Академический Документы
Профессиональный Документы
Культура Документы
PLANEJAMENTO FATORIAL
O planejamento fatorial é uma técnica bastante utilizada quando se tem duas ou mais
variáveis independentes (fatores). Ele permite uma combinação de todas as variáveis em todos
os níveis, obtendo-se assim uma análise de uma variável, sujeita a todas as combinações das
demais.
Planejamentos fatoriais são extremamente úteis para medir os efeitos (ou influências)
de uma ou mais variáveis na resposta de um processo. O usual é realizar um planejamento
com dois níveis, no máximo três. O uso de mais níveis aumentaria sobremaneira o número de
pontos experimentais, fato este que se quer evitar quando se propõe um planejamento.
O planejamento fatorial é a única maneira de prever interação entre os fatores.
A representação de um planejamento fatorial em dois níveis é 2k, onde 2 significa o
número de níveis e k o número de fatores. No caso de três níveis, tem-se 3k.
Um planejamento de experimentos é dito ser ortogonal se
n n
xki xli 0
i 1
e x
i 1
ki 0 k , l, k l (1)
onde n é o número de experimentos e x é a variável independente. Um planejamento de
experimentos ortogonal leva a parâmetros independentes (ou seja, não há correlação entre os
parâmetros, resultando em uma matriz diagonal para a covariância), se os modelos forem
lineares e se não houver erros nas variáveis independentes. Todo planejamento fatorial com
igual número de réplicas é ortogonal, mas nem todo planejamento ortogonal é fatorial,
conforme mostrado abaixo.
Razão: O planejamento é ortogonal por obedecer à Equação (1) e é fatorial pelo fato da
combinação dos níveis.
x1 -1 -1 1 1
x2 1 2 -1 -2
Razão: O planejamento é ortogonal por obedecer à Equação (1) e não é fatorial, visto que não
há combinação dos níveis.
1
O planejamento fatorial 2k utiliza k fatores analisados em 2 níveis. No caso de se ter 4
variáveis, 24 = 16, significando com isso que 16 experimentos devem ser realizados. Esse tipo
de planejamento é particularmente útil nos estágios iniciais de um trabalho experimental,
quando se têm muitas variáveis a se investigar. Esse procedimento fornece o menor número
de corridas com os quais os k fatores podem ser estudados em um planejamento fatorial
completo. Conseqüentemente, esses planejamentos são largamente usados em experimentos
de varredura de fatores.
A seguir, estudar-se-á alguns tipos comuns de planejamento fatorial 2k.
Este é o tipo mais simples de planejamento fatorial, em que só envolve dois fatores
estudados em dois níveis. Esses níveis são chamados de baixo e alto, sendo representados, por
convenção, como (-) e (+), respectivamente.
De modo a entender o procedimento desse planejamento, um exemplo, tirado do livro
de Box e Draper (1958), é apresentado a seguir.
EXEMPLO 1
X i representa o valor médio original entre os níveis inferior e superior do fator i. Para o
exemplo em questão, fica-se com:
2
13,5 14 14 ,5 14
c 1 c 1
14 ,5 13,5 14 ,5 13,5
2 2
124 126 128 126
t 1 t 1
128 124 128 124
2 2
Uma maneira prática de apresentar os resultados da Tabela 2.11 é dada na Figura 2.2.
Os vértices do quadrado representam as médias da fluidez para cada experimento, nos níveis
especificados.
As diferenças y 4 - y 3 = 76,2 – 73,2 = 3,0 e y 2 - y1 = 67,6 – 60,2 = 7,4 representam
uma estimativa dos efeitos da variação da concentração de 14,5% para 13,5%, nos níveis mais
alto e mais baixo de temperatura, respectivamente. Essas diferenças são conhecidas como
efeitos simples da concentração, nos respectivos níveis de temperatura. Os efeitos simples da
concentração são mostrados, através das setas, na Figura 2.3.
FLUIDEZ
2**(2-0)
13,5 14,5
CONCENTRAÇÃO
3
FLUIDEZ
2**(2-0)
(-) (+)
128
TEMPERATURA
(-) (+)
124
13,5 14,5
CONCENTRAÇÃO
4
Os efeitos simples em relação à temperatura são apresentados, através das setas, na
Figura 2.4.
FLUIDEZ
2**(2-0)
(+) (+)
128
TEMPERATURA
(-) (-)
124
13,5 14,5
CONCENTRAÇÃO
5
FLUIDEZ
2**(2-0)
(-) (+)
128
TEMPERATURA
(+) (-)
124
13,5 14,5
CONCENTRAÇÃO
A soma dos efeitos simples da interação, ou seja, 8,6 - 13,0 ou 3 – 7,4, é chamada de
contraste, que por sua vez é chamado de efeito total da interação.
6
1
( y1 y 2 y 3 y 4 ) (35)
2
b) Modelo de Regressão
O modelo de regressão usado para um planejamento fatorial com apenas dois fatores é
dado por:
y o 1 x1 2 x2 12 x12 (36)
Esse modelo pode ser expresso em termos das variáveis escalonadas ou em termos das
variáveis originais. Se expresso em termos das variáveis escalonadas, o parâmetro estimado
o representa a média global das observações. Os outros dois parâmetros estimados são
iguais à metade do efeito respectivo, uma vez que os primeiros medem o efeito de uma
variação unitária em x sobre a média de y, enquanto que os segundos são baseados em uma
mudança de duas unidades (de – 1 a + 1).
No caso do exemplo em estudo, o modelo de regressão é dado por:
F
G I F IJ F I
H JK G
H KG H JK
5,2 10,8 2,2
Fluidez 69,3 c t ct (37)
2 2 2
em que c e t são as variáveis escalonadas, referentes à concentração e à temperatura. Esse
modelo pode ser expresso em termos das variáveis originais, se a Equação (21) for substituída
na Equação (37).
F
G IF IJ F IJF IJ F IJF IJF IJ
H JKG G
H K KG KG KG
H KG
5,2 C 14 10,8 T 126 2,2 C 14 T 126
Fluidez 69,3
2 H H
0,5
2 1,0 H
2 H0,5 1,0K (38)
Para fazer um planejamento fatorial com dois níveis, escolha a opção Experimental
design, aparecendo a seguinte janela:
7
O Statistica fornece duas opções: gerar o planejamento e depois analisá-lo. Gerar o
planejamento significa criar a matriz de planejamento, evitando assim ter de entrar com todas
as combinações características de um planejamento fatorial. Deve-se escolher o número de
fatores, o número de blocos (geralmente um) e o número de corridas experimentais. A opção
mais simples é aquela apresentada pela janela anterior. Depois de pressionar OK, obtém-se:
8
Clicando-se duas vezes em DV_1, muda-se o nome colocando-se Fluidez. Os valores
experimentais devem ser colocados, obedecendo à ordem das colunas dos fatores, ficando-se
com:
9
Ao pressionar OK, uma janela contendo um resumo aparecerá e depois obtém-se:
10
Os coeficientes de regressão são obtidos pela opção Regression coefficients.
Pelo fato de não se ter réplicas dos pontos experimentais, nenhum teste estatístico
pode ser feito, não se conseguindo saber com isso a significância estatística dos efeitos e dos
parâmetros de regressão.
Os gráficos das médias marginais podem ser gerados selecionando-se a opção próxima
a Means.
68
66
64
62 CONC
13.5
60
58 CONC
124, 128, 14.5
TEMP
11
Se essas linhas fossem perfeitamente paralelas, o efeito de interação não seria
importante. Analisando esse gráfico, nota-se que a fluidez é maior no nível superior da
concentração e da temperatura.
Um gráfico mostrando o plano envolvendo as variáveis é mostrado na figura a seguir,
após escolher a opção Surface:
Superfície Ajustada; Variável Fluidez
2**(2-0) design
59.575
61.369
63.164
64.958
66.753
68.547
70.342
72.136
73.931
75.725
above
127.5
126.5
59.575
TEMP
61.369
63.164 125.5
64.958
66.753
68.547
70.342 124.5
72.136
73.931
75.725 123.5
above 13.4 13.6 13.8 14.0 14.2 14.4 14.6
CONC
Ao longo de cada linha desse gráfico, tem-se o mesmo valor da variável de resposta.
Se essas linhas forem paralelas, o efeito de interação não é importante.
Valores previstos para a variável de resposta são obtidos pela opção Predic. dep. var.
vals.. Devem-se escolher os valores para concentração e temperatura dentro da faixa dos
valores experimentais.
12
Ao se pressionar OK, obtém-se:
13
Tabela 2.13 Saída do Statistica, Considerando as Réplicas
Pode-se notar que, para os níveis observados, os fatores não foram relevantes, visto
que o valor do p-level foi acima de 5%. Quando esses valores ficam abaixo de 5%, a linha do
efeito correspondente aparece vermelha. O modelo matemático seria então:
Analisando os valores dos desvios-padrão, observa-se que eles são maiores do que o
valor real dos efeitos e dos parâmetros, invalidando assim o modelo matemático proposto. O
coeficiente de determinação é muito baixo. A atitude agora seria propor um outro modelo ou
desconfiar da qualidade dos dados experimentais, pois está havendo uma grande dispersão
entre seus valores. O coeficiente de determinação foi muito baixo.
O gráfico das médias pode ser visualizado na Figura 2.12, notando que, como as linhas
nos diferentes níveis de temperatura não se cruzam, o efeito de interação entre a concentração
e a temperatura é praticamente inexistente.
O diagrama de Pareto, Figura 2.13, apresenta de forma rápida e clara os efeitos que
são importantes, estatisticamente falando. Os efeitos cujos retângulos estiverem à direita da
linha divisória (p = 0,05) devem ser considerados no modelo matemático.
14
Plot of Marginal Means
DV: FLUIDEZ
Design: 2**(2-0) design
75
74
73
72
71
FLUIDEZ
70
69
68
67 TEMP
66 124,
65 TEMP
64
13,5 14,5 128,
CONCENTRAÇÃO
Figura 2.12 Gráfico das médias dos tratamentos.
(2)TEMP ,935912
(1)CONC ,5399492
1by2 ,1799831
(2)TEMP 5,2
(1)CONC 3,
1by2 1,
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0
Effect Estimate (Absolute Value)
Figura 2.14 Gráfico de Pareto em função dos valores dos efeitos.
15
Fitted Surface; Variable: FLUIDEZ
2**(2-0) design; MS Pure Error=61,74
FLUIDEZ
65,918
66,836
67,755
68,673
69,591
70,509
71,427
72,345
73,264
74,182
above
128,5
65,918
127,5
66,836
67,755 126,5
TEMP
68,673
69,591
125,5
70,509
71,427
72,345 124,5
73,264
74,182 123,5
above 13,4 13,6 13,8 14,0 14,2 14,4 14,6
CONC
O gráfico de valores previstos versus valores observados é dado na Figura 2.17. Uma
vez que os desvios-padrão dos parâmetros foram maiores que os próprios.
16
Observed vs. Predicted Values
2**(2-0) design; MS Pure Error=61,74
FLUIDEZ
75
74
Valores Previstos
73
72
71
70
69
68
67
66
65
64
56 58 60 62 64 66 68 70 72 74 76 78 80 82
Valores Observados
Figura 2.17 Gráfico de valores observados versus valores previstos.
sendo ni o número de réplicas em cada uma das 2k corridas no planejamento e Si2 a estimativa
da variância na i-ésima corrida. As 2k estimativas de variância podem ser combinadas de
modo a fornecer uma estimativa global da variância:
2k n
1
S k
2
2 (n 1) i 1 j 1
( yij yi ) 2 (40)
Essa é também a variância estimada, dada pela média quadrática do erro na análise de
variância. A variância de cada efeito é:
Contraste 1 F
G IJ
Var ( Efeito) Var
n2 k 1
n2 k 1
2
H
Var (Contraste) (41) Kc h
Var (Contraste) n2 k 2 (42)
2
Var ( Efeito) (43)
n2 k
e o erro-padrão do efeito é dado por:
2S
ep( Efeito) (44)
n2 k
Os intervalos de confiança de 100(1 - )% para os efeitos são calculados a partir de:
17
Tabela 2.13 - Variância dos Experimentos com Réplicas
Experimento 1 2 3 4 5 6 7 8
Valores 59,2 61,2 66,6 68,6 72,2 74,2 73,2 79,2
individuais
Variância 2 2 2 18
EXEMPLO 5: Uma máquina é usada para encher reservatórios metálicos de 5 galões com
refrigerante. A variável de resposta é a quantidade de refrigerante perdida devido a espumas.
Três fatores influenciam, possivelmente, a formação de espuma: o projeto do bocal, a
velocidade de enchimento e a pressão de operação. Três níveis são usados, com duas réplicas.
Os dados experimentais estão dispostos na Tabela 2.14.
18
Tabela 2.14 – Dados Experimentais para o Exemplo 5
Tipo de Bocal
1 2 3
Pressão Velocidade (em rpm)
(em psi) 100 120 140 100 120 140 100 120 140
10 -35 -45 -40 17 -65 20 -39 -55 15
-25 -60 15 24 -58 4 -35 -67 -30
15 110 -10 80 55 -55 110 90 -28 110
75 30 54 120 -44 44 113 -26 135
20 4 -40 31 -23 -64 -20 -30 -61 54
5 -30 36 -5 -62 -31 -55 -52 4
O Statistica apresenta duas tabelas para a Anova; uma juntando a soma quadrática para
os termos lineares e outra separando a influência de cada termo. Analisando essa tabela,
conclui-se que os termos quadráticos da pressão e da velocidade, o efeito de interação entre o
termo linear da pressão e o termo quadrático do bocal, o efeito de interação entre o termo
quadrático da pressão e o termo quadrático do velocidade e o efeito de interação entre o termo
quadrático do bocal e o termo linear da velocidade são importantes.
19
Tabela 2.16 – Saída 2 da Anova para o Exemplo 5
20
Pareto Chart of Standardized Effects; Variable: PERDA
3 3-level factors, 1 Blocks, 54 Runs; MS Pure Error=426.5
DV: PERDA
p=.05
PRESSAO(Q) 12.69216
VELOC(Q) -11.8395
1Qby3Q -5.09028
1Lby2Q -3.20138
2Qby3L -2.32828
2Lby3L 1.996578
1Qby2Q -1.82855
(3)VELOC(L) 1.815816
1Qby3L -1.79757
2Lby3Q -1.6549
2Qby3Q -1.62098
1Qby2L 1.580717
1Lby2L -1.23551
BOCAL(Q) -1.23008
1Lby3L .9982889
(1)PRESSAO(L) .968435
(2)BOCAL(L) -.903873
1Lby3Q .0171197
-2 0 2 4 6 8 10 12 14
Effect Estimate (Absolute Value)
-126,14
-98,747
-71,353
-43,96
-16,567
10,827
38,22
65,613
93,007
120,4
above
-92,227
-66,05
-39,873
-13,695
12,482
38,659
64,836
91,013
117,191
143,368
above
21
Fitted Surface; Variable: PERDA
3 3-level factors, 1 Blocks, 54 Runs; MS Pure Error=426.5
PERDA
-141,606
-108,793
-75,98
-43,166
-10,353
22,46
55,273
88,086
120,899
153,712
above
Uma maneira de resolver tal problema é considerar que termos de ordens superiores
podem ser negligenciados e que os termos principais e de ordens inferiores podem ser obtidos
através de uma fração do planejamento fatorial completo. Esses planejamentos fatoriais
fracionários estão entre os tipos mais usados de planejamento para projeto de produtos e
processos e para melhoria de processos.
O uso principal do planejamento fracionário é para selecionar quais fatores têm os
maiores efeitos. Na etapa inicial de um planejamento com muitas variáveis independentes, as
mais importantes são detectadas e um novo planejamento é feito considerando apenas as
variáveis que apresentaram os maiores efeitos.
Um planejamento completo com 4 fatores exigirá a realização de 16 experimentos
(sem considerar as réplicas). Se por qualquer motivo não se puder fazer os 16 experimentos,
deve-se pegar uma meia-fração, que corresponde a 8 experimentos, chamando-se esse
planejamento de 24-1 = 23, onde o “1” no expoente significa uma meia-fração.
As combinações lineares de um planejamento fracionário são calculadas pela relação:
22
Contrastei
li (48)
N /2
em que N = 2k-p = número total de observações e Contrastei é o valor do contraste do i-ésimo
efeito. Esse contraste é facilmente calculado colocando-se os valores da variável dependente,
precedidos do sinal correspodente a cada ponto experimental. De modo a entender melhor
esse planejamento, analise o exemplo a seguir.
SOLUÇÃO: Como só existem pontos experimentais suficientes para 3 fatores, o quarto fator
deve ser obtido através da multiplicação dos três efeitos principais 123. Os efeitos de
interação de segunda ordem são criados pelos produtos respectivos das colunas 1, 2 e 3, A
matriz de planejamento nesse caso será:
com I = a coluna da identidade. Como essa relação contém 4 termos no lado direito, diz-se
que o planejamento tem resolução IV (usam-se algarismos romanos), sendo representado por
2 4III1 . Os planejamentos com resolução III, IV e V são os mais comuns, cujas definições são:
23
Foi visto anteriormente que o efeito principal 4 nada mais é do que o produto dos
efeitos principais 1, 2 e 3. Diz-se assim que o efeito 4 se confundiu ou se sobrepôs ao efeito
de terceira ordem 123. Essa superposição acontece com outros efeitos, todos determinados a
partir da relação de definição do planejamento, I = 1234.
Pela Tabela 2.19 e Equação (49), as combinações lineares dos efeitos são dadas
escrevendo-se as variáveis de resposta, acompanhadas dos sinais dos respectivos efeitos.
1
l1 ( 45 100 45 65 75 60 80 96) = 19
8/2
1
l2 ( 45 100 45 65 75 60 80 96) = 1,5
4
1
l3 ( 45 100 45 65 75 60 80 96) = 14
4
1
l4 ( 45 100 45 65 75 60 80 96) = 16,50
4
1
l12 (45 100 45 65 75 60 80 96) = -1
4
1
l13 (45 100 45 65 75 60 80 96) = - 18,5
4
1
l14 (45 100 45 65 75 60 80 96) = 19
4
1
l23 (45 100 45 65 75 60 80 96) = 19
4
1
l24 ( 45 100 45 65 75 60 80 96) = -18,5
4
1
l34 ( 45 100 45 65 75 60 80 96) = 19
4
1
l123 ( 45 100 45 65 75 60 80 96) = 16,50
4
1
l234 ( 45 100 45 65 75 60 80 96) = 19
4
1
l124 ( 45 100 45 65 75 60 80 96) = 14
4
1
l134 ( 45 100 45 65 75 60 80 96) = 1,5
4
24
Combinações Representação
l1 = l234 l1 1 + 234
l2 = l134 l2 2 + 134
l3 = l124 l3 3 + 124
l4 = l123 l4 4 + 123
l12 = l34 l12 12 + 34
l13 = l24 l13 13 + 24
l14 = l23 l14 14 + 23
l23 = l14 l23 23 + 14
l24 = l13 l24 24 + 13
l34 = l12 l34 34 + 12
Isso quer dizer que é impossível diferenciar os efeitos principais dos efeitos de terceira
ordem e os efeitos de segunda ordem com efeitos de segunda ordem; ou seja, ao se estimarem
os efeitos principais, está-se na verdade estimando a soma de cada um deles com os
respectivos efeitos de terceira ordem. Dois ou mais efeitos que tenham essa propriedade são
chamados de aliases. Pela tabela acima, 1 e 234, 2 e 134, etc. são aliases.
Uma outra ionterpretação que se pode tirar da tabela acima é que l1 1 + 234
significa que o valor do efeito principal, l1, calculado pelo planejamento fracionário, é igual à
soma do efeito principal do fator 1 com o efeito de interação de terceira ordem dos fatores
234, calculados pelo planejamento completo.
Pelos valores dos efeitos calculados anteriormente, percebe-se que os efeitos
principais 1, 3 e 4 e os efeitos de interação de segunda ordem 12 e 14 são importantes. De
modo a verificar a significância estatística desses efeitos, os testes são necessários. Para isso,
o Statistica será utilizado.
Deve-se escolher a mesma opção usada para o planejamento completo. Assim, pode-se
gerar o planejamento da mesma forma de antes, escolhendo-se 4 parâmetros e 8 corridas.
25
Isso quer dizer que todos os efeitos não podem ser calculados, havendo uma superposição
entre eles. As janelas seguintes dizem exatamente quais são esse efeitos superpostos e quais
são as combinações lineares.
Essa última saída diz que todos esses efeitos são combinações lineares de outros
efeitos e não podem ser estimados.
A tabela da anova terá o seguinte aspecto, mostrando claramente que o teste F não
pode ser realizado, por não ter suficientes graus de liberdade.
Verifica-se que para esse planejamento, apenas o modelo com nenhuma interação vai
permitir a realização do teste F e, consequentemente, a determinação da significância
estatística dos efeitos.
26
Essa tabela mostra que nenhum efeito foi estatisticamente relevante. Mas a intenção de
um planejamento fracionário é detectar a importância relativa dos efeitos e verificar a
possibilidade de eliminar os fatores que sejam bem menos importantes. Isso pode ser visto
pela média quadrática ou pelo valor dos efeitos dos fatores. Pela tabela da anova, observa-se o
que já se havia percebido: A pressão e o efeito de interação de segunda ordem entre a
temperatura e a pressão não são importantes.
O gráfico de Pareto mostra claramente quais os efeitos que são mais relevantes.
Pareto Chart of Effects; Variable : TAXAFIL2
2**(4-1) desig n
Taxa de Filtração
-2 0 2 4 6 8 10 12 14 16 18 20 22
(1)TEMP2 19.
1by4 19.
1by3 -18.5
(4)AGITA2 16.5
(3)FORMAL2 14.
(2)PRESSAO2 1.5
1by2 -1.
-2 0 2 4 6 8 10 12 14 16 18 20 22
Effect Estimate (Absolute Valu e)
27
Os efeitos que não são importantes podem ser eliminados do estudo, simplificando a
equação de regressão para:
Y 70,75 9,5T 7 F 8,25 A 9,25TF 9,5TA
em que T = temperatura, F = formaldeído e A = agitação.
Todos os efeitos superpostos podem ser vistos se a opção Aliases of factors for
selecionada, apresentando as sguintes janelas:
28
Percebe-se assim que o efeito principal da temperatura e o efeito de interação de
segunda ordem entre a temperatura e o formaldeído são estatisticamente significantes e que os
efeitos principais do formaldeído e da agitação e o efeito de interação de segunda ordem entre
a temperatura e a agitação são marginalmente significativos. Esse resultado coincide com a
tendência encontrada anteriormente, mostrando assim a utilidade e a confiança de um
planejamento fracionário.
Pela tabela acima, verifica-se que:
Representação Comprovação
l1 1 + 234 19 = 21,625-2,625
l2 2 + 134 1,50 = 3,125 – 1,625
l3 3 + 124 14 = 9,875 + 4,125
l4 4 + 123 16,50 = 14,625 + 1,875
l12 12 + 34 - 1 = 0,125 – 1,125
l13 13 + 24 - 18,50 = -18,125 – 0,375
l14 14 + 23 19 = 16,625 +2,375
Com relação ao planejamento fracionário com 3 níveis, Box e Behnken (1960)
propuseram um planejamento, que é geralmente muito eficiente em termos do número
29
requerido de corridas experimentais. O Statistica gera e analisa esse tipo de planejamento na
opção 3(k-p) and Box-Behnken designs.
30
O Statistica gera vários planejamentos de Plackett-Burman. Para demonstrar o uso do
Statistica, abra o exemplo Allergy, que está no diretório Examples. Esse problema tem como
objetivo determinar quais fatores, de 35, são relevantes com respeito a sintomas de alergia,
como dificuldade para respirar, olhos lacrimejando e fadiga.
Após abrir o arquivo, escolha a opção Analyze results e selecione as variáveis de modo
a obter a janela:
31
Pelo fato de se ter 4 informações no ponto central, é possível verificar o erro
experimental e a curvatura. Nesse tipo de planejamento, não tem interação de qualquer
espécie.
A tabela da anova apresenta o teste F de regressão, que é possível devido aos pontos
centrais utilizados.
Observa-se assim que alguns fatores são importantes e que outros não são. As mesmas
análises feitas anteriormente se aplicam aqui. As outras variáveis de resposta podem ser
analisadas uma de cada vez.
O planejamento fatorial com dois níveis supõe uma linearidade nos efeitos dos fatores.
Quando os termos de interação entre os fatores são adicionados, o modelo é capaz de
representar alguma torção que haja no plano. Dependendo da curvatura desse plano, um
32
modelo quadrático, chamado de modelo de superfície de resposta de segunda ordem,
Equação (50), deve ser proposto.
k k
y o j x j ij xi x j jj x 2j (50)
j 1 i j j 1
De modo a estimar todos os parâmetros desse modelo, mais pontos devem ser
adicionados ao planejamento fatorial de dois níveis. Esses pontos correspondem a pontos
centrais, uma vez que eles não afetam as estimativas usuais dos efeitos. Deve-se considerar
fatores quantitativos.
Considere o planejamento 22, com uma observação em cada vértice (-,-), (-,+), (+,-) e
(+,+) e com nc observações no ponto central (0,0). Faça y F ser a média das quatro corridas
nos pontos do planejamento fatorial e yC ser a média das nc corridas no ponto central. Se a
diferença y F - yC for pequena, então os pontos centrais estão no (ou próximo do) plano
passando através dos pontos do planejamento fatorial, não havendo portanto curvatura
quadrática. Se y F - yC for grande, então a curvatura será importante. A soma quadrática para
a curvatura quadrática pura é dada por:
n n ( y yC ) 2
SQquadrática pura F C F (51)
nF nC
Essa quantidade deve ser comparada com a média quadrática do erro para testar a curvatura
quadrática pura. Na realidade, deve-se testar as hipóteses:
k k
H0: jj 0 e H1: jj 0
j 1 j 1
No caso de não se ter réplicas nos pontos do planejamento, pode-se usar os nc pontos
centrais para construir uma estimativa do erro com nc – 1 graus de liberdade.
33
SQE
(y i y)2
MQE
pontos centrais (52)
nc 1 nc 1
A média dos pontos na porção fatorial é y F = 40,425 e a média nos pontos centrais é
yC = 40,46; a diferença portanto, - 0,035, parece ser pequena. A Tabela 2.23 apresenta a
anova.
Pode-se observar que a curvatura não foi importante, implicando dizer que não há
evidências de que os termos quadráticos devam existir (11 + 22 = 0), pelo menos na região
observada. O termo de interação também não foi importante, conforme mostra a Figura 2.22,
uma vez que as linhas são paralelas.
Plot of Marginal Means
DV: REND
Design: 2**(2-0) design
42.0
41.5
41.0
Rendimento
40.5
40.0
TEMP
39.5 150.
39.0 TEMP
30. 40. 160.
Tempo (min)
Figura 2.22 Gráfico das médias para o Exemplo 7.
34
Figura 2.23 Pontos necessários ao planejamento composto central.
35