio F - cauda da direita


Pr (F >Falfa(n1,n2)) = alfa
Nvel de significncia - alfa = 0,025
n1 1

Nvel de significncia - alfa = 0,025

647,8
38,51
17,44
12,22
10,01
8,81

799,5
39,00
16,04
10,65
8,43
7,26

864,2
39,17
15,44
9,98
7,76
6,60

899,6
39,25
15,10
9,60
7,39
6,23

921,8
39,30
14,88
9,36
7,15
5,99

937,1
39,33
14,73
9,20
6,98
5,82

948,2
39,36
14,62
9,07
6,85
5,70

956,6
39,37
14,54
8,98
6,76
5,60

7
8
9
10
11

8,07
7,57
7,21
6,94
6,72

6,54
6,06
5,71
5,46
5,26

5,89
5,42
5,08
4,83
4,63

5,52
5,05
4,72
4,47
4,28

5,29
4,82
4,48
4,24
4,04

5,12
4,65
4,32
4,07
3,88

4,99
4,53
4,20
3,95
3,76

12
13
14
15
16

6,55
6,41
6,30
6,20
6,12

5,10
4,97
4,86
4,77
4,69

4,47
4,35
4,24
4,15
4,08

4,12
4,00
3,89
3,80
3,73

3,89
3,77
3,66
3,58
3,50

3,73
3,60
3,50
3,41
3,34

17
18
19
20
21

6,04
5,98
5,92
5,87
5,83

4,62
4,56
4,51
4,46
4,42

4,01
3,95
3,90
3,86
3,82

3,66
3,61
3,56
3,51
3,48

3,44
3,38
3,33
3,29
3,25

22
23
24
25
26

5,79
5,75
5,72
5,69
5,66

4,38
4,35
4,32
4,29
4,27

3,78
3,75
3,72
3,69
3,67

3,44
3,41
3,38
3,35
3,33

27
28
29
30
40

5,63
5,61
5,59
5,57
5,42

4,24
4,22
4,20
4,18
4,05

3,65
3,63
3,61
3,59
3,46

60
80
100
500

5,29
5,22
5,18
5,05

3,93
3,86
3,83
3,72

3,34
3,28
3,25
3,14

n2
1
2
3
4
5
6

10

12

15

20

30

40

60

120

500

963,3
39,39
14,47
8,90
6,68
5,52

n1
n2
1
2
3
4
5
6

968,6
39,40
14,42
8,84
6,62
5,46

976,7
39,41
14,34
8,75
6,52
5,37

984,9
39,43
14,25
8,66
6,43
5,27

993,1
39,45
14,17
8,56
6,33
5,17

1001,4
39,46
14,08
8,46
6,23
5,07

1005,6
39,47
14,04
8,41
6,18
5,01

1009,8
39,48
13,99
8,36
6,12
4,96

1014,0
39,49
13,95
8,31
6,07
4,90

1017,2
39,50
13,91
8,27
6,03
4,86

4,90
4,43
4,10
3,85
3,66

4,82
4,36
4,03
3,78
3,59

7
8
9
10
11

4,76
4,30
3,96
3,72
3,53

4,67
4,20
3,87
3,62
3,43

4,57
4,10
3,77
3,52
3,33

4,47
4,00
3,67
3,42
3,23

4,36
3,89
3,56
3,31
3,12

4,31
3,84
3,51
3,26
3,06

4,25
3,78
3,45
3,20
3,00

4,20
3,73
3,39
3,14
2,94

4,16
3,68
3,35
3,09
2,90

3,61
3,48
3,38
3,29
3,22

3,51
3,39
3,29
3,20
3,12

3,44
3,31
3,21
3,12
3,05

12
13
14
15
16

3,37
3,25
3,15
3,06
2,99

3,28
3,15
3,05
2,96
2,89

3,18
3,05
2,95
2,86
2,79

3,07
2,95
2,84
2,76
2,68

2,96
2,84
2,73
2,64
2,57

2,91
2,78
2,67
2,59
2,51

2,85
2,72
2,61
2,52
2,45

2,79
2,66
2,55
2,46
2,38

2,74
2,61
2,50
2,41
2,33

3,28
3,22
3,17
3,13
3,09

3,16
3,10
3,05
3,01
2,97

3,06
3,01
2,96
2,91
2,87

2,98
2,93
2,88
2,84
2,80

17
18
19
20
21

2,92
2,87
2,82
2,77
2,73

2,82
2,77
2,72
2,68
2,64

2,72
2,67
2,62
2,57
2,53

2,62
2,56
2,51
2,46
2,42

2,50
2,44
2,39
2,35
2,31

2,44
2,38
2,33
2,29
2,25

2,38
2,32
2,27
2,22
2,18

2,32
2,26
2,20
2,16
2,11

2,26
2,20
2,15
2,10
2,06

3,22
3,18
3,15
3,13
3,10

3,05
3,02
2,99
2,97
2,94

2,93
2,90
2,87
2,85
2,82

2,84
2,81
2,78
2,75
2,73

2,76
2,73
2,70
2,68
2,65

22
23
24
25
26

2,70
2,67
2,64
2,61
2,59

2,60
2,57
2,54
2,51
2,49

2,50
2,47
2,44
2,41
2,39

2,39
2,36
2,33
2,30
2,28

2,27
2,24
2,21
2,18
2,16

2,21
2,18
2,15
2,12
2,09

2,14
2,11
2,08
2,05
2,03

2,08
2,04
2,01
1,98
1,95

2,02
1,99
1,95
1,92
1,90

3,31
3,29
3,27
3,25
3,13

3,08
3,06
3,04
3,03
2,90

2,92
2,90
2,88
2,87
2,74

2,80
2,78
2,76
2,75
2,62

2,71
2,69
2,67
2,65
2,53

2,63
2,61
2,59
2,57
2,45

27
28
29
30
40

2,57
2,55
2,53
2,51
2,39

2,47
2,45
2,43
2,41
2,29

2,36
2,34
2,32
2,31
2,18

2,25
2,23
2,21
2,20
2,07

2,13
2,11
2,09
2,07
1,94

2,07
2,05
2,03
2,01
1,88

2,00
1,98
1,96
1,94
1,80

1,93
1,91
1,89
1,87
1,72

1,87
1,85
1,83
1,81
1,66

3,01
2,95
2,92
2,81

2,79
2,73
2,70
2,59

2,63
2,57
2,54
2,43

2,51
2,45
2,42
2,31

2,41
2,35
2,32
2,22

2,33
2,28
2,24
2,14

60
80
100
500

2,27
2,21
2,18
2,07

2,17
2,11
2,08
1,97

2,06
2,00
1,97
1,86

1,94
1,88
1,85
1,74

1,82
1,75
1,71
1,60

1,74
1,68
1,64
1,52

1,67
1,60
1,56
1,42

1,58
1,51
1,46
1,31

1,51
1,43
1,38
1,19

Distribuio F - cauda da direita


Pr (F >Falfa(n1,n2)) = alfa
Nvel de significncia
- alfa =
n1 1
2
3
4

Nvel de significncia
- alfa =
n1 10
12
15
20

0,01
5

n2
1
2
3
4
5
6

4052
98,50
34,12
21,20
16,26
13,75

4999
99,00
30,82
18,00
13,27
10,92

5404
99,16
29,46
16,69
12,06
9,78

5624
99,25
28,71
15,98
11,39
9,15

5764
99,30
28,24
15,52
10,97
8,75

5859
99,33
27,91
15,21
10,67
8,47

5928
99,36
27,67
14,98
10,46
8,26

5981
99,38
27,49
14,80
10,29
8,10

7
8
9
10
11

12,25
11,26
10,56
10,04
9,65

9,55
8,65
8,02
7,56
7,21

8,45
7,59
6,99
6,55
6,22

7,85
7,01
6,42
5,99
5,67

7,46
6,63
6,06
5,64
5,32

7,19
6,37
5,80
5,39
5,07

6,99
6,18
5,61
5,20
4,89

12
13
14
15
16

9,33
9,07
8,86
8,68
8,53

6,93
6,70
6,51
6,36
6,23

5,95
5,74
5,56
5,42
5,29

5,41
5,21
5,04
4,89
4,77

5,06
4,86
4,69
4,56
4,44

4,82
4,62
4,46
4,32
4,20

17
18
19
20
21

8,40
8,29
8,18
8,10
8,02

6,11
6,01
5,93
5,85
5,78

5,19
5,09
5,01
4,94
4,87

4,67
4,58
4,50
4,43
4,37

4,34
4,25
4,17
4,10
4,04

22
23
24
25
26

7,95
7,88
7,82
7,77
7,72

5,72
5,66
5,61
5,57
5,53

4,82
4,76
4,72
4,68
4,64

4,31
4,26
4,22
4,18
4,14

27
28
29
30
40

7,68
7,64
7,60
7,56
7,31

5,49
5,45
5,42
5,39
5,18

4,60
4,57
4,54
4,51
4,31

60
80
100
500

7,08
6,96
6,90
6,69

4,98
4,88
4,82
4,65

4,13
4,04
3,98
3,82

0,01
30

40

6209
99,45
26,69
14,02
9,55
7,40

6260
99,47
26,50
13,84
9,38
7,23

62
99
26
13
9,
7,

6,31
5,52
4,96
4,56
4,25

6,16
5,36
4,81
4,41
4,10

5,99
5,20
4,65
4,25
3,94

5,
5,
4,
4,
3,

4,16
3,96
3,80
3,67
3,55

4,01
3,82
3,66
3,52
3,41

3,86
3,66
3,51
3,37
3,26

3,70
3,51
3,35
3,21
3,10

3,
3,
3,
3,
3,

3,59
3,51
3,43
3,37
3,31

3,46
3,37
3,30
3,23
3,17

3,31
3,23
3,15
3,09
3,03

3,16
3,08
3,00
2,94
2,88

3,00
2,92
2,84
2,78
2,72

2,
2,
2,
2,
2,

22
23
24
25
26

3,26
3,21
3,17
3,13
3,09

3,12
3,07
3,03
2,99
2,96

2,98
2,93
2,89
2,85
2,81

2,83
2,78
2,74
2,70
2,66

2,67
2,62
2,58
2,54
2,50

2,
2,
2,
2,
2,

3,15
3,12
3,09
3,07
2,89

27
28
29
30
40

3,06
3,03
3,00
2,98
2,80

2,93
2,90
2,87
2,84
2,66

2,78
2,75
2,73
2,70
2,52

2,63
2,60
2,57
2,55
2,37

2,47
2,44
2,41
2,39
2,20

2,
2,
2,
2,
2,

2,72
2,64
2,59
2,44

60
80
100
500

2,63
2,55
2,50
2,36

2,50
2,42
2,37
2,22

2,35
2,27
2,22
2,07

2,20
2,12
2,07
1,92

2,03
1,94
1,89
1,74

1,
1,
1,
1,

6022
99,39
27,34
14,66
10,16
7,98

n2
1
2
3
4
5
6

6056
99,40
27,23
14,55
10,05
7,87

6107
99,42
27,05
14,37
9,89
7,72

6157
99,43
26,87
14,20
9,72
7,56

6,84
6,03
5,47
5,06
4,74

6,72
5,91
5,35
4,94
4,63

7
8
9
10
11

6,62
5,81
5,26
4,85
4,54

6,47
5,67
5,11
4,71
4,40

4,64
4,44
4,28
4,14
4,03

4,50
4,30
4,14
4,00
3,89

4,39
4,19
4,03
3,89
3,78

12
13
14
15
16

4,30
4,10
3,94
3,80
3,69

4,10
4,01
3,94
3,87
3,81

3,93
3,84
3,77
3,70
3,64

3,79
3,71
3,63
3,56
3,51

3,68
3,60
3,52
3,46
3,40

17
18
19
20
21

3,99
3,94
3,90
3,85
3,82

3,76
3,71
3,67
3,63
3,59

3,59
3,54
3,50
3,46
3,42

3,45
3,41
3,36
3,32
3,29

3,35
3,30
3,26
3,22
3,18

4,11
4,07
4,04
4,02
3,83

3,78
3,75
3,73
3,70
3,51

3,56
3,53
3,50
3,47
3,29

3,39
3,36
3,33
3,30
3,12

3,26
3,23
3,20
3,17
2,99

3,65
3,56
3,51
3,36

3,34
3,26
3,21
3,05

3,12
3,04
2,99
2,84

2,95
2,87
2,82
2,68

2,82
2,74
2,69
2,55