Est Avan Mod1 PDF

22/11/16
Universidade Catlica Portuguesa
ESTATSTICA AVANADA
Delineamento experimental (DOE)
RUI M BARROS | PORTO
Programa
1. Consideraes gerais
2. Delineamento experimental
2.1. Inteiramente casualisado (DIC
2.2. Blocos completos casualisados (DBCC)
3. Quadrado Latino
4. Esquemas fatoriais
5. Metodologia de superfcie de resposta
1
22/11/16
Todos os envolvidos numa experincia devem ter

anticipadamente uma ideia muito clara.
- exatamente do que est a ser estudado,

- dos objetivos da experincia,
- das perguntas que se espera responder
- e os resultados esperados.
Modelo de Delineamento experimental est para o

Estatstico como o diagnstico est para o mdico.
primeiro conhece os sintomas (caractersticas da

pesquisa) e s depois elabora um plano de diagnstico
(design experimental)!
2
22/11/16
Chamar o estatstico depois da experincia o

mesmo que o chamar para fazer um exame post-
mortem.
Talvez ele consiga dizer que a experincia morreu!
Consideraes gerais
Esquema experimental
3
22/11/16
Consideraes gerais
Processo experimental
ESQUEMA GERAL
Consideraes gerais
Selecione
(VI) variveis independentes (fatores)

(quantitativas ou qualitativas)
o nmero de nveis (Levels) para cada fator,

sejam especficos (modelo de efeitos fixos) ou
aleatrios (modelo de efeitos aleatrios).
4
22/11/16
Consideraes gerais
Selecione
(VD) varivel de resposta/dependente

(variveis)
que ir fornecer informaes sobre o problema em

estudo e o mtodo de medio proposto para esta
varivel de resposta, incluindo a compreenso da
variabilidade do sistema de medio.
Consideraes gerais
5
22/11/16
Consideraes gerais
Elabore
desenho experimental apropriado

Opte por desenhos e mtodos de anlise simples;
No esquea: o balano entre o poder estatstico e

eficincia econmica.
Consideraes gerais
Dena
modelo estatstico adequado para a anlise

dos dados,
garanta a verificao da preciso do modelo,
validando os pressupostos subjacentes
Recorra a todas as ferramentas disponveis
(incl. grficos) para obter o mximo de
informao.
6
22/11/16
Consideraes gerais
Finalmente
Tire concluses/inferncias sobre os resultados,
interprete o significado fsico desses resultados,
determine o significado prtico das concluses e
faa recomendaes para novas experincias.
Consideraes gerais
Contudo, nunca esquecer
Aleatorizao
Preciso sistema de medio,
Garantir as mesmas condies experimentais;
Como que iro ser recolhidos os dados (fase
crtica no DOE)
7
22/11/16
Consideraes gerais
Termos/conceitos
Unidade experimental (UE)
a unidade fsica que recebe cada um dos

tratamentos.
Deve:
Garantir a homogeneidade das UE
Consideraes gerais
Termos/conceitos
Replicao ou Repetio
Atribuir o mesmo tratamento a vrias unidades

experimentais (UE).
Permite:
estimar o erro experimental (rudo)
estimar o efeito do tratamento
Repetio medidas repetidas
8
22/11/16
Consideraes gerais
Termos/conceitos
Aleatorizao (Randomizao)
Forma de realizar os ensaios em que a sequncia

aleatria (ao acaso)
A anlise estatstica requer que as observaes
sejam var. aleatrias independentes.
Minimiza potenciais fontes de enviesamento
(bias).
Consideraes gerais
Termos/conceitos
Blocos
Tcnica de organizao das UE em subgrupos

mais homogneos.
Minimizar a variabilidade de fatores externos.
(vrios lotes de matria-prima, vrias mudanas,

vrias mquinas, vrios inspectores)
9
22/11/16
Consideraes gerais
Termos/conceitos
Blocos exemplo
Considere um produto proveniente de diferentes

linhas de produo (ex. barra de ao) submetido
a 3 tipo de banhos (tratamento).
Para minimar o erro
Cada produto de cada linha divido em partes iguais,

dependendo do n. de tratamentos (nveis do Fatores).
Neste caso em 3 partes iguais.
Consideraes gerais
Termos/conceitos
Fatores
fatores experimentais ou variveis

independentes (contnuas ou discretas), ou seja
as variveis que o investigador manipula.
Exemplos:
Temperatura, meio de cultura, [E], pH.
10
22/11/16
Consideraes gerais
Termos/conceitos
Nveis
valores que podem ser assumidos por cada fator

manipulvel.
Exemplo: temp: 30, 40 e 50C
Consideraes gerais
Termos/conceitos
Respostas
variveis dependentes (respostas) medidas para
descrever a sada do processo.
Tratamento Combinaes (run)

ensaio experimental, onde todos os fatores so
fixados a um dado nvel (inclui o controlo).
11
22/11/16
Consideraes gerais
Termos/conceitos
Modelo de Efeitos Fixos

Nveis do tratamento escolhidos especificamente
pelo investigador.
=> as concluses s se aplicam a esses nveis.
Modelo de Efeitos Aleatrios

Nveis de tratamento escolhidos aleatoriamente
=> as concluses podem ser estendidas a todos
os nveis de tratamento na populao.
Delineamento experimental/experimental design

Tipo de delineamento
Escolha depender de:
v Uni ou multi-fatorial
v Nmero de repeties (tamanho amostral)
v Blocos? (Uniformidade das unidades

experimentais)
v Equilibrado ou desequilibrado
v Aleatorizao
12
22/11/16

2. Delineamento experimental
2.1 Del. Inteiramente Casualizado (DIC)
2.2 Del. de Blocos Completos Casualizado (DBCC)
3. Del. Quadrado Latino
4. Desenhos Fatoriais
5. Modelos de superfcie

2.1 D. Inteiramente Casualizado (DIC)
v UE devero ser homogneas;

v Tratamentos aleatrios;
v Tem em considerao os princpios de repetio e
casualizao;
v Os dados podem ser balanceados ou no
balanceados (igual ou diferente nmeros de rplicas)
13
22/11/16

2.1. D. Inteiramente Casualizado (DIC)
Vantagens
v Pode ser usado qualquer n. de tratamentos ou de
repeties;
v N. de repeties pode ser diferente em cada

tratamento
v Anlise estatstica mais simples

Desvantagens
v Exige homogeneidade total das condies experimentais
v Conduz estimativas elevadas do erro experimental
14
22/11/16


Exemplo:
Efeito de 4 doses de penicilina no desenvolvimento
de colnias de Escherichia coli.
A penicilina adicionada ao meio de cultura.

Ensaio laboratorial: cultura em estufa temp. de 25C
Unidades experimentais: caixas de Petri
Tratamento uni-factorial: nico tratamento n dose
4 nveis do fator ou 4 tratamentos
Varivel resposta: dimetro da colnia de E. colli, em cm, em
cada uma das placas de Petri

ANOVA
ONE FACTOR
15
22/11/16

ANOVA
ONE FACTOR
Modelo: yij = m + ti + eij , onde
yij = valor observado na unidade experimental

m= efeito geral da mdia; ti = efeito do tratamento i;
eij = erro aleatrio (resduo).

2.2.D. Blocos Completamente Casualizados (DBCC)
v UE so heterogneas
v Condies experimentais so dificilmente semelhantes;
v Dentro de cada bloco (ou extrato) os tratamentos so
distribudos aleatoriamente
v Baseia-se em 3 princpios bsicos da experimentao
(repetio, casualizao e controle local).
v O + utilizado de todos os delineamentos
experimentais;
16
22/11/16

Exemplos/exerccios
CASO A CASO B
Comparar o usos de sobredoses de Comparar 4 mtodos de ensino em

v i t a m i n a B 1 2 n a r e d u o d a alunos de uma turma homognea (120
aterosclerose, em pacientes com a alunos)
doena.

Condies CASO A CASO B

U.E Paciente com doena Aluno da turma
V. resposta Reduo de aterosclorese (diam) Nota no teste (0-100)
tratamentos Dose padro, baixa, mdia e alta Mtodo A, B, C e D
Sequncia de
Sorteio Sorteio
tratamentos
rplicas 8 por tratamento 15 alunos por mtodo
Delineamento DBCC DIC

Justificao U.E. com caractersticas
Turma homognea
biolgicas heterogneas
Blocos de 4 pacientes com
Atribuio de tratamentos
procedimento caractersticas biolgicas to
prximas quanto possvel. de modo aleatrio.
17
22/11/16

2.2 D. Blocos Completamente Casualizado (DBCC)

Numa experincia com 4 tratamentos podemos ter as seguintes formas para os
blocos

2. D. Blocos Completamente Casualizado (DBCC)

Consideremos 5 tratamentos (A, B, C, D e E) e repeties
Observa-se que em cada bloco os tratamentos foram distribudos

aleatoriamente nas parcelas e que os mesmos s aparecem uma nica vez por
bloco.
18
22/11/16

2. D. Blocos Completamente Casualizado (DBCC)

Esquema de anlise de varincia
Modelo: yij = m +bj + ti + eij , ANOVA

Two-way
(sem interao)
m= efeito geral da mdia; bj= efeito do bloco j
ti = efeito do tratamento i; eij = erro aleatrio (resduo).

3. D. Quadrado Latino (DQL)
v UE so heterogneas
v Experincia com 3 factores sem interao
v Os tratamentos so distribudos de modo que apaream
somente uma s vez em cada linha e em cada coluna.
v Baseia-se em 3 princpios bsicos da experimentao
(repetio, casualizao e controle local).
v O controle local mais eficaz do que DBCC (ver esquema)
19
22/11/16

Implica duplo bloqueamento:

Coluna e linha
Formao de blocos de Disposio de uma

acordo com a forma (coluna) experincia em QL


tipo de delineamento tem 3 fatores:
Tratamentos e 2 Controles Locais (Linhas e Colunas).
Cada linha tem todos

os tratamentos
Modelo: yijk = m +li + cj + tk(ij) + eijk

Cada coluna tem m= efeito geral da mdia; cj= efeito da coluna j
todos os tratamentos li = efeito da linha i; eij = erro aleatrio (resduo).
20
22/11/16


VANTAGENS
v Controla a heterogeneidade do ambiente onde ser

conduzido;
v Conduz a estimativa reduzida do erro experimental
v mais frequente em experincias onde se comparam

de 5 a 8 tratamentos (implica o mesmo n de rplicas).


DESVANTAGENS
v A anlise estatstica mais demorada;
v Exige que os blocos iguais;
v Exige n de tratamentos = n repeties;
v Apresenta o n menor de grau de liberdade para o

resduo;
21
22/11/16

Esquema de anlise de varincia


Exemplo: Numa experincia comparativa de 5 dietas, com 5 pacientes
em 5 fases diferentes, os pacientes poderiam ser as linhas e as fases as
colunas
Segundo o esquema: o paciente 1 receberia a dieta D na 1 fase, a

dieta B na segunda fase e assim por diante.
22
22/11/16

4. Desenhos fatoriais
O QUE SO?
v Experincias fatoriais: so aquelas nas quais so estudadas, ao
mesmo tempo, os efeitos de 2 ou mais tipos de tratamentos.
v os tratamentos so todas as combinaes possveis entre os

diversos fatores nos seus diferentes nveis.
APLICAM-SE QUANDO?
v Existem casos em que vrios fatores devem ser estudados
simultaneamente.

VANTAGENS
v permitem estudar os efeitos simples/principais e os efeitos das

interaes entre eles;
v todas as parcelas so utilizadas no clculo dos efeitos principais

dos fatores e dos efeitos das interaes, razo pelo qual o nmero
de repeties elevado.
23
22/11/16

DESVANTAGENS
v N de tratamentos = todas as combinaes possveis

=> Aumenta o n de tratamentos;
anlise estatstica e a interpretao dos resultados mais difcil

SIMBOLOGIA
nK
N de FATORES
N de nveis
23
3 FATORES (T, pH, CONC)
2 nveis (+;-)
24
22/11/16

Factor A: a nveis Factor B: b nveis
a * b combinaes
2*2

Exemplo: Experincia fatorial
.
Relao entre nveis dos fatores
Se a=b, tem-se um arranjo quadrtico
ex.: 22; 32; 42....
Se ab, o arranjo retangular.
=> Que cada fator tenha n de nveis diferentes
25
22/11/16

Trs
. hipteses bsicas so avaliadas no esquema fatorial a*b,
i) o efeito do fator principal A
ii) o efeito do fator principal B.

iii) A interao (A*B) entre os fatores A e B;

ESTRATGIAS
"screening designs"
Estes projetos so usados para investigar quais so os fatores
importantes ("significativa").
"designs de superfcie de resposta"

Estes projetos so usados para determinar as configuraes ideais dos
fatores significativos.
26
22/11/16

Exemplo: [Otimizao de um Processo]
Suponha que temos interesse melhorar o teor de pureza de uma substncia

qumica (Y).
Com base (screening design), sabe-se que a presso do reator (X1) e a

temperatura do reator (X2), so as 2 variveis + importantes do processo que
influenciam o teor de pureza so
Ento quais sero os valores de X1 (Presso) e X2 (temperatura) que

maximizam oo teor de pureza.

X2, Temperatura X1, Presso

Fixa Altera-se
65 C 12, 13, 15, 16 atm

valor usual
X1 Presso X2, Temperatura % de

Fixa Altera-se Pureza
14,3 atm 60, 65, 70, 75 e 80 C

timo aparente
27
22/11/16

Figura: %Pureza vs temperatura Figura: %Pureza vs Presso

Figura. Superfcie de resposta
Te
mp
er
atu
ra at m)
so (
(C
) Pres
28
22/11/16

Figura. Curvas de nvel correspondente superfcie de resposta.

Exemplo: Experincia fatorial
teor
de
pureza
(%)
O efeito principal de A a diferena entre a resposta mdia no nvel alta A

e a resposta mdia no nvel mais baixo de A.
EFEITO PRINCIPAL EFEITO PRINCIPAL

A B
A B
29
22/11/16

Interao de fatores:
Em algumas situaes a diferena entre os nveis de um fator no mesma
para todos nveis dos outros fatores.
Fatores podem influenciar uns aos outros.
Por exemplo, o ajuste timo de um fator pode depender dos ajustes dos outros
fatores.
Quando fatores so otimizados separadamente, o resultado geral (como funo de

todos os fatores) pode ser subptimo ...

Desenhos completos
TIPO (2k):
30
22/11/16

TIPO (2k)
Experincias envolvendo muitos fatores (k = n de fatores)

Pretende-se estudar o efeito conjunto desses fatores numa
resposta especfica.
til na investigao preliminar
Cada fator definido em 2 nveis ("baixo -" e "alto +")

qualitativo
(mquina A / mquina B, ventilador ligado/ ventilador desligado)
quantitativo
(temp. 10 C / 80 C, pH 2.0/ 9.0).

TIPO (2k)
Os fatores so assumidos como sendo fixos (modelo de efeitos fixos)
Os desenhos so completamente randomizados (ensaios

experimentais so executados por ordem aleatria, etc.)
Garantia de normalidade satisfeitas.
31
22/11/16

TIPO (2k)
Com k grande, o #tamanho da amostra aumentar

exponencialmente.
Nota: Se a experincia for replicada, a # de ensaios aumenta
k # of runs
2 4
3 8
4 16
5 32
6 64
7 128
8 256
9 512
10 1024

TIPO (2k) K=2 (fatores)
Organizao em tabela da combinao dos fatores a dois nveis

[(normalmente referidos como baixos (-) e elevados (+)]
Definies gerais Definies ortagonais

Run Factor A Factor B Resposta Run Factor A Factor B Resposta
1 baixo baixo y1 1 -1 -1 y1
2 alto baixo y2 2 +1 -1 y2
3 baixo alto y3 3 -1 +1 y3
4 alto alto y4 4 +1 +1 y4
32
22/11/16

Estimativa dos efeitos principais associados alterao do nvel

de cada fator de baixo para alto.
efeito estimado na varivel de resposta associada alterao do
fator A ou B de seus valores de baixo para alto.
Definies ortagonais (y2 + y4 ) (y1 + y3 )

Factor A =
Run Factor A Factor B Resposta
2 2
1 -1 -1 y1
(y + y ) (y + y )
2 +1 -1 y2 Factor B = 3 4 1 2
3 -1 +1 y3
2 2
(y1 + y4 ) (y2 + y3 )
4 +1 +1 y4
Factor AB =
2 2

fator A no tem efeito na varivel de resposta
fator B no tem efeito
33
22/11/16

fator A tem efeito na varivel de resposta
fator B no tem efeito

fator A tem efeito
na varivel de resposta
fator B tem efeito
34
22/11/16

fator A no tem efeito na varivel de resposta
fator B tem efeito se A (+)
o efeito de um fator
interao sobre uma resposta
dependente do nvel que
voc definir outros
fatores.
Problema!!!!

Regra de deciso (para fatores e interao)
fator principal ou interao
Se P-value < nvel de signicncia () => tem efeito signicaLvo
P-value > nvel de signicncia () => No tem efeito signicaLvo
35
22/11/16

Diferentes tipo de notao aplicada a desenhos fatoriais
Exemplo: 22

Um microbilogo pretende estudar o efeito de dois meios de cultura

diferentes [mdio 1 (baixo) e mdio 2 (alto)] e dois tempos diferentes
[10 horas (baixa) e 20 horas (alta)] sobre a taxa de crescimento de uma
determinada UFC.
Definies gerais
Run Meio Tempo (h) Growth rate
1 baixo (m1) baixo (10) 17
2 alto (m2) baixo (10) 15
3 baixo (m1) alto (20) 38
4 alto (m2) alto (20) 39
36
22/11/16

A
y(A+,B) = a y(A+,B+) = ab
Definies gerais
Run Meio Tempo (h) Growth

+
rate

-
y(A,B) = (1) y(A,B+) = b
4 alto (m2) alto (20) 39
- + B

Fator B
+
4. Desenhos fatoriais + 15 39
Fator A
17 38
a= 15 ab=39
Definies gerais
Run Meio Tempo (h) Growth +

rate
1 baixo (m1) baixo (10) 17 A

3 baixo (m1) alto (20) 38 -

(1)=17 b=38
4 alto (m2) alto (20) 39
- +
B
37
22/11/16

Definies gerais

(15 + 39) (17 + 38)
rate
Efeito do meio = = 0, 5
2 2
3 baixo (m1) alto (20) 38 (38 + 39) (17 +15)

Efeito do tempo = = 22, 5
4 alto (m2) alto (20) 39 2 2
(17 + 39) (38 +15)

Efeito de interao tempo * meio = = 1, 5
2 2

Definies gerais

rate
4 alto (m2) alto (20) 39
38
22/11/16

Definies gerais Type III Sums of Squares

------------------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
rate
------------------------------------------------------------------------------------
1 baixo (m1) baixo (10) 17 FACTOR A 0.25 1 0.25 0.11 0.7952
FACTOR B 506.25 1 506.25 225.00 0.0424
Residual 2.25 1 2.25
3 baixo (m1) alto (20) 38 ------------------------------------------------------------------------------------
Total (corrected) 508.75 3
4 alto (m2) alto (20) 39
All F-ratios are based on the residual mean square error.
factor A (meio) no estatisticamente significativo (p-value=0.7952>0,05)
factor B (tempo) estatisticamente significativo (p-value=0.0424<0,05)

TIPO (2k) K=2 (fatores) modelo de regresso
Definies gerais
Run Meio Tempo (h) Growth Nota: i = (Efeito do Factor xi)/2

rate
4 alto (m2) alto (20) 39
que x1 e x2 so as variveis independentes (os factores A e B) e

x1x2 a correspondente interao (AB), codificadas de acordo
com a notao 1 e +1
39
22/11/16

Superfcies de resposta com funo de 2 fatores
Tem uma resposta mxima Sem mximo no espao Tem um plano

dos fatores
ac abc
+ a ab
y = q0 + q1x1+ q2x2 + q3x3 +
c
A bc q12x1x2 + q23x2x3 + q13x1x3 +
+ q123x1x2x3
- C
(1) b -
- B +
trata-
ensaio mento A B C AB AC BC ABC
1 (1) - - - + + + -
2 a + - - - - + +
3 b - + - - + - +
4 ab + + - + - - -
5 c - - + + - - +
6 ac + - + - + - -
7 bc - + + - - + -
8 abc + + + + + + +
40
22/11/16
Interaes
Como estimar as interaes?
multiplicando as colunas apropriadas em conjunto e, em

seguida, subtraindo a resposta mdia para os baixos
resposta mdia para os mximos.
Exemplo: Avaliao da resistncia de um material em funo de 3 factores
- 2 rplicas Y1 e Y2
- Aleatorizaao dos tratamentos
- # RUNS=8*2(rplicas)
41
22/11/16
Clculo dos Efeitos
Clculo dos Efeitos
42
22/11/16
Clculo dos Efeitos dos fatores: usando o modelo de regresso
Clculo dos Efeitos dos fatores: usando ANOVA
Anlise atravs do p-value de cada efeito
43
22/11/16
Clculo dos Efeitos dos fatores: usando ANOVA
p-value <0.05, logo A, C e AC so significativos
Desenhos incompletos
TIPO (2k-p):
44
22/11/16
TIPO (2k-p): desenhos incompletos
N de Fatores (k) aumenta ex. k = 6 fatores
N de Ensaios aumenta 26 = 64 ensaios

(sem considerar
rplicas)
Estudar MUITAS combinaes

dos nveis dos fatores
Elevados custos/tempo PROBLEMA
PROBLEMA
COMO RESOLVER?
Efeitos de ordem + elevada So

(ex.: ABCD; ABCDE; ABCDEF) negligenciveis
Reduo de #runs
planos experimentais incompletos So

os mais usados
(2k-p)
45
22/11/16
2k-p design permite analisar k factores

somente com 2k-p experincias
2k-1 design permite analisar k factores

p=1
das experincias
p=2 2k-2 design permite analisar k factores

das experincias
Estudo de Caso: 2k-1
Considere a situao onde temos uma experincia com 3 fatores

com 2 nveis cada
=> 23=8 ensaios
PROBLEMA
Por questes de custo ($) somente metade dos 8 tratamentos sero
executados.
23-1 design =22 ensaios
p=1
46
22/11/16
Mas se vamos somente fazer 1/2 dos ensaios,

quais sero as condies a testar?
Escolher como a meia frao os termos que tem sinal positivo (+) na
coluna ABC
p=1
trata- efeito fatorial

mento I A B C AB AC BC ABC
a + + - - - - + +
b + - + - - + - +
c + - - + + - - +
abc + + + + + + + +
ab + + + - + - - -
ac + + - + - + - -
bc + - + + - - + -
(1) + - - - + + + -
Observe: A = BC; B = AC; C = AB | Para saber calcula A*ABC=A2*BC=BC

Isto , ao calcular o efeito A, na verdade est ser calculado o efeito
de A + BC (h confuso entre esses efeitos)
47
22/11/16
Como escolher a meia frao ???
1) Escrever o delineamento bsico como se fosse um Fatorial 2k-1
2) Adicionar o k-simo fator, identificando-o com os (+) e (-), que

representam os nveis da interao de maior ordem ABC...(K - 1)
Exemplo: O Factorial incompleto 23-1= 22
Construir Fatorial 22
48
22/11/16
Exemplo: O Factorial incompleto 23-1= 22
Construir Fatorial 22 e adiciona-se a interao de 2 ordem AB, com C.
Criar o
3 fator
como combinao
dos outros 2 (A e B)
Tipos de resolues
Resoluo III: os efeitos principais no esto confundidos entre si,

mas esto confundidos com interaes de segunda ordem (2III3-1);
Resoluo IV: os efeitos principais no esto confundidos entre si e

nem com interaes de segunda ordem, mas estas podem estar
confundidas entre si (2IV4-1);
Resoluo V: os efeitos principais e as interaes de segunda

ordem no esto confundidos entre si, mas somente com
interaes de ordem superior (2V5-1)
49
22/11/16
Desenhos (2IV4-1)
EXEMPLO
Considere que a taxa de filtragem depende dos fatores

envolvidos no processo:
Temperatura (A);
Presso (B);
Concentrao de gs (utilizado para esterilizao) (C);
Tipo de filtragem (D).
a) Construa a tabela completa de delineamento fatorial

b) Selecione as condies experimentais caso reduza para metade o
nmero de ensaios
Desenhos (2IV4-1)
c) Identifique as interaes
relevantes.
d) Calcule as estimativas
dos efeitos.
Nota:
Interao AB=CD : C*D=C*ABC=AB*C2=AB
A=BCD=BC*ABC=AB2C2=A
50
22/11/16
Respostas
c)
d)
Muitos Fatores a testar => Muitos ensaios
26 64 ensaios
Executar 1/4 dos ensaios pode ser suficiente
p=2 desenhos incompletos 2k-2
Como escolher os 16 ensaios???
p=1
51
22/11/16

Como escolher a 1/4 frao ???
1) Escrever o delineamento bsico como se fosse um Fatorial 2k-2 ou

seja, com K-2 Fatores
2) Adicionar 2 fatores,, escolhendo as interaes que envolvem os

primeiros (k-2) fatores
Estudo de Caso: 26-2

Como escolher a 1/4 frao ???
26-2 6-2 fatores
ABCD
+
ABC e BCD
52
22/11/16

Ferramentas matemticas muito teis quando se:
otimiza um processo: y=f(x1,x2)
explora as condies timas para se trabalhar
avalia a sensibilidade da varivel resposta a mudanas dos nveis dos fatores
Guidelines para modelo de superfcie de resposta so:
Amostragem: definimos o nmero de ensaios que vamos executar, j

pensando nos modelos que iremos implementar.
Modelagem e Testes de Hipteses: ajuste e anlise dos modelos
Otimizao: obter a configurao tima dos nveis dos fatores de

interesse, entre os intervalos considerados, e verificar a necessidade de
realizar novamente o experincia considerando novos nveis para os
fatores.
53
22/11/16
visualizao grfica da superfcie de resposta => ter at 2 fatores
Com modelos quadrticos => a incluso de rplicas na experincia,

para detectar o grau de curvatura do modelo.
modelo de 2 ordem de superfcie de resposta =>os termos tm, no mx., ordem 2).
5.1 Experincia de Composto Central
O Que ?
So planeamentos de experincias
de 2 ordem (os mais populares e usados na resposta de superfcie)
de 2 nveis totais ou fatoriais fracionados que foram

aumentados com um pequeno n. de tratamentos.
compostos de um ponto central, executado com rplicas,

=> estimativa interna do erro puro e de pontos axiais, que iro
determinar os termos quadrticos
54
22/11/16
O Que ?
So planeamentos de experincias
Matriz formada por 3 grupos distintos de elementos

experimentais:
1 factorial completo ou fracionado;

1 conjunto de pontos centrais
1 grupo de nveis extras denominados pontos axiais.

Exemplo
Considere que pretende determinar as melhores condies para moldagem de uma
pea por injeo.
1) delineamento experimental fatorial: temp. (190-210C) e presso (50-100 MPa).
2) Se em 1, h curvatura => uso de plano experimental de superfcie de resposta
55
22/11/16
Para experincia fatorial:
a) 22
b) composto central com =1
c) composto central com =2
Inclui um 1 nico ao centro + 4 pontos da estrela (tambm chamados

de pontos axiais).
Ponto de estrela = fator fixado com a mdia dos nveis definidos
4 pontos da estrela esto localizados nos centros de cada uma das quatro
arestas da regio experimental.
A rotabilidade () depende do n. de pontos na poro fatorial do

planeamento, e dado pela equao abaixo:
Valor de () em funo do n.de fatores
56
22/11/16
ESTUDO DE CASO (Actividade enzimtica)
57
22/11/16
5.2 Modelo Box-Behnken
Experincias com multi-fatores a 3 nveis;

Modelo quadrtico independente;
Evita todos os pontos de canto, e os pontos da estrela.
As combinaes dos fatores so: os pontos mdios das arestas das faces
do espao experimental, , alm dos pontos centrais.
Imagina uma bola no

interior a encher!!!
Em que pontos iria tocar?
Estes arranjos tm a propriedade da rotacionalidade em 3 nveis para cada

fator.
58
22/11/16
N. de Box Behnken Composto

fatores Central
2 - 13 (5 pontos centrais)
3 15 20 (6 ponto central runs)
4 27 30 (6 ponto central runs)
Box Behnken necessita de menos #runs do que o composto central
ESTUDO DE CASO (Box-Behnken design)
Nmero de fatores: 3
Nmero de respostas: 1
Nmero de corridas: 15 Erro (degrees of freedom): 5
Fatores Baixo(-) Alto(+)

-------------------------------------------------
A 10 30
B 30 60
C 40 60
59
22/11/16
RUN
7
13
14
15
10
12
11
Representa o nvel mdio 0
60
22/11/16
6. Alguns softwares
Matlab
Minitab (http://www.minitab.com/pt-br/)
Statlab (free soft) http://www.win.tue.nl/statlab/
Statgraphics Plus
Modde
Anlise Multivariada
61
22/11/16
Tcnicas multivariadas
so adequadas quando:
-existem duas ou + medies em cada elemento
-variveis so analisadas simultaneamente.
-focam-se mais sobre o grau de relaes (correlaes ou

covarincias) entre os fatores.
Tcnicas multivariadas
podem ser classificadas como:
Tcnicas de Dependncia
so apropriadas quando uma ou mais variveis podem ser
identificados como variveis dependentes e as restantes como
variveis independentes.
Tcnicas de Interdependncia
as variveis no so classificadas como dependente ou
independente; em vez disso, todo o conjunto de relaes
interdependentes examinado.
62
22/11/16
Appendix
63
22/11/16
Appendix
64

Est Avan Mod1 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Est Avan Mod1 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

22/11/16

Universidade Catlica Portuguesa

Delineamento experimental (DOE)

RUI M BARROS | PORTO

Todos os envolvidos numa experincia devem ter

- exatamente do que est a ser estudado,

Modelo de Delineamento experimental est para o

primeiro conhece os sintomas (caractersticas da

Chamar o estatstico depois da experincia o

Talvez ele consiga dizer que a experincia morreu!

(VI) variveis independentes (fatores)

o nmero de nveis (Levels) para cada fator,

(VD) varivel de resposta/dependente

que ir fornecer informaes sobre o problema em

desenho experimental apropriado

No esquea: o balano entre o poder estatstico e

modelo estatstico adequado para a anlise

interprete o significado fsico desses resultados,

determine o significado prtico das concluses e

faa recomendaes para novas experincias.

Contudo, nunca esquecer

Unidade experimental (UE)

a unidade fsica que recebe cada um dos

Atribuir o mesmo tratamento a vrias unidades

Forma de realizar os ensaios em que a sequncia

Tcnica de organizao das UE em subgrupos

(vrios lotes de matria-prima, vrias mudanas,

Considere um produto proveniente de diferentes

Cada produto de cada linha divido em partes iguais,

fatores experimentais ou variveis

valores que podem ser assumidos por cada fator

Exemplo: temp: 30, 40 e 50C

Tratamento Combinaes (run)

Modelo de Efeitos Fixos

Modelo de Efeitos Aleatrios

Delineamento experimental/experimental design

Escolha depender de:

v Nmero de repeties (tamanho amostral)

v Blocos? (Uniformidade das unidades

Delineamento experimental/experimental design

2.2 Del. de Blocos Completos Casualizado (DBCC)

3. Del. Quadrado Latino

Delineamento experimental/experimental design

2.1 D. Inteiramente Casualizado (DIC)

v UE devero ser homogneas;

Delineamento experimental/experimental design

2.1. D. Inteiramente Casualizado (DIC)

v N. de repeties pode ser diferente em cada

v Anlise estatstica mais simples

Delineamento experimental/experimental design

2.1. D. Inteiramente Casualizado (DIC)

v Conduz estimativas elevadas do erro experimental

Delineamento experimental/experimental design

2.1. D. Inteiramente Casualizado (DIC)

A penicilina adicionada ao meio de cultura.

Delineamento experimental/experimental design

2.1. D. Inteiramente Casualizado (DIC)

Delineamento experimental/experimental design

2.1. D. Inteiramente Casualizado (DIC)

yij = valor observado na unidade experimental

Delineamento experimental/experimental design

2.2.D. Blocos Completamente Casualizados (DBCC)

Delineamento experimental/experimental design