CAPÍTULO 15

PLANEJAMENTO FATORIAL

15.1 Planejamento Fatorial Completo

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.

Planejamento ortogonal e fatorial:

x1 -1 -1 1 1
x2 -1 1 -1 1

Razão: O planejamento é ortogonal por obedecer à Equação (1) e é fatorial pelo fato da
combinação dos níveis.

Planejamento ortogonal e não fatorial:

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.

Quanto maior o número de níveis, menor a correlação entre dois parâmetros. No

entanto, observa-se que a correlação diminui muito lentamente com o aumento do número de
níveis.
A seguir, será apresentada uma análise detalhada de alguns planejamentos.
15.2 Planejamento Fatorial 2k

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.

2.3.1. Planejamento Fatorial 22

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

Variável de Resposta: Capacidade de um fluido escoar

Fatores: Temperatura nos níveis 124oC e 128oC
Concentração de um dado material na alimentação nos níveis 13,5% e 14,5%

a) Cálculo dos Efeitos

A matriz de planejamento é construída fazendo todas as combinações possíveis entre

os níveis dos dois fatores, resultando em:

Tabela 2.10 - Dados do Exemplo 1

Experimento Concentração (%) Temperatura (oC) Fluidez
1 13,5 124 y1 = 60,2
2 14,5 124 y 2 = 67,6
3 13,5 128 y 3 = 73,2
4 14,5 128 y 4 = 76,2

Em planejamento de experimentos, é muito comum se trabalhar com as variáveis

escalonadas (ou escaladas, segundo alguns autores brasileiros) ou codificadas, em que seus
valores originais são convertidos em – 1 e + 1 para os níveis inferior (baixo) e superior (alto),
respectivamente. Esse escalonamento é feito da seguinte forma:
 X i  X i  X i  X i
xi    1 xi    1
X i  X i X i  X i (21)
2 2
 
em que X e X representam os valores originais do fator i, nos níveis inferior e superior,
i i

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

A Tabela 2.10 pode ser expressa através dessas novas variáveis.

Tabela 2.11 – Matriz de Planejamento em Termos das Variáveis Escalonadas

Experimento Concentração (%) Temperatura (oC) Fluidez
1 -1 -1 y1 = 60,2
2 +1 -1 y 2 = 67,6
3 -1 +1 y 3 = 73,2
4 +1 +1 y 4 = 76,2

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)

73,2 (3) 76,2 (4)

128
TEMPERATURA

60,2 (1) 67,6 (2)

124

13,5 14,5
CONCENTRAÇÃO

Figura 2.2 Representação dos Valores Médios da Fluidez – Exemplo 1.

3
 FLUIDEZ
2**(2-0)

(-) (+)
128
TEMPERATURA

(-) (+)
124

13,5 14,5
CONCENTRAÇÃO

Figura 2.3 Nova representação dos efeitos simples da concentração.

A média desses dois efeitos simples é chamada de efeito principal da concentração.

1 1
C ( y 4  y3 )  ( y 2  y1 )  5,2 (22)
2 2
Uma outra forma de calcular o efeito principal é através da equação a seguir:
1 1
C ( y 4  y 2 )  ( y 3  y1 )  5,2 (23)
2 2
C  y   y   5,2 (24)
Cada termo dessa equação representa a média dos efeitos simples, entre os resultados das
corridas em alta e em baixa concentrações.
A soma dos efeitos simples da concentração, ou seja, 3,0 + 7,4, é chamada de
contraste, que por sua vez é chamado de efeito total da concentração. Na realidade, o
contraste é o dobro do efeito principal.

ContrasteConcentração = y 4 - y3 + y 2 - y1 = 3,0 + 7,4

A soma quadrática para a concentração é dada em termos do contraste, pela fórmula:

( ContrasteConcentração ) 2 ( y 4  y 3  y 2  y1 ) 2
SQConcentração   (25)
abn abn
sendo n o número de réplicas.
No caso em estudo,
( 76 ,2  73,2  67 ,6  60 ,2 ) 2
SQConcentração   27 ,04
2 x 2( 1 )

As diferenças y 4 - y 2 = 76,2 – 67,6 = 8,6 e y3 - y1 = 73,2 – 60,2 = 13,0

representam uma estimativa dos efeitos da variação da temperatura de 128oC para 124oC, nos
níveis mais alto e mais baixo de concentração, respectivamente. A média desses dois efeitos
simples é chamada de efeito principal da temperatura.
1 1
T  ( y 4  y 2 )  ( y3  y1 )  10,8 (26)
2 2
1 1
T  ( y 4  y3 )  ( y 2  y1 )  10,8 (27)
2 2
T  y   y   10,8 (28)

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

Figura 2.4 Nova representação dos efeitos simples da temperatura.

Pode-se ver que o efeito simples da concentração e da temperatura na fluidez é maior

nos níveis mais baixos de temperatura (7,4) e de concentração (13,0) do que nos níveis mais
altos de temperatura (3,0) e de concentração (8,6). Parte dessa diferença pode ser atribuída a
erros experimentais.
A soma dos efeitos simples da temperatura, ou seja, 8,6+13,0, é chamada de contraste,
que por sua vez é chamado de efeito total da temperatura.
ContrasteTemperatura = y 4 - y 2 + y3 - y1 = 8,6 + 13,0
A soma quadrática para a temperatura é dada em termos do contraste, pela fórmula:
( ContrasteTemperatura ) 2 ( y 4  y 2  y 3  y1 ) 2
SQTemperatura   (29)
abn abn
sendo n o número de réplicas.
No caso em estudo,
( 76,2  67 ,6  73,2  60 ,2 ) 2
SQTemperatur a   116 ,64
2 x 2( 1 )

A interação entre os efeitos de concentração e temperatura pode ser medida através da

diferença entre os efeitos simples de temperatura ou de concentração. Porém, por convenção,
considera-se metade desse valor; ou seja:
1 1
CT  [( y 4  y3 )  ( y 2  y1 )]  [8,6  13,0]  2,2 (30)
2 2
1 1
TC  [( y 4  y 2 )  ( y3  y1 )]  [3,0  7,4]  2,2 (31)
2 2
Outra forma de apresentar esses resultados é dada abaixo, com os contrastes
representados pelas setas na Figura 2.5:

5
 FLUIDEZ
2**(2-0)

(-) (+)
128
TEMPERATURA

(+) (-)
124

13,5 14,5
CONCENTRAÇÃO

Figura 2.5 Representação do efeito de interação entre a concentração e a temperatura.

1 1
CT  TC  ( y 4  y1 )  ( y3  y 2 )  68,2  70,4  2,2
2 2
CT  TC  y   y   2,2

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.

ContrasteInteração = y 4 - y 2 + y1 - y 3 = 8,6 - 13,0 (32)

A soma quadrática para a interação é dada em termos do contraste, pela fórmula:

( ContrasteInteração )2 ( y 4  y 2  y 3  y1 ) 2
SQInteração   (33)
abn abn
sendo n o número de réplicas.
No caso em estudo,
( 76 ,2  67 ,6  60 ,2  73,2 ) 2
SQ Interação   4 ,84
2 x 2( 1 )

A soma quadrática total é calculada por:

2 2 1
y2
SQT   y ijk 2
 ttt = 148,52
i 1 j 1 k 1 abn
(34)
com abn graus de liberdade. A SQE é calculada pela diferença entre as somas quadráticas total
e dos efeitos.
SQE = 148,52 – 27,04 – 116,64 – 4,84 = 0
Esse resultado evidencia o esperado, visto que os experimentos foram feitos sem réplicas, não
sobrando nenhum grau de liberdade para o termo do erro. O modelo matemático tem 4
parâmetros a se determinar e só existem 4 pontos experimentais. Logo, haverá uma
interpolação e não um ajuste de pontos. Toda vez que SQE for igual a zero, o teste F não
poderá ser realizado e a significância estatística dos efeitos não poderá ser estimada.
Se todos os efeitos de interação forem iguais a zero, então se pode interpretar os
efeitos principais diretamente.
Uma outra quantidade muito útil é a média da fase (phase mean), que é a média da
variável de resposta entre todas as condições experimentais; ou seja:

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)

Após manipulações algébricas, fica-se com:

Fluidez  2.284,10  143,80C  18,10T  110 , CT
Esse modelo de regressão é capaz de prever novas observações, desde que se esteja
limitado à faixa experimental. A fim de verificar a adequação desse modelo, toda a análise
residual deve ser realizada.

c) Resolução pelo Statistica

Para fazer um planejamento fatorial com dois níveis, escolha a opção Experimental
design, aparecendo a seguinte janela:

Figura 2.6 Janela do Statistica com as várias opções de planejamento.

Escolha a opção marcada de azul, obtendo 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:

Figura 2.7 Saída do Statistica para gerar o planejamento fatorial.

Selecione a opção Factor names, values, etc para que os nomes e os níveis dos fatores
sejam colocados, ficando-se com:

É fundamental pressionar Continue de modo a gravar a informação adicionada.

Feito isso, deve-se voltar à janela da Figura 2.7 e selecionar o número de colunas em branco
que se quer, para que se possam escrever os valores experimentais obtidos das variáveis de
resposta. Após isso, tem-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:

É fundamental salvar essa janela com a extensão *.sta. Agora, é só pressionar

Cancel e voltar à janela da Figura 2.6. Deve-se abrir o arquivo de dados que se acabou de
criar e então proceder à análise dos resultados. Ao pressionar OK, a seguinte janela será
obtida, depois de se ter selecionado as variáveis nos locais correspondentes:

9
 Ao pressionar OK, uma janela contendo um resumo aparecerá e depois obtém-se:

Figura 2.8 Janela do Statistica para o Exemplo 4.

A parte branca dessa janela apresenta um resumo da entrada do planejamento. A

primeira ação a se tomar é saber o que se vai incluir no modelo. O Statistica calcula até 3
interações; ordens maiores de interações são adicionadas ao termo do erro na análise de
variância. No exemplo em questão, como existem dois fatores, só se têm interações de
segunda ordem. A próxima etapa é escolher se se quer dividir o termo do erro nas parcelas
erro puro e falta de ajuste. Como nesse exemplo não existem réplicas, essa opção está
desabilitada.
A tabela da anova aparecerá se a opção ANOVA table for acionada, obtendo-se

Pode-se verificar que os valores apresentados coincidem com os calculados

anteriormente. As colunas do teste F e do valor p não apresentam números, pois não existem
graus de liberdade suficientes para o cálculo da soma quadrática do erro.
Os efeitos e os coeficientes de regressão (em termos das variáveis escalonadas) são
obtidos através da opção Main effects & interactions.

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.

Pressionando-se OK, escolhe-se o pedido, obtendo-se:

Gráfico das Médias Marginais

FLUIDEZ
Design: 2**(2-0) design
78
76
74
72
70
FLUIDEZ

68
66
64
62 CONC
13.5
60
58 CONC
124, 128, 14.5
TEMP

Figura 2.9 Gráfico das médias marginais para o Exemplo 4.

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

Figura 2.10 Superfície de resposta para o Exemplo 4.

As curvas de nível são mostradas através da opção Contour.

Fitted Surface; Variable: FLUIDEZ
2**(2-0) design
DV: FLUIDEZ
128.5

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

Figura 2.11 Curvas de nível para os dados do Exemplo 4.

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:

O valor previsto encontrado foi 69,3. Os intervalos de confiança e de previsão não

puderam ser calculados, visto que não se tem réplicas.
Toda a análise residual fica prejudicada pelo fato de não se ter réplicas. A avaliação do
erro experimental só pode ser feita se houver réplicas dos ensaios. O procedimento de
obtenção das réplicas deve ser exatamente o mesmo e a realização dos experimentos deve ser
feita de modo completamente aleatório. Desse modo, consegue-se evitar que erros atípicos
sejam obrigatoriamente associados a determinadas combinações de níveis. Se não for possível
repetir todos os ensaios, deve-se escolher aqueles que varram aproximadamente toda a faixa
experimental estudada.
Considere agora as réplicas da Tabela 2.12; novos resultados serão obtidos.

Tabela 2.12 Réplicas dos Dados Experimentais do Exemplo 4.

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:

Fluidez  1195  91  Concentração  9,325  Temperaura  0,75  Concentração  Temperatur a

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.

Pareto Chart of Standardized Effects; Variable: FLUIDEZ

2**(2-0) design; MS Pure Error=61,74
FLUIDEZ
p=,05

(2)TEMP ,935912

(1)CONC ,5399492

1by2 ,1799831

-0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5

Effect Estimate (Absolute Value)

Figura 2.13 Gráfico de Pareto em função dos valores da etatística de teste t.

Os valores ao lado do retângulo representam os valores da estatística de test t, obtidos

na janela dos efeitos efeitos principais. Existe a possibilidade de trocar essa informação pelo
valor dos efeitos. Para isso, basta não selecionar a janelinha de Plot standardized effect,
obtendo o seguinte gráfico.
Pareto Chart of Effects; Variable: FLUIDEZ
2**(2-0) design; MS Pure Error=61,74
FLUIDEZ
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0

(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

Figura 2.15 Superfície de resposta para os dados do Exemplo 4.

Os resultados apresentados anteriormente podem também ser visualizados através de

uma superfície, chamada Superfície de Resposta, que no caso de um planejamento fatorial
comum, terá a forma de um plano, visto que o modelo matemático é linear.
As curvas de nível, obtidas através da opção Contour do Statistica, fornece uma
análise da tendência de resposta da variável dependente. Cada linha tem um mesmo valor da
variável de resposta. Quando essas linhas não têm curvatura, pode-se dizer que não há efeito
de interação entre as variáveis colocadas nos eixos.
Fitted Surface; Variable: FLUIDEZ
2**(2-0) design; MS Pure Error=61,74
DV: FLUIDEZ

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

Figura 2.16 Curvas de nível para os dados do Exemplo 4.

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.

2.3 Cálculo da Variância

Os erros-padrão dos efeitos podem ser calculados simplesmente usando as seguintes

fórmulas:
1 ni
Si2   ( yij  yi ) 2
ni  1 j 1
i = 1, 2, ..., 2k (39)

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:

Efeito  t/2,N-p ep(Efeito) (45)

A variância dos pontos experimentais apresentados na Tabela 2.12 é dada na Tabela

2.13, conforme Equação (39).

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

A variância total de todos os experimentos é dada então pelo somatório de todas as

variâncias individuais.
n
sT2   s i2  24
i 1
Para o caso de número diferente de réplicas em cada experimento, tem-se a variância
agregada, definida como:
 s 2   2 s 22  ...   n s n2
s 2p  1 1 (46)
1   2  ... n
em que i é o número de réplicas para cada experimento ( i = ni –1) e n é o número total de
experimentos, que é igual ao somatório de ni.
A variância agregada da Tabela 2.13 é igual a:
24
s 2p   6,0  s  2,45
4
sendo s o desvio-padrão ou erro de medida para o fatorial em questão.
A variância dos efeitos é calculada da seguinte forma:
s 2p s 2p s 2p
Var ( Efeito)     3,00  s efeito  1,73
4 4 2
Ou seja, o erro padrão do efeito é igual a 1,73, que é menor que o erro de medida para o
fatorial.

2.4 Planejamento Fatorial 3k

Nesse tipo de planejamento, tem-se k fatores avaliados em 3 níveis, denotados por

baixo (- 1), médio (0) e alto (+ 1). Ele é usado quando se estar interessado em detectar
curvatura na função de resposta, uma vez que o modelo de regressão é dado por:
Y   o   1 x1   2 x2   12 x1 x2   11 x12   22 x22   (47)
Entretanto, alguns pontos precisam ser considerados:

1. O planejamento 3k não é a maneira mais eficiente de modelar uma relação

quadrática; as superfícies de respostas são alternativas superiores.
2. O planejamento 2k com pontos centrais é uma excelente maneira de obter uma
indicação de curvatura.

O planejamento 3k mais simples é o 32, necessitando-se de um mínimo de 9 pontos

experimentais. Será analisado aqui um exemplo do livro de Montgomery.

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.

Tabela 2.15 – Saída 1 da Anova para o Exemplo 5

As Tabelas 2.16 e 2.17 apresentam a anova e os efeitos e os coeficientes do modelo de

regressão, quando considerando as variáveis escalonadas.
O gráfico de Pareto, Figura 2.18, serve para melhor visualizar os efeitos
estatisticamente importantes.
A determinação gráfica dos melhores níveis para os três fatores é vista na Figura 2.19,
concluindo-se que o nível intermediário da velocidade, o bocal 2 e o nível inferior ou superior
da pressão fornecem a menor perda.
As superfícies para os bocais 1, 2 e 3 são dadas respectivamente nas Figuras 2.20 a
2.22.

19
Tabela 2.16 – Saída 2 da Anova para o Exemplo 5

Tabela 2.17 Efeitos e Coeficientes do Planejamento do 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)

Figura 2.18 Gráfico das médias para o Exemplo 5.

Fitted Surface; Varia ble: PERDA
3 3-le vel factors, 1 Blo cks, 54 Runs; MS Pure Error=426.5
DV: PERDA

-126,14
-98,747
-71,353
-43,96
-16,567
10,827
38,22
65,613
93,007
120,4
above

Figura 2.19 Superfície de resposta para o bocal 1.

Fitted Surface; Varia ble: PERDA
3 3-le vel factors, 1 Blocks, 54 Runs; MS Pure Error=426.5
DV: PERDA

-92,227
-66,05
-39,873
-13,695
12,482
38,659
64,836
91,013
117,191
143,368
above

Figura 2.20 Superfície de resposta para o bocal 2.

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

Figura 2.21 Superfície de resposta para o bocal 3.

2. 5 Planejamento Fatorial Fracionário

Em um planejamento fatorial, quando o número de fatores for muito grande, o número

necessário de experimentos será muito elevado. Por exemplo, se k = 7, necessita-se de 128
experimentos, que devem ser feitos com réplicas de modo a se poder avaliar o erro
experimental. Desse modo, teria-se uma demanda de tempo e um custo altos. À medida que o
número de fatores cresce, o número de termos de ordens superiores cresce, cuja importância é
menor do que termos de ordens inferiores, conforme pode ser observado na Tabela 2.18.

Tabela 2.18 – Número de Termos de um Planejamento Fatorial 2k

Ordem
o o o
k 1 2 3 4o 5o 6o 7o
3 3 3 1 - - - -
4 4 6 4 1 - - -
5 5 10 10 5 1 - -
6 6 15 20 15 6 1 -
7 7 21 35 35 21 7 1

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.

EXEMPLO 6: Um produto químico é produzido em um reator sob pressão. Um experimento

fatorial é executado em uma planta piloto, a fim de estudar a influência de certos fatores na
taxa de filtração desse produto. Os quatro fatores analisados são a temperatura, a pressão, a
concentração de formaldeído e a taxa de agitação. Determine que fatores são importantes,
estatisticamente falando.

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:

Tabela 2.19 – Matriz de Planejamento para 24-1

Ensaio 1 2 3 4 12 13 14 23 24 34 123 234 124 Resposta

1 - - - - + + + + + + - - - 45
2 + - - + - - + + - - + + - 100
3 - + - + - + - - + - + - - 45
4 + + - - + - - - - + - + - 65
5 - - + + + - - - - + + - + 75
6 + - + - - + - - + - - + + 60
7 - + + - - - + + - - - - + 80
8 + + + + + + + + + + + + + 96

Se se multiplicar 4 = 123 por 4 em ambos os lados, ter-se-á a relação de definição do

planejamento.
4x4 = 123 x4 I = 1234, (49)

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 4III1 . Os planejamentos com resolução III, IV e V são os mais comuns, cujas definições são:

1. Planejamento de Resolução III. Nenhum efeito principal é confundido ou

superposto com outros efeitos principais, mas efeitos principais são confundidos
com interações de segunda ordem e interações de segunda ordem podem ser
confundidas entre si.
2. Planejamento de Resolução IV. Nenhum efeito principal é confundido ou
superposto com outros efeitos principais ou com qualquer outro efeito de interação
de segunda ordem, porém interações de segunda ordem são confundidas entre si.
3. Planejamento de Resolução V. Nenhum efeito principal ou de segunda ordem é
confundido ou superposto com qualquer outro efeito principal ou com qualquer
outro efeito de interação de segunda ordem, porém interações de segunda ordem
são confundidas com interações de terceira ordem.

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.

Relação de Definição: I = 1234

2
1 = 1 234 = 234 2 = 12234 = 134 3 = 12324 = 124 4 = 12342 = 123
12 = 122234 = 34 2 2
13 = 1 23 4 = 24 23 = 122324 = 14

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

Observando-se os sinais das colunas da Tabela 2.19 e as equações anteriores, percebe-

se que algumas combinações são iguais a outras, quais sejam:

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.

O Statistica reconhecerá imediatamente que esse será um planejamento fracionário,

calculando a sua resolução. Todo o procedimento restante é exatamente o mesmo de antes,
sendo os resultados apresentados a seguir.
Escolhendo-se a opção de interação de terceira ordem, a seguinte mensagem
aparecerá:

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)

A tabela a seguir apresenta o valor dos efeitos calculados anteriormente.

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:

A relação geradora do planejamento pode ser vista escolhendo-se a opção Generators

of fractional design, resultando em:

Se apenas os efeitos importantes forem considerados, a anova resultará em:

Verifica-se assim que o que era marginalmente significante, é agora estatisticamente

significante.
Se o planejamento completo tivesse sido executado, o resultado seria:

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.

2.6 Planejamento Saturado

Planejamento saturado é aquele em que existem n pontos experimentais para n –1

fatores. Esse tipo de planejamento é bastante usado quando se tem muitos fatores,
necessitando-se de muitos experimentos. O planejamento saturado mais conhecido é o de
Plackett-Burman (1946), que consiste em usar um múltiplo de 4 para o número de corridas.
Os casos mais usuais são para n = 12, 20, 24, 28 e 36.
Pelo fato do planejamento de Plackett-Burman não poder ser representado por cubos,
eles são algumas vezes chamados de planejamentos não geométricos.
A Tabela 2.20 apresenta conjuntos de sinais (+) e (-) que servem para gerar os
planejamentos de Plackett-Burman. A metodologia de geração consiste em escrever esses
conjuntos de sinais como colunas (ou linhas) e gerar, sucessivamente, novas colunas (ou
linhas), deslocando o último sinal para o começo da próxima coluna (linha). Quando todas as
colunas forem preenchidas, correspondendo ao total de variáveis, uma linha, contendo só sinal
negativo, deve ser adicionada ao final do planejamento. A Tabela 2.21 apresenta um exemplo
para o caso de 11 fatores e n = 12.

Tabela 2.20 Conjunto de Sinais para Gerar o Planejamento de Plackett-Burman

k = 11, n = 12 ++-+++---+-
k = 19, n = 20 ++--++++-+-+----++-
k = 23, n = 24 +++++-++--++--+-+----
k = 35, n = 36 -+-+++---+++++-+++--+----+-+-++--+-
k = 27, n = 28
+-++++--- -+---+--+ ++-+-++-+
++-+++--- --++--+-- -++++-++-
-+++++--- +---+--+- +-+-++-++
---+-++++ --+-+---+ +-+++-+-+
---++-+++ +----++-- ++--++++-
----+++++ -+-+---+- -+++-+-++
+++---+-+ --+--+-+- +-++-+++-
+++---++- +--+----+ ++-++--+
+++----++ -+--+-+-- -++-+++-+

Tabela 2.21 Planejamento de Plackett-Burman para k = 11 e n = 12

Corrida A B C D E F G H I J K
1 + - + - - - + + + - +
2 + + - + - - - + + + -
3 - + + - + - - - + + +
4 + - + + - + - - - + +
5 + + - + + - + - - - +
6 + + + - + + - + - - -
7 - + + + - + + - + - -
8 - - + + + - + + - + -
9 - - - + + + - + + - +
10 + - - - + + + - + + -
11 - + - - - + + + - + +
12 - - - - - - - - - - -

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:

Pressione OK duas vezes, obtendo:

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.

2. 7 Planejamento Fatorial com Pontos Centrais

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.

EXEMPLO 7: Um engenheiro químico está estudando um rendimento de um processo. Há

duas variáveis de interesse: o tempo e a temperatura de reação. Pelo fato de não ter certeza em
relação à linearidade da região de exploração, ele decide realizar 4 corridas no ponto central
do planejamento. Os pontos experimentais estão dados na Tabela 2.22. Verifique a
importância da curvatura e dos efeitos principal e de interação.

Tabela 2.22 – Dados Experimentais para o Exemplo

SOLUÇÃO: A média quadrática do erro é calculada pela equação:

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.

Tabela 2.23 – Tabela da Anova para o Exemplo 7

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.

Para o caso em que a curvatura seja importante, os valores independentes dos

parâmetros dos termos quadráticos devem ser determinados, necessitando-se portanto de mais
pontos, visto que no exemplo anterior só existiam 5 pontos independentes (quatro do
planejamento fatorial e um do ponto central). A solução para isso é aumentar o planejamento
com quatro corridas axiais, resultando em um planejamento chamado de composto central
(central composite design). A Figura 2.23 apresenta os pontos ncessários a esse planejamento.

34
Figura 2.23 Pontos necessários ao planejamento composto central.

Esse tipo de planejamento será estudado no próximo capítulo.

Geralmente, pontos centrais são empregados quando todos os fatores são quantitativos.
Entretanto, fatores qualitativos podem existir algumas vezes. Ainda assim, pontos centrais
podem ser usados nesse caso. As variáveis de resposta devem ser obtidas apenas nos níveis
baixo e alto do fator qualitativo.

35