Baixe o app para aproveitar ainda mais
Prévia do material em texto
DOE: Visão Geral de Planejamento de Experimentos DOE - Visão Geral de Planejamento de Experi- mentos 3 Entender a estratégia de planejamento de experimentos.• Conhecer os tipos de experimentos disponíveis no Minitab.• Objetivos www.minitabbrasil.com.br Copyright © - GLOBAL TECH O conteúdo desta apostila, desenvolvida pela Global Tech, encontra-se protegido pela legislação autoral vigente no País e pelas regras internacionais estabelecidas na Convenção de Berna. Desta forma, são vedadas a reprodução, modificação e distribuição total ou parcial de quaisquer informações nela contida, a menos que devidamente autorizadas pela Global Tech. Assim, é de responsabilidade do usuário qualquer violação às normas de direitos autorais nacionais ou internacionais. www.minitabbrasil.com.br DOE - Visão Geral de Planejamento de Experi- mentos 4 Visão geral Esse curso introduz o conceito de planejamento de experimentos completos e fracionados. Usando exemplos, você aprende sobre o planejamento, execução e análise de experimentos para a identificação de configurações ótimas de um processo. O DOE consiste de séries de execuções, ou testes, nos quais (1) mudanças intencionais são feitas simultaneamente para variáveis de um processo, e (2) respostas são observadas. Usar esse método para a melhoria de um processo é muito mais eficiente que outros métodos, tais como experimentações de “um fator de cada vez”, pois você pode rapidamente obter resultados significativos e tirar conclusões sobre como os fatores interagem para afetar a resposta (interações). Sem o planejamento adequado de experimentos, os efeitos dessas interações são frequentemente negligencia- dos. Aplicações do planejamento de experimentos: Use o planejamento de experimentos para: Determinar quais fatores têm um efeito significativo em uma resposta.• Identificar o efeito de uma interação entre duas variáveis.• Otimizar o desempenho de um processo.• Reduzir o tempo de desenvolvimento de novos produtos.• Reduzir a variação em um processo.• Determinar configurações ótimas de fatores, que otimizam todas as respostas, incluindo considerações de custo e segurança.• DOE - Visão Geral de Planejamento de Experi- mentos 5 Diretrizes para o uso do planejamento de experimentos Como o planejamento de experimentos tem uma ampla série de aplicações, considere as seguintes diretrizes: 1. Determine o problema a ser considerado e defina os objetivos do estudo. 2. Escolha os fatores ou variáveis de entrada a serem estudados, e determine intervalos de variação razoáveis para cada. 3. Determine respostas apropriadas e como mensurá-las. 4. Escolha o planejamento experimental adequado. 5. Execute o experimento. 6. Analise estatisticamente os dados resultantes. 7. Verifique os resultados usando ensaios confirmatórios. 8. Faça recomendações. O planejamento de experimentos adequado incorpora tanto o conhecimento do processo quanto os procedimentos estatísticos. O conhe- cimento do processo é uma ferramenta inestimável nas etapas do planejamento, assim como na interpretação dos resultados. Tenha em mente que o planejamento experimental é normalmente um método repetitivo. Raramente utiliza-se apenas um único experi- mento do qual conclusões finais são obtidas. Esse curso usa um método seqüencial que você deve considerar quando inicia um projeto de melhoria de processos. DOE - Visão Geral de Planejamento de Experi- mentos 6 Planejamento de experimentos no Minitab Plataforma do Experimento Tipo de Experi- mento Descrição Número de Fatores No Minitab... Experimentos Fatoriais Fatorial completo Mede as respostas em todas as com-• binações dos níveis dos fatores Estuda fatores em 2 níveis• 2-15 Stat > DOE > Factorial Fatorial fracionado Mede as respostas para um subcon-• junto do experimento fatorial completo geral Estuda fatores em 2 níveis• 2-15 Stat > DOE > Factorial Plackett-Burman Identifica efeitos principais significati-• vos Estuda fatores em 2 níveis• 2-47 Stat > DOE > Factorial Fatorial completo geral Mede as respostas em todas as com-• binações dos níveis dos fatores Estuda fatores de 2 a 100 níveis• 2-15 Stat > DOE > Factorial Experimentos de Superfície de Resposta Central composto Modela a curvatura no espaço expe-• rimental Apenas para fatores quantitativos• Frequentemente empregado após • poucos “fatores vitais” terem sido identificados Usado em experimentações sequen-• ciais 2-9 Stat > DOE > Response Surface Box-Behnken Modela a curvatura no espaço expe-• rimental Apenas para fatores quantitativos• Frequentemente empregado após • poucos “fatores vitais” terem sido identificados Usado em experimentações não-se-• quenciais 3-7 Stat > DOE > Response Surface DOE - Visão Geral de Planejamento de Experi- mentos 7 Planejamento de experimentos no Minitab Plataforma do Experimento Tipo de Experi- mento Descrição Número de Fatores No Minitab... Experimentos de Mistura Simplex centroid Dispõe os pontos de forma uniforme • em um L-simplex Os fatores são componentes de uma • mistura 2-10 Stat > DOE > Mixture Simplex lattice Similar aos experimentos centróide• Dispõe os pontos de forma uniforme, • mas acomoda mais fatores Requer um espaço experimental irres-• trito 2-20 Stat > DOE > Mixture Vértices extremos O experimento de mistura mais utili-• zado Usado com espaços experimentais • restritos 2-10 Stat > DOE > Mixture Experimentos Taguchi Experimentos de 2-5 níveis e níveis mistos Experimentos robustos• Usado para minimizar a variação e • reduzir a sensibilidade aos fatores de ruído Até 31, de- pendendo do número de ní- veis Stat > DOE > Taguchi Introdução aos Experimentos Fatoriais Introdução aos Experimentos Fatoriais 3 Criar um experimento fatorial e aprender os princípios e proprie-• dades de experimentos. Calcular e interpretar efeitos principais e interações.• Analisar um experimento fatorial completo, gerar gráficos, e in-• terpretar resultados. Verificar as suposições do modelo usando gráficos de resíduos.• Identificar configurações ótimas dos fatores usando gráficos e • otimização de resposta. Objetivos www.minitabbrasil.com.br Copyright © - GLOBAL TECH O conteúdo desta apostila, desenvolvida pela Global Tech, encontra-se protegido pela legislação autoral vigente no País e pelas regras internacionais estabelecidas na Convenção de Berna. Desta forma, são vedadas a reprodução, modificação e distribuição total ou parcial de quaisquer informações nela contida, a menos que devidamente autorizadas pela Global Tech. Assim, é de responsabilidade do usuário qualquer violação às normas de direitos autorais nacionais ou internacionais. www.minitabbrasil.com.br Introdução aos Experimentos Fatoriais 4 Conteúdo Exemplos e Exercícios Objetivos Página Experimentos Fatoriais Completos Exemplo 1: Maximizando a Adesão de Primers de Tinta Analisar um experimento fatorial completo, calcular e visuali- zar efeitos principais e interações, e verificar as suposições do modelo 7 Otimização de Resposta Exemplo 2: Otimizando a Adesão da Tinta Determinar configurações ótimas usando otimização de res- posta 36 Exercício A: Assando um Bolo Analisar um experimento fatorial completo 42 Introdução aos Experimentos Fatoriais 5 Experimentos fatoriais O que são experimentos fatoriais Experimentos fatoriais permitem que você estude simultaneamente os efeitos de vários fatores em um processo. Variar os níveis dos fatores simultaneamente, ao invés de individualmente: É eficiente em termos de tempo e custo.• Revela as interações entre os fatores.• Quando usar experimentos fatoriais Use experimentos fatoriais para: Estimar de forma eficiente o efeito de cada fator sobre a resposta.• Estimar os efeitos de interações entre dois ou mais fatores na resposta.• Testar a curvatura da resposta pela inclusão de pontos centrais no experimento.•Por que usar experimentos fatoriais Use experimentos fatoriais para responder perguntas como: Quais variáveis têm maior influência na resposta?• Quais configurações de fatores otimizam a resposta?• Por exemplo, Qual o impacto da resistência do metal e o ângulo de corte na vida útil de uma ferramenta para cortar metais?• Quais configurações de adoçante, taxa de xarope, e temperatura maximizam a pontuação do sabor de um novo refrigerante?• Introdução aos Experimentos Fatoriais 6 Experimentos fatoriais completos O que são experimentos fatoriais completos Um experimento fatorial completo mede todas as combinações dos níveis dos fatores experimentais. As combinações dos níveis dos fatores representam as condições experimentais nas quais as respostas são mensuradas. Cada condição experimental é um ensaio e cada resposta medida é uma observação. O conjunto de todos os ensaios é o experimento. Os seguintes diagramas mostram experimentos de dois e três fatores. Cada ponto representa uma combinação única de níveis de fato- res. Por exemplo, no experimento de dois fatores, o ponto no canto inferior esquerdo representa o ensaio experimental quando o Fator A é ajustado em seu nível inferior e o Fator B também é ajustado em seu nível inferior. Quando usar experimentos fatoriais completos O Minitab fornece dois tipos de experimentos fatoriais completos: Use um • experimento fatorial de dois níveis (experimento 2k) quando cada fator experimental tem apenas dois níveis; Use um • experimento fatorial completo geral quando qualquer fator experimental tem mais de dois níveis. Por exemplo, o Fator A pode ter dois níveis, o Fator B pode ter três níveis e o Fator C poder ter cinco níveis. Por que usar experimentos fatoriais completos Use experimentos fatoriais completos para responder perguntas como: Quais variáveis têm maior influência na resposta?• Existem interações entre dois ou mais fatores que influenciam a resposta?• Quais configurações de fatores otimizam a resposta?• Por exemplo: Como a interação entre cacau e açúcar afeta a textura de um chocolate?• Qual forma de bocal, para uma ferramenta de corte com jato de água, irá minimizar o tempo necessário para cortar uma chapa • padrão de metal? Introdução aos Experimentos Fatoriais 7 Problema Um fabricante usa primers para melhorar a adesão da tinta aplicada em automóveis. A equipe de melhoria do processo quer determinar o tipo de primer e nível de pressão do spray que maximizam a adesão. Coleta de dados A equipe decide executar um experimento fatorial completo para testar dois níveis de pressão de spray em cada tipo de primer. Cada combinação de tipo de primer e pressão de spray é replicada quatro vezes. Operadores aplicam primer em uma superfície de alumínio utilizando uma pressão de spray designada. Após pintarem cada superfície, eles aplicam uma tinta de acabamento e medem a força de adesão. Ferramentas Create Factorial Design• Descriptive Statistics• Analyze Factorial Design• Residual plots• Factorial plots• Arquivo de dados Variável Descrição Pressão Pressão de spray utilizada para aplicar o primer (310, 380) Tipo de Primer Formulação do primer (A, B) Adesão Força necessária para retirar a tinta da base de metal O Minitab armazena as variáveis do planejamento nas seguintes colunas: StdOrder, RunOrder, CenterPt e Blocks. Introdução aos Experimentos Fatoriais 8 Criando um experimento fatorial Experimento Com 2 fatores, a única opção é um experimento fatorial completo, que contém 4 ensaios (1 para cada combinação de tratamentos). Replicando esse experimento 4 vezes resulta em 16 ensaios. Níveis dos fatores Por default, o Minitab nomeia os fatores em ordem alfabética e os codifica da seguinte maneira: low (baixo) = -1, high (alto) = +1. Na subcaixa de diálogo Factors, você pode especificar os reais nomes e configurações dos fatores. O Minitab exibe os coeficientes do modelo para as variáveis resposta em unidades codificadas e não codificadas. Create Factorial Design 1) Selecione Stat > DOE > Factorial > Create Factorial Design. 2) Clique em Designs. 3) Em Number of replicates for corner points, escolha 4, e clique em OK. 4) Clique em Factors. 5) Preencha a caixa de diálogo como mostra a figura abaixo: 6) Clique em OK em cada caixa de diálogo. Introdução aos Experimentos Fatoriais 9 Interpretando os resultados Cada coluna no experimento é identificada por seu nome. A worksheet contém uma coluna para cada fator e colunas contendo informações sobre o experimento, que o Minitab necessita para conduzir a análise. Embora seja possível alterar valores dentro de uma coluna, você não pode mover colunas sem perder a matriz do experimento. Caso a matriz do experimento seja perdida, selecione Stat > DOE > Factorial > Define Custom Factorial Design e redefina as colu- nas. Mudando a ordem de exibição Você pode exibir o experimento na ordem de execução (Run order - default) ou na ordem padrão (Standard order). A ordem de execução é aleatória, e deve ser utilizada ao se conduzir o experimento. Visualizar o experimento em ordem padrão torna mais fácil a compreensão do experimento gerado. Exibindo os níveis dos fatores Exiba os níveis dos fatores como valores reais ou em unidades codificadas. Ao exibi-los em unidades codificadas, os valores são codifi- cados como níveis baixo e alto (-1,1). NOTA: O Minitab usa um gerador de números aleatórios para determinar a ordem de execução (RunOrder). Embora sua ordem de execução (RunOrder) não corresponda à ordem mostrada aqui, a ordem padrão (StdOrder) corresponderá. PRÓXIMO PASSO Use o comando Display Design para visualizar o experimento na ordem de Yates (ordem padrão) e em unidades codificadas. Introdução aos Experimentos Fatoriais 10 Verificando a ortogonalidade Para avaliar a ortogonalidade de um experimento, mude a exibição da planilha para unidades codificadas. O experimento pode ser mais facilmente compreendido na ordem padrão. Vantagens de um experimento ortogonal Os termos do modelo (efeitos e interações) podem ser estimados de forma independente;• Uma vez que os efeitos são independentes entre si, a análise se torna mais simples. Ao reduzir um modelo, você pode remover • todos os termos não significativos simultaneamente. O Minitab e os experimentos ortogonais Utilizando Create Factorial Design, o Minitab gera um experimento ortogonal por default. Quando um experimento é exibido em unidades não codificadas, este pode não ser mais ortogonal. Por isso, o Minitab sempre usa unidades codificadas para executar a análise. Display Design 1) Selecione Stat > DOE > Display Design. 2) Preencha a caixa de diálogo como mostra a figura abaixo: 3) Clique em OK. Introdução aos Experimentos Fatoriais 11 Interpretando os resultados Ortogonalidade Quando os fatores em um experimento são ortogonais, você pode estimar os efeitos de cada fator de forma independente. Se duas colunas são ortogonais, as seguintes condições são asseguradas: A soma de cada coluna é zero;• A correlação entre as duas colunas é zero.• Ordem padrão A ordem padrão para os dois fatores, Pressão e Tipo de Primer, é mostrada na worksheet abaixo. A coluna Pressão alterna entre -1 e +1; a coluna Tipo de Primer alterna entre dois -1`s seguidos por dois +1`s. Replicações Replicar um experimento significa que cada combinação do fator é executada mais de uma vez. Esse exemplo inclui quatro replicações. As primeiras quatro linhas representam uma única replicação do experimento, com um tratamento por linha. Esse padrão é repetido mais três vezes em um total de quatro replicações. Introdução aos Experimentos Fatoriais 12 Adicionando os dados da resposta A variável resposta é a força de adesão do primer de tinta. Adicione as medições (resposta) à worksheet digitando o resultado em uma nova coluna. Antes de entrar com os dados abaixo, certifique-se de que seu experimento está exibido na ordem padrão. Isso asseguraque os dados da resposta serão inseridos nas linhas adequadas. Data Window 1) Clique em qualquer célula da Worksheet. 2) Nomeie a coluna C7 como Adesão. 3) Digite os seguintes valores na coluna: 4,52 4,55 5,05 4,88 4,48 4,37 4,89 4,75 4,29 4,43 5,14 4,91 4,60 4,25 4,95 4,71 Introdução aos Experimentos Fatoriais 13 Exibindo seu experimento Exibindo unidades codificadas versus não-codificadas Display Design mostra os dados em unidades codificadas ou não-codificadas, e em ordem padrão ou de execução. O Minitab sempre analisa os dados em unidades codificadas, independente da forma de exibição do experimento. Display Design 1) Selecione Stat > DOE > Display Design. 2) Em Units for factors, escolha Uncoded units. 3) Clique em OK. Próximo passo Construa uma tabela sumária para investigar a adesão média em cada combinação de tratamentos. Introdução aos Experimentos Fatoriais 14 Definindo os efeitos dos fatores Antes de interpretar os resultados das análises, você precisa entender os efeitos dos fatores. Construa uma tabela sumária contendo a adesão média para cada combinação de pressão e tipo de primer, assim como a adesão média total para cada nível de pressão e cada tipo de primer. Descriptive Statistics 1) Selecione Stat > Tables > Descriptive Statistics. 2) Preencha a caixa de diálogo como mostra a figura abaixo: 3) Clique em Associated Variables. Em Associated Variables, entre com Adesão. 4) Em Display, marque Means. 5) Clique em OK em cada caixa de diálogo. Introdução aos Experimentos Fatoriais 15 Interpretando os resultados Efeitos principais Use a tabela de médias para entender o efeito de um fator. Um efeito é a diferença entre a resposta média nos níveis alto (+1) e baixo (-1) de um fator. Efeitos principais são calculados usando as médias na coluna All e na linha All. O efeito principal para Pressão é a resposta média na Pressão 380 menos a resposta média na pressão 310: • 4,606 - 4,740 = -0,134 E m média, a adesão é 0,13 menor com a pressão mais alta. O efeito principal para Tipo de Primer é a resposta média no tipo de primer B menos a resposta média no tipo de primer A: • 4,910 - 4,436 = 0,474 Em média, a adesão é 0,47 maior com o tipo de primer B. Tabulated statistics: Pressão; Tipo de Primer Rows: Pressão Columns: Tipo de Primer A B All 310 4,473 5,008 4,740 4 4 8 380 4,400 4,813 4,606 4 4 8 All 4,436 4,910 4,673 8 8 16 Cell Contents: Adesão : Mean Count Introdução aos Experimentos Fatoriais 16 Interpretando os resultados Efeitos de interação Efeitos de interação são calculados a partir das médias dentro de cada tratamento. Aqui, os efeitos de interação são calculados usando essas médias: 4,47 para 310 e A• 5,01 para 310 e B• 4,40 para 380 e A• 4,81 para 380 e B• O efeito de interação entre pressão e tipo de primer é: (310:A + 380:B)/2 - (310:B + 380:A)/2 = (4,473 + 4,813)/2 - (5,008 + 4,400)/2 = -0,061 Tabulated statistics: Pressão; Tipo de Primer Rows: Pressão Columns: Tipo de Primer A B All 310 4,473 5,008 4,740 4 4 8 380 4,400 4,813 4,606 4 4 8 All 4,436 4,910 4,673 8 8 16 Cell Contents: Adesão : Mean Count Próximo passo Analize os dados experimentais usando esses dois passos: 1) Ajuste vários modelos para encontrar o que melhor representa os dados. Use gráficos fatoriais para visualizar os efeitos principais e interações e encontrar as melhores configurações dos fatores. Introdução aos Experimentos Fatoriais 17 Ajustando o modelo Se você entrar com mais de uma resposta, o Minitab realiza uma análise separada para cada. Após escolher a resposta, clique em Terms para escolher o modelo. Analyze Factorial Design 1) Selecione Stat > Doe > Factorial > Analyze Factorial Design. 2) Preencha a caixa de diálogo como mostra a figura abaixo: Introdução aos Experimentos Fatoriais 18 Ajustando o modelo Por default, o Minitab inclui o número máximo possível de termos no modelo. Estes termos são mostrados na lista Selected Terms. Você pode analizar o modelo escolhido pelo Minitab ou especificar um modelo diferente. Selecionando termos Caso você não queira ajustar o modelo default, pode selecionar termos para o modelo de duas maneiras: Movendo os termos desejados da lista Available Terms para a lista Selected Terms com o uso de setas ou com um clique duplo • em cada termo. Especificando os termos por ordem. Por exemplo, incluindo os termos até a ordem 3, entrando com os efeitos principais, intera-• ções duplas (two-way) e interações triplas (three-way) no modelo. Analyze Factorial Design 3) Clique em Terms. 4) Observe que o modelo completo é o default: 5) Clique em OK. Introdução aos Experimentos Fatoriais 19 Ajustando o modelo Para determinar se os termos inseridos no modelo têm efeito significativo, use um dos seguintes recursos: P-valores exibidos na tabela de da janela Session;• Gráfico de Pareto dos efeitos;• Half Normal;• Normal Plot.• Alfa(α) Em um experimento 2k, α é o risco de se concluir incorretamente que um fator tem um efeito significativo. Escolha um nível α apropriado para os objetivos do experimento. Ao tomar decisões finais sobre um DOE fatorial, um nível α baixo pode ser apropriado (por exemplo, 0,05). Ao analisar muitos fatores que contribuem para a variabilidade da resposta, é adequado escolher um nível α mais alto, de modo que os termos “limites” sejam retidos e levados em consideração em análises posteriores. Analyze Factorial Design 6) Clique em Graphs. 7) Preencha a caixa de diálogo como mostra a figura abaixo: 8) Clique em OK em cada caixa de diálogo. Introdução aos Experimentos Fatoriais 20 Interpretando os resultados Um diagrama de Pareto dos efeitos mostra quais termos mais contribuem para a variabilidade na resposta. Aqui, o gráfico mostra quais fatores afetam significativamente a adesão da tinta e a magnitude relativa de cada efeito. Este gráfico exibe o seguinte: Os termos de cima a baixo em ordem decrescente de importância;• Uma linha pontilhada de referência no nível de significância α = 0,05; qualquer barra que se estenda além dessa linha é um efeito • significativo. O diagrama de Pareto mostra que tanto a pressão do spray quanto o tipo de primer afetam significativamente a adesão da tinta. A inte- ração entre os termos (AB) não é significativa. Embora produza uma visualização clara da magnitude de cada efeito, o diagrama de Pareto não fornece informação sobre a direção do efeito. Introdução aos Experimentos Fatoriais 21 Interpretando os resultados Um Half Normal Plot pode ser usado para comparar a magnitude e a significância estatística dos efeitos principais e da interação. A linha azul indica onde você esperaria que os pontos caissem se todos os efeitos fossem iguais a zero. Pontos distantes da linha geralmente são efeitos significativos. Assim como o diagrama de pareto, o Half Normal Plot mostra que apenas os efeitos principais são significativos. Introdução aos Experimentos Fatoriais 22 Interpretando os resultados Os efeitos anteriormente calculados usando a tabela de médias são listados na tabela de efeitos e coeficientes estimados. Os efeitos são: -0,13375 para pressão• 0,47375 para tipo de primer• -0,06125 para a interação entre pressão e tipo de primer• Use os p-valores na tabela de coeficientes e efeitos estimados para determinar quais termos são estatisticamente significativos ao nível α = 0,05: Pressão e tipo de primer são significativos (P=0,041 e P=0,000);• O efeito da interação não é significativo (P = 0,315).• Factorial Fit: Adesão versus Pressão; Tipo de Primer Estimated Effects and Coefficients for Adesão (coded units) Term Effect Coef SE Coef T P Constant4,67312 0,02919 160,08 0,000 Pressão -0,13375 -0,06687 0,02919 -2,29 0,041 Tipo de Primer 0,47375 0,23687 0,02919 8,11 0,000 Pressão*Tipo de Primer -0,06125 -0,03062 0,02919 -1,05 0,315 S = 0,116771 PRESS = 0,290889 R-Sq = 85,75% R-Sq(pred) = 74,66% R-Sq(adj) = 82,18% Analysis of Variance for Adesão (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 2 0,96931 0,96931 0,48466 35,54 0,000 2-Way Interactions 1 0,01501 0,01501 0,01501 1,10 0,315 Residual Error 12 0,16362 0,16362 0,01364 Pure Error 12 0,16362 0,16362 0,01364 Total 15 1,14794 Estimated Coefficients for Adesão using data in uncoded units Term Coef Constant 5,33232 Pressão -0,00191071 Tipo de Primer 0,538750 Pressão*Tipo de Primer -8,75000E-04 Próximo passo Exclua o termo de interação e ajuste novamente o modelo. Introdução aos Experimentos Fatoriais 23 Reduzindo o modelo Para remover o termo de interação do modelo, siga uma das seguintes opções: Em • Include terms in the model up through order, escolha 1. Selecione • AB na caixa Select Terms e clicar em . Na caixa • Select Terms, dê dois cliques no termo AB. O Minitab usa os termos restantes (A e B) para modelar a variabilidade na adesão da tinta. O modelo reduzido deve permanecer hierárquico no Minitab. Em um modelo hierárquico, se um termo de interação é incluído, todos os efeitos principais que compreendem o termo de interação também estão no modelo. Analyze Factorial Design 1) Selecione Stat > DOE > Factorial > Analyze Factorial Design ou pressione Ctrl+E. 2) Clique em Terms. 3) Preencha a caixa de diálogo como mostra a figura abaixo: 4) Clique em OK. Introdução aos Experimentos Fatoriais 24 Verificando as suposições do modelo Para confirmar que a análise é válida, verifique todas as suposições sobre o termo de erro do modelo. Use gráficos de resíduos para verificar se os erros têm as seguintes características: Normalmente distribuídos;• Variância constante para todos os valores ajustados;• Aleatórios ao longo do tempo (independentes).• NOTA: No DOE, você frequentemente começa com um modelo completo e remove os termos que não são significativos. Se você remover poucos termos do modelo completo, os resíduos podem ser altamente estruturados, tornando difícil usá-los para verificar as suposições do modelo. Analyze Factorial Design 5) Clique em Graphs. 6) Preencha a caixa de diálogo como mostra a figura abaixo: 7) Clique em OK em cada caixa de diálogo. Introdução aos Experimentos Fatoriais 25 Interpretando os resultados Normal Probability Plot No gráfico de probabilidade normal, os pontos devem descrever, aproximadamente, uma linha reta. Use este gráfico para verificar se os resíduos não desviam de forma substancial de uma distribuição normal. Este Padrão... Indica... Pontos se desviando de uma linha reta Os resíduos não provêm de uma distribuição Normal Curvatura (os resíduos provêm de uma distribuição assimétrica) Caudas muito pesadas ou leves na distribuição Alguns pontos afastados da linha reta Outliers existem Mudança de inclinação Uma variável pode estar faltando no modelo Para os dados de adesão da tinta, o gráfico de probabilidade normal mostra que os resíduos seguem uma linha reta. Assuma que os resíduos seguem uma distribuição normal. Você também pode usar o gráfico de probabilidade normal para identificar outliers, que são pontos que caem afastados da maioria dos pontos do gráfico. Neste exemplo, o gráfico não indica a existência de outliers. Introdução aos Experimentos Fatoriais 26 Interpretando os resultados Resíduos versus fits Use o gráfico de resíduos versus valores ajustados para verificar se os resíduos estão aleatoriamente distribuídos em torno de zero. Este Padrão... Indica... Curvilíneo Um termo quadrático pode ser necessário no modelo Dispersão em funil ou desigual dos resíduos ao lon- go do diferentes valores ajustados Variância não-constante dos resíduos Alguns pontos muito afastados de zero em relação aos outros pontos Outliers existem Para os dados de adesão da tinta, o gráfico dos resíduos versus os valores ajustados mostra uma dispersão aleatória, o que indica uma variância constante dos resíduos. O gráfico também indica a ausência de outliers. Introdução aos Experimentos Fatoriais 27 Interpretando os resultados Resíduos versus order O gráfico de resíduos versus ordem dos dados exibe os resíduos na ordem de coleta dos dados (desde que os dados tenham sido digi- tados na mesma ordem na qual eles foram coletados). Se a ordem de coleta de dados afeta os resultados, os resíduos próximos entre si podem estar correlacionados, e serem, portanto, dependentes. Este Padrão... Indica... Resíduos distribuídos de forma não-aleatória em torno de zero Os resíduos não são independentes ao longo do tempo Resíduos distribuídos aleatoriamente em torno de zero Os resíduos são independentes Pontos muito afastados de zero em relação aos ou- tros pontos Outliers existem Para os dados de adesão da tinta, os resíduos parecem estar aleatoriamente distribuídos em tonro de zero, apesar de parecer existir uma tendência levemente crescente. Introdução aos Experimentos Fatoriais 28 Interpretando os resultados Na tabela de efeitos estimados, os p-valores baixos (0,040 e 0,000) para os dois fatores indicam que a pressão de spray e o tipo de primer têm impacto significativo na adesão. Observe que: O efeito da pressão é negativo (-0,13375), pois a adesão da tinta foi maior, em média, na pressão baixa. • O efeito do tipo de primer é positivo (0,47375), pois o tipo de primer B teve uma adesão média maior que o tipo de primer A.• Factorial Fit: Adesão versus Pressão; Tipo de Primer Estimated Effects and Coefficients for Adesão (coded units) Term Effect Coef SE Coef T P Constant 4,67312 0,02919 160,08 0,000 Pressão -0,13375 -0,06687 0,02919 -2,29 0,041 Tipo de Primer 0,47375 0,23687 0,02919 8,11 0,000 Pressão*Tipo de Primer -0,06125 -0,03062 0,02919 -1,05 0,315 Introdução aos Experimentos Fatoriais 29 Interpretando os resultados S S é uma estimativa do desvio-padrão no modelo. S é a raiz quadrada do Residual Error Adj MS, também chamado MSE. R2 (R-Sq) R2 é a proporção da variabilidade na resposta explicada pela equação de regressão. Assim, 84,44% da variação na Adesão pode ser explicada pela sua relação com a pressão e o tipo de primer. R2 adjusted (R-Sq(adj)) O R2 ajustado é sensível ao número de termos no modelo e é útil ao comparar modelos com diferentes números de termos. Lack of fit A tabela ANOVA inclui um teste de falta-de-ajuste (Lack of Fit). A hipótese nula é de que este modelo ajusta adequadamente os dados da resposta. O p-valor (0,315) é maior que 0,05, indicando que você não deve rejeitar a hipótese nula. Neste caso, isto significa que você não cometeu um erro ao remover o termo de interação do modelo. Geralmente, rejeitar a hipótese nula indica que você omitiu termos importantes do modelo. S = 0,117221 PRESS = 0,270589 R-Sq = 84,44% R-Sq(pred) = 76,43% R-Sq(adj) = 82,05% Analysis of Variance for Adesão (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 2 0,96931 0,96931 0,48466 35,27 0,000 Residual Error 13 0,17863 0,17863 0,01374 Lack of Fit 1 0,01501 0,01501 0,01501 1,10 0,315 Pure Error 12 0,16362 0,16362 0,01364 Total 15 1,14794 Introdução aos Experimentos Fatoriais 30 Interpretando os resultados Observações não-usuais A tabela de observações não usuais indica que a observação 9 é um outlier, pois seu resíduo é maior que 2 desvios padrão da média de 0. Outliers frequentemente ocorrem por acaso,porém é aconselhável que você procure uma causa potencial. Equação de predição Para escrever a equação de predição, use os coeficientes estimados para os fatores em unidades não-codificadas, de forma que você possa formar a equação com as unidades reais dos níveis dos fatores. Observe que para fatores de texto, o coeficiente em unidades não-codificadas é o mesmo coeficiente em unidades codificadas. Para fatores de texto, use os níveis codificados na equação (-1 e +1). Neste exemplo, o tipo de primer A é codificado como -1 e o tipo de primer B é codificado como +1. A equação de predição é: Adesão = 5,33232 - 0,00191071*Pressão + 0,236875*Tipo de Primer Unusual Observations for Adesão Obs StdOrder Adesão Fit SE Fit Residual St Resid 9 9 4,29000 4,50313 0,05076 -0,21313 -2,02R R denotes an observation with a large standardized residual. Estimated Coefficients for Adesão using data in uncoded units Term Coef Constant 5,33232 Pressão -0,00191071 Tipo de Primer 0,236875 Próximo passo Use gráficos fatoriais para encontrar as configurações de fatores que otimizam a resposta. Introdução aos Experimentos Fatoriais 31 Visualizando a melhor configuração Após escolher o modelo apropriado para os dados, utilize gráficos fatoriais para visualizar os resultados. Factorial Plots 1. Selecione Stat > DOE > Factorial > Factorial Plots. 2) Preencha a caixa de diálogo como mostra a figura abaixo: 3) Clique em Setup para um dos gráficos. 4) Em Responses, entre com Adesão. 5) Em Factors to Include in Plots, mova Pressão e Tipo de Primer de Available para Selected. 6) Clique em OK. 7) Repita os passos 3-6 para os outros dois gráficos. Clique em OK. Introdução aos Experimentos Fatoriais 32 Interpretando os resultados O gráfico de efeitos principais indica que: A pressão mais baixa resulta em uma adesão mais forte• O tipo de primer B resulta em uma adesão mais forte que o tipo de primer A.• Você deve confirmar se os efeitos do gráfico são estatisticamente significativos. Neste exemplo, a tabela de efeitos estimados e coefi- cientes indica que a pressão e o tipo de primer são significativos. Introdução aos Experimentos Fatoriais 33 Interpretando os resultados O gráfico de interação mostra que, independente do tipo de primer, a pressão mais baixa resulta em uma adesão maior. As linhas aproximadamente paralelas sugerem que não há interação entre tipo de primer e pressão. O p-valor na análise estatística indicou que essa interação não é significativa. Introdução aos Experimentos Fatoriais 34 Interpretando os resultados O gráfico de cubo ilustra os resultados da saída das estatísticas descritivas. Como o experimento tem apenas dois fatores, o gráfico de cubo é um retângulo. Usando o gráfico, você pode ver facilmente o efeito de configurações dos níveis para ambos os fatores simultaneamente. A maior adesão (5,0075) ocorreu quando o tipo de primer B foi aplicado com spray de baixa pressão. Introdução aos Experimentos Fatoriais 35 Considerações Finais Resumo e conclusões O experimento indicou que a adesão da tinta é maximizada quando o tipo de primer B é aplicado usando spray de baixa pressão. Para... Use... Identificar termos importantes no modelo. Obter informações sobre a constante e o efeito de blocos. Considerar o efeito da remoção simultânea de dois ou mais termos. Avaliar a normalidade, independência e igual- dade de variância dos resíduos. Visualizar efeitos principais e interações two- way. Mostrar resultados médios em todas as combi- nações de tratamento. Um gráfico de Pareto, normal ou half normal dos efeitos ou Valores-P na Session. Uma tabela de coeficientes e efeitos estimados. Um teste de falta de ajuste. Gráficos de resíduos. Gráficos de efeitos principais e de interação. Gráfico de cubo. Considerações adicionais A equipe de qualidade deve considerar o custo da utilização de cada tipo de primer em conjunto com os resultados estatísticos para assegurar que o aumento da adesão da tinta seja efeitvo em termos de custo. Pode-se optar por utilizar configurações de fatores menos “ótimas”, se a melhoria não for suficiente para justificar um aumento substancial nos custos de produção. Introdução aos Experimentos Fatoriais 36 Otimização de Resposta Exemplo 2: Otimizando a Adesão da Tinta Problema A equipe de qualidade quer confirmar as melhores configurações para pressão de spray e tipo de primer identificadas no exemplo ante- rior, no qual foram utilizados métodos gráficos. Para fazer isso, eles usam otimização de resposta. Coleta de dados A equipe executa um experimento fatorial completo para testar dois níveis de pressão de spray em cada tipo de primer. Cada com- binação de tipo de primer e pressão de spray é replicada quatro vezes. Operadores aplicam primer em uma superfície de alumínio utilizando uma pressão de spray designada. Após pintarem cada superfície, eles aplicam uma tinta de acabamento e medem a força de adesão. O objetivo é maximizar a adesão. A adesão alvo é de 5 unidades, e o menor valor de adesão aceitável é 4,8 unidades. Ferramentas Response Optimizer• Arquivo de dados PRIMER.MPJ Variável Descrição Pressão Pressão de spray utilizada para aplicar o primer (310, 380) Tipo de Primer Formulação do primer (A, B) Adesão Força necessária para retirar a tinta da base de metal O Minitab armazena as variáveis do planejamento nas seguintes colunas: StdOrder, RunOrder, CenterPt e Blocks. Introdução aos Experimentos Fatoriais 37 Otimização de resposta O que é a otimização de resposta Muitos experimentos planejados determinam configurações ótimas de fatores que produzem o “melhor” valor para uma resposta de inte- resse. A otimização de resposta usa o modelo ajustado mais recente para calcular uma solução baseada em um critério. Uma resposta pode ser minimizada, maximizada, ou aproximada de um valor alvo. A função Desirability varia de 0 a 1. Um valor de 1 representa o caso ideal; 0 indica que uma ou mais respostas estão fora de seus limites aceitáveis. Á medida que a resposta se afasta do alvo, a desirability decresce. Quando usar otimização de resposta Use a otimização de resposta para ajudar a identificar a combinação das variáveis de entrada que otimizam uma única resposta ou otimizam conjuntamente várias respostas. A otimização conjunta deve satisfazer os requisitos para todas as respostas. A otimização de resposta é particularmente útil quando muitas respostas estão sendo consideradas. NOTA: Apesar da otimização numérica com análises gráficas fornecer informações úteis, ela não substitui o conhecimento de um especialista no processo. Certifique-se de estar usando informações relevantes, princípios teóricos, e conhecimentos adquiridos através da observação de experimentos prévios ao aplicar esses métodos. Por que usar otimização de resposta Use a otimização de resposta para confirmar resultados gráficos ou para determinar as combinações ótimas de fatores com base no modelo ajustado. Introdução aos Experimentos Fatoriais 38 Usando o modelo ajustado no exemplo anterior, aplique a otimização de resposta para determinar a melhor configuração para pressão de spray e tipo de primer. Lembre-se que o modelo final contém apenas os efeitos principais de pressão de spray e tipo de primer. Nesse exemplo, o objetivo é maximizar a adesão. Á medida que a resposta se afasta do alvo, a desirability decresce. Observe que quando o objetivo é mudado para maximizar, apenas o valor alvo e o limite inferior são necessários; o limite superior não. Na análise de otimização do Minitab, cada resposta é transformada usando uma função desirability específica. O peso define a forma da função para cada resposta. Você pode selecionar um peso de 0,1 a 10 para evidenciar ou não a importância de atingir o valor-alvo. Um peso: Menor que 1 estabelece menor ênfase ao alvo (uma resposta comvalor longe do alvo fornece um baixo D);• Igual a 1 estabelece importância igual ao alvo e aos limites;• Maior que 1 estabelece mais ênfase ao alvo (o valor da resposta precisa ser muito próximo do alvo para que se tenha um alto • D). Introdução aos Experimentos Fatoriais 39 Otimizando a resposta Response Optimizer 1) Selecione Stat > DOE > Factorial > Response Optimizer. 2) Mova Adesão de Available para Selected. 3) Clique em Setup. 4) Preencha a caixa de diálogo como mostra a figura abaixo, mudando Goal para Maximize. 5) Clique em OK em cada caixa de diálogo. Introdução aos Experimentos Fatoriais 40 Interpretando os resultados Desirability O Minitab otimiza a desirability total da adesão (D=0,88438). Neste caso existe apenas uma resposta, estão a desirability total e a desi- rability individual são iguais. As configurações necessárias para atingir o valor predito máximo de adesão (4,9769) são: Pressão = 310 Tipo de Primer = B Se você mover as linhas vermelhas do gráfico usando o mouse, pode ver como mudanças nessas configurações afetam a resposta predita. NOTA: Apesar de o Minitab usar o modelo para encontrar a melhor resposta predita, esse resultado pode não ser o mais prático ou de custo efetivo. Você deve usar a otimização de resposta para ver se configurações mais práticas dos fatores podem fornecer resultados desejá- veis. Introdução aos Experimentos Fatoriais 41 Considerações Finais Resumo e conclusões Para otimizar a adesão, use o tipo de primer B com a pressão de spray baixa.• Níveis mais altos de pressão fornecem resultados aceitáveis e podem ser necessários na produção.• Considerações adicionais Como a otimização de resposta usa o último modelo ajustado para cada resposta, verifique o experimento para se certificar de • que os termos corretos estavam no último modelo que você ajustou. Não existe garantia de que existe uma única configuração ótima. Apesar de a otimização fornecer uma solução, pode existir mais • de uma região ótima. A importância relativa de cada resposta é subjetiva. A importância deve ser baseada em seu conhecimento prático e técnico do • processo. Execute experimentos confirmatórios para validar quaisquer conclusões baseadas no experimento planejado que você tirar.• Introdução aos Experimentos Fatoriais 42 Exercício A: Assando um Bolo Problema Um fabricante de misturas para bolo precisa determinar o tempo e a temperatura de forno recomendados, para imprimir as informações na embalagem. Eles querem encontrar as configurações dos fatores que re- sultem em bolos com umidade média de 26% +/- 1%. Coleta de dados Um engenheiro de alimentos da empresa realizou um experimento fatorial completo com duas replicações. Eles assaram todos os bolos em um único forno em um mesmo dia, portanto nenhuma variável de bloco foi necessária. Eles assaram os bolos durante 30 ou 50 minutos, em uma temperatura de 162 ou 190º C. O engenheiro calculou o conteúdo de umidade medindo a massa do bolo antes e após ser assado. Instruções 1) Crie um experimento fatorial completo com 2 fatores, tempo e temperatura. Replique o experimento duas vezes. A tabela abaixo contém os níveis dos fatores. 2) Abra o arquivo BOLO.MTW, que contém os dados da resposta. 3) Ajuste um modelo apropriado aos dados. 4) Verifique as suposições do modelo usando os gráficos de resíduos. 5) Crie gráficos fatoriais e use a otimização de resposta para determinar as melhores configurações para tempo e temperatura, para obter o conteúdo de umidade alvo de 26%, com um limite inferior de 25% e um limite superior de 27%. Arquivo de dados BOLO.MTW Variável Descrição Temperatura Temperatura do forno (162º, 190º C) Tempo Tempo para assar o bolo (30, 50 minutos) Umidade Conteúdo percentual de umidade O Minitab armazena as variáveis do planejamento nas seguintes colunas: StdOrder, RunOrder, CenterPt e Blocks. Experimentos Fatoriais Completos Experimentos Fatoriais Completos 3 Realizar uma análise de poder para avaliar diferenças entre ex-• perimentos. Avaliar o impacto da adição de réplicas no poder.• Examinar o impacto de outliers nos resultados e gráficos de re-• síduos. Objetivos www.minitabbrasil.com.br Copyright © - GLOBAL TECH O conteúdo desta apostila, desenvolvida pela Global Tech, encontra-se protegido pela legislação autoral vigente no País e pelas regras internacionais estabelecidas na Convenção de Berna. Desta forma, são vedadas a reprodução, modificação e distribuição total ou parcial de quaisquer informações nela contida, a menos que devidamente autorizadas pela Global Tech. Assim, é de responsabilidade do usuário qualquer violação às normas de direitos autorais nacionais ou internacionais. www.minitabbrasil.com.br Experimentos Fatoriais Completos4 Conteúdo Exemplos e Exercícios Objetivos Página Investigando Poder e Tamanho de Amostra Exemplo 1: Escolhendo o Número de Réplicas Determinar o número de réplicas necessárias para alcançar o poder desejando usando a análise de poder 5 Replicando Experimentos Exemplo 2: Minimizando o Resíduo em um Proces- so de Limpeza Industrial Analisar um experimento fatorial completo e identificar proble- mas em gráficos de resíduos 17 Exercício B: Investigando o Desgaste do Motor Analisar um experimento fatorial completo 51 Exercício C: Distorção das Placas de Cobre Analisar um experimento fatorial completo geral 52 Experimentos Fatoriais Completos 5 Investigando Poder e Tamanho de Amostra Exemplo 1: Escolhendo o Número de Réplicas Problema Um fabricante de verrumas de aço limpa seus produtos nos estágios finais de produção imediatamente antes de embalá-los. Os enge- nheiros identificaram a temperatura, o tempo e a concentração da solução de limpeza como as variáveis chave de entrada que afetam a limpeza. Eles medem a limpeza mergulhando as peças em um solvente, evaporando o solvente e medindo o resíduo restante. Os engenheiros querem identificar as configurações do processo que produzem o menor resíduo. Uma melhoria significativa da limpeza é uma redução do resíduo em 5 unidades. O desvio padrão do resíduo é de aproximadamente 2 unidades. Determine o número de réplicas necessárias em um experimento fatorial completo de 3 fatores, para detectar uma diferença de 5 unidades com pelo menos 80% de poder. Coleta de dados Apenas 8 ensaios podem ser realizados por lote de solução de limpeza. Se você escolher um experimento que requeira mais de 8 en- saios, precisa adicionar uma variável de bloco que considere a variação devido aos diferentes lotes de solução de limpeza usados no experimento. Ferramentas Power and Sample Size > 2-Level Factorial Design• Arquivo de dados NENhUM Experimentos Fatoriais Completos6 Análise de Poder O que é análise de poder O poder de um teste é sua habilidade de detectar um efeito. Devido à variabilidade amostral, um teste pode levar a conclusões errôneas. O poder é a probabilidade de que o teste identifique corretamente um efeito se este existir. Um teste com baixo poder pode falhar em detectar um efeito quando este de fato existe. Um teste com poder extremamente alto pode identificar efeitos muito pequenos e possivelmente sem importância com significativos. Você deve conhecer o poder de um teste antes de tomar decisões baseando-se em resultados experimentais. O tamanho amostral tem um impacto direto no poder. Aumentar o tamanho amostral aumenta o poder de um teste. Quando usar análise de poder Para avaliar a sensibilidade do experimento, você deve examinar o poder e o tamanho amostral antes de coletar dados. Assegure-se de que o poder é adequado para detectar diferenças (efeitos) importantes. Você pode aumentar a sensibilidade do experimento aumentando o tamanho amostral ou reduzindo a variância do erro. Por que usar análise de poder Use a análise de poder para responder perguntas como: Quantas réplicas são necessárias para detectar uma diferença significativa na resposta causada pelasconfigurações dos fato-• res? O teste é poderoso o suficiente para detectar efeitos significativos, caso existam?• Qual é o poder do teste executado?• Por exemplo: Que poder o teste tinha para detectar o efeito da temperatura de moldagem, tempo de preparo, tempo de ciclo e pressão no • encolhimento em um processo de moldagem por injeção? O quão grande a amostra deveria ser para determinar o efeito do tipo de vidro e do tipo de fosfato no brilho do tubo de televi-• são? Experimentos Fatoriais Completos 7 Escolhendo um tamanho amostral Determine quantas réplicas do experimento são necessárias para atingir o poder requerido para detectar efeitos de 5 unidades ou mais. Valores Para experimentos fatoriais completos de 2 níveis, você pode calcular: O número de réplicas; • O efeito; • O poder; • O número de pontos centrais. • Você determina os valores para três destes parâmetros, e o Minitab calcula o quarto. Para o problema do resíduo, especifique valores para o poder, efeito e número de pontos centrais. O Minitab determina o número de réplicas necessárias para detectar um efeito de tamanho 5 ao nível de poder especificado. 2-Level Factorial Design 1. Selecione Stat > Power and Sample Size > 2-Level Factorial Design. 2. Preencha a caixa de diálogo como mostra a figura abaixo: 3. Clique em OK. Experimentos Fatoriais Completos8 Interpretando os resultados Para detectar uma redução média de 5 unidades no resíduo com um poder de pelo menos 80% (0,80), você precisa de 2 réplicas do experimento. Como o experimento requer 16 ensaios (2 réplicas) e só é possível rodar 8 ensaios para cada lote de solução de limpeza, você precisa utilizar lote como uma variável de bloco. Curva de poder A curva de poder mostra a probabilidade de detectar um efeito de dada magnitude. A curva representa o poder do teste de significância para um experimento fatorial de 2 níveis detectar um efeito de uma dada magnitude para um número específico de réplicas. Se você especificar mais de uma réplica ou ponto central por bloco, o Minitab exibe uma curva de poder para cada combinação de replicações e blocos. O símbolo vermelho na curva representa a magnitude do efeito que você especificou e o poder calculado. Pause o cursor sobre o símbolo vermelho e observe que o poder real é 0,991350 para este experimento. Power and Sample Size 2-Level Factorial Design Alpha = 0,05 Assumed standard deviation = 2 Factors: 3 Base Design: 3; 8 Blocks: none Center Total Target Points Effect Reps Runs Power Actual Power 0 5 2 16 0,8 0,991350 0 5 2 16 0,9 0,991350 Próximo passo Calcule o poder estimado se o experimento for executado em 2 blocos. Experimentos Fatoriais Completos 9 Adicionando blocos ao modelo Blocos A adição de blocos ao modelo tem um impacto no poder dos testes. Para visualizar o impacto, deixe marcado na janela do Minitab o termo Include blocks in model. Pontos centrais Uma vez que o experimento não inclui pontos centrais, o Minitab ignora a opção de incluir termos centrais no modelo, mesmo que esta opção esteja marcada. 2-Level Factorial Design 1) Selecione Stat > Power and Sample Size > 2-Level Factorial Design. 2) Preencha a caixa de diálogo como mostra a figura abaixo: 3) Clique em Design. 4) Em Number of blocks, digite 2. 5) Clique em OK em cada caixa de diálogo. Experimentos Fatoriais Completos10 Interpretando os resultados A adição da variável de bloco reduz ligeiramente o poder do experimento (de 0,9914 para 0,9887). Em geral, adicionar uma variável de bloco diminui o poder de um experimento. No entanto, o decréscimo no poder é usualmente equilibrado mantendo o efeito da variável de bloco fora da estimativa da variação experimental (MSE). Para obter um poder de pelo menos 80%, use duas réplicas. Power and Sample Size 2-Level Factorial Design Alpha = 0,05 Assumed standard deviation = 2 Factors: 3 Base Design: 3; 8 Blocks: 2 Including blocks in model. Center Points Per Total Block Effect Reps Runs Power 0 5 2 16 0,988719 Próximo passo Aumente o nível de significância para ver seu impacto no poder. Experimentos Fatoriais Completos 11 Estimando poder com altos valores de alfa (α) Outra forma de aumentar o poder de um experimento fatorial é aumentar o nível de significância. Lembre-se que o nível de significância é a probabilidade de rejeitar a hipótese nula quando esta é verdadeira; no contexto de experimentos fatoriais, o nível de significância é a probabilidade de concluir que um efeito é significativo quando na realidade ele não é. Pesquisadores frequentemente usam valores mais altos para os níveis de significância, geralmente 0,10 ou 0,15, para aumentar o po- der dos experimentos. Isso é feito particularmente em experimentos de classificação ou quando os ensaios demandam muito tempo ou dinheiro. Aumente o nível de significância para 0,10 e observe como o poder será afetado. 2-Level Factorial Design 1) Selecione Stat > Power and Sample Size > 2-Level Factorial Design. 2) Clique em Options. 3) Preencha a caixa de diálogo como mostra a figura abaixo: 4) Clique em OK em cada caixa de diálogo. Experimentos Fatoriais Completos12 Interpretando os resultados Mudando o nível de significância de 0,05 para 0,10, o poder do teste aumenta de 0,9887 para 0,9975. Como os experimentos são normalmente conduzidos com poucos ensaios, o nível é frequentemente aumentado para atingir o poder adequado. Ao planejar seus experimentos, certifique-se de avaliar as consequências de aumentar . Neste caso, com um poder alvo de 80%, a execução do experimento com apenas uma réplica e quatro pontos centrais (2 por bloco), em vez da replicação de todo o experimento, economiza 4 ensaios. Power and Sample Size 2-Level Factorial Design Alpha = 0,1 Assumed standard deviation = 2 Factors: 3 Base Design: 3; 8 Blocks: 2 Including blocks in model. Center Points Per Total Block Effect Reps Runs Power 0 5 2 16 0,997535 Próximo passo Estime o poder com apenas 1 réplica. Experimentos Fatoriais Completos 13 Estimando o poder com uma réplica Determine o poder deste experimento para detectar uma diferença de 5 unidades na limpeza usando apenas 1 réplica. Com apenas 1 réplica, o experimento não precisa de blocos. Para encontrar o poder, remova um termo do modelo; isso libera graus de liberdade para o erro. Removendo um termo do modelo, você precisa desconsiderar uma interação de maior ordem. 2-Level Factorial Design 1) Selecione Stat > Power and Sample Size > 2-Level Factorial Design. 2) Preencha a caixa de diálogo como mostra a figura abaixo: 3) Clique em Design. 4) Em Number of blocks, digite 1. 5) Em Number of terms omitted from the model, digite 1. Clique em OK. 6) Clique em Options. Em Significance level, digite 0,05. 7) Clique em OK em cada caixa de diálogo. Experimentos Fatoriais Completos14 Interpretando os resultados Com 1 réplica, o poder estimado do experimento é de apenas 0,2185, ou cerca de 22%. A chance de que esse experimento possa detectar uma diferença de 5 unidades ou menos (assumindo que essa diferença exista) é menor que 22%. Portanto, você não deveria executar esse experimento. Power and Sample Size 2-Level Factorial Design Alpha = 0,05 Assumed standard deviation = 2 Factors: 3 Base Design: 3; 8 Blocks: none Number os terms omitted from the model: 1 Center Total Points Effect Reps Runs Power 0 5 1 8 0,218529 Experimentos Fatoriais Completos 15 Considerações finais Resumo e conclusões São necessárias duas réplicas para obter 80% de poder. Utilizar apenas 1 réplica não fornece o poder desejado, mesmo omitindo um termo do modelo. Considerações adicionais Existem cinco fatores básicos que podem aumentar o poderde um experimento fatorial de dois níveis: Um efeito maior• - Quanto maior a diferença real entre as médias das populações, maior a probabilidade de que as médias amostrais sejam significativamente diferentes entre si. Algumas vezes, você pode aumentar o tamanho de um efeito, aumentan- do a diferença entre os níveis dos fatores; Um nível α (nível de significância) mais alto• - Um nível de significância mais alto aumenta a probabilidade de rejeitar a hipótese nula e, portanto, aumenta o poder do teste. (Contudo, isso também aumenta a chance de erro tipo I); Menos variabilidade (σ)• - Quando σ é menor, você consegue detectar diferenças menores. Isso às vezes pode ser alcançado com o uso apropriado de blocos; Mais réplicas• - Quanto mais valores coletados para cada ponto de canto, maior será a precisão com que as médias amostrais irão estimar as médias populacionais. Assim, o teste pode ser mais sensível a pequenas diferenças. Adicionar réplicas também aumenta os graus de liberdade utilizados na estimação de σ e, portanto, aumenta o poder; Mais pontos centrais• - A adição de pontos centrais aumenta os graus de liberdade utilizados na estimação de σ e, portanto, aumenta o poder. Experimentos Fatoriais Completos16 Considerações finais Fatores de difícil mudança Muitos experimentos envolvem fatores nos quais a transição de um nível para outro é difícil de ser realizada. Isso geralmente acontece devido a restrições de tempo e custo, ou porque os níveis dos fatores tomam muito tempo para serem estabilizados. Por exemplo, a temperatura e a pressão são fatores comumente difíceis de serem mudados. Quando um experimento contém fatores com níveis de difícil mudança, selecione aleatoriamente uma combinação dos níveis destes fatores e, em seguida, dentro dessa configuração, execute algumas das combinações, ou todas elas, dos fatores de fácil mudança, em ordem aleatória. Então, selecione aleatoriamente uma nova configuração dos fatores de difícil mudança e repita o processo. Fatores de difícil mudança versus variáveis de bloco Os fatores de difícil mudança são freqüentemente confundidos com variáveis de bloco. Contudo, existem algumas diferenças importan- tes: Em um experimento blocado, os blocos geralmente não são de interesse. Eles são incluídos para se obter uma estimativa mais • precisa do termo de erro através da remoção da variação devida aos blocos. Por outro lado, os efeitos dos fatores de difícil mu- dança são de interesse. Em um experimento blocado, presume-se que não há interação entre blocos e tratamentos. Em experimentos com fatores de • difícil e fácil mudança, você deve investigar as interações entre esses dois tipos de fatores. Experimentos com fatores de difícil e fácil mudançaexistem dois tamanhos diferentes de unidades experimentais. Os fatores de • difícil mudança são aplicados a uma unidade experimental “grande”. Em seguida, dentro dessa unidade, as unidades de observa- ção são “pequenas” unidades experimentais usadas para estudar os fatores de fácil mudança. Com um experimento em blocos, as unidades experimentais são todas do mesmo tamanho. Experimentos Fatoriais Completos 17 Replicando Experimentos Exemplo 2: Minimizando o Resíduo em um Processo de Limpeza Industrial Problema Um fabricante de verrumas de aço limpa seus produtos nos estágios finais de produção imediatamente antes de embalá-los. Os enge- nheiros identificaram a temperatura, o tempo e a concentração da solução de limpeza como as variáveis chave de entrada que afetam a limpeza. Eles querem identificar as configurações do processo que produzem as peças mais limpas. Após limpar cada peça, os pesquisadores mergulham as peças em um solvente. O solvente é então evaporado e o resíduo restante é medido. Os engenheiros querem identificar o tratamento (combinação dos fatores) que produza a menor quantidade de resíduo. No exemplo anterior, você determinou que precisa replicar o experimento duas vezes para alcançar o poder necessário para detectar os efeitos desejados. Coleta de dados Apenas 8 ensaios podem ser realizados por lote de solução de limpeza. Como o experimento requer mais que 8 ensaios, você precisa adicionar uma variável de bloco que considere a variação devido aos diferentes lotes de solução de limpeza usados no experimento. Ferramentas Create Factorial Design• Analyze Factorial Design• Effects plots• Factorial plots• Residual plots• Arquivo de dados RESíDUO.MPJ Variável Descrição Temperatura Tempo Concentração Resíduo Temperatura da solução de limpeza (120º, 180º F) Tempo que cada peça permanece na solução de limpeza (10, 30 segundos) Concentração da solução de limpeza (2% ,6%) Quantidade de resíduo restante após a limpeza da peça O Minitab armazena as variáveis do planejamento nas seguintes colunas: StdOrder, RunOrder, CenterPt e Blocks. Experimentos Fatoriais Completos18 Replicando experimentos O que é replicar um experimento Réplicas são ensaios repetidos nas mesmas condições experimentais. Para replicar um experimento, duplique o conjunto completo de ensaios a partir do experimento inicial. Suponha que você crie um experimento fatorial completo com 4 fatores e 16 ensaios, e especifique 2 réplicas. Cada um dos 16 ensaios será repetido, para um total de 32 ensaios no experimento. O seguinte exemplo mostra experimentos fatoriais completos de 2 fatores com 1, 2 e 3 réplicas: Experimento Inicial (uma répilca) AB - - + - - + ++ Uma réplica adicionada (total de duas répilcas) AB - - + - - + ++ - - + - - + ++ Duas réplicas adicionadas (total de três répilcas) AB - - + - - + ++ - - + - - + ++ - - + - - + ++ Quando replicar um experimento Replique um experimento para: Obter uma estimativa do erro experimental; • Obter estimativas mais precisas dos efeitos; • Analisar a variação em cada combinação de tratamentos. • Por que replicar um experimento Replicando o experimento, você pode responder perguntas tais como: Qual a variabilidade da resposta em cada combinação de tratamentos? • A variabilidade é a mesma ao longo de todos os níveis dos fatores? • Por exemplo: Qual a variabilidade na vida útil de uma ferramenta em cada combinação de velocidade e ângulo de corte? • A variabilidade no volume de xarope de refrigerante perdido devido à formação de espuma é a mesma para cada configuração • de bocal? Experimentos Fatoriais Completos 19 Criando um experimento fatorial Você precisa selecionar o tipo de experimento (2-level factorial (default generators)) e o número de fatores (3), antes de escolher o experimento. Clique em Designs (Experimento) para visualizar experimentos apropriados para um fatorial de dois níveis contendo três fatores. Create Factorial Design 1) Selecione Stat > DOE > Factorial > Create Factorial Design. 2) Preencha a caixa de diálogo como mostra a figura abaixo: 3) Clique em Designs. Experimentos Fatoriais Completos20 Criando um experimento fatorial Experimentos A escolha do experimento depende do número de fatores e do tipo de experimento selecionados na caixa de diálogo anterior. Réplicas e blocos O número de blocos disponíveis na lista depende do número de fatores e do tipo de experimento. O número máximo de réplicas para qualquer experimento fatorial gerado através das caixas de diálogo é 10. Quando você retornar à caixa de diálogo principal, observe que os botões para Factors (fatores), Options (Opções) e Results (Resulta- dos) tornam-se ativos. Create Factorial Design 4) Preencha a caixa de diálogo como mostra a figura abaixo: 5) Clique em OK. Experimentos Fatoriais Completos 21 Criando um experimento fatorial Fatores Nomeie os fatores e especifique as configurações experimentais na subcaixa de diálogo Factors (Fatores). Você também deve especifi- car se um fator é numérico ou texto. Como regra geral, especifique fatores contínuos como numéricos e fatores categóricos como texto:F• atores contínuos, como tempo e temperatura, podem assumir uma amplitude de valores diferentes. Fatores categóricos, como cor e fornecedor, não podem. • Se o experimento inclui pontos centrais, os fatores categóricos devem ser especificados como texto. Create Factorial Design 6) Clique em Factors. 7) Preencha a caixa de diálogo como mostra a figura abaixo: 8) Clique em OK em cada caixa de diálogo. 9) Clique em na barra de ferramentas do Project Manager para visualizar informações sobre o experimento. Experimentos Fatoriais Completos22 Interpretando os resultados Visualize as informações sobre o experimento gerado no Project Manager ou na janela Session. Verifique se você criou o experimento conforme pretendia. Experimento fatorial completo O experimento base é um experimento fatorial completo com 3 fatores e 8 ensaios. Contudo, o número total de ensaios é 16, pois exis- tem duas réplicas de cada combinação de níveis dos fatores. Experimentos Fatoriais Completos 23 Interpretando os resultados Experimento fatorial completo Na janela Session, o Minitab exibe a mesma informação sobre o experimento que é mostrada no Project Manager. O experimento base é um experimento fatorial completo com três fatores e oito ensaios. Geradores de blocos Como o experimento é replicado, a primeira réplica de cada tratamento é colocada em um bloco, e a segunda réplica em outro bloco. Estrutura de aliases Este é um experimento fatorial completo, portanto, todos os termos estão livres de aliases. A estrutura de aliases será discutida no capí- tulo de experimentos fatoriais fracionados. Full Factorial Design Factors: 3 Base Design: 3; 8 Runs: 16 Replicates: 2 Blocks: 2 Center pts (total): 0 Block Generators: replicates All terms are free from aliasing. Experimentos Fatoriais Completos24 Abrindo um projeto com os dados da resposta Tipicamente, você digitaria os dados da resposta diretamente na worksheet do Minitab. Para facilitar o processo, o arquivo RESÍDUO. MPJ já contém o valor da resposta em cada ensaio. Os dados em RESIDUO.MPJ encontram-se na ordem padrão. É necessário certificar-se de que o experimento está exibido na ordem padrão, antes de juntar os dados da resposta com o experimen- to. Open Project 1) Selecione File > Open Project. 2) Selecione o arquivo RESÍDUO. MPJ. 3) Clique em Abrir. Experimentos Fatoriais Completos 25 Interpretando os resultados Elementos do experimento O Minitab armazena automaticamente o experimento na Worksheet. Tenha cuidado ao mudar os elementos do experimento na planilha. Caso sejam feitas mudanças que corrompam o experimento, você precisará redefini-lo usando Define Custom Factorial Design. StdOrder - A coluna de ordem padrão mostra a ordem de Yate. Na ordem padrão, o primeiro fator é ordenado baixo-alto-baixo-alto; o segundo fator, dois baixos e dois altos; e o terceiro fator, quatro baixos e quatro altos. RunOrder - Na ordem de exeucção dos ensaios, O Minitab atribui uma ordem aleatória para os ensaios experimentais para facilitar a aleatorização quando o experimento for executado. Esta é a ordem na qual você deve conduzir os ensaios experimentais. A ordem ale- atória de execução dos ensaios os resultados do experimento dos efeitos do tempo. CenterPT - Esta coluna indica o tipo do ponto experimental. Pontos centrais são codificados como 0; pontos de canto são codificados como 1. Neste experimento, todos os pontos são pontos de canto. Blocks - O bloco indica se aquela combinação em particular será efetuado no primeiro ou no segundo lote de solução de limpeza. Cada bloco é aleatorizado independentemente. Próximo passo Utilize o comando Analyze Factorial Design (Analisar Experimento Fatorial) para ajustar o modelo inicial. Experimentos Fatoriais Completos26 Analisando o modelo e os gráficos dos efeitos Termos selecionados Ao iniciar a análise de um experimento fatorial completo, o primeiro modelo deve conter todos os termos, incluindo os efeitos principais e as interações. A seleção de todos os termos é feita automaticamente na subcaixa de diálogo Terms. Analyze Factorial Design 1) Selecione Stat > DOE > Factorial > Analyse Factorial Design. 2) Em Responses, entre com Resíduo. 3) Clique em Terms. 4) Preencha a caixa de diálogo como mostra a figura abaixo. Observe que o modelo completo é o default: 5) Clique em OK. Experimentos Fatoriais Completos 27 Analisando o modelo e os gráficos dos efeitos Gráficos dos efeitos Na análise inicial, use gráficos de Pareto para determinar quais termos são importantes no modelo. Lembre-se de que um termo é impor- tante se as resposta médias nas configurações baixa e alta são estatisticamente diferentes. Gráficos de resíduos Finalize o modelo antes de exibir os gráficos de resíduos. Então use os gráficos para verificar as suposições sobre o termo de erro do modelo. Analyze Factorial Design 6) Clique em Graphs. 7) Preencha a caixa de diálogo como mostra a figura abaixo: 8) Clique em OK em cada caixa de diálogo. Experimentos Fatoriais Completos28 Interpretando os resultados As barras no gráfico de Pareto que se estendem além da linha vermelha de referência indicam um efeito significativo para o nível es- colhido. Neste exemplo, os seguintes efeitos são significativos: Temperatura; Tempo. Nenhum dos termos envolvendo a interação tempo e tem- peratura ou a concentração da solução de limpeza são estatisticamente significativos ao nível a = 0,05. Prática versus interpretação estatística O fato da concentração da solução de limpeza não ser significativa pode não ser intuitivo; é comum esperar que altas concentrações da solução resultem em menor quantidade de resíduos. Quando os resultados não seguem as expectativas intuitivas, considere ambas as explicações, prática e estatística para o resultado. Neste exemplo, os níveis alto e baixo para o fator concentração podem ser muito próximos a ponto de não conseguir um impacto consi- derável no resíduo médio. Efeitos padronizados Os efeitos padronizados são os valores absolutos das estatísticas t mostradas na janela Session. Todos os termos podem ser compara- dos na “mesma escala “ usando-se estatísticas t. Experimentos Fatoriais Completos 29 Interpretando os resultados Tabela ANOVA A tabela ANOVA mostra os testes para os grupos de termos, ao invés dos termos individuais. Esta tabela indica o seguinte: Os blocos não são significativos • (P = 0,186): os dois lotes de solução de limpeza produzem resultados semelhantes; Pelo menos um dos efeitos principais é significativo (P = 0,003);• As interações de segunda ordem (two-way) não são significativas (P = 0,227); • A interação de terceira ordem (three-way) não é significativa (P = 0,091).• Factorial Fit: Residuo versus Block; Temperatura; Tempo; Concentraçao Estimated Effects and Coefficients for Residuo (coded units) Term Effect Coef SE Coef T P Constant 51,000 1,022 49,90 0,000 Block -1,500 1,022 -1,47 0,186 Temperatura -10,000 -5,000 1,022 -4,89 0,002 Tempo -8,250 -4,125 1,022 -4,04 0,005 Concentraçao 2,250 1,125 1,022 1,10 0,307 Temperatura*Tempo 2,250 1,125 1,022 1,10 0,307 Temperatura*Concentraçao 3,750 1,875 1,022 1,83 0,109 Tempo*Concentraçao -2,000 -1,000 1,022 -0,98 0,360 Temperatura*Tempo*Concentraçao -4,000 -2,000 1,022 -1,96 0,091 S = 4,08831 PRESS = 611,265 R-Sq = 88,32% R-Sq(pred) = 39,00% R-Sq(adj) = 74,98% Analysis of Variance for Residuo (coded units) Source DF Seq SS Adj SS Adj MS F P Blocks 1 36,00 36,00 36,00 2,15 0,186 Main Effects 3 692,50 692,50 230,83 13,81 0,003 2-Way Interactions 3 92,50 92,5030,83 1,84 0,227 3-Way Interactions 1 64,00 64,00 64,00 3,83 0,091 Residual Error 7 117,00 117,00 16,71 Total 15 1002,00 Próximo passo Remova todos os termos não significativos e reajuste o modelo. Experimentos Fatoriais Completos30 Ajustando modelos Erro Quadrático Médio (MSE) MSE é uma estimativa da variância experimental e é a base para os testes de significância na análise DOE. Experimentos replicados Em experimentos com réplicas, o MSE inclui o erro puro da replicação, que fornece a melhor estimativa da variabilidade experimental. Consequentemente, você pode examinar gráficos de Pareto, gráficos de probabilidade normal dos efeitos, ou p-valores para determinar quais fatores são significativos. Após determinar os termos significativos, remova do modelo todos os termos não significativos e reajuste o modelo. Experimentos sem réplicas Em um experimento sem réplicas, uma medida da variabilidade experimental pura não está disponível. Quando um modelo completo é ajustado em um experimento sem replicações, o MSE não pode ser calculado e então nenhum teste de significância aparece na tabela ANOVA. Ao invés disso, os testes iniciais de significância são baseados no pseudo erro padrão e são mostrados no gráfico de Pareto e no gráfico de probabilidade normal dos efeitos. Ao invés de reduzir o modelo inteiro com base no pseudo erro padrão, construa um termo MSE usando os seguintes passos: Remova todos os termos de maior ordem que não são significativos (por exemplo, remova todas as interações de terceira ordem • que não são significativas), então reajuste o modelo; Remova todos os termos da próxima maior ordem que não são significativos • (por exemplo, remova todas as interações de se- gunda ordem que não são significativas), então reajuste o modelo; Continue desta maneira até que você tenha removido todos os termos não significativos, terminando com os efeitos principais • não significativos. NOTA: Todos os termos removidos durante a redução do modelo irão estimar o erro experimental (Adj MS Residual Error). Portanto, não remova apenas um termo no passo inicial da redução do modelo, pois o teste de significância seria baseado em apenas um grau de liberda- de. U m experimento fatorial completo sem réplicas sempre possui apenas uma interação de maior ordem. Considere removê-la junto com os termos não significativos da próxima maior ordem. Por exemplo, para um modelo com uma interação de terceira ordem, se a interação de maior ordem não for significativa, remova-a junto com as interações de segunda ordem não significativas. Termos de bloco Quando um termo de bloco não é significativo, deixá-lo no modelo considera o possível efeito que o bloco pode ter. Remover o termo de bloco libera graus de liberdade para o erro. Experimentos Fatoriais Completos 31 Ajustando um modelo reduzido Removendo termos de um modelo Para ajustar o modelo reduzido, retorne ao Analyze Factorial Design e: Mova todos os termos, exceto A e B, de Selected Terms (Termos Selecionados) para Avaliable Terms (Termos Disponíveis);• Desmarque a caixa Include blocks in the model (Incluir blocos no modelo). • Removendo blocos de um modelo Quando um bloco não é significativo, você pode removê-lo do modelo e tratar os resultados dos dois lotes como replicações. Você tam- bém pode deixar o efeito de bloco no modelo final, sem levar em consideração sua significância estatística. Esta é uma forma diferente de ajustar o modelo; ambos os métodos são considerados aceitáveis. Analyze Factorial Design 1) Selecione Stat > DOE > Factorial > Analyze Fatorial Design. 2) Clique em Terms. 3) Preencha a caixa de diálogo como mostra a figura abaixo: 4) Clique em OK em cada caixa de diálogo. Experimentos Fatoriais Completos32 Interpretando os resultados O tempo e a temperatura são significativos ao nível α = 0,05. Como a concentração não está mais no modelo, agora esse é um experi- mento de 2 fatores com replicação. Factorial Fit: Residuo versus Temperatura; Tempo Estimated Effects and Coefficients for Residuo (coded units) Term Effect Coef SE Coef T P Constant 51,000 1,259 40,51 0,000 Temperatura -10,000 -5,000 1,259 -3,97 0,002 Tempo -8,250 -4,125 1,259 -3,28 0,006 S = 5,03641 PRESS = 499,503 R-Sq = 67,09% R-Sq(pred) = 50,15% R-Sq(adj) = 62,03% Analysis of Variance for Residuo (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 2 672,25 672,25 336,12 13,25 0,001 Residual Error 13 329,75 329,75 25,37 Lack of Fit 1 20,25 20,25 20,25 0,79 0,393 Pure Error 12 309,50 309,50 25,79 Total 15 1002,00 Próximo passo Crie gráficos de resíduos para verificar as suposições do modelo. Experimentos Fatoriais Completos 33 Verificando as suposições do modelo Após reduzir o modelo à sua forma final, construa os gráficos de resíduos. Para confirmar que a análise é válida, verifique todas as suposições sobre o termo de erro do modelo. Use gráficos de resíduos para verificar se os erros têm as seguintes características: Normalmente distribuídos• Variância constante para todos os valores ajustados• Aleatórios ao longo do tempo• NOTA: No DOE, você frequentemente começa com um modelo completo e remove os termos que não são significativos. Se você remover poucos termos do modelo completo, os resíduos podem se tornar altamente estruturados, dificultando usá-los para verificar as suposições do modelo. Analyze Factorial Design 1) Selecione Stat > DOE > Factorial > Analyze Factorial Design ou pressione Ctrl+E. 2) Clique em Graphs. 3) Preencha a caixa de diálogo como mostra a figura abaixo: 4) Clique em OK em cada caixa de diálogo. Experimentos Fatoriais Completos34 Interpretando os resultados Normal Probability Plot No gráfico de probabilidade normal, os pontos devem descrever, aproximadamente, uma linha reta. Use este gráfico para verificar se os resíduos não desviam de forma substancial de uma distribuição normal. Este Padrão... Indica... Pontos se desviando de uma linha reta Os resíduos não provêm de uma distribuição Normal Curvatura (os resíduos provêm de uma distribuição assimétrica) Caudas muito pesadas ou leves na distribuição Alguns pontos afastados da linha reta Outliers existem Mudança de inclinação Uma variável pode estar faltando no modelo Para esses dados, o ponto no canto superior direito cai fora da linha e muito afastado dos demais pontos. Esse ponto pode ser um ou- tlier. Próximo passo Investigue este ponto “outlier”. Experimentos Fatoriais Completos 35 Interpretando os resultados Investigue a observação na linha 14. Identifique o ponto suspeito pausando o cursor sobre o ponto no gráfico. As configurações dos fatores para esta observação são: Temperatura = 180 Tempo = 10 Concentração = 6 O resíduo é positivo, indicando que o valor da resposta neste ponto é maior do que o predito pelo modelo. Experimentos Fatoriais Completos36 Interpretando os resultados Resíduos versus fits Use o gráfico de resíduos versus valores ajustados para verificar se os resíduos estão aleatoriamente distribuídos em torno de zero. Este Padrão... Indica... Curvilíneo Um termo quadrático pode ser necessário no modelo Dispersão em funil ou desigual dos resíduos ao lon- go do diferentes valores ajustados Variância não-constante dos resíduos Alguns pontos muito afastados de zero em relação aos outros pontos Outliers existem Para os dados de resíduo, o padrão do gráfico dos resíduos versus valores ajustados parece aleatório, exceto pelo ponto discrepante na linha 14. Identifique o outlier pausando o cursor sobre o ponto no gráfico. Experimentos Fatoriais Completos 37 Interpretando os resultados Resíduos versus order O gráfico de resíduos versus ordem dos dados exibe os resíduos na ordem de coleta dos dados (desde que os dados tenham sido digi-
Compartilhar