1

PLANEJAMENTO
DE
EXPERIMENTOS

Prof. Marcos A. S. Barrozo

[Link]
Faculdade de Engenharia Química da UFU
 2

CAPÍTULO I

CONCEITOS BÁSICOS
E
COMPARAÇÃO DE DOIS TRATAMENTOS

1 - INTRODUÇÃO

Exemplo:

Experimento: Uma indústria química formula um experimento para verificar se um

novo método de fabricação de um produto químico é superior ao método tradicional

Dados: 10 lotes fabricados pelo método tradicional (A)

10 lotes fabricados pelo método novo (B)

Objetivo: Com os dados obtidos, verificar se o método B é melhor que o método A

Tabela 1 – Dados de produção de um experimento industrial.

Ordem temporal Método Produção

1 A 89,7
2 A 81,4
3 A 84,5
4 A 84,8
5 A 87,3
6 A 79,7
7 A 85,1
8 A 81,7
9 A 83,7
10 A 84,5
11 B 84,7
12 B 86,1
13 B 83,2
14 B 91,9
15 B 86,3
16 B 79,3
17 B 82,6
18 B 89,1
19 B 83,7
20 B 88,5
 3

Análise descritiva dos dados:

y a = 84,24 y b = 85,54 (médias aritméticas)

94.00
Método A Método B
92.00

90.00

88.00

86.00

84.00

82.00

80.00

78.00

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Figura 1 - Produção versus ordem temporal

Notas:
(1) O novo método (B) apresentou uma média 1,30 unidades acima da média do
método tradicional (A).
(2) Como existe grande variabilidade nos resultados individuais, o pesquisador fica
em dúvida, se de fato o novo processo produz resultados melhores.
(3) Duas Questões se colocam:
a) Será que esta diferença não foi ocasionada por pura chance?
b) Será que repetindo o experimento os resultados não poderão ser invertidos?

É Necessário o uso de métodos estatísticos

2 – CONCEITOS BÁSICOS

Erro experimental: Quando um experimento é repetido sob as mesmas condições,

os resultados obtidos não são idênticos. A flutuação que ocorre de uma repetição para
outra é chamada erro experimental ou simplesmente erro.
Erro sistemáticos: relacionados à equipamentos incorretamente ajustados e/ou
calibrados e ao uso de procedimentos incorretos.
Erros estatísticos (incertezas): Causados por variações incontroláveis e aleatórias
dos instrumentos de medida e de condições externas.
 4

Média amostral e média populacional

População: População estatística é o conjunto de medidas ou o arquivo de algumas

características correspondendo à coleção inteira de unidades (população de interesse)
para os quais a inferência é feita.
Amostra: Amostra de uma população estatística é o conjunto de medidas que são
realmente selecionadas na população estatística no decorrer da investigação

Média Populacional
N

∑y i
η= i =1

Média Amostral
n

∑y i
y= i =1

n
A média amostral é uma medida da centralidade dos dados, é dada pela média
aritmética das observações.
N é o número de dados.

Estatísticas e parâmetros

Parâmetro: Um parâmetro é uma quantidade associada com a população. Por

exemplo η

Estatística: Uma estatística é uma quantidade calculada de um conjunto de dados,

em geral uma amostra da população. Por exemplo y

Nota: A média da população também é chamada de: “o valor esperado de y, ou a

esperança matemática de y, representada por E(y). Assim, η= E(y)

Amostra Aleatória (a.a.)

Uma amostra é aleatória se cada membro da população tem a mesma chance ou
probabilidade de ser escolhido.

Medidas de Variabilidade

Além das medidas de centralidade, é importante saber o espalhamento ou

variabilidade dos dados. Por exemplo, supor que um estudo de pessoas afetadas por
uma certa doença revela que a maioria de pessoas afetadas são menores de dois anos
de idade ou com mais de 70 anos. Aqui não seria apropriado sumarizar os dados
dizendo que a média de idade das pessoas afetadas pela doença é de 30 anos.
Precisamos de uma medida de variabilidade ou espalhamento dos dados.
 5

Medidas de Variabilidade de uma População

Variância da População

σ = E( y − η)
2 2
=
∑ ( y − η) 2

N
Desvio Padrão

σ = E( y − η) = 2 ∑ ( y − η) 2

Nota: Em geral o número de observações da população idealizada para os dados é

infinito, mas aqui estamos supondo N finito (um número grande)

Medidas de Variabilidade de uma Amostra

Variância amostral, s2
n

∑(y i − y)2
s2 = i =1

n −1
Desvio padrão amostral, s

∑(y i − y) 2
s= i =1

n −1
Graus de liberdade , ν
Os desvios de n observações de sua média amostral devem somar zero, i.e,
n

∑(y
i =1
i − y ) = 0 . Isto constitui uma restrição linear dos desvios ou resíduos:
2
( y1 − y ), ( y 2 − y ),......( y n − y ) usados no cálculo de s . Implica que quaisquer das n-1
completamente determinam a outra observação (n-1 graus de liberdade em s2)

Distribuição Normal

Observações repetidas que diferem devido a erro experimental freqüentemente

variam em torno de um valor central numa distribuição simétrica onde ocorre mais
desvios pequenos do que desvios grandes. Uma distribuição contínua que representa
esta situação é a distribuição normal ou Gaussiana.
1 1
p( y ) = exp(− ( y − η ))
2π σ 2σ 2
 6

Figura 2 – Distribuição Normal

Teorema do Limite Central (TLC)

Sob certas condições na experimentação, a distribuição de erros tende para a

normalidade quando o número de componentes é grande

Caracterização da distribuição normal

A média η e a variância σ2 caracterizam a distribuição normal

Notação: N (η,σ2)

Figura 3 – Diferentes distribuições normais

Distribuição Normal Padronizada

y −η
Z=
σ
Notação: Z ~ N(0,1) , ie, uma distribuição normal com média η=0 e variância
σ2=1.

#
7
 8

Distribuição t de Student

Na prática, em geral não conhecemos σ, e devemos substituí-lo por s obtido de uma

amostra pequena de dados.
Com s no lugar de σ, considerar:

( y − η)
t=
s

que tem uma distribuição t de Student com ν graus de liberdade (número de graus de
liberdade para s) #
 9

[Link] DE HIPÓTESES
Uma hipótese estatística é uma afirmação sobre uma população. Sua validade é
avaliada a partir da informação obtida da amostra da população

Exemplo: Com os dados de produção industrial da Tabela 1, verificar se o

método novo (B) de fabricação é superior ao método tradicional (A).

Temos duas hipóteses:

(1) O método novo (B) é superior, ie, ηB >ηA

(2) O método anterior (A) é superior ao método novo (B), ie, ηA ≥ηB

Uma hipótese é chamada hipótese de nulidade (H0) e a outra é chamada de hipótese

alternativa (H1).

Escolha de H0 e H1
Quando uma investigação é relacionada a um fato baseado na amostra, a negação
deste fato é considerada como a hipótese de nulidade (H0) e o fato a ser comprovado
pelos dados é considerado como a hipótese alternativa (H1).

No Exemplo: Com os dados de produção Industrial temos:

H0: ηB≤ ηA
H1: ηB>ηA.

Estatística do Teste:

Dois tipos de erros possíveis:

i) H0 é verdadeira mas o teste leva a rejeição de H0 (erro de tipo I)
ii) H0 é falsa, mas o teste leva a não rejeição de H0 (erro de tipo II)
O erro de tipo I é o mais crítico

Nível de significância (α): A probabilidade máxima do erro de tipo I de um teste de

hipóteses é definido como o nível de significância do teste

Distribuições Amostrais e Inferências Para Amostras Grandes

Na seleção de uma amostra aleatória (a.a.) de uma população normal com

média η e desvio padrão σ, a média amostral y tem distribuição normal com média
η e variância σ2/n. Isto é, se y ~ N(η,σ2), então, y =N(η,σ2/n).
 10

Teorema do Limite Central: Na seleção de uma amostra de uma população

qualquer com média η e desvio padrão σ, a distribuição amostral de y é
aproximadamente normal com média η e desvio padrão σ / n , quando n é grande.

Estimação por Ponto da Média Populacional

Um estimador por ponto da média populacional η é dado pela média amostral y

Intervalos de Confiança para η (i.c.)

Supor uma distribuição N(η,σ2) para os dados, com σ conhecido. Portanto,

y =N(η,σ2/n).
Considerar uma probabilidade de 0,95 fixa, portanto:

⎧ y −η ⎫
P ⎨− 1,96 ≤ ≤ 1,96⎬ =0,95
⎩ σ/ n ⎭
{
Daí, P y − 1,96 σ / n ≤ η ≤ y + 1,96 σ / n = 0,95 }
Interpretação: em amostras repetidas, o intervalo de confiança aleatório
( y − 1,96 σ / n ; y + 1,96 σ / n ) inclui o parâmetro desconhecido η com
probabilidade de 0,95.

Em Geral: um i.c. 100(1-α)% para a média populacional de uma distribuição normal

com desvio padrão σ conhecido é dado por:
( y − Zα / 2 σ / n ; y + Zα / 2 σ / n )
onde Zα/2 é dado por P{Z ≤ − Z α / 2 } = α / 2 .

Intervalos de Confiança para η com Amostras Grandes

Pelo TLC, y =N(η,σ2/n). Portanto, um i.c. 100(1-α)% para η, considerando uma

{ }
amostra grande é dado por: P y − Z α / 2 s / n ≤ η ≤ y + Z α / 2 s / n = 1 − α

Isto é, um i.c. 100(1-α)% para η, com n grande é dado por:

( y − Zα / 2 s / n ; y + Zα / 2 s / n )
 11

Testes de Hipóteses Para a Média Populacional

Na construção de testes de hipóteses, observar o seguinte:

(i) Identificar a hipótese de nulidade (H0) e a hipótese alternativa (H1) em termos
de parâmetros populacionais.
(ii) Escolher o teste estatístico
(iii) Estabelecendo um nível de significância α, determinar a região de rejeição
(iv) Calcular o valor observado do teste estatístico a partir dos dados da amostra
selecionada. Verificar se este valor observado está incluído na região de
rejeição ou não.

Região de Rejeição do Teste

y − η0
R: ≥c
σ/ n
y − η0
Onde, c é determinado a partir da distribuição de e com um nível de
σ/ n
significância (α) estipulado.

Nota: Com amostras grandes (n≥30), y ~ N(η0; s2/n)

y − η0
Estatística do Teste: Z=
s/ n
e c=Zα (teste Z)

Inferências Para Amostras Pequenas com Populações Normais

Problema Prático: experimentos com custo grande que exigem tamanho amostral
pequeno (n<30)

Resultado: Se y1, y2, yn é uma a.a. de uma população normal (N(η,σ2)) , então
( y − η)
t= tem uma distribuição t de Student com n-1 graus de liberdade (ν)
s/ n
 12

Intervalo de Confiança para η

Um i.c. 100(1-α)% para η é dado por,

( y − tα / 2 s / n ; y + tα / 2 s / n )
onde tα/2 é o percentil de uma distribuição t de Student com n-1 graus de
liberdade.
# Ex.

Testes de Hipóteses:
Para testar hipóteses sobre uma média populacional η de uma população normal, o
teste estatístico é dado por,

( y − η0 )
t= ~tn-1
s/ n
Assim,
i) Com as hipóteses H0: η≤η0, H1: η>η0, a região de rejeição é dada por R: t≥tα,
sendo α o nível de significância estipulado.
ii) Com H0: η≥η0, H1: η<η0, a região de rejeição é dada por, R: t≤-tα, sendo α, o
nível de significância estipulado
iii) Com H0: η=η0, H1: η≠η0, a região de rejeição é dada por, R: ⎮t⎟≥tα/2, sendo α,
o nível de significância estipulado
#
 13

4.- COMPARAÇÃO DE 2 TRATAMENTOS

Sejam amostras aleatórias (a.a.) independentes de duas populações

Selecionar uma a.a. de tamanho n1 de uma população 1 e uma a.a. de tamanho n2 de

uma população 2.

Tabela 2 – Comparação de dois tratamentos

AMOSTRAS ESTATÍSTICAS
n1

∑x i
x= i =1
População 1 n1
x1, x2,.......xn1 n

2
∑ (x i − x)2
s1 = i =1

n1 − 1
n2

∑y i
y= i =1
População 2 n2
y1, y2,.......yn2 n

2
∑(y i − y)2
s2 = i =1

n2 − 1

i) Seja x1, x2,.......xn1 uma a.a. de tamanho n1 da população 1 com média

populacional η1 e desvio-padrão populacional σ1
ii) Seja y1, y2,.......yn1 uma a.a. de tamanho n2 da população 2 com média
populacional η2 e desvio-padrão populacional σ2
iii) As amostras são independentes. Em outras palavras, as medidas dos dois
tratamentos não são relacionados entre si.

Objetivo: Inferências sobre,

η1-η2 = (média pop.1) - (média pop.2)

 14

INFERÊNCIAS PARA AMOSTRAS GRANDES

Resultado: Sob o modelo estatístico considerado anteriormente, assumindo n1 e n2

grande (≥30), x − y tem distribuição aproximadamente normal com média
σ σ 2 2
E( x − y )=η1-η2 e variância var( x − y )= 1 + 2
n1 n2

Como n1 e n2 são grandes podemos substituir σ12 e σ22 pelas variâncias amostrais s12
e s22, portanto,

x − y − (η1 − η 2 )
Z= ~ N (0,1)
s12 s 22
+
n1 n2

Um i.c. 100(1-α)% para η1-η2:

s12 s 22 s12 s 22
( x − y − Zα / 2 + ; x − y + Zα / 2 + )
n1 n2 n1 n2
#

INFERÊNCIAS PARA AMOSTRAS PEQUENAS

Quando as amostras n1 e n2 são pequenas, devemos considerar além das suposições

anteriores, as seguintes suposições adicionais:
(i) ambas populações são normais
(ii) os desvios padrões das populações 1 e 2 são iguais, isto é, σ1=σ2
(iii) x1, x2,.......xn1 é uma a.a. de distribuição N(η1,σ2)
(iv) y1, y2,.......yn1 é uma a.a. de distribuição N(η2,σ2)
(v) x1, x2,.......xn1 e y1, y2,.......yn1 são duas amostras independentes.

Notas: a) E( x − y )=η1-η2
σ2 σ2 1 1
var( x − y )= + = σ 2( + ) pois x − y são v.a.’s independentes.
n1 n2 n1 n 2
c) Um estimador ponderado da variância comum para as 2 populações
(n1 − 1) s12 + (n2 − 1) s 22
sp =
n1 + n2 − 2

Resultado: Com as suposições mencionadas temos:

 15

( x − y ) − (η1 − η 2 )
t= ~ t n1+n2-2 t de student com n1 + n2 graus de liberdade
1 1
sp +
n1 n2

Um i.c. 100(1-α)% para η1-η2 com amostras pequenas é:

1 1
x − y ± tα / 2 s p +
n1 n2
onde tα/2 é calculado de uma tabela de distribuição t de student com n1 + n2 – 2 graus
de liberdade.

Notas: É importante salientar que a aleatorização é fundamental para um bom

planejamento experimental. Na comparação de dois tratamentos das n= n1 + n2
unidades experimentais disponíveis, escolher n1 unidades aleatoriamente para receber
o tratamento 1 e considerar as n2 unidades para o tratamento 2. Observar que:
i) a aleatorização previne contra a existência de vícios na escolha das unidades
para os dois grupos;
ii) a aleatorização previne contra fontes não controladas de variabilidade nas
respostas;
iii) quando a aleatorização não pode ser realizada, é necessário muito cuidado em
interpretar uma diferença nas médias devido à uma diferença entre os
tratamentos. As diferenças podem existir devido a outros fatores.
16
17
 18

CAPÍTULO II

COMPARAÇÃO DE MAIS DE DOIS TRATAMENTOS

Exemplo: Na tabela 3, temos os índices de resistência para 24 corpos de prova

retirados de 4 tipos diferentes de madeira (A, B, C e D).

Tabela 3 – Índices de resistência para 4 tipos de madeiras madeiras

Tipos de Madeira
A B C D
62 63 68 56
60 67 66 62
63 71 71 60
59 64 67 61
65 68 63
66 68 64
63
59
Médias 61 66 68 61
Média Geral 64

Estimação da Variabilidade entre e Dentro de Tratamentos

a) VARIAÇÃO DENTRO DE TRATAMENTOS

Madeira A: n1=4 , y1 =61

S1: Soma dos quadrados dos desvios da média do tratamento (SQ):

S1=(62-61)2 + (60-61)2 + (63-61)2 + (59-61)2 = 10

ν1=n1-1= 3 graus de liberdade

variância amostral: s12= S1/ν1=10/3=3,3

Da mesma forma: s22=8,0 ; s32=2,8 ; s42=6,8 ( variâncias amostrais para as madeiras

B, C e D)

Em geral: Supondo que K variâncias amostrais estimam a mesma variância σ2,

temos:

sR2=(ν1s12 + ν2s22 +..............+ νksK2) / (ν1 + ν2 +..............+ νk) =

= ( S1 + S2 +........+ SK) / ((n1-1)+(n2-1)+........+(nK-1))= (SR)/(N-K)= SR/νR
 19

onde: N = n1 + n2 + ........+ nK

sR2 é um estimador ponderado da variância populacional comum σ2

Com os dados da tabela 3: SR=10+40+14+48

νR=3+5+5+7=20

Quadrado Médio dentro de Tratamento

SR 112
s R2 = = = 5,6
νR 20

( s R = 5,6 é um estimador de σ2)

2

Soma de Quadrados Dentro do t-ésimo Tratamento

nt
S t = ∑ ( y ti − y t ) 2
i =1
onde, yti é a i-ésima observação no t-ésimo tratamento

Soma de Quadrados Dentro de Todos Tratamentos

K nt

SR=S1+S2+..........+SK = ∑∑ ( y
t =1 i =1
ti − yt ) 2

Quadrado Médio dentro dos Tratamentos

K nt
SR
s =
2
R = ∑∑ ( yti − yt ) 2 /( N − K )
N − K t =1 i =1

nt – número de observações em cada tratamento

B) VARIAÇÃO ENTRE TRATAMENTOS

Média Geral para todos tratamentos

k nt

∑∑ y ti
y= t =1 i =1

N
 20

onde: N = ∑ nt
t =1

1536
No exemplo: y = =64
24

Nota: Se não existir diferenças entre as médias de tratamentos , um segundo

estimador de σ2 pode ser obtido da variabilidade das médias de tratamentos em torno
de y =64. Isto é :

∑n (y t t − y) 2
sT2 = t =1

K −1

onde K é o número de tratamentos

Soma de Quadrados entre tratamentos

K
S T = ∑ nt ( y t − y ) 2
t =1

Número de Graus de Liberdade entre Tratamentos

νT=K-1

No exemplo, com os dados da tabela 3:

Tratamento
A B C D
yt 61 66 68 61
yt − y -3 2 4 -3
nt 4 6 6 8
y = 64

ST=4(-3)2+6(2)2+6(4)2+8(-3)2=228

νT=3 ; sT2= ST/νT = 228/3=76

Nota: Notamos uma grande diferença entre sR2 e sT2 (observar que sR2=5,6 com 20
G.L. e sT2=76,0 com 3 G.L.)
 21

C) QUADRO DE ANÁLISE DE VARIÂNCIA (ANOVA)

Resultado: Uma medida da variabilidade para todas as observações é dada pela

variância amostral para as N observações,

K nt
S D = ∑∑ ( yti − y ) 2 (Soma de quadrados total dos desvios da média y)
t =1 i =1

K nt

2
∑∑ ( y ti − y)2
SD
sD = t =1 i =1
= (variância amostral)
N −1 νD

No exemplo: Com os dados da Tabela 3,

SD= (62-64)2+(60-64)2+........+(59-64)2 = 340

νD=N-1=23

sD2=340/23=14,8

Quadro de ANOVA
FV SQ GL QM
Entre Tratamentos ST=228 νT=3 sT2=76,0
Dentro do Tratamento SR=112 νR=20 sR2=5,6
Total em torno da SD=340 νD=23 sD2=14,8
média y

Resultado:

K nt
S D = ∑∑ ( yti − y ) 2 = ∑ nt ( yt − y ) 2 + ∑∑ ( yti − yt ) 2
K K nt

t =1 i =1 t =1 t =1 i =1

i.e. SD = ST + SR

(Soma de Quadrados
Total dos Desvios da
= (Soma de Quadrados + (Soma de Quadrados
entre Tratamentos) dentro de Tratamentos
Média, y ) Resíduo)
 22

K nt K nt

Nota: ∑∑ ( yti − y ) 2 =
t =1 i =1
∑∑ ( y
t =1 i =1
ti − yt + yt − y ) 2 =
K nt K nt

∑∑ ( y
t =1 i = 1
ti − yt )2 + ∑∑ ( y − y )2 + 2∑∑ ( yti − yt )( yt − y )
t =1 i =1  

=0
S D = ST + S R

CONTRIBUIÇÃO DA MÉDIA GERAL y

K nt
S D = ∑∑ y ti2 − Ny 2
t =1 i =1
N y : soma de quadrados devido à média y (correção para a média)
2

S A = Ny 2 ; G = ∑ yi G = yN ⇒ G 2 = N 2 y 2
i =1
2
G
Portanto, S A = = Ny 2
N

K nt

SOMA DE QUADRADOS TOTAL : S = ∑∑ yti2

t =1 i =1

Portanto, S D = S – SA

S = SA + SD

K nt

Resultado: S = ∑∑ yti =
2 K K nt

t =1 i =1
Ny +
2
∑n (y
t =1
t t − y ) + ∑∑ ( yti − yt ) 2
2

t =1 i =1

i.e., S = SA + S T + S R

(Soma de
Quadrados
= (Soma de + (Soma de + (Soma de Quadrados
Quadrados devido à Quadrados dentro de Tratamentos)
Total ) (Resídual)
média) entre Tratamentos)

Número de G.L. N = 1 + (K-1) (N-K)

 23

Quadro de ANOVA
FV SQ GL QM
Média K nt
νA=1 sA2=SA/νA
SA= Ny =( ∑∑ y ti ) /N
2 2
t =1 i =1

Entre K
νT=K-1 sT2= ST/νT
ST= ∑ nt ( yt − y )
2
Tratamentos t =1

Dentro do K nt
νR=N-K sR2= SR/νR
SR= ∑∑ ( yti − yt )
2
Tratamento t =1 i =1

K nt
Total S = ∑∑ yti2 N
t =1 i =1

No exemplo: Com os dados da Tabela 3

Quadro de ANOVA
FV SQ GL QM
Média 98304 1 98304
Entre 228 3 76,0
Tratamentos
Dentro do 112 20 5,6
Tratamento
Total 98644 24

D) VERIFICAÇÃO DA ADEQUABILIDADE DO MODELO

No exemplo: Considere os dados da Tabela 3.

Suposição: Os dados representam quatro amostras aleatórias de quatro populações

normais com mesma variância mas com médias populacionais diferentes,
i.e.,

y ti = η t + ε ti , i=1,2,..........., nt
t=1,2,..........., K
ηt = média populacional para o tratamento t

εti são v.a.’s i.i.d. com distribuição N(0,σ2).

Análise de resíduos: Se as suposições são verdadeiras, os resíduos y ti − yˆ ti variam

aleatoriamente em torno de zero. Veja Figuras 4,5 e 6. ( ŷti = yt )
 24

Análise de resíduos

(a) Todos Resíduos

(b) Resíduos para cada tipo de Madeira

Figura 4: Gráfico de resíduos.

 25

Figura 5: Gráficos dos resíduos versus os valores estimados.

Figura 6: Gráficos dos resíduos em sequência temporal.

 26

Conclusões: A partir dos gráficos de resíduos verificamos que o modelo é apropriado

para análise dos dados. Na Figura 4, observamos que os resíduos conjuntamente e
individualmente para cada tipo de madeira estão distribuídos aleatoriamente em torno
de zero. Na Figura 5, também observamos os resíduos aleatoriamente distribuídos
em torno de zero, indicando a variância constante para todos valores da resposta.
Também observamos bom comportamento do resíduo contra a ordem temporal
(Figura 6) o que indica que o treinamento do pesquisador em medir os corpos de
prova fo adequado (medida dos índices de resistências)

E) USO DO QUADRO DE ANOVA

Considerar o modelo,

y ti = η t + ε ti , onde t=1,2,.......K e i=1,2...., nt,

e o teste de hipóteses,

Ho : ηA=ηB=ηC=ηD (para o exemplo)

Com os dados da Tabela 3, temos,

ANOVA (Modelo: yti= ηt + εti)

FV SQ GL QM Razão QM
Entre Tratamentos ST=228 3 sT2=76,0 sT2 76
= = 13,6
s R2 5,6

Dentro do Tratamento SR=112 20 sR2=5,6

Total em torno da SD=340 23
média geral y

Suposição básica: εi ~ i.i.d. N(0,σ2)

Sob H0 : ηA=ηB=ηC=ηD ,

sT2
~ F3,20
s R2
#

F3,20(5%)=3,10
F3,20(1%)=4,94
sT2
Valor observado: = 13,6
s R2
Conclusão: Rejeitar H0 nos níveis de significância usuais , i.e. , existe diferenças
reais entre as médias de tratamento.
27
28
 29

CAPÍTULO III

BLOCOS ALEATORIZADOS E
PLANEJAMENTOS FATORIAIS COM DUAS CLASSIFICAÇÕES

Nota : Considerando planejamentos em blocos, podemos estimar dois (2) efeitos:

i) efeitos de tratamentos
ii) efeitos de blocos

Alguns exemplos de Blocos:

a) ninhadas de animais
b) mesma peça de matéria prima
c) lotes de terra
d) períodos de tempo

No exemplo: Comparação dos índices de resistência de 4 tipos de madeira

Resposta: índice de resistência

Tratamentos: K=4 ( A,B,C,D)

Blocos: ex: 5 regiões diferentes do Estado de São Paulo (n=5 blocos)

Vantagens de um planejamento de Blocos Aleatorizados:

i) podemos eliminar a variabilidade dos blocos para comparar os tratamentos

ii) os tratamentos são testados com 5 regiões diferentes do Estado de São Paulo

Nota : Considerar uma ordem aleatória dentro de cada bloco

Tabela 4 – Índices de resistência para 4 tipos de Madeira em 5 regiões diferentes

Bloco Tratamento (Madeira) Média

(região) A B C D Bloco
1 89 88 97 94 92
2 84 77 92 79 83
3 81 87 87 85 85
4 87 92 89 84 88
5 79 81 80 88 82

Média 84 85 89 86 86
tratamento (Média Geral)
 30

Modelo:
y ti = η
N + βi + τt + ε ti
N N N
M éd ia G era l E feito d e E feito d e E rro
b lo co t ra ta m en to

t-ésimo tratamento (t=1,2.........., K)

i-ésimo bloco (i=1,2.........., n)

Notação: yi : Média de Bloco i

yt : Média de Tratamento t
y : Média Geral

Portanto:
y ti = y + ( y i − y ) + ( yt − y ) + ( yti − yi − yt + y )

Em Geral :
Tratamento Média
1 2.......... .........t.......... ....... K Bloco
1 y11 y21....... ..........yt1..... .......yk1 .
2 y12 y22....... ...........yt2.... .......yk2 .
. . . . . .
. . . . . .
i y1i y2i........ ...........yti..... .......yki y i
. . . . . .
. . . . . .
n y1n y2n........ ..........ytn..... ........ykn .
Média . . y t
. y
tratamento

Notação vetorial:

y = A + B +T + R
~ ~ ~ ~ ~

N=nK (número de observações)

No exemplo: Com os dados as somas de quadrados S e SA são dadas por,

S = 892 + 842 + 812 + ...........+ 842 + 882= 148480

SA = 862 + 862 + ............+ 862+862= 20x862 = N y 2 = 147920

Graus de liberdade:
 31

Desvio de blocos: n-1 =4

Desvio de tratamentos: k-1=3
Residual : (n-1)(k-1)=12

Decomposição dos dados: y = A + B +T + R

~ ~ ~ ~ ~

⎛ 89 88 97 94 ⎞ ⎛ 86 86 86 86 ⎞ ⎛ 6 6 6 6 ⎞ ⎛ −2 − 1 3 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
−3 -3 -3 -3 ⎟ ⎜ −2 − 1 3 0⎟
⎜ 84 77 92 79 ⎟ ⎜ 86 86 86 86 ⎟ ⎜
⎜ 81 87 87 85 ⎟ ⎜ 86 86 86 86 ⎟ ⎜ −1 -1 -1 -1 ⎟ ⎜ −2 − 1 3 0⎟
⎜ ⎟ =⎜ ⎟ +⎜ ⎟+⎜ ⎟+
⎜ 87 92 89 84 ⎟ ⎜ 86 86 86 86 ⎟ ⎜ 2 2 2 2 ⎟ ⎜ −2 − 1 3 0⎟
⎜ 79 91 80 88 ⎟ ⎜ 86 86 86 86 ⎟ ⎜ −4 -4 -4 -4 ⎟ ⎜ −2 − 1 3 0 ⎟⎠
⎝ 
⎠ ⎝ 
⎠ ⎝ 
⎠ ⎝ 

yti y ( yi − y ) ( yt − y )
⎛ −1 − 3 2 2⎞
⎜ ⎟
⎜ 3 −5 6 -4 ⎟
⎜ −2 3 -1 0 ⎟
⎜ ⎟
⎜ 1 5 -2 -4 ⎟
⎜ −1 0 -5 6 ⎟
⎝ 
⎠
( yti − yi − yt + y )

Quadro de ANOVA
FV SQ GL
Média SA=147920 1
Blocos SB=264 4
(regiões)
Tratamentos ST=70 3
(Madeiras)
Resíduos SB=226 12
Total S=148480 20

y = A + B +T + R
~ ~ ~ ~ ~

Seja, D = B +T + R logo; D= y-A

~ ~ ~ ~ ~ ~ ~

Onde D
~
é o vetor dos desvios dos dados da média geral

S D = S B + ST + S R
 32

⎛ SQ dos ⎞ ⎛ SQ dos ⎞ ⎛ SQ dos ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎛ SQ dos ⎞
⎜ Desvios ⎟ = ⎜ Desvios ⎟ + ⎜ Desvios de ⎟ + ⎜⎜ ⎟⎟
⎜ da Média ⎟ ⎜ de Blocos ⎟ ⎜ Tratamentos ⎟ ⎝ Resíduos ⎠
⎝ ⎠ ⎝ ⎠ ⎝ ⎠

Nota: D = B +T + R ; então,
~ ~ ~ ~

( yti − y ) = ( yi − y ) + ( yt − y ) + ( yti − yi − yt + y )

Quadro de Anova (em geral)

FV SQ GL
Média SA= nKy 2 1
Blocos n
n-1
SB= K ∑ ( yi − y ) 2
(regiões) i =1

Tratamentos K
K-1
S T= n ∑ ( y t − y ) 2
(Madeiras) t =1

Resíduos K n
(n-1)(K-1)
SR= ∑ ∑(y ti − yi − yt + y ) 2
t =1 i =1

Total K n
N=nK
S= ∑∑ yti2
t =1 i =1
K tratamentos
n blocos

S = S A + SB + S T + S R

Quadro dos Resíduos

Bloco Tratamento Desvios das
Médias de
1 2.......... .........t.......... ....... K Blocos de y
1 . .
2 . .
. . .
. ( y ti − y i − y t + y ) .
i . ( yi − y )
. . .
. . .
n . .
Desvios das . . ( yt − y ) . y
Média de
tratamento de y
Com os dados da tabela 4, temos:
 33

Quadro dos Resíduos (para o exemplo da Tabela 4)

Bloco Tratamento ( yi − y )
A B C D
1 -1 -3 2 2 6
2 3 -5 6 -4 -3
3 -2 3 -1 0 -1
4 1 5 -2 -4 2
5 -1 0 -5 6 -4
( yt − y ) -2 -1 3 0 y =86

Valores estimados ( ŷ ti ):
Resíduos = yti - ŷti
ŷ ti = y + ( y i − y) + ( y t − y)
( yˆ = A + B + T )
~ ~ ~ ~

No exemplo: Com os dados da tabela 4

Quadro com os valores estimados
Bloco Tratamento
A B C D
1 90 (89) 91 (88) 95 (97) 92 (94)
2 81 (84) 82 (77) 86 (92) 83 (79)
3 83 (81) 84 (87) 88 (87) 85 (85)
4 86 (87) 87 (92) 91 (89) 88 (84)
5 80 (74) 81 (81) 85 (80) 82 (88)

Obs: Entre parênteses estão apresentados os valores observados

Nota: Consideramos até aqui, um modelo aditivo dado por,

yti = η + βi + τ t + εti

t=1,2......,K (tratamentos) e i=1,2,..........,n (blocos)

Daí, y = A
~
+ B +T + R
~ ~ ~
, e
~

y ti = y + ( y i − y) + ( y t − y) + ( y ti − y i − y t + y)

Verificação do modelo: yti = η + βi + τ t + εti ⇒ Análise de resíduos

 34

VERIFICAÇÃO DIAGNÓSTICA DO MODELO

No exemplo: Considerar os dados da Tabela 4

Figura 7 - Gráficos dos resíduos.

Conclusão: Dos gráficos de resíduos, observamos que para os dados da tabela 4 o

modelo aditivo é adequado.

Figura 8 – Residuos y ti − yˆ ti versus yti

Nota: Se o gráfico de resíduos yti- ŷti versus ŷti apresenta uma forma curvilínea, isto
sugere uma não aditividade transformável ( a aditividade pode ser obtida por
transformação).
 35

Portanto assumimos o modelo,

yti = η + βi + τ t + εti

Suposições básicas para inferências:

i) N=nK quantidades εti com E(εti)=0 e var(εti)=σ2
ii) Distribuição dos erros é normal

Com as suposições acima, podemos testar se as médias de tratamentos são iguais ,

pela estatística,
ST 70
sT2 = = = 23,3
sT2 νT 3
~ FK −1;( n −1)( K −1) = F3,12 S R 226
s R2 sR2 = = = 18,8
νR 12

sT2
No exemplo: Com os dados , =23,3/18,8=1,24.
s R2

P ⎧⎨sT ⎫
2
Como > 1,24⎬ = 0,33
2 , não rejeitar H0: τ 1 = τ 2 = ...... = τ K =0 (efeitos de
⎩ s R ⎭
tratamentos são iguais a zero), i.e., os 4 tipos de madeira não produzem resultados
diferentes.
Ainda com a suposição εti ~ i.i.d. N (0,σ2), podemos testar se todas as médias
de blocos são iguais i.e., H0: β1 = β 2 = ...... = β K =0 ( efeitos de blocos são iguais a
zero)
s B2 66,0 S 264
2
= = 3,51 sB2 = B = = 66 ,0
s R 18,8 νB 4

s B2
~ Fn −1;( n −1)( K −1) = F4,12
s R2
P ⎧⎨s B ⎫
2
Como > 3,51⎬ = 0,04
2 , rejeitar H0: β1 = β 2 = ...... = β K =0 , i.e., existe
⎩ s R ⎭
diferença significativa entre as regiões consideradas.

PLANEJAMENTOS FATORIAIS COM DUAS CLASSIFICAÇÕES

Exemplo: Considerar os tempos até a ruptura ou falha de corpos de provas de um

mesmo tipo de madeira submetidos a um experimento de laboratório com 3
temperaturas diferentes (I,II,III) e 4 tratamentos químicos diferentes (A,B,C,D)
aplicados nos corpos de prova. Temos neste exemplo um planejamento fatorial 3x4 e
replicado 4 vezes (veja Tabela 5)

Dados: Tempos até falha (unidade=10 horas)

 36

Nota: Aqui não existem blocos; os 2 fatores são de mesmo interesse e também existe
a possibilidade de interação entre os 2 fatores
Tabela 5 - Tempos até falha de corpos de prova de um mesmo tipo de madeira

Tratamentos
Temperaturas A B C D
I 0,31 0,82 0,43 0,45
0,45 1,10 0,45 0,71
0,46 0,88 0,63 0,66
0,43 0,72 0,76 0,62
II 0,36 0,92 0,44 0,56
0,29 0,61 0,35 1,02
0,40 0,49 0,31 0,71
0,23 1,24 0,40 0,38
III 0,22 0,30 0,23 0,30
0,21 0,37 0,25 0,36
0,18 0,38 0,24 0,31
0,23 0,29 0,22 0,33
Análise dos dados:

1o estágio : Ignorar os fatores temperaturas e tratamentos e considerar o experiemnto

como um exemplo com uma classificação em 12 grupos de 4 unidades cada.

Quadro de ANOVA
FV SQx1000 GL QMX1000
Entre Grupos 2205,5 11 200,5
Dentro dos Grupos 800,7 36 22,2
(erros)
Total (corrigido) 3006,2 47

ytij : tempo até falha do j-ésimo corpo de provas com a i-ésima temperatura e t-ésimo
tratamento.

Modelo: ytij = ηti + εtij

y tij = y ti + ( y tij − y ti )

2o estágio : Assumir que as temperaturas e os tratamentos atuem de forma aditiva,

i.e.,
ηti = η + τ t + βi
τ t = acréscimo médio em tempo de vida associado com o t-ésimo tratamento
 37

βi = acréscimo correspondente à i-ésima temperatura

Nota: Se existir interação, temos então outro termo wti , onde,

wti = ηti - η - τ t - βi
(i.e., ηti = η + τ t + βi + wti)
y ti = y + ( y t − y ) + ( y i − y ) + ( y ti − y t − y i + y )

τ t , βi : são os efeitos principais dos tratamentos e temperaturas

wti : efeitos de interações

FV SQx1000 GL QMx1000
Temperaturas 1033,0 2 516,5
Tratamentos 922,4 3 307,5
Interação 250,1 6 41,7
Entre grupos 2205,5 11

Quadro de ANOVA para efeitos de Temperaturas e Tratamentos com Interações

FV SQx1000 GL QMx1000 Razão dos
QM
Temperaturas SP=1033,0 n-1=2 sp2= 516,5 sp2/ se2=23,2
Tratamentos ST=922,4 k-1=3 sT2=307,5 sT2/ se2=13,8
Interação SI=250,1 (n-1)(k-1)=6 sI2=41,7 sI2/ se2=1,9
Erro Se=800,7 nk(m-1)=36 se2= 22,2
Total S= 3006,2 nkm-1=47
(corrigido)
Se = ∑∑ (y tij − y ti )2
F2,36 = 3,27 F3,36 = 2,88 F6,36 = 2,38 ↓
Dentro
α = 0,05 α = 0,05

Nota: (i) n níveis do fator temperatura (n=3)

(ii) k níveis do fator tratamento (k=4)
(iii) m réplicas (m=4)

y tij = y + (y t − y) + (yi − y) + (y ti − y t − yi + y) + (y tij − y t − yi + y − y ti + y t + yi + y)

 

εtij = y tij − yti

Notas: S p = mk ∑ ( yi − y ) ; 2

i
 38

S T = mn∑ ( y t − y ) 2 ;
t

S I = m∑∑ ( y ti − y t − y i + y ) 2
t i

S e = ∑∑∑ ( ytij − y ti ) 2
t i j

S = ∑∑∑ ( y tij − y ) 2
t i j

VERIFICAÇÃO DO MODELO

Nota: Se o modelo é adequado, e se os erros εtij são independentes com distribuição

normal com variância constante, então usamos uma tabela F e concluímos que os
efeitos dos tratamentos e das temperaturas são significativos (ver quadro de
ANOVA). Também observamos que existe alguma interação entre temperaturas e
tratamentos.

Figura 9 - Gráfico de y tij − y ti versus yti .

Conclusão: Do gráfico acima, observamos que o desvio-padrão σ cresce quando a

média η cresce (i.e., σ2 não pode ser considerado constante).

Supor que as interações sejam nulas; o gráfico de resíduos y ti − yˆ ti onde

yˆ ti = yt + yi − y é dado por;
 39

Conclusão: A partir da figura anterior, observamos uma tendência curvilínea

(sugerindo uma não-aditividade transformável).
Os resultados destas duas figuras indicam a necessidade de uma transformação dos
dados para que as suposições sejam verificadas.

CAPÍTULO IV

PLANEJAMENTOS COM MAIS DE UMA VARIÁVEL BLOCO

1 – PLANEJAMENTOS QUADRADOS LATINOS

Exemplo 1: Efeitos de 5 fertilizantes: A,B,C,D,E

Resposta: Produção de batatas

Lote de terra subdividido em 5X5

1 2 3 4 5
I A B C D E
II C D E A B
III E A B C D
IV B C D E A
V D E A B C

Propriedade: Cada linha e cada coluna recebe cada tratamento só uma vez
 40

Ex2: Redução de Poluição de automóveis

2 tipos de blocos : 4 carros
4 motoristas

Objetivo: estudo para verificar possíveis diferenças entre 4 aditivos de gasolina.

(carros podem ser de mesmo modelo; mas há diferenças)

Objetivo deste planejamento: eliminar as diferenças entre carros e entre motoristas

no estudo da diferença entre aditivos

Carros
Motoristas 1 2 3 4
I A B D C
II D C A B
III B D C A
IV C A B D

Aditivos: A, B,C,D

Planejamentos quadrados latinos : Assume que os efeitos de tratamentos, carros e

motoristas podem ser aproximadamente aditivos.

Modelo:

yijt = η + βi + δj + τ t + εijt

η : média

βi , i=1,2......, k : efeitos de linhas (motoristas)

δj ..., j=1,2,.....k......: efeitos de colunas (carros)
τ t ...., t=1,2,.....k : efeitos de tratamentos (aditivo)

Importante: Aleatorizar

Obs: Usualmente os quadrados latinos são dados em tabelas e apenas precisamos

aleatorizar em linhas e colunas

Suposição p/ inferências : εijt ~ i.i.d. N(0,σ2)

Resposta: (aditivos p/ carros) : medida codificada da eficiência

PLANEJAMENTO QUADRADO LATINO 4X4

 41

No Exemplo 2 -

Carros
Motoristas 1 2 3 4
I A 21 B 26 D 20 C 25
II D 23 C 26 A 20 B 27
III B 15 D 13 C 16 A 16
IV C 17 A 15 B 20 D 20

Médias
Carros Motoristas Aditivos
1: 19 I: 23 A: 18
2: 20 II: 24 B: 22
3: 19 III: 15 C: 21
4: 22 IV: 18 D: 19
Média Total = 20

yijt média geral ( yi − y ) mot. ( y j − y ) carros

⎛ 21 26 20 25 ⎞ ⎛ 20 20 20 20 ⎞ ⎛3 3 3 3 ⎞ ⎛−1 0 -1 2⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 23 26 20 27 ⎟ ⎜ 20 20 20 20 ⎟ ⎜4 4 4 4 ⎟ ⎜−1 0 -1 2⎟
⎜15 13 16 16 ⎟ = ⎜ 20 20 20 20 ⎟ +⎜− 5 -5 -5
+
- 5 ⎟ ⎜−1 0 -1 2⎟
+
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜17 15 20 20 ⎟ ⎜ 20 20 20 20 ⎟ ⎜ -2 -2 -2 - 2 ⎟⎠ ⎜⎝ − 1 0 -1 2 ⎟⎠
⎝ ⎠ ⎝ ⎠ ⎝
⎛ − 2 2 -1 1 ⎞ ⎛ 1 1 -1 - 1⎞
⎜ ⎟ ⎜ ⎟
⎜−1 1 - 2 2 ⎟ ⎜ 1 1 -1 - 1⎟
⎜ 2 −1 1 - 2⎟ + ⎜ −1 -1 1 1⎟
⎜ ⎟ ⎜ ⎟
⎜ 1 − 2 2 -1 ⎟ ⎜ −1 -1 1 1⎟⎠
⎝ ⎠ ⎝
( yt − y ) adit. ( yijt − yˆ ijt ) resíduos

VETOR: y = A + B + C +T + R
~ ~ ~ ~ ~ ~

SQ (6696) = 6400+216+24+40+16
GL (16) = 1+3+3+3+6

Modelo: yijt = η + βi + δj + τ t + εijt

: εijt ~ i.i.d. N(0,σ2)

 42

Hipóteses:
i) todos τ t são zero
ii) todos δj são zero
iii)todos βi são zero

ANOVA
FV SQx1000 GL QMx1000 Razão dos
QM
Média 6400 1 sA2=6400
Motoristas 216 3 sB2= 72,0 sB2/ sR2=27,0
(linhas)
Carros 24 3 sC2=8,0 sC2/ sR2=3,0
(colunas)
Aditivos 40 3 sT2=13,33 sT2/ sR2=5,0
(tratamentos)
Resíduos 16 (k-1)(k-2)=6 sR2= 2,67
Total 6696 16
F3, 6 = 4,76 → Efeitos de aditivos é significativo!
5%

CAPÍTULO V

EXPERIMENTOS FATORIAIS: MODELOS EMPÍRICOS

Modelos teóricos:
η = f(x1,x2,......,xk)

η : valor médio de uma resposta ( qualidade de um produto, eficiência , etc)

x1,x2,......,xk : níveis de algumas variáveis (tempo, concentração, pressão,

catalisador, etc)

η = f( x )
~

x : vetor com k variáveis x1,x2,......,xk

~
 43

Modelos empíricos: frequentemente o mecanismo do modelo não é muito claro, ou é

muito complicado. Os modelos empíricos são úteis particularmente sobre amplitudes
limitadas das variáveis.

PLANEJAMENTOS FATORIAIS A DOIS NÍVEIS

Nota: Um caso particular é dado por planejamento onde cada variável ocorre
somente em 2 níveis. Alguns fatos importantes relacionados a esses planejamentos
fatoriais com dois níveis são os seguintes:

i) Apesar de usarem um número pequeno de experimentos por fator, esses

planejamentos podem indicar tendências e direções da pesquisa.

ii) É possível aumentar esses experimentos para formar planejamentos compostos.

iii) É possível trabalhar com frações de planejamentos fatoriais de 2 níveis
iv) Podemos utilizar esses planejamentos como blocos
v) A interpretação dos resultados são dadas diretamente por aritmética elementar.

Exemplo: Considerar um planejamento fatorial 23 onde temos duas variáveis

quantitativas (temperatura, concentração) e uma variável qualitativa (catalisador). A
resposta é dada pela quantidade do produto químico obtido (gramas).

Nível superior da variável quantitativa: +

Nível inferior da variável quantitativa: -

Matriz de Planejamento: (todos os pontos do experimento):

 44

Experimento T C K
1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +

T: – → 160°C C: – → 20%
Resultados experimentais obtidos: + → 180°C + → 40%

Experimento T (°C) C (%) K (A ou B) y

temperatura Concentração catalisador Produto
1 - - - 60
2 + - - 72
3 - + - 54
4 + + - 68
5 - - + 52
6 + - + 83
7 - + + 45
8 + + + 80

CÁLCULO DOS EFEITOS PRINCIPAIS DAS VARIÁVEIS:

Efeito Principal de temperatura:

Efeito de mudar a Temp. Concentração Catalisador

de 160°C a 180°C
y2-y1=72-60=12 20 A
y4-y3=68-54=14 40 A
y6-y5=83-52=31 20 B
y8-y7=80-45=35 40 B

O efeito principal da temperatura é dado pela média das 4 medidas:

(12+14+31+35)/4=23
 45

REPRESENTAÇÃO GEOMÉTRICA DO EXPERIMENTO:

(+35)
45 80
(-9) (+12)
- (40) 54 (+14) 68 (-3)
(-7)
Conc.(C) (-6) 52 (+31) 83
(-8) (-4) B(+)
(+11)
- (20) 60 72 Catalisador
(+12)

A (-)

160(-) 180 (+)

Temperatura (°C)

Efeito Principal de Concentração:

Efeito de mudar Conc. Temperatura Catalisador

de 20% p/ 40% (°C)
y3-y1=54-60=-6 160 A
y4-y2=68-72=-4 180 A
y7-y5=45-52=-7 160 B
y8-y6=80-83=-3 180 B
Efeito principal de concentração : -5

Efeito Principal de Catalisador:

Efeito de mudar catalisador Temperatura Concentração

de A p/ B (°C)
y5-y1=52-60=-8 160 20
y6-y2=83-72=11 180 20
y7-y3=45-54=-9 160 40
y8-y4=80-68=12 180 40
Efeito principal de concentração : 1,5

Definição: O efeito principal de um fator é dado por uma diferença entre médias:
y + − y − , onde y + é a resposta média para o sinal + da variável e y − é a resposta
média para o sinal – da variável.
 46

EFEITOS DE INTERAÇÃO ENTRE FATORES:

Interação entre dois fatores:

Nota: No exemplo anterior, observamos que o efeito principal de temperatura é 23,
mas também observamos que o efeito de temperatura é muito maior com o
catalisador B do que com o catalisador A. As variáveis temperatura e catalisador não
se relacionam aditivamente, elas interagem entre si.

Efeitos de Interação : É dado pela diferença entre o efeito médio da temperatura

com o catalisador A e o efeito médio da temperatura com o catalisador B. Por
definição é dado pela metade desta diferença e representado por TxK.

Interação TxK:

Catalisador Efeito médio da temperatura

(+) B 33=(31+35)/2=1/2x(y6-y5+y8-y7)
(-) A 13=(12+14)/2=1/2x(y2-y1+y4-y3)
Diferença=20
Efeito de interação TxK= 20/2=10

Interação TxK = ½ Diferença = (33-13)/2=10= ¼ (y1-y2+y3-y4-y5+y6-y7+y8) =

¼ (y1+y3+y6+y8)- ¼ (y2+y4+y5+y7) = Diferença entre 2 médias

Interação TxC e CxK:

Concentração Efeito médio de Catalisador Efeito médio de

Temperatura Concentração
(+) 40% 24,5 (+) B -5,0
(-) 20% 21,5 (-) A -5,0
Diferença=3,0 Diferença=0,0

Conclusão: Interação TxC = 3/2 = 1,5

Interação CxK = 0/2 = 0,0

Notas:

Interação TxC = ¼ (y1+y4+y5+y8)- ¼ (y2+y3+y6+y7)

Interação CxK = ¼ (y1+y2+y7+y8)- ¼ (y3+y4+y5+y6)

Interação entre 3 fatores: Considerar a interação TxC. Observar que duas medidas
da interação TxC são dadas pelo experimento, sendo uma medida para cada
catalisador.
 47

i) interação TxC com catalisador B (+): ½ (y8-y7) – (y6-y5) = ½ (80-45)- (83-52)

= ½ (35-31) = 2,0
ii) interação TxC com catalisador A (-): ½ (y4-y3) – (y2-y1) = ½ (68-54)- (72-60)=
½ (14-12) = 1,0

A interação TxCxK é dada por : (2,0-1,0)/2=1/2=0,5

Nota:

Interação TxCxK =¼ (-y1+y2+y3-y4+y5-y6-y7+y8)= ¼ (y2+y3+y5+y8)- ¼ (y1+y4+y6+y7)

INTERPRETAÇÃO DOS RESULTADOS

Efeito Estimador

Média 64,25

Efeitos Principais
Temperatura (T) 23,0
Concentração (C) -5,0
Catalisador (K) 1,5

Interações com 2 fatores:

TxC 1,5
TxK 10,0
CxK 0,0

Interações com 3 fatores:

TxCxK 0,5

Algumas conclusões:

i) O efeito de concentração é o efeito de reduzir o produto por 5 unidades.

ii) Os efeitos de temperatura T e catalisador K não podem ser interpretados
separadamente pois existe grande interação TxK .
 48

MÉTODOS RÁPIDOS PARA O CÁLCULO DOS EFEITOS

Os efeitos principais e de interações podem ser calculados diretamente a partir

da tabela de contrastes:

Média T C K TC TK CK TCK Resultado

+ - - - + + + - 60
+ + - - - - + + 72
+ - + - - + - + 54
+ + + - + - - - 68
+ - - + + - - + 52
+ + - + - + - - 83
+ - + + - - + - 45
+ + + + + + + + 80
Divisor 4 4 4 4 4 4 4
8

Estimador da média: (60+72+54+68+52+83+45+80)/8 = 64,25

Estimador do Efeito Principal de T: (-60+72-54+68-52+83-45+80)/4 = 23,0

Estimador do Efeito de Interação TxK: (+60-72+54-68-52+83-45+80)/4 = 10,0

ALGORÍTMO DE YATES

Outro método rápido para calcular os efeitos é dado pelo algoritmo de Yates.
Supor as observações na ordem padronizada (matriz de planejamento):

1a coluna: - + - + - + - + - + - + - + - +............
2a coluna: - - + + - - + + - - + + - - + +............
3a coluna: - - - - + + + + - - - - + + + + ............

Em geral: a K-ésima coluna consiste de

2k-1 sinais negativos seguidos de
2k-1 sinais positivos

Uso do algoritmo de Yates para os dados anteriores

 49

Exper. T C K y (1) (2) (3) Divisor Estimador Ident.

1 - - - 60 132 254 514 8 64,25 Média
2 + - - 72 122 260 92 4 23,0 T
3 - + - 54 135 26 -20 4 -5,0 C
4 + + - 68 125 66 6 4 1,5 TC
5 - - + 52 12 -10 6 4 1,5 K
6 + - + 83 14 -10 40 4 10,0 TK
7 - + + 45 31 2 0 4 0,0 CK
8 + + + 80 35 4 2 4 0,5 TCK
#

SUMÁRIO DO ALGORÍTMO DE YATES

(i) Fatoriar 2K
(ii) K colunas (1), (2), .... ,(K) são geradas somando e subtraindo pares
apropriados de números.
(iii) 1o divisor : 2K
Divisores restantes: 2K-1
#

PLANEJAMENTOS FATORIAIS
FRACIONÁRIOS EM DOIS NÍVEIS

Nota:Observar que com um número grande de fatores (variáveis), os planejamentos

fatoriais com 2 níveis exigem um grande número de experimentos.

Um exemplo: Um planejamento fatorial completo com 7 fatores requer 27 = 128

experimentos. Com esses pontos, estimamos
uma média,
7 efeitos principais,
21 efeitos de interação com 2 fatores,
35 efeitos de interação com 3 fatores,
35 efeitos de interação com 4 fatores,
21 efeitos de interação com 5 fatores,
7 efeitos de interação com 6 fatores,
1 efeito de interação com 7 fatores.

Logo, é de grande interesse considerarmos frações de planejamentos fatoriais.

Exemplo: Considerar um exemplo de fração ½ de um planejamento fatorial 25. Supor

um reator químico onde a resposta é a porcentagem y do produto obtido e as variáveis
de interesse são:
 50

Variável - +
1. Taxa de Alimentação 10 15
2. Catalisador (%) 1 2
3. Taxa de agitação (RPM) 100 120
4. Temperatura (°C) 140 180
5. Concentração (%) 3 6

Nota: Observar que o experimento completo requer 25 = 32 pontos.

Variável Resposta
Experimento 1 2 3 4 5 y (%)
1 - - - - - 61
2 + - - - - 53
3 - + - - - 63
4 + + - - - 61
5 - - + - - 53
6 + - + - - 56
7 - + + - - 54
8 + + + - - 61
9 - - - + - 69
10 + - - + - 61
11 - + - + - 94
12 + + - + - 93
13 - - + + - 66
14 + - + + - 60
15 - + + + - 95
16 + + + + - 98
17 - - - - + 53
18 + - - - + 63
19 - + - - + 70
20 + + - - + 65
21 - - + - + 59
22 + - + - + 55
23 - + + - + 67
24 + + + - + 65
25 - - - + + 44
26 + - - + + 45
27 - + - + + 78
28 + + - + + 77
29 - - + + + 49
30 + - + + + 42
31 - + + + + 81
32 + + + + + 82
 51

Os estimadores dos efeitos usando os 32 pontos são:

Média=65,5 123=1,5
1=-1,375 124=1,375
(*) 2=19,5 125=-1,875
3=-0,625 134=-0,75
(*) 4=10,75 135=-2,50
................(*) 5=-6,25 145=-0,625
12=1,375 235=0,125
13=0,75 234=1,125
14=0,875 245=-0,250
15=0,125 345=0,125
23=0,875 1234=0,0
(*) 24=13,25 1245=0,625
25=2,0 2345=-0,625
34=2,125 1235=1,500
35=0,875 1345=1,000
(*) 45=-11,0 12345=-0,25

#
Conclusão: A partir de um gráfico dos efeitos estimados versus os escores normais ,
observamos que os efeitos principais 2,4,5 e de interações 24 e 45 são significativos.

Normal Probability Plot

VAR1
2,5

1,5
Expected Normal Value

0,5

-0,5

-1,5

-2,5
-15 -10 -5 0 5 10 15 20 25
Value

Figura – Gráfico de probabilidade normal com os 32 pontos

Nota : Considerar agora os 16 experimentos assinalados, em lugar dos 32 pontos, isto

é , uma fração (1/2) 25 , daí, podemos estimar os efeitos principais e de interações.
Supondo que as interações de ordem alta são desprezíveis, temos:
 52

Média=65,25 23=1,50
1=-2,0 (*) 24=10,75
(*) 2=20,5 25=1,25
3=0,0 34=0,25
(*) 4=12,25 35=2,25
................(*) 5=-6,25 (*) 45=-9,5
12=1,5
13=0,5
14=-0,75
15=1,25
Normal Probability Plot
VAR1
2,0

1,5

1,0
Expected Normal Value

0,5

0,0

-0,5

-1,0

-1,5

-2,0
-15 -10 -5 0 5 10 15 20 25
Value

Figura – Gráfico de probabilidade normal com os 16 pontos

Conclusão: Novamente concluímos que os efeitos importantes são os feitos

principais 2, 4 5 e os efeitos de interação com dois fatores 24 e 45.
Obtemos as mesmas conclusões com metade do esforço requerido com 32
experimentos.

Escolha da fração (1/2) 25 :

i) Construir um planejamento completo 24 para as variáveis 1, 2,3 e 4.
ii) A coluna dos sinais para a interação 1234 será usada para definir os níveis da
variável 5.
iii) Assim, 5=1234 e os sinais – e + definem as duas frações.

Notação: Fatorial 25-1

(1/2) 25 = 2-1 25 = 25 2-1 = 25-1 (16 experimentos)

I=12345 ou 5=1234
1x1=12=I ; 22=I ; 32=I coluna de sinais positivos
 53

Matriz de planejamento dos experimentos do planejamento fatorial 25-1 (fracionário)

Experimento 1 2 3 4 5 y
1 - - - - + 56
2 + - - - - 53
3 - + - - - 63
4 + + - - + 65
5 - - + - - 53
6 + - + - + 55
7 - + + - + 67
8 + + + - - 61
9 - - - + - 69
10 + - - + + 45
11 - + - + + 78
12 + + - + - 93
13 - - + + + 49
14 + - + + - 60
15 - + + + - 95
16 + + + + + 82

Nota: Podemos formular a seguinte questão:

“Perdemos alguma coisa com o uso desta fração ?”
Observar que apresentamos 16 quantidades estimadas: A média, 5 efeitos principais
e 10 efeitos de interação com 2 fatores.
“ E os demais efeitos ? ”
Isto é, as 10 interações com 3 fatores, as 5 interações com 4 fatores e uma interação
com 5 fatores.
Observar que as colunas de interação 123 e 45 são idênticas:
123=-++-+--+-++-+--+
45 = -++-+--+-++-+--+
Assim, 123=45 , isto é , temos um confundimento entre 123 e 45.

l45 : função linear das observações usadas para estimar a interação 45

l45 = 1/8 (-56+53+63-65+53-55-67+61-69+45+78-93+49-60-95+82) = -9,50

 54

Notas: (1) l45 é um contraste (diferença entre duas médias)

(2) l45 é um estimador da soma dos valores médios dos efeitos 45 e
123, isto é:

l45 → 45 + 123

Estrutura de confundimento para o planejamento fatorial fracionário 25-1

considerado:
Relações Confundimento Estimador
1=2345 l1→1+2345 l1=-2,0
2=1345 l2→2+1345 l2=20,5
3=1245 l3→3+1245 l3=0,0
l4→4+1235 l4=12,25
4=1235
l5→5+1234 l5=-6,25
5=1234
l12→12+345 l12=1,5
12=345
l13=0,5
13=245 l13→13+245
14=235 l14→14+235 l14=-0,75
l15→15+234 l15=1,25
15=234
l23→23+145 l23=1,5
23=145
24=135 l24→24+135 l24=10,75
25=134 l25→25+134 l25=1,25

34=125 l34→25+134 l34=0,25

l35→35+124 l35=2,25
35=124
l45→45+123 l45=-9,50
45=123
lI→Média+1/2(12345) lI=65,25
I=12345

Notas:
i) 124 é obtido pelo produto dos 3 colunas 1, 2 e 4
ii) Multiplicação dos elementos de uma coluna por outra coluna de
elementos idênticos, produz uma coluna de sinais positivos: 1x1=12=I;
22=I ; 32=I
iii) Um contraste como l45 é obtido pela multiplicação das observações pelos
sinais na coluna 45 e dividindo por N/2 (aqui=8) onde N é número de
observações (aqui, N=16).
 55

GERADOR E RELAÇÃO DEFINIDORA

O gerador de um planejamento fatorial fracionário 25-1 é dado por
5=1234.
Observar que 5x5=1234x5. Portanto, a relação definidora do
planejamento considerado é dada por:
I=12345

Fração ½ complementar
Com 5=1234 ou I=12345, obtemos a fração ½ correspondente aos
pontos marcados anteriormente.
A fração ½ complementar é gerada pela relação 5=-1234. A relação
definidora é dada por
I=-12345.

Nota: Na prática, qualquer uma das duas frações podem ser multiplicadas. Por
exemplo, usando a fração dada pela relação definidora I=-12345, temos:

l1’=-0,75 → 1 - 2345
l2’=18,50 → 2 - 1345
Combinação das duas frações 25-1
Podemos combinar as 2 frações para determinar exatamente os estimadores dos
efeitos considerando os 32 experimentos. Por exemplo,
1a fração : l2= 20,5 → 2 + 1345
2a fração : l2’=18,5 → 2 - 1345

Portanto,
(1/2) (l2 + l2’ )=1/2 (20,5+18,5)=19,5 → 2
(1/2) (l2 - l2’ )=1/2 (20,5-18,5)=1,0 → 1345
 56

Resolução de um planejamento

Considerar novamente os dados do reator químico do exemplo. A fração 25-1 é

um planejamento de Resolução V pois os efeitos principais são confundidos com as
interações com 4 fatores e os efeitos de interação com 2 fatores são confundidos com
as interações com 3 fatores. Por exemplo,
l1→1+2345
l12→12+345
Nota: Em geral, um planejamento de resolução R é um planejamento onde nenhum
efeito de p fatores é confundido com outro efeito contendo menos de R-p fatores.
5 −1
Notação: no exemplo 2V

Alguns casos especiais:

i) Um planejamento de resolução R=III não confunde efeitos principais com outros
efeitos principais, mas confunde efeitos principais com interações com 2 fatores.
ii) Um planejamento de resolução R=IV não confunde efeitos principais com
efeitos de interação com 2 fatores, mas confunde interações com 2 fatores com
interações com 2 fatores.
iv) Um planejamento de resolução R=V não confunde efeitos principais com
interações de 2 fatores, mas confunde interações de 2 fatores com interações de
3 fatores.

Resoluções de algumas frações ½

i) 25-1 com relação definidora I = ± 12345 tem resolução V
ii) 23-1 com relação definidora I = ± 123 tem resolução III
iii) 24-1 com relação definidora I = ± 1234 tem resolução IV

EXEMPLOS
a) 23-1 I=123 I=-123

1 2 3=12 1 2 3=-12
- - + - - -
+ - - + - +
- + - - + +
+ + + + + -
 57

b) 24-1 I=1234

1 2 3 4=123
- - - -
+ - - +
- + - +
+ + - -
- - + +
+ - + -
- + + -
+ + + +

I=-1234

1 2 3 4=123
- - - +
+ - - -
- + - -
+ + - +
- - + -
+ - + +
- + + +
+ + + -

Nota: O planejamento fatorial fracionário 25-1 considerado anteriormente foi

construído com o confundimento 5=1234 para se Ter maior resolução possível.
Em geral, para a construção de um planejamento fatorial fracionário 2K-1 com
maior resolução, temos:
i) Escrever um planejamento fatorial completo para as k-1 primeiras variáveis.
ii) Associar a k-ésima variável com o sinal + ou - da coluna de interação
123...(k-1), isto é , k=123....(k-1).
 58

EXEMPLO: Os tempos (em segundos) para um ciclista completar 8 viagens até o

topo de uma colina entre duas marcas fixas foram os resultados de um planejamento
fatorial fracionário envolvendo 7 variáveis. Foi considerado uma fração 1/16=8/128
de um planejamento completo 27, de resolução III ( 2 7III− 4 ) . Observar que ,
27-4 = 27 . 2-4 = 2-4 . 27 = (1/16) 27

Geradores dos 8 experimentos:

I=124, I=135 , I=236 , I=1237

A relação definidora inclui todas as palavras que são iguais à identidade (Geradores
124, 135, 236 , 1237 e todos os produtos entre eles)
124 . 135 = 12 . 2345

Multiplicação 2 a 2:
I = 2345 = 1346 =347 = 1256 =257 =167

Multiplicação 3 a 3:
I = 456 = 1457 = 2467 = 3567

Multiplicação 4 a 4:
I = 1234567
Daí , a relação definidora é dada por:
I=124=135=236=1237=2345= 1346 =347 = 1256 =257 =167= 456 = 1457 = 2467 =
3567= 1234567

Nota: A partir da relação definidora podemos determinar toda estrutura de

confundimento.. Por exemplo:
1 = 24=35=1236=237=12345= 346 =1347 = 256 =1257 =67= 1456 = 457 = 12467 =
13567= 234567

Sem as interações com mais de 2 fatores, temos:

l1 → 1 + 24 + 35 + 67
 59

Com os geradores I=124, I=135 , I=236 , I=1237, os x experimentos da 1a fração

são:
Variáveis
Ensaio 1 2 3 4 5 6 7 y
(12) (13) (23) (123)
1 - - - + + + - 69
2 + - - - - + + 52
3 - + - - + - + 60
4 + + - + - - - 83
5 - - + + - - + 71
6 + - + - + - - 50
7 - + + - - + - 59
8 + + + + + + + 88

Variáveis: 1. Assento (baixo/alto) (-/+)

2. Dínamo (não/sim) (-/+)
3. Guidão (alto/baixo) (-/+)
4. Marcha (baixa/média) (-/+)
5. Capa chuva (sim/não) (-/+)
6. Lanche antes (sim/não) (-/+)
7. Pneus (cheio/médio) (-/+)

A partir da relação definidora temos:

l1=3,5 → 1+24+35+67
∗ l2=12,05 → 2 + 14+ 36+57
l3=1,05 →3+15+26+47
∗ l4=22,55 →4+12+56+37
l5=0,55 →5+13+46+27
l6=1,05 →6+23+45+17
l7=2,55 →7+34+25+16

lI=66,5 (média)
 60

Conclusão: Só os contrastes l2 e l4 são significativos. Observar que l2 e l4

estimam os efeitos principais das variáveis 2 (dínamo) e 4 (marcha) mais os
efeitos de interação que estão confundidos. Assim l4 pode ser grande devido ao
efeito de 4 ou devido as interações 12, 56 ou 37. É necessário o uso sequencial de
experimentos para dar interpretações apropriadas.

Nota: Na obtenção do planejamento 27-4 observamos que 4=12, 5=13, 6=23 e 7=123.
Daí temos as relações geradoras I=124, I=135,I=236,I=1237. As 16 frações com 8
experimentos cada são dadas pelas combinações de sinais das variáveis 4,5,6 e 7.

Variáveis
4 5 6 7
- - - - 1a fração
+ - - - 2a fração
- + - - 3a fração
+ + - - 4a fração
- - + - 5a fração
+ - + - 6a fração
- + + - 7a fração
+ + + - 8a fração
- - - + 9a fração
+ - - + 10a fração
- + - + 11a fração
+ + - + 12a fração
- - + + 13a fração
+ - + + 14a fração
- + + + 15a fração
+ + + + 16a fração

Geradores das 16 frações com 8 experimentos cada:

I=±124, I=±135, I=±236, I=±1237.
 61

7−4
CONSTRUÇÃO DE UM PLANEJAMENTO 2 III
i) Escrever um planejamento fatorial completo para as 3 variáveis 1, 2, 3
ii) Associar as variáveis adicionais 4, 5, 6 e 7 com todas colunas de interações 12,
13, 23 e 123, respectivamente. Este planejamento é chamado planejamento
saturado, isto é, todas novas variáveis são confundidas com todas interações
entre as variáveis originais.

Uma Segunda fração:

Uma Segunda fração 2 7III− 4 é dada pelos geradores I=-124,
I=135,I=236,I=1237

Variáveis
Ensaio 1 2 3 4 5 6 7 y
(-12) (13) (23) (123)
1 - - - - + + - 97
2 + - - + - + + 74
3 - + - + + - + 84
4 + + - - - - - 62
5 - - + - - - + 53
6 + - + + + - - 78
7 - + + + - + - 87
8 + + + - + + + 60

Contrastes calculados (a partir da 2a fração):

l1’=0,8 → 1-24+35+67
l2’=10,2 → 2-14+ 36+57
’
l3 =2,7 →3+15+26-47
l4’=25,2 →4-12-56-37
l5’=-1,7 →5+13-46+27
l6’=2,2 →6+23-45+17
l7’=-0,7 →7-34+25+16
 62

Combinando-se as 2 frações , isto é , considerando-se os 16 experimentos

juntos, temos:
½ (l1+l1’)=1/2 (3,5+0,8)=2,2 → 1+35+67
½ (l2+l2’)=11,1 → 2+36+57
½ (l3+l3’)=1,9 → 3+15+26
½ (l4+l4’)=23,9 → 4
½ (l5+l5’)=-0,6 → 5+13+27
½ (l6+l6’)=1,8 → 6+23+17
½ (l7+l7’)=0,9 → 7+25+16
½ (l1-l1’)=1/2 (3,5-0,8)=1,3 → 24
½ (l2-l2’)=0,9 → 14
½ (l3-l3’)=-0,9 → 47
½ (l4-l4’)=-1,4 → 12+56+37
½ (l5-l5’)=1,1 → 46
½ (l6-l6’)=-0,6 → 45
½ (l7-l7’)= 1,6 → 34

ALGUMAS CONCLUSÕES IMPORTANTES

i) O efeito da variável 4 (marcha) é estimado livre de vícios de interações com
2 fatores e tem um valor próximo do obtido anteriormente: 23,9
ii) O efeito conjunto das interações 12+56+27 agora é estimado livre do efeito
principal de 4.
iii) Um resultado importante: todas interações com 2 fatores envolvendo a variável
4 são obtidas diretamente sem vícios com outros estimadores (14, 24, 45 e 34)
iv) O fator 2 (dínamo) também mostra um efeito similar ao anterior.

Notas:
(a) O objetivo da adição da 2a fração é relacionado ao interesse em conclusões
específicas
(b) Outra 2a fração possível:
l1’ → 1-24-35-67
l2’ → 2-14-36-57
 63

Daí: ½ (l1+l1’) → 1
½ (l2+l2’) → 2
½ (l1-l1’) → 24+35+67
½ (l2-l2’) → 14+36+57

ALGUNS PROCEDIMENTOS PARA CONSTRUIR PLANEJAMENTOS

FATORIAIS FRACIONÁRIOS DE RESOLUÇÃO IV
i) Podemos construir um planejamento de resolução IV a partir de um
planejamento de resolução III (“folding over”). Por exemplo para determinar
os 16 pontos do planejamento 28IV− 4 temos:
7−4
a) Escrever um planejamento 2 III . Sendo as 7 variáveis 1,2 ,3, 4 , 5, 6 e 7 definidas
por saturação, isto é , 4=12 , 5=13, 6=23, 7=123.
b) Adicionar uma coluna 8 consistindo só de sinais positivos +
c) Os 8 pontos restantes são determinados pela mudança de todos os sinais dos 8
primeiros pontos.
Daí temos: Variáveis
Ensaios 1 2 3 4 5 6 7 8
1 - - - + + + - +
2 + - - - - + + +
3 - + - - + - + +
4 + + - + - - - +
5 - - + + - - + +
6 + - + - + - - +
7 - + + - - + - +
8 + + + + + + + +
9 + + + - - - + -
10 - + + + + - - -
11 + - + + - + - -
12 - - + - + + + -
13 + + - - + + - -
14 - + - + - + + -
15 + - - + + - + -
16 - - - - - - - -
 64

Os 2 grupos de 8 experimentos cada, podem ser vistos como planejamentos

fatoriais fracionários 28-5 com as seguintes relações geradoras:
I8 = 8 = 124 = 135 = 236 = 1237
I8 = -8 = -124 = -135 = -236 = 1237
Onde I8 é uma coluna de sinais +.
Daí, I8=1237 para os 2 grupos, isto é, um gerador do planejamento combinado é
dado por:
I16 = 1237 também,
I8=(8)(124)=1248
I8=(-8)(-124)=1248
Conclusão: outro gerador é dado por, I16 = 1248
Da mesma forma:
I16 = 1358=2368
Daí, os geradores são:
I16=1237; I16 = 1248, I16 = 1358, I16 = 2368
Relação Definidora:
I16=1237 = 1248 = 1358 = 2368 = 3478 =2578 = 1678 =2345 =1346 =1256 = 1457
=2467 3567 = 4568 =12345678 (planejamento de Resolução IV)
#
Exemplo: Uma grande Indústria Química com várias unidades espalhadas por várias
regiões de um país tem um problema com uma unidade nova. Nas fábricas mais
velhas é necessário um ciclo de filtração de 40 minutos e na fábrica nova é necessário
um tempo próximo de 80 minutos (quase o dobro) apesar do equipamento ser novo.
Para descobrir a causa do problema, os engenheiros consideram inicialmente 7
variáveis possíveis:
1. Fonte de água para a indústria nova : a água é proveniente de um reservatório
distante 50 km. Nas demais unidades, a água é proveniente de poços (conteúdo
mineral pode ser diferente).
2. Fonte de Matéria prima: Outra fonte de matéria prima para a unidade nova
(próxima).
3. Nível de temperatura: A temperatura na indústria nova é superior à temperatura
usada nas outras unidades.
4. Presença de equipamento de reciclagem na indústria nova, mas não nas demais.
5. Taxa de adição de soda caústica é maior para a indústria nova.
6. Tipo de meio filtrante. Existe um tipo novo de meio filtrante na indústria nova
7. Tempo de descarga
 65

7−4
Planejamento considerado: Fatorial fracionário 2 onde os níveis das variáveis são:
Variável - +
1. Água Reservatório Poço
2. Fonte de Matéria Prima Próxima Outra
3. Temperatura Baixa Alta
4. Reciclagem Sim Não
5. Soda Caústica (taxa) Rápida Lenta
6. Meio Filtrante Novo Velho
7. Tempo de descarga Baixo Alto

Resultados da 1a fração:
Ensaio 1 2 3 4 5 6 7 Tempo de filtração
(12) (13) (23) (123) (min)
1 - - - + + + - 68,4
2 + - - - - + + 77,7
3 - + - - + - + 66,4
4 + + - + - - - 81,0
5 - - + + - - + 78,6
6 + - + - + - - 41,2
7 - + + - - + - 68,7
8 + + + + + + + 38,7

∗l1=-10,9 → 1+24+35+67
l2=-2,8 → 2 + 14+ 36+57
∗ l3=-16,6 →3+15+26+47
l4=3,2 →4+12+56+37
∗l5=-22,8 →5+13+46+27
l6=-3,4 →6+23+45+17
l7=0,5 →7+34+25+16

7−4
Algumas interpretações possíveis (usando a 1a fração 2 ):
i) os efeitos principais importantes são das variáveis 1, 3 e 5.
 66

ii) Os efeitos principais 1 e 3 e a interação 13 são importantes.

iii) Os efeitos principais 1 e 5 e a interação 15 são importantes
iv) Os efeitos principais 3 e 5 e a interação 35 são importantes

Considerar uma 2a fração convertendo o planejamento de resolução III num

planejamento de resolução IV (fold-over)
Ensaio 1 2 3 4 5 6 7 Tempo de filtração
(-12) (-13) (-23) (123) (min)
9 + + + - - - + 66,7
10 - + + + + - - 65,0
11 + - + + - + - 86,4
12 - - + - + + + 61,9
13 + + - - + + - 47,8
14 - + - + - + + 59,0
15 + - - + + - + 42,6
16 - - - - - - - 67,6
Combinando-se os dois conjuntos de 8 experimentos cada , temos:
∗ l1=-6,7 → 1
l2=-3,9 → 2
l3=-0,4 →3
l4=2,8 →4
∗l5=19,2 →5
l6=0,1 →6
l7=-4,4 →7
l12=0,5 → 12+37+56
l13=-3,6 → 13+27+46
l14=1,1 → 14+36+57
∗l15=-16,2 → 15+26+47
l16=4,9 → 16+25+34
l17=-3,4 → 17+23+45
l24=-4,2 → 24+35+67
Possível interpretação: as variáveis 1 e 5 são as variáveis mais importantes, não só
em termos de efeitos principais , mas também tem uma grande interação.
 67

MODELO ESTATÍSTICO

Considerando uma variável aleatória y relacionada com uma variável

controlada x dada pela relação linear,

yi = β0 + β1 xi + εi

Para i = 1, 2, ..., n e onde,

i) A variável aleatória yi representa a resposta para o i-ésimo ponto experimental

associada a um valor xi da variável independente.
ii) As variáveis ε1, ε2, ..., εn representam componentes de erros desconhecidos
considerados como variáveis aleatórias não observadas. Supor que essas
variáveis aleatórias εi são independentes e identicamente distribuídas com
distribuição normal N{0;σ}.
iii) O parâmetros β0 e β1 são desconhecidos.

A partir das suposições acima, temos Yi ~ N{ β0 + β1 xi ;σ } , isto é, Yi tem

distribuição normal com médias na reta β0 + β1 xi .

O MÉTODO DE MÍNIMOS QUADRADOS

Supor que o modelo de regressão linear (10.3) seja correto. Para estimar os
parâmetros de regressão β0 e β1 , utilizamos o método de mínimos quadrados.
O princípio de mínimos quadrados considera estimar os parâmetros
desconhecidos β0 e β1 pelos valores que minimizam a soma de quadrados dos erros,
dada por:

n
S = S( β0 , β1 ) = ∑( y − β
i =1
i 0 − β1 xi )2

Os estimadores β̂0 e β̂1 que minimizam (10.4) são denominados estimadores

de mínimos quadrados (EMQ).

Derivando (β0 , β1) em relação à β0 e β1 temos:

∂S( β0 ,β1 ) n
= −2∑ ( yi − β0 − β0 xi )
∂β0 i =1
 68

∂S( β0 ,β1 ) n
= −2∑ xi ( yi − β0 − β1 xi )
∂β1 i =1

De ∂S( β0 ,β1 ) / ∂β0 = 0 e ∂S( β0 ,β1 ) / ∂β1 = 0 encontramos β̂0 e β̂1 a partir das
equações normais,

⎧ˆ n n

⎪β0 n + β1 ∑ xi = ∑ yi
ˆ
⎪ i =1 i =1
⎨ n n n
⎪β
⎪⎩ 0 ∑ 1∑ i ∑
ˆ x +β ˆ x 2
= xi yi
i
i =1 i =1 i =1

Portanto, resolvendo-se as equações (10.5) encontramos os estimadores de

mínimos quadrados β̂0 e β̂1 dados por,

⎧ n

⎪ ∑ ( xi − x )( yi − y )
⎪βˆ
⎪ 1=
i =1
n
⎨
⎪ ∑i =1
( xi − x )2
⎪ˆ ˆ x
⎪⎩β0 = y − β 1

A reta ajustada por mínimos quadrados é dada por,

ˆ +β
ŷ = β ˆ x
0 1

Nota: Considere a notação básica,

1 n 1 n
x = ∑ xi , y = ∑ yi
n i=1 n i=1
n n n
S xx = ∑(xi − x ) =
2
∑x 2
i − ( ∑ xi )2 / n
i=1 i=1 i =1
n n n
S yy = ∑ (yi − y )2= ∑y 2
i − ( ∑ yi )2 / n
i=1 i=1 i =1
n n

n n
( ∑ xi )( ∑ yi )
S xy = ∑ (xi − x )(yi − y )= ∑x y i i − i =1 i =1

i=1 i=1 n

Observar que x e y são as médias amostrais dos dados x e y ; S yy e S yy são

as somas de quadrados dos desvios das médias e S xy é a soma dos produtos cruzados
dos desvios.
Portanto, os estimadores de mínimos quadrados podem ser reescritos por:
 69

⎧ˆ S xy
β =
⎪ 1 S
⎨ xx
⎪βˆ ˆ
⎩ 0 = y − β1 x

RESÍDUOS. Os resíduos da regressão linear (10.3) são definidos por:

ˆ -β
ε i = yi − ˆyi = ˆε i = yi − β ˆ x , i = 1,2,...,n
0 1 i

SOMA DE QUADRADOS RESIDUAL. A soma de quadrados devido ao erro ou

soma de quadrados residual é definida por:

n S xy2
SQR = ∑ ˆεi2 = S yy −
i =1 S xx

ESTIMADOR DA VARIÂNCIA DE Y. Um estimador da variância σ 2 é dado por:

SQR
s2 =
n−2

AVALIAÇÃO DA RELAÇÃO LINEAR

A partir da regressão linear, podemos considerar cada valor observado yi dado

na forma,

ˆ +β
yi = ( β ˆ x )+ (y − β
ˆ -β
ˆ x )
0 1 i i 0 1 i

onde β̂0 e β̂1 são os estimadores de mínimos quadrados dos coeficientes de regressão
β0 e β 1 .

yi
De (10.23), observamos que para cada valor de temos uma decomposição da
forma,

⎛ VALOR ⎞ ⎛ EXPLICAÇÃO PELA ⎞ ⎛ RESIDUAL OU DESVIO ⎞

⎜ OBSERVADO ⎟ = ⎜ ⎟+⎜ ⎟
⎝ ⎠ ⎝ RELAÇÃO LINEAR ⎠ ⎝ DA RELAÇÃO LINEAR ⎠
 70

Uma medida geral da discrepância de linearidade é dada pela soma de

quadrados residual,

n S xy2
SQR = ∑ ( yi −β0 − β1 xi ) = S yy −
ˆ ˆ 2

i =1 S xx

A variabilidade total das observações yi é dada por,

n
S yy = ∑ ( yi − y )2
i =1

A diferença entre a soma de quadrados total e a soma de quadrados residual é a

soma de quadrados devido à regressão (ou a soma de quadrados devido ao modelo,
SQM),

S xy2
SQM = S yy − SQR =
S xx

Esta decomposição de variabilidade total de y é definida como análise de

variância.
Isto é,

S xy2
S yy = + SQR
S xx

⎛ VARIABILIDADE ⎞
⎛ VARIABILIDADE ⎞ ⎜ ⎟ ⎛ VARIABILIDADE ⎞
⎜ TOTAL DE y ⎟ = ⎜ EXPLICADA PELA ⎟ + ⎜ RESIDUAL ⎟
⎝ ⎠ ⎜ ⎟ ⎝ ⎠
⎝ RELAÇÃO LINEAR ⎠

Um índice para avaliação do modelo de regressão linear é dado pela proporção

de variabilidade explicada pela relação linear, isto é,
2
SQM S xy / S xx S xy2
r =
2
= =
S yy S yy S xx S yy
 71

Como o coeficiente de correlação amostral é dado por r = S xy S xx S yy ,

observamos que a avaliação da relação linear é medida por,

S xy2
r =
2

S xx S yy

que é o quadrado do coeficiente de correlação amostral r.

EXEMPLO 10.7. Considerando novamente os dados do medicamento antialérgico,

temos Sxx = 40,9, Syy = 370,9 e Sxy = 112,1 e a reta ajustada ŷ = −1,07 + 2,74x .

A proporção de variabilidade explicada pelo modelo de regressão linear é dada

por,

S xy2 ( 112,1 )2
r =
2
= = 0,83
S xx S yy ( 40,9 )( 370,9 )

Isto é, 83%. O que indica que o modelo de regressão linear é adequado para os dados.
 72

CAPÍTULO VI
ANÁLISE DE REGRESSÃO

#
MODELO DE REGRESSÃO MÚLTIPLA

Seja n observações numa variável resposta y e

p variáveis independentes x1, x2, ....., xp

y x1 x2 x3 .......xp
y1 x11 x21 x31 .......xp1
y2 x12 x22 x32 .......xp2
y3 x13 x23 x33 .......xp3
. . . . ..........

. . . . ..........

. . . . ..........

yn x1n x2n x3n ......xpn

Modelo Linear: yi = βo + β1x1i + β2 x2i + β3x3i + ..............βpxpi + εi

εi : erro aleatório
x1, x2, ..., xp : fixos

Estimadores de mínimos quadrados:

n

∑ ε i2 =
n

∑(y
2
Minimizar: S (βo , β1, β2, ........βp) = i − βo - β1x1i - β2 x2i - βpxpi)
i =1 i =1

Com p+1 parâmetros

 73

Equações normais:
⎧S11 βˆ1 + S12 βˆ 2 + .............. + S1 p βˆ p = S y1 ⎫
⎪ ⎪
⎪S12 βˆ1 + S 22 βˆ 2 + .............. + S 2 p βˆ p = S y 2 ⎪
⎪ ⎪
⎨. ⎬
⎪. ⎪
⎪ ⎪
⎪S1 p βˆ1 + S 2 p βˆ 2 + .............. + S pp βˆ p = S yp ⎪
⎩ ⎭

Onde : S ij = ∑ ( xik − xi )( x jk − x j ) ; i; j=1,2,....,p

k =1

n
S yi = ∑ ( y k − y )( xik − xi ) ; i=1,2,....,p
k =1

n n

∑x ik ∑y k
xi = k =1
‘ yi = k =1
e
n n

βˆ o = y − βˆ1 x1 − βˆ 2 x 2 − ........ − βˆ p x p

Resolver o sistema acima e achar βˆ o , βˆ1 , β 2 , ......... βˆ p (EMQ)

yˆ i = βˆ o + βˆ1 x1i + βˆ 2 x 2i + ....... + βˆ p x pi

Resíduo observado: εˆi = y i − yˆ i

Nota: usar os resíduos para avaliar a adequabilidade do modelo proposto

NOTAÇÃO MATRICIAL

⎛ x 01 x11 ..........x p1 ⎞ ⎛ y1 ⎞ ⎛ε1 ⎞ ⎛ β0 ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ x 02 x12 ...........x p 2 ⎟ ⎜ y2 ⎟ ⎜ε 2 ⎟ ⎜ β1 ⎟
⎜ ⎟
X = ⎜. ⎟ ; y = ⎜. ⎟ ; ε = ⎜. ⎟ ; β = ⎜⎜ . ⎟⎟
⎜ ⎟ ~ ⎜ ⎟
⎜. ⎟ ~
⎜. ⎟ ⎜. ⎟
~
⎜. ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜⎜ ⎟⎟
⎜ x0n x1n ..........x pn ⎟ ⎝ yn ⎠ ⎝ε n ⎠ ⎝βp ⎠
⎝ ⎠
 74

Modelo Linear: y = X β+ε sem interações (com interações é #)

~ ~ ~

Onde x0i=1 para todo i ( y1= x01β0+ x11β1+........+ ε1) logo: x01=1 (idem
para as demais).

Suposições : E ( ε~ )=0 ; var( ε~ )=σ2 In

Portanto, E ( y )= X β
~ ~

In – matriz identidade

⎛1 0 0 ...0 ⎞
⎜ ⎟
⎜ 0 1 0 ...0 ⎟
I= ⎜ 0 0 1 ...0 ⎟
⎜ ⎟
⎜. ⎟
⎜ 0 0 0....1 ⎟
⎝ ⎠

EMQ: Minimizar S( β )
~

S( β )= ε~ ’ ε~ = ( y − X β ) ( y − X β )
'
Onde ,
~ ~ ~ ~ ~

Daí, (X’ X) β̂ = X’ y
~ ~

Assumindo que X’ X tem uma inversa β̂ é dado por:

~

β̂ = (X’ X)-1 X’ y
~ ~

Valores de previsão: ŷ = X β̂
~ ~

Vetor dos resíduos : ε~ˆ = y - ŷ = y - X β̂

~ ~ ~ ~
 75

Propriedades dos EMQ:

i) E ( β̂ ) = β
~ ~

Var ( β̂ ) = E [( β̂ - β )( β̂ - β )’] = σ2 (X’ X)-1 = σ2 C

~ ~ ~ ~ ~

C = (X’ X)-1 é uma matriz diagonal – matriz de variância e covariância dos

parâmetros

ii) Um estimador não viciado de σ2 é s2 dado por,

s2 = ( ε~ˆ εˆ )/(n-p-1) = ( y - ŷ )’ ( y - ŷ ) / (n-p-1) = ( y ’ y - β̂ ’x’ y ) / (n-p-1)

’
~ ~ ~ ~ ~ ~ ~ ~ ~

O COEFICIENTE DE CORRELAÇÃO MÚLTIPLA

R : Coeficiente de correlação múltipla

R 2
= 1−
∑(y i − yˆ i ) 2
∑(y i − yi ) 2

R2 : proporção da variabilidade total explicada pela equação de regressão (um número

entre 0 e 1)
Ótimo ajuste: R2 ≈ 1
Péssimo ajuste: R2 ≈ 0

Nota: O valor de R2 é usado como uma medida descritiva para avaliar o ajuste do
modelo linear para os dados. Apesar disso, um valor alto de R2 não implica que os
dados estão bem ajustados pelo modelo.
 76

TESTES DE HIPÓTESES

Algumas hipóteses de interesse:

i) todos coeficientes de regressão são iguais a zero;
ii) um subconjunto dos coeficientes de regressão são iguais a zero;
iii) um subconjunto dos coeficientes de regressão são iguais entre sí.

MÉTODO GERAL : FM : modelo completo

RM : modelo reduzido sob a hipótese

ŷi : valor de previsão para o modelo completo

ŷi * : valor de previsão para o modelo reduzido

SQR (FM) = ∑(y i − yˆ i ) 2

SQR (RM) = ∑ ( y
*
i − yˆ i ) 2

No modelo completo temos p+1 parâmetros (βo , β1, β2, ........βp)

Supor um modelo reduzido ( k parâmetros). Para verificar se o modelo reduzido é

adequado, comparar ( SQR (RM) - SQR (FM) ) com SQR (FM)
Usar,
( SQR (RM) - SQR (FM) ) / (p+1-k)

SQR(FM) / (n-p-1)

Teste estatístico:

[ SQR( RM ) − SQR( FM )] /( p + 1 − k )
F= ~ F p+1-k,
SQR( FM ) /( n − p − 1) n-p-1
 77

UM EXEMPLO : Dados n=30

y X1 X2 X3 X4 X5 X6
43 51 30 39 61 92 45
63 64 51 54 63 73 47
71 70 68 69 76 86 48
61 63 45 47 54 84 35
81 78 56 66 71 83 47
43 55 49 44 54 49 34
58 67 42 56 66 68 35
71 75 50 55 70 66 41
72 82 72 67 71 83 31
67 61 45 47 62 80 41
64 53 53 58 58 67 34
67 60 47 39 59 74 41
69 62 57 42 55 63 25
68 83 83 45 59 77 35
77 77 54 72 79 77 46
81 90 50 72 60 54 36
74 85 64 69 79 79 63
65 60 65 75 55 80 60
65 70 46 57 75 85 46
50 58 68 54 64 78 52
50 40 33 34 43 64 33
64 61 52 62 66 80 41
53 66 52 50 63 80 37
40 37 42 58 50 57 49
63 54 42 48 66 75 33
66 77 66 63 88 76 72
78 75 58 74 80 78 49
48 57 44 45 51 83 38
85 85 71 71 77 74 55
82 82 39 59 64 78 39
Modelo:

y = βo + β1 X1 + β2 X2 + ......+ β6 X6 + ε
 78

Tabela – Coeficientes da regressão, desvios-padrões e valores de t

Variável Coeficiente D.P. t

X1 0,613 0,1610 3,81
X2 -0,073 0,1357 -0,54
X3 0,320 0,1685 1,90
X4 0,081 0,2215 0,37
X5 0,038 0,1470 0,26
X6 -0,217 0,1782 -1,22
Constante 10,787 11,589 0,93
N=30 R2=0,7326 s=7,068

Os resíduos tem uma distribuição aleatória em torno do zero

30

i) SQR (FM) = ∑( yi =1
i − yˆ i ) 2 = 1149

ii) R2=0,7326 (i.e. 73% da variabilidade de y pode ser explicada pelas 6

variáveis)
iii) Somente as variáveis X1 e X3 apresentam coeficientes de regressão
aparentemente significativos, i.e., diferentes de zero.

Teste de Hipóteses:

H0 : β1 = β2 =......... β6 = 0

Sob H0 o modelo reduzido é dado por,

y = βo’ + ε (somente um parâmetro)

EMQ de βo’ : β̂ 0' = y

30

SQR (RM) = ∑(y

i =1
i − y ) 2 =4297 (uma diferença muito grande de 1149 indicando
que não é verdade).
 79

(4297 − 1149) / 6
Fobs. = = 10,50 ; g.l. = 6 ; 23
1149 / 23

F6, 23(0,01) = 3,71

Conclusão: Fobs=10,50 > 3,71, rejeitar H0 no nível de significância de 1%, i.e., todos
os β’s não são iguais a zero.

Outro teste: H0 : β2 = β4 = β5 = β6 = 0

Modelo reduzido: y = βo + β1 X1 + β3 X3 + ε

EMQ (modelo ajustado): ŷ * = 9,871 + 0,643 X1 + 0,211 X3 + ε

(7,06) (0,118) (0,134) Desvios padrões

SQR (RM) = ∑(y i − yˆ i* ) 2 = 1254,6

(1254,6 − 1149) / 4
Fobs= = 0,528 ; g.l.=4,23
1149 / 23

Conclusão: O valor de Fobs não é significante sob os níveis usuais, i.e., não rejeitar
H0 : β2 = β4 = β5 = β6 = 0
Portanto só as variáveis X1 e X3 são importantes.
 80

CAPÍTULO VII
PLANEJAMENTOS FATORIAIS E REGRESSÃO

1) Planejamentos fatoriais são utilizados para descobrir possíveis fatores (variáveis)

que influenciam uma dada resposta.

2) Quando descobrimos esses fatores, usamos aproximações por uma função

polinomial,

η = f (x1, x2, ....., xk)

η : resposta

x1, x2, ....., xk : k variáveis independentes

Matriz de planejamento D

⎛ x11 x 21 ..........x k1 ⎞
⎜ ⎟
⎜ x12 x 22 ...........x k 2 ⎟
⎜ ⎟
D = ⎜. ⎟
⎜. ⎟
⎜ ⎟
⎝ x1n x 2 n ..........x kn ⎠

Exemplo: x1 (temperatura) °C
x2 (concentração de um reagente) %
y : Resposta (tempo de reação em segundos)

Níveis considerados: x1 : 150, 200 , 250

X2 : 8, 10, 12

D : matriz de planejamento 3k ; k=2 ; n = 32 = 9 experimentos

 81

⎛150 8⎞
⎜ ⎟
⎜150 10 ⎟
⎜150 12 ⎟
⎜ ⎟
⎜ 200 8 ⎟
D = ⎜⎜ 200 10 ⎟⎟
⎜ 200 12 ⎟
⎜ ⎟
⎜ 250 8 ⎟
⎜ 250 10 ⎟
⎜⎜ ⎟
⎝ 250 12 ⎟⎠

Ex2: 3 fatores A, B, C ( fatorial 23)

A B C Experimento
- - - (1)
+ - - a
- + - b
+ + - ab
- - + c
+ - + ac
- + + bc
+ + + abc

(ξ i − ξ i )
Codificação : xi = 2
di

ξi : valor na escala original

di : diferença entre o nível alto e o nível baixo

ξ i : média entre os 2 níveis na escala original

x1 x2 x3 y
⎛ -1 -1 - 1⎞ ⎛ (1) ⎞
⎜ ⎟ ⎜ ⎟
⎜ 1 -1 - 1⎟ ⎜ a ⎟
⎜ -1 1 - 1⎟ ⎜ b ⎟
⎜ ⎟ ⎜ ⎟
⎜ 1 1 - 1⎟ ⎜ c ⎟
D= ⎜
⎜ -1 -1 1⎟⎟ ⎜ ab ⎟
⎜ ⎟
⎜ 1 -1 1⎟ ⎜ ac ⎟
⎜ ⎟ ⎜ ⎟
⎜ -1 1 1⎟ ⎜ bc ⎟
⎜ 1 1 1⎟⎠ ⎜ abc ⎟
⎝ ⎝ ⎠
 82

Um modelo possível:

yi = βo + β1 X1 + β2 X2 + β3 X3 + εi ; i = 1,2, .....,8

Obs.: Com apenas 2 níveis, não podemos incluir termos quadráticos no modelo (X12,
X22, X32, mas os termos de interações X1X2, X1X3 ,...... poderão ser incluídos.

⎛1 - 1 - 1 - 1⎞
⎜ ⎟
⎜1 1 - 1 - 1⎟
⎜1 - 1 1 - 1⎟
⎜ ⎟ ⎛ 1 1 1 1 1 1 1 1⎞
⎜ ⎟
⎜1 1 1 - 1⎟ ⎜ -1 1 -1 1 -1 1 -1 1⎟
X= ⎜1 - 1 - 1 1⎟⎟ ; X’ = ⎜ - 1 - 1 1 1 - 1 - 1 1 1⎟
⎜ ⎜ ⎟
⎜1 1 - 1 1⎟ ⎜ -1 -1 -1 -1 1 1 1 1 ⎟⎠
⎜ ⎟ ⎝
⎜1 - 1 1 1⎟
⎜1 1 1 1⎟⎠
⎝

⎛8 0 0 0⎞ ⎛1 / 8 0 0 0 ⎞
⎜ ⎟ ⎜ ⎟
⎜0 8 0 0⎟ ⎜ 0 1/8 0 0⎟
X’X = ⎜ (X’X)-1 = ⎜
0 0 8 0⎟ ;
0 0 1/8 0 ⎟
⎜ ⎟ ⎜ ⎟
⎜0 0 0 8 ⎟⎠ ⎜0 0 0 1/8 ⎟⎠
⎝ ⎝

⎛ (1) ⎞
⎜ ⎟
⎜ a ⎟
⎜ b ⎟ ⎛ (1) + a + b + c + ab + ac + bc + abc ⎞
⎜ ⎟ ⎛ g1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ c ⎟ ⎜ − 1 + a − b + ab − c + ac − bc + abc ⎟ ⎜ g2 ⎟
y= ⎜ ab ⎟ ; X’ y = ⎜ − 1 − a + b + ab − c − ac + bc + abc ⎟ = ⎜g ⎟
~ ⎜ ⎟ ~
⎜ ⎟ ⎜ 3⎟
⎜ ac ⎟ ⎜ − 1 − a − b − ab + c + ac + bc + abc ⎟ ⎜g ⎟
⎜ ⎟ ⎝ ⎠ ⎝ 4⎠
⎜ bc ⎟
⎜ abc ⎟
⎝ ⎠
 83

⎛1 / 8 0 0 0 ⎞ ⎛ g 1 ⎞ ⎛ g1 / 8 ⎞
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ 0 1/8 0 0 ⎟ ⎜ g 2 ⎟ ⎜ g 2 / 8⎟
βˆ = ( X ' X ) −1 X ' y = ⎜
0 0 1/8 0 ⎟ ⎜ g 3 ⎟ = ⎜ g 3 / 8 ⎟
~
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜0 0 0 1/8 ⎟ ⎜ g ⎟ ⎜ g / 8⎟
⎝ ⎠ ⎝ 4⎠ ⎝ 4 ⎠

⎛ βˆ 0 ⎞
⎜ ⎟
⎜ βˆ ⎟
= ⎜⎜ ˆ ⎟⎟
1
β̂ ;
β2
⎜ ⎟
⎜ βˆ ⎟
⎝ 3⎠

β̂1 = ( a + ab + ac + abc – (1) – b – c – bc) / 8

EMQ : βˆ 0 , βˆ1 , βˆ 2 , βˆ 3

Fato: Os EMQ β̂ 's não são correlacionados entre si.

⎛ βˆ 0 ⎞
⎜ ⎟
⎜ βˆ ⎟
⎜ 1⎟
cov ( β̂ ) = cov ⎜ βˆ ⎟ = δ2 (X’X)-1 = (δ2/8) I
2
⎜ ⎟
⎜ βˆ ⎟
⎝ 3⎠

Nota: O planejamento fatorial 2K pertence à uma classe de planejamentos

ortogonais, ou seja, planejamentos onde X’X é uma matriz diagonal (assim os
parâmetros estimados não são correlacionados entre sí.

TESTES DE SIGNIFICÂNCIA NOS PARÂMETROS DO MODELO

O planejamento fatorial 2K pertence à uma classe de planejamentos ortogonais,

i.e., os parâmetros estimados não são correlacionados.
Portanto, a SQ da regressão pode ser decomposta em componentes
independentes, onde cada componente expressa a quantidade de regressão explicada
por uma variável individual xi no modelo.
 84

⎛ n ⎞
⎜ ∑ yi ⎟
⎜ i =1 ⎟
⎜g ⎟
⎜ 1
⎟
ˆ′ X'
β y = ( βˆ0 , βˆ1 ,.......βˆk ) ⎜ g 2 ⎟
SQreg = ⎜g ⎟
~
⎜ 3 ⎟
⎜ g4 ⎟
⎜ ⎟
⎝ ⎠
SQ associada à Xi : β̂ gi = gi2/n
i

Pois: β̂ = gi/n
i

Suposição: erros com distribuição normal:

H0 : βi = 0

H1 : βi ≠ 0 , i=1,2.........k

Exemplo: 4 variáveis x1, x2, x3, x4 são supostas terem influencia em uma resposta
de acordo com o modelo:
4

y = β0 + ∑β j Xj + ε
j =1

X1 X2 X3 X4
⎛1 -1 -1 -1 -1 ⎞
⎛ (1) = 3,0 ⎞ ⎜ ⎟
⎜ ⎟ ⎜1 1 -1 -1 -1 ⎟
⎜ a = 5,0 ⎟ ⎜1
⎜ b = 7,0 ⎟ -1 1 -1 -1 ⎟
⎜ ⎟
⎜ ⎟ ⎜1 - 1 -1 1 -1 ⎟
⎜ c = 2,0 ⎟ ⎜1
⎜ d = 4,0 ⎟ ⎜ - 1 - 1 - 1 1 ⎟⎟
⎜ ⎟ ⎜1
⎜ ab = 12,0 ⎟ 1 1 - 1 -1 ⎟
⎜ ⎟ ⎜ ⎟
⎜ ac = 4,0 ⎟ ⎜1 1 -1 1 -1 ⎟
⎜ ad = 6,0 ⎟ ⎜1 1 -1 -1 1 ⎟
y=⎜ ⎟ X =⎜ ⎟
~ ⎜ bc = 5,0 ⎟ ⎜1 -1 1 1 -1 ⎟
⎜ bd = 9,0 ⎟ ⎜1 -1 1 -1 1 ⎟
⎜ ⎟ ⎜ ⎟
⎜ cd = 3,0 ⎟ ⎜1 -1 -1 1 1 ⎟
⎜ abc = 14,0 ⎟ ⎜1 1 1 1 -1 ⎟
⎜ ⎟ ⎜ ⎟
⎜ abd = 11,0 ⎟ ⎜1 1 1 -1 1 ⎟
⎜ ⎟ ⎜ ⎟
⎜ acd = 5,0 ⎟ ⎜1 1 -1 1 1 ⎟
⎜ bcd = 7,0 ⎟ ⎜1
⎜ ⎟ -1 1 1 1 ⎟
⎝ abcd = 13,0 ⎠ ⎜ ⎟
⎝1 1 1 1 1 ⎠
 85

X’X = 16 I5
(a + ab + ac + ad + abc + abd + acd + abcd − (1) − b − c − d − bc − bd − cd − bcd )
β̂ =
1
16

β̂ = 110/16 = 6,875
0 ; β̂ = 4/16 = - 0,25
3

β̂ = 30/16 = 1,875
1 ; β̂ = 6/16 = 0,375
4

β̂ = 46/16 = 2,875
2

FV SQ GL QM F
Regressão β̂ ’ X’ y = 948,0 5
~

Média (∑ y i ) 2 / 16 = (110) 2 / 16 1 756,25

x1 β̂ 1 g1 = (30)2/16 1 56,25 56,25/2,36=23,8

x2 β̂ 2 g2 = (46)2/16 1 132,25 132,25/2,36=56,0

x3 β̂ 3 g3 = (-4)2/16 1 1,00 <1

x4 β̂ 4 g4 = (6)2/16 1 2,25 <1

Erro 974-948=26 11 2,36

Total (∑ y i ) 2 = 974 16

Conclusão: Coeficientes β3 e β4 não são significantemente diferente de zero

INCLUSÃO DA INTERAÇÃO

Ex: Modelo : yi = βo + β1 x1i + β2 x2i + β12 x1i x2i + εi ; i=1,2, ......., n

EXPERIMENTOS FATORIAIS EM 3 NÍVEIS

K fatores em 3 níveis

Fatorial 3K : úteis quando o modelo de regressão é melhor representado por uma

relação de 2a ordem, i.e., termos de 1a e 2a ordem são incluídos no modelo.~
 86

Desvantagem: se K é grande leva a um número muito grande de experimentos.

Ex: Planejamento 32

η = γ0 + γ1ξ1 + γ2ξ2 + γ11ξ12 + γ22ξ22 + γ12ξ1ξ2

Codificação das variáveis ξi em xi tomando valores –1 0 1

⎛ -1 -1 ⎞
⎜ ⎟
⎜ - 1 0 ⎟
⎜ -1 1 ⎟
⎜ ⎟
⎜ 0 -1 ⎟
⎜ 0 0⎟
D= ⎜ ⎟
⎜ 0 1 ⎟
⎜ ⎟
⎜ 1 -1 ⎟
⎜ 1 0⎟
⎜⎜ ⎟⎟
⎝ 1 1 ⎠

MATRIZ X
x1 x2 x12 x22 x1x2
⎛1 - 1 - 1 1 1 1⎞
⎜ ⎟
⎜1 - 1 0 1 0 0⎟
⎜1 - 1 1 1 1 -1 ⎟
⎜ ⎟
⎜1 0 - 1 0 1 1 ⎟
⎜1 0 0 0 0 0 ⎟⎟
X= ⎜
⎜1 0 1 0 1 0⎟
⎜ ⎟
⎜1 1 - 1 1 1 -1 ⎟
⎜1 1 0 1 0 0⎟
⎜⎜ ⎟
⎝1 1 1 1 1 1 ⎟⎠

X’X não é diagonal

Outra forma de escrever o modelo:

η = β0 + β1x1 + β2x2 + β11(x12- x12) + β22(x22- x22)+ β12x1x2

 87

x12 , x22 : média dos valores x12 e x22.

x1 x2 x12- x12 x22- x22 x1x2

⎛1 - 1 - 1 1/3 1/3 1 ⎞
⎜ ⎟
⎜1 - 1 0 1/3 - 2/3 0 ⎟
⎜1 - 1 1 1/3 1/3 -1 ⎟
⎜ ⎟
⎜1 0 - 1 - 2/3 1/3 1 ⎟
⎜1 0 0 - 2/3 - 2/3 0 ⎟
X= ⎜ ⎟
⎜1 0 1 - 2/3 1/3 0 ⎟
⎜ ⎟
⎜1 1 - 1 1/3 1/3 -1 ⎟
⎜1 1 0 1/3 - 2/3 0 ⎟
⎜⎜ ⎟⎟
⎝1 1 1 1/3 1/3 1 ⎠

Daí,

⎛9 0 0 0 0 0⎞
⎜ ⎟
⎜0 6 0 0 0 0⎟
⎜0 0 6 0 0 0⎟
⎜ ⎟
X’X= ⎜ 0 0 0 2 0 0⎟
⎜0 0 0 0 2 0 ⎟⎟
⎜
⎜0 0 0 0 0 4 ⎟⎠
⎝

Matriz Diagonal – planejamento ortogonal

PLANEJAMENTOS PARA AJUSTE DE MODELOS DE 2a ORDEM

Modelos de 2a ordem devem envolver 3 níveis de cada variável para que os

coeficientes do modelo sejam estimados.

Escolha do planejamento

a) precisão relativa na estimação dos parâmetros

b) quantidade do esforço experimental ( no de observações )
 88

Um planejamento óbvio: 3k

Problema: k grande exige um número grande de experimentos

Ex: k=4 ; 3k = 81 pontos

Nota: Uma alternativa aos planejamentos fatoriais 3k são os chamados

planejamentos compostos.

PLANEJAMENTO COMPOSTO CENTRAL (PCC)

Planejamentos compostos centrais são planejamentos fatoriais de 1a ordem

aumentados por pontos adicionais para permitir a estimação dos parâmetros de uma
superfície de 2a ordem.

Planejamento fatorial 2k ou fatorial fracionário (níveis codificados –1 e +1)

aumentados pelos seguintes pontos:

x1 x2 x3 xk
⎛ 0 0 0 . ...............0 ⎞
⎜ ⎟
⎜-α 0 0 . ................0 ⎟
⎜ α 0 0 . ................0 ⎟
⎜ ⎟
⎜ 0 -α 0 ............... 0 ⎟
⎜ 0 α 0 ............... 0 ⎟⎟
⎜
⎜ 0 0 - α .............. 0 ⎟
⎜ ⎟
⎜ 0 0 α ............... 0 ⎟
⎜ 0 0 0 ............... - α ⎟
⎜⎜ ⎟
⎝ 0 0 0 ............... α ⎟⎠

Escolha de α: selecionado pelo pesquisador

Ex: 3 variáveis independentes

 89

⎛ -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 ⎟
⎜ ⎟
⎜ 0 0 0 ⎟
⎜-α 0 0 ⎟
⎜ ⎟
⎜ α 0 0 ⎟
⎜ 0 -α 0 ⎟
⎜ ⎟
⎜ 0 α 0 ⎟
⎜ ⎟
⎜ 0 0 -α ⎟
⎜ 0 0 α ⎟
⎝ ⎠

Obs: Desejável mais de um ponto central para atingir algumas propriedades do

planejamento.

n2 ≥ 1 observações em (0,0,0, ......0)

Com α≠1, cada variável é medida em 5 níveis

Número total de observações: 2k + 2k + n2 pontos.

Obs. Para comparar PCC e fatoriais 3k devemos observar a matriz X e a matriz X’X.

Ex: k=3

Seja: G : número de pontos fatoriais (G= 2k , se completo)

T : número de pontos adicionais no pcc T= 2k+n2

Com k=3 e n2=1, temos:

Modelo:
 90

3 3

yu = β0’ + ∑ β j x ju +∑ β j x jj ( x ju − x j ) + ∑∑ β jp x ju x pu + εu
2 2

j =1 j =1

j<p

u= 1,2,......., N

β0’ β1 β2 β3 β11 β22 β33 β12 β13 β23

⎛ ⎞
⎜ 1 -1 -1 -1 1-c 1-c 1-c 1 1 1 ⎟
⎜ 1 -1 -1 1 1-c 1-c 1-c 1 -1 -1 ⎟
⎜ ⎟
⎜ 1 -1 1 -1 1-c 1-c 1-c -1 1 -1 ⎟
⎜ 1 -1 1 1 1-c 1-c 1-c -1 -1 1 ⎟
⎜ ⎟
⎜ 1 1 -1 -1 1-c 1-c 1-c -1 -1 1 ⎟
⎜ 1 1 -1 1 1-c 1-c 1-c -1 1 -1 ⎟
⎜ ⎟
⎜ 1 1 1 -1 1-c 1-c 1-c 1 -1 -1 ⎟
⎜ ⎟
X =⎜ 1 1 1 1 1-c 1-c 1-c 1 1 1⎟
⎜ 1 0 0 0 -c -c -c 0 0 0 ⎟
⎜ ⎟
⎜ 1 -α 0 0 α 2 -c -c -c 0 0 0 ⎟
⎜ 1 α 0 0 α 2 -c -c -c 0 0 0 ⎟⎟
⎜
⎜ 1 0 -α 0 -c α 2 -c -c 0 0 0 ⎟
⎜ ⎟
⎜ 1 0 α 0 -c α 2 -c -c 0 0 0 ⎟
⎜ ⎟
⎜ 1 0 0 -α -c -c α 2 -c 0 0 0 ⎟
⎜ 1 0 0 α -c -c α 2 -c 0 0 0 ⎟⎠
⎝

G + 2α 2
c=
G +T

ex; k=3 (full) ; G=8 se n2=1 ; T=7

c=(8+2α2)/15 se α=1,216 c=0,73

 91

β0’ β1 β2 β3 β11 β22 β33 β12 β13 β23

⎛15 0 0 0 0 0 0 0 0 0⎞
⎜ ⎟
⎜0 8 + 2α 2 0 0 0 0 0 0 0 0⎟
⎜ ⎟
⎜0 0 8 + 2α 2 0 0 0 0 0 0 0⎟
⎜0 0 0 8 + 2α 2
0 0 0 0 0 0⎟
⎜ ⎟
X ' X = ⎜⎜
0 0 0 q p q q 0 0 0⎟
⎜0 0 0 q q p q 0 0 0 ⎟⎟
⎜0 0 0 0 0 0 p 0 0 0⎟
⎜ ⎟
⎜0 0 0 0 0 0 0 8 0 0⎟
⎜0 0 0 0 0 0 0 0 8 0⎟
⎜ ⎟
⎝0 0 0 0 0 0 0 0 0 8⎠

Matriz X’X (CASO GERAL)

a) Elemento (1,1) = N = G+T

b) Elementos diagonais correspondentes aos coeficientes de 1a ordem : G+2α2
c) Elementos diagonais correspondentes aos coeficientes de interação : G
d) A matriz kxk simétrica correspondente aos coeficientes quadráticos

GT − 4Gα 2 − 4α 4 + 2(G + T )α 4
(diagonal) p=
G +T
GT − 4Gα 2 − 4α 4
q=
G +T

PLANEJAMENTO COMPOSTO CENTRAL ORTOGONAL

PCC → α escolhido pelo pesquisador

Uma 1a escolha de α → pcc ortogonal
Pcc ortogonal → X’X diagonal : estimadores fáceis de serem obtidos e não
correlacionados.

X’X diagonal → q=0 → GT − 4Gα 2 − 4α 4 = 0 (elementos fora da diagonal

iguais a zero)
 92

1/ 4
⎛ QG ⎞
→ α =⎜ ⎟
⎝ 4 ⎠
→ onde, Q = [(G+T)1/2 – G1/2]2

Alguns valores de α para obter-se pcc ortogonal

K α
2 1,000
3 1,216
4 1,414
5 1,596
6 1,761
7 1,910
8 2,045
#
Obs: Para k=2, α=1 , i.e., o pcc ortogonal é o fatorial 32

x1 x2
-1 -1
1 -1
-1 1
1 1
0 0
-1 0
1 0
0 -1
0 1
 93

CAPÍTULO VIII
TÉCNICA DAS SUPERFÍCIES DE RESPOSTAS

Seja:
η : resposta
k : variáveis independentes ξ1, ξ2 ξk

η = f (ξ1, ξ2 ξk)

f em geral é desconhecida e/ou muito complicada

OBJETIVO: Aproximar f por um polinômio de ordem baixa numa região das

variáveis independentes.

Ex: Modelo de 1a ordem

η = β 0 + β1 x1 + β2x2 + ..........+ βkxk

x1, x2, ........., xk : formas codificadas das variáveis independentes ξ1, ξ2, ........., ξk

Modelo de 2a ordem
k k
η = β 0 + ∑ β i xi + ∑ β ii xi2 + ∑∑ β ij xi x j
i =1 i =1 i j

i<j

Suposições:
a) As variáveis envolvidas são quantitativas e contínuas
b) As variáveis independentes x1, x2, ........., xk são controladas no processo e
medidas com pequenos erros .

Nota: Usar técnicas usuais de regressão para estimação e verificação da

adequabilidade do modelo.
 94

OBJETIVO FINAL: Encontrar valores de previsão de respostas futuras e encontrar

quais valores das variáveis independentes são ótimos em relação à resposta, i.e.,
procurar valores de x1, x2, ........., xk que maximizam a resposta.

Alguns problemas na localização dos pontos ótimos

a) A região experimental usada é a vizinhança do ponto ótimo.

b) O ponto ótimo verdadeiro está distante da região experimental.

REVISÃO DE ALGUNS CONCEITOS IMPORTANTES

a) Raízes Características de uma matriz

Seja A (mxm) e λ um escalar.

A matriz A-λIm é a matriz característica de A. O determinante f(λ) = A-λIm é a

função característica da matriz A.

As raízes da equação f(λ)=0 são chamadas raízes características ou raízes

latentes de A.

⎛1 2⎞
Ex: A = ⎜⎜ ⎟
⎝2 2 ⎟⎠

Equação característica:

1-λ 2

2 2-λ =0

3 17
λ2 - 3λ -2 =0 → λ1 = +
2 2

3 17
λ2 = −
2 2
O autovetor associado com a raiz característica λ é definido como um vetor
coluna x que é a solução da equação:

A x~ = λ x~
 95

Ou (A-λIm) x~ = 0
~

3 17
Com λ1 = + , achamos o autovetor x~ dado apartir de:
2 2

⎛ 3 17 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜1 − −
⎜ 2 2
2 ⎟
⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎜
⎜ 2
3
2− −
17 ⎟⎟ ⎝ x2 ⎠ = ⎝ 0 ⎠
⎝ 2 2 ⎠

Teorema: As raízes características de uma matriz simétrica real são todas reais

Formas quadráticas reais

Uma forma quadrática em k variáveis x1, x2, ........., xk é uma expressão

escalar do tipo,
k
Q= ∑ aii xi2 + 2∑∑ aij xi x j
i =1

i<j

Onde todos elementos aij são reais (i,j=1,2,..........,k). Ou, x~ ’A x~ , onde:

⎛ x1 ⎞
⎜ ⎟
⎜ x2 ⎟ ⎛ a11 a 12 .......... .a 1k ⎞
⎜ ⎟
x = ⎜ .. ⎟ ⎜ a 22 ........... .a 2k ⎟
~ ⎜ ⎟ ; A= ⎜ ⎟
⎜. ⎟ .
⎜ ⎟
⎜ ⎟ ⎜ sim. a kk ⎟
⎝ ⎠
⎝xk ⎠

A é uma matriz simétrica

Ex:
Q = x~ ’A x~

⎛2 1 4⎞ ⎛ x1 ⎞
⎜ ⎜ ⎟
(x1,x2,x3) ⎜ 1 6 3 ⎟⎟ ⎜ x2 ⎟ = 2 x12 + 6 x22 + 2 x32 + 2x1x2 + 8x1x3 + 6 x2x3
⎜4 ⎜x ⎟
⎝ 3 2 ⎟⎠ ⎝ 3⎠
 96

REDUÇÃO DE UMA FORMA QUADRÁTICA PARA A FORMA CANÔNICA

No estudo da forma de uma superfície de resposta e localização das regiões de

condições ótimas, é útil reduzir uma forma quadrática para a forma canônica.

Teorema: Se λ1, λ2, ..........., λk são as raízes características (todas reais) da matriz
simétrica real A, então existe uma transformação ortogonal x~ = P w
~
tal que a
forma quadrática real Q = x~ ’A x~ é transformada para a forma canônica :
λ1w12 + λ2w22 + ............+ λkwk2 .

Isto é , a forma quadrática Q é transformada para uma forma com uma matriz
diagonal, onde seus elementos diagonais são as raízes características da matriz A.

ANÁLISE DA SUPERFÍCIE AJUSTADA

Modelo: Superfície de resposta de 2a ordem

k k k k
η = β 0 + ∑ β j x j + ∑ β jj x + ∑∑ β jm x j xm
2
j
j =1 j =1 j =1 m =1
j<m

EMQ: b0 , b1,......., bk, b11,......., bkk, b12,....

Superfície de resposta ajustada

k k k k
yˆ = b0 + ∑ b j x j + ∑ b jj x + ∑∑ b jm x j xm
2
j
j =1 j =1 j =1 m =1

Nota: Para a análise da superfície de resposta não é aconselhável extrapolar além da

região onde a auperfície está sendo ajustada.

Objetivo : Estimar as condições em que x1, x2, ........., xk que maximizam a

resposta η.

Caso particular

ŷ = b0 + b1 x + b11 x2
 97

∂yˆ
= b1 + 2 b11 x = 0
∂x

b1 ∂ 2 yˆ
x= - será um ponto de máximo se = 2 b11 < 0
2b11 ∂x 2

Ponto estacionário:

x = -b1/2b11

Em geral:

yˆ = b0 + x' b + x ' B x
~ ~ ~ ~

⎛ x1 ⎞ ⎛ b1 ⎞
⎜ ⎟ ⎜ ⎟
⎜ x2 ⎟ ⎜ b2 ⎟
x = ⎜ .. ⎟ b = ⎜ .. ⎟
onde: ~ ⎜ ⎟ ; ~ ⎜ ⎟
⎜. ⎟ ⎜. ⎟
⎜ ⎟ ⎜ ⎟
⎝xk ⎠ ⎝ bk ⎠

⎛ b11 b12 /2......... .b1k / 2 ⎞

⎜ ⎟
⎜ b 22 ........... . b 2k / 2 ⎟
B= ⎜ ⎟
.
⎜ ⎟
⎜ sim. b ⎟
⎝ kk ⎠

Obs- x’ b
~ ~
: a
termos de 1 ordem na função de respostas : ∑b x
j =1
j j

k k k

x ’ B x : contribuição quadrática :
~ ~
∑b
j =1
jj x + ∑∑ b jm x j xm
2
j
j =1 m =1

Se o máximo existir, será um conjunto de condições em (x1, x2, .....,xk) , tal que:
∂yˆ ∂yˆ ∂yˆ
= = ...............= =0
∂x1 ∂x 2 ∂x k

x 0’ = (x10 , x20, ......xk0) : ponto estacionário

~
 98

∂yˆ
=
∂x ∂x
∂
[
~ ~ ~ ~ ~ ~
]
b0 + x' b+ x' B x = b+ 2 B x = 0
~
~ ~
#

1 −1
i.e. , x~ = − B b~
0 2

Notas: O ponto estacionário x~ pode ser:

0
i) um ponto onde a superfície atinge um máximo;
ii) um ponto onde a superfície atinge um mínimo
iii) um ponto nem de máximo, nem de mínimo (ponto de sela) – “saddle point”

Possíveis problemas:
a) Pode existir um região de máximo e não um ponto de máximo
b) Pode ser que o ponto estacionário esteja fora da região experimental

ANÁLISE CANÔNICA

Superfície de 2a ordem

k k k k
yˆ = b0 + ∑ b j x j + ∑ b jj x + ∑∑ b jm x j xm
2
j
j =1 j =1 j =1 m =1
j<m

ou, yˆ = b0 + x~ ' b~ + x~ ' B x~

Objetivo: Determinar a natureza de um ponto estacionário

Procedimento: Considerar uma translação da superfície de respostas da origem

(x1, x2, .....,xk) = (0,0,.........,0) para o ponto estacionário x~
0

Daí a função de resposta é formulada em termos de novas variáveis, w1,

w2,.....wk cujos eixos correspondem aos eixos principais do sistema de contornos.
 99

Função de respostas em termos das novas variáveis w1, w2, ......, wk (forma canônica)

yˆ = yˆ 0 + λ1w12 + λ2w22 + ............+ λkwk2

ŷ0 1 −1
: resposta estimada no ponto estacionário x~ = − B b~
0 2
λ1, λ2., .......λk são constantes

Notas:
a) Os sinais dos λ’s e a grandeza dos λ’s ajudam a determinar a natureza do ponto
estacionário
b) A relação entre os w’s e os x’s também é importante pois indica ao pesquisador
regiões úteis para exploração

Forma canônica : translação da superfície de resposta para uma nova origem x~ .

0

Definir: z~ = x~ − x~
0

Portanto:
yˆ = b0 + ( z '+ x '0 ) b + ( z '+ x '0 ) B ( z + x0 ) =
~ ~ ~ ~ ~ ~ ~

= b0 + x~ '0 b~ + x~ '0 B x0 + z~ ' b~ + z~ ' B x0 + x~ '0 B z~ + z~ ' b z~

~ ~

Daí, sendo z~ ' B x0 e x '0 B z equivalentes, tem-se:

~ ~
~
 100

yˆ = yˆ 0 + z~ ' (b~ + 2 B x0 )+ z~ ' b z~

~

1
mas x = − B −1 b
~0 2 ~

então:
−1
yˆ = yˆ 0 + z~ '[b~ − 2 B ( B b~ / 2)] + z~ ' b z~

−1
mas [ b~ − 2 B ( B b~ / 2 )] = 0 , então,

yˆ = yˆ 0 + z~ ' b z~

sendo : ŷ0 = b0 + x0 ' b + x0 ' Bx0 = b0 + x0 ' b / 2

yˆ = yˆ 0 + z~ ' b z~ (Superfície de resposta de 2a ordem na nova origem x~ =(x10,

0

x20,....xk0).

Próximo passo: Transformar a forma quadrática z~ ' b z~ para uma forma canônica,

λ1w12 + λ2w22 + ............+ λkwk2 , onde λ1 , λ2 , ........ λk são as raízes

características da matriz B.

Existe uma transformação ortogonal z~ = M w

~
tal que,

z ' b z = w' M ' B M w = λ w 2 + λ w 2 + ............+ λ w 2

~ ~ ~ ~ 1 1 2 2 k k

λ1 , λ2 , ........ λk : raízes características de B

M é uma matriz (kxk) ortogonal, i.e., M’M = Ik (M’=M-1)

Nota : A determinação da matriz M é importante porque a transformação

w = M ' z permite ao pesquisador a obtenção da expressão relacionada as variáveis
~ ~
zi com as variáveis wi.

M= [m~ , m~ ,...... m~ ]
1 2 k
 101

m : i-ésima coluna de M (autovtores normalizados associados às raízes

~ i
características λi .
⎛ m1i ⎞
⎜ ⎟
⎜ m2i ⎟
m =⎜ . ⎟
~ i ⎜ ⎟
⎜ . ⎟
⎜ ⎟
⎝ mki ⎠
'
onde : (B-λiIk) m
~
=0 no qual m1i2 + m2i2 + ...........+ mki2 = m m =1
i ~
i ~ i

INTERPRETAÇÃO DO SISTEMA

i) se λi < 0 , i=1,2,......, k, quando movimentamos em qualquer direção a partir

do ponto estacionário, teremos um decréscimo de ŷ , i.e., o ponto estacionário
x é um ponto de resposta máxima da superfície ajustada.
~0

ii) se λi > 0 , i=1,2,......, k, o ponto estacionário x~ é um ponto de mínimo para a

0
superfície ajustada.

iii) Se os λ’s tem sinais diferentes, o ponto estacionário x~ não é nem ponto de
0
máximo nem de mínimo.

Ex: yˆ = yˆ 0 + λ1w12 + λ2w22

i) Supor λ1 < 0 e λ2 > 0

Um movimento no eixo w1 a partir de x~ em qualquer direção acarreta um

0
decréscimo na resposta estimada, enquanto que um movimento no eixo w2 acarreta
num acréscimo da resposta estimada.

ii) Supor k=2 , λ1 < 0 , λ2 < 0 e que λ2 > λ1 . Daí, um movimento ao longo de
w1 não modifica tanto a resposta estimada ( ŷ ) como um movimento ao longo de w2.

iii) λi ≈ 0 → determinamos uma região quase que estacionária na direção do eixo

correspondente.

iv) k=2 , λ1 < 0 e λ2 ≈ 0 . O ponto estacionário pode não estar na região de

experimentação.
 102

Exemplo:
O objetivo de uma pesquisa de laboratório foi encontrar valores de tempo (t) e
temperatura (T) para produzir uma resposta máxima (gramas de produto). As
variáveis codificadas x1 e x2 são dadas por:
tempo − 90 min temperatura − 145 D C
x1 = ; x2 =
10 min 5D C

Variáveis Originais Variáveis codificadas Resposta

Tempo Temperatura
(min) (°C) x1 x2 y
80 140 -1 -1 78,8
100 140 1 -1 84,5
80 150 -1 1 91,2
100 150 1 1 77,4
90 145 0 0 89,7
90 145 0 0 86,8
76 145 - 2 0 83,3
104 145 2 0 81,2
90 138 0 - 2 81,2
90 152 0 2 79,5
90 145 0 0 87,0
90 145 0 0 86,0

Superfície de 2a ordem, ajustada por mínimos quadrados

ŷ = 87,36-1,39x1+0,37x2-2,15x12-3,12 x22-4,88x1x2

ou, yˆ = b0 + x' b + x ' B x

~ ~ ~ ~

⎛ - 4,88 ⎞
⎛ x1 ⎞ ⎛ − 1,39 ⎞ ⎜ − 2,15 ⎟
x = ⎜⎜ ⎟⎟ ; b = ⎜⎜ ⎟⎟ ; B=⎜
2 ⎟
~
⎝ x2 ⎠ ~
⎝ 0 ,37 ⎠ ⎜ - 4,88
⎜
⎟
- 3,12 ⎟
⎝ 2 ⎠
 103

Raízes características:

− 2,15 − λ - 2,44
=0
- 2,44 - 3,12 - λ

(-2,15-λ) (-3,12-λ)-(2,44)2 = 0

Portanto, 6,71+5,27λ+λ2-5,9536=0

Raízes características: λ1 = -0,1475

λ2 = -5,1224

Superfície ajustada na forma canônica

yˆ = yˆ 0 - 0,1475w12 – 5,1224w22

Ponto estacionário

1
x = − B −1 b
~0 2 ~

− 4,136 3,234 ⎞⎛ − 1,39 ⎞ ⎛ − 3,472 ⎞

x = − 1 ⎛⎜⎜ ⎟⎜ ⎟=⎜ ⎟
~0 2 ⎝ 3,234 - 2,85 ⎟⎠⎜⎝ 0,37 ⎟⎠ ⎜⎝ 2,775 ⎟⎠

Conclusão: λ1 < 0 e λ2 < 0, implicam que x~ é um ponto que maximiza a

0
superfície de resposta.

Na escala original temos:

t0 = 10 x10 +90 = 55,28 min

T0 = 5 x20 + 145 = 158,88 °C

 104

Exemplo 2
Na determinação da influencia de 3 variáveis x1, x2, x3 numa resposta y,
onde as variáveis codificadas em termos das variáveis originais ξ1, ξ2, ξ3 são dadas
por:
ξ1 − 255 ξ 2 − 55 ξ 3 − 1,1
x1 = ; x2 = ; x3 =
30 9 0,6
xi -1,682 -1 0 1 1,682
ξ1 204,5 225 255 285 305,5
ξ2 39,9 46 55 64 70,1
ξ3 0,09 0,5 1,1 1,7 2,11

x1 x2 x3 y
-1 -1 -1 6,6
1 -1 -1 6,9
-1 1 -1 7,9
1 1 -1 6,1
-1 -1 1 9,2
1 -1 1 6,8
-1 1 1 10,4
1 1 1 7,3
-1,682 0 0 9,8
1,682 0 0 5,0
0 -1,682 0 6,9
0 1,682 0 6,3
0 0 -1,682 4,0
0 0 1,682 8,6
0 0 0 10,1
0 0 0 9,9
0 0 0 12,2
0 0 0 9,7
0 0 0 9,7
0 0 0 9,6
 105

Modelo ajustado

ŷ = 10,1666-1,104x1+0,087x2+1,021x3-0,760x12-1,043x22-1,149x32-0,35x1x2-
0,500x1x3+0,15 x2x3

ŷ = 10,1666 + x~ ' b~ + x~ ' B x~

⎛ x1 ⎞ ⎛ − 1 ,104 ⎞
⎜ ⎟ ⎜ ⎟ ⎛ − 0,760 - 0,175 - 0,250 ⎞
x = ⎜ x2 ⎟ ⎜ ⎟
~ ; b = ⎜ 0 , 0872 ⎟ ; B = ⎜ - 0,175 - 1,043 0,075 ⎟
⎜x ⎟ ~
⎜ 1 , 0206 ⎟ ⎜ - 0,25 - 1,149 ⎟⎠
⎝ 3⎠ ⎝ ⎠ ⎝ 0,075

Ponto estacionário
1
x = − B −1 b
~0 2 ~

x ’ = (-1,0098 ; 0,2602 ; 0,6808) → dentro da região experimental

~0

Raízes características

− 0,760 − λ - 0,175 - 0,250

- 0,175 - 1,043 - λ 0,075 = 0
- 0,25 0,075 - 1,149 - λ

ou,
λ3 + 2,9523 λ2 + 2,7662λ + 0,7999 = 0
#
Soluções : λ1 = -0,5630
λ2 = -1,2712
λ3 = -1,1172
Forma canônica

ŷ = 11,08 – 0,5630 w12 – 1,2712 w22 - 1,1172 w32

 106

Conclusão: λ1 < 0
λ2 < 0
λ3 < 0

i.e., x ’ = (-1,0098 ; 0,2602 ; 0,6808) maximiza a resposta

~0

Conclusões:

i) x está dentro da região experimental

~0

ii) A superfície de resposta é alongada na direção do eixo w1

iii) A resposta tem aproximadamente a mesma sensibilidade em termos de
mudanças em w2 e w3

Relação entre as variáveis x’s e as variáveis w’s : achar os autovetores associados à

matriz B.

Com R.C. λ1 = -0,5630

⎛ b11 + 0,563 b12 / 2 b13 / 2 ⎞ ⎛ m11 ⎞

⎜ ⎟ ⎜ ⎟
⎜ b12 / 2 b 22 + 0,563 b 23 / 2 ⎟ ⎜ m21 ⎟ = 0
⎜b / 2 b 23 / 2 b 22 + 0,563 ⎟⎠ ⎜m ⎟
⎝ 13 ⎝ 31 ⎠

achar m11 , m21, m31 tal que sejam normalizados, i.e.,

m112 + m212 + m312 =1

Com m31’ =1 , obtemos m11’=-2,0791 e m21’=0,9142.

achar m11 , m21, m31 dividindo (m112 + m212 + m312)1/2 = (6,1584)1/2

m11=-0,8378
m21=0,3684
m31=0,4030

⎛ − 0,8378 0,4535 - 0,3052 ⎞

⎜ ⎟
M = ⎜ 0,3684 0,0552 - 0,9281 ⎟
⎜ 0,4030 0,8895 0,2132 ⎟⎠
⎝
 107

Relação entre as variáveis wi e xi

⎛ w1 ⎞ ⎛ −08378 0,3684 0,4030 ⎞ ⎛ x1 + 1,0098 ⎞

⎜ ⎟ ⎜ ⎟ ⎜ x − 0,2602 ⎟
w
⎜ ⎟ ⎜
2 = 0,4535 0,0552 0,8895 ⎟⎜ 2 ⎟
⎜ w ⎟ ⎜ -0,3052 -0,9281 0,2132 ⎟ ⎜ x − 0,6808 ⎟
⎝ 3 ⎠ ⎝ 
⎠ ⎝ 3 ⎠
M′

Z = MW
M – Matriz ortogonal → M´=M-1
M´M= I

EXEMPLO: Efeito de 4 fatores numa reação química e encontrar as condições

ótimas, que maximizam a resposta.

Varáveis independentes:
NH3 : quantidade de amônia (gramas)
T : temperatura (°C)
H2O : quantidade de água (gramas)
P : pressão (psi)

Variáveis codificadas:

NH 3 − 102 T − 250 H 2O − 300

x1 = ; x2 = ; x3 =
51 20 200

P − 850
x2 =
350
 108

x1 x2 x3 x4 y
-1 -1 -1 -1 58,2
1 -1 -1 -1 23,4
-1 1 -1 -1 21,9
1 1 -1 -1 21,8
-1 -1 1 -1 14,3
1 -1 1 -1 6,3
-1 1 1 -1 4,5
1 1 1 -1 21,8
-1 -1 -1 1 46,7
1 -1 -1 1 53,2
-1 1 -1 1 23,7
1 1 -1 1 40,3
-1 -1 1 1 7,5
1 -1 1 1 13,3
-1 1 1 1 49,3
1 1 1 1 20,1
0 0 0 0 32,8
-1,4 0 0 0 31,1
1,4 0 0 0 28,1
0 -1,4 0 0 17,5
0 1,4 0 0 49,7
0 0 -1,4 0 49,9
0 0 1,4 0 34,2
0 0 0 -1,4 31,1
0 0 0 1,4 43,1

Fator -1,4 -1 0 1 1,4

Amônia (g) 30,6 51 102 153 173,4
Temperatura (°C) 222 230 250 270 278
Água (g) 20 100 300 500 580
Pressão (psi) 360 500 850 1200 1340
 109

Superfície ajustada de 2a ordem

ŷ =40,198-1,511x1+1,284x2-8,739x3+4,955x4-6,332x12-4,292x22+0,020x32-2,506x42
+2,194x1x2-0,144x1x3+1,581x1x4+8,006 x2x3+2,806 x2x4+0,294 x3x4

Ponto estacionário :
x = (x10, x20, x30, x40) = (0,265; 1,034; 0,291; 1,668)
~0

ŷ0 = 43,53

Coeficientes canônicos : λ1 ; λ2 ; λ3 ; λ4

Raízes características da matriz:

⎛ - 6,332 1,0969 - 0,0720 0,7905 ⎞

⎜ ⎟
⎜ - 4,292 4,0030 1,4030 ⎟
B=⎜
0,020 0,1470 ⎟
⎜ ⎟
⎜ Sim. - 2,506 ⎟⎠
⎝

ŷ = 43,53 – 7,55 w12 – 6,01 w22 – 2,16 w32 + 2,60 w42

Relação entre as variáveis x’s e as variáveis w’s:

w = M ' ( x − x0 )
~ ~ ~

⎛ w1 ⎞ ⎛ 0,5977 - 0,7025 0,3756 0,0908 ⎞⎛ x1 − 0,265 ⎞

⎜ ⎟ ⎜ ⎟⎜ ⎟
⎜ w2 ⎟ ⎜ - 0,7688 - 0,4568 0,2858 0,3445 ⎟⎜ x 2 − 1,034 ⎟
⎜ w ⎟ = ⎜ 0,2151 0,1374 - 0,3071 0,9168 ⎟⎜ x3 − 0,291⎟
⎜ 3⎟ ⎜ ⎟⎜ ⎟
⎜ w ⎟ ⎜ 0,0741 0,5282 0,8264 0,1803 ⎟⎠⎜⎝ x 4 − 1,668 ⎟⎠
⎝ 4⎠ ⎝

Obs: A resposta decresce ao movimento na direção w1, w2 e w3, mas cresce na

direção do eixo w4.

OBJETIVO: Condições operacionais cuja resposta seja alta na região do

experimento planejado.
 110

Note que x3≥-1,5 , pois se x3=-1,5 o sistema não tem água. Queremos encontrar
condições em x1, x2 , x3 e x4 que dão valor zero para w1, w2 e w3, e vários valores
para w4 (tabela).

w4 1,0 1,5 2,0 -1,0 -1,5 -2,0 -2,5

x1 0,339 0,376 0,413 0,191 0,154 0,117 0,08
x2 1,562 1,826 2,090 0,506 0,242 -0,022 -0,287
x3 1,117 1,531 1,944 -0,535 -0,949 -1,362 -1,775
x4 1,848 1,938 2,028 1,488 1,398 1,307 1,217

CONCLUSÕES:

i) Para valores positivos de w4, os valores de x estão fora da região experimental.

ii) Condição mais adequada (para w2≈-2,2) , i.e., x3=-1,5 (sem água), x1=0,102;
x2=-0,128 e x4=1,27.
iii) Qualquer ponto onde w1=0; w2=0; w3=0 e w4 > 2,2 está fora da região
experimental pois x3<-1,5 é um valor impossível.