Apostila Planeja (Sergio - Tonini.button)

UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA MECNICA
PROGRAMA DE PS-GRADUAO EM
ENGENHARIA MECNICA
IM 317
METODOLOGIA PARA PLANEJAMENTO EXPERIMENTAL

E ANLISE DE RESULTADOS
PROF. DR. SRGIO TONINI BUTTON
CAMPINAS - FEVEREIRO 2016

IM 317
METODOLOGIA PARA PLANEJAMENTO EXPERIMENTAL
E ANLISE DE RESULTADOS
PROFESSOR SRGIO TONINI BUTTON - SALA EE 208

http://www.fem.unicamp.br/~sergio1/pos-graduacao/IM317/im317.html
AULAS 4as feiras - 09 s 12 - 1o semestre de 2.016
PROGRAMA
Princpios para o planejamento experimental;

Conceitos de estatstica: probabilidade, distribuies;
Procedimentos para comparao das mdias de dois tratamentos: testes de hipteses,
intervalos de confiana;
Determinao do tamanho da amostra;
Condicionamento estatstico de dados experimentais;
Planejamentos experimentais: completo aleatorizado por blocos, quadrados latinos e
greco-latinos e planejamentos fatoriais;
Metodologia de Taguchi
AVALIAO
Conceito a partir de avaliaes por duas provas:

Primeira prova: 27/04/2016
Segunda prova: 15/06/2016
Exame: 13/07/2016
BIBLIOGRAFIA BSICA
1. MONTGOMERY, D.C., "Design and Analysis of Experiments", 3 edio, John

Wiley and Sons, 1.991.
2. DALLY, J.W., RILEY, W.F. e McCONNELL, K.G., "Instrumentation for

Engineering Measurements", John Wiley and Sons, 2 edio, 1.993.
3. MONTGOMERY, D.C., RUNGER, G.C., Applied Statistics and Probability for

Engineers, John Wiley and Sons, 1.994.
4. Apostila da disciplina.
2
1 - INTRODUO
A idia de escrever este texto surgiu da constatao de que muitos dos pesquisadores
em Engenharia de Materiais no contam com uma metodologia para o planejamento
experimental que seja ao mesmo tempo til e simples.
A dificuldade de lidar com termos e conceitos de outras reas de estudo que no a
Engenharia de Materiais (como a Estatstica e a Instrumentao) somada ao problema
inicial de definir-se um modelo fsico-matemtico que represente de maneira adequada os
fenmenos que desejamos estudar.
A respeito desse tema, GOULD (1.993)1 escreve sobre a confuso comum entre
termos que apresentam sentidos vulgares e cientficos, bem como sobre a idia de
aleatoriedade:
".... As diferenas existentes entre vrias definies cientficas e vulgares da mesma

palavra fornecem muitos exemplos deste frustrante fenmeno. "Significncia" em estatstica,
por exemplo, tem pouca relao com a acepo comum da palavra.....Mas, o mais srio de
todos os mal-entendidos entre o sentido tcnico e o vulgar o que afeta os conceitos ligados
probabilidade, sobretudo as expresses ao acaso, acidental e aleatrio (ou randmico).
Para a linguagem comum, um acontecimento aleatrio um evento que no tem ordem,
previsibilidade ou padro. A palavra denota desagregao, desmembramento, anarquia
amorfa e medo. No entanto, ironicamente, o sentido cientfico de aleatrio denota um
conjunto de associaes exatamente opostas. Qualquer fenmeno governado pelo acaso
apresenta uma simplicidade, uma ordem e uma previsibilidade mximas - pelo menos no
longo prazo. Se, por exemplo, estivermos interessados em perceber as foras que esto por
trs de um padro de mudana histrica em larga escala, a aleatoriedade ser nossa maior
esperana de chegar a um modelo maximamente simples e malevel. Se jogarmos uma
moeda ou um par de dados a cada segundo, dias a fio, chegaremos a uma distribuio de
resultados rigidamente previsvel. Com base no nmero total de lances, podemos prever as
margens de afastamento de um resultado de meio a meio no caso da moeda, ou a
porcentagem de setes que tiraremos com nossos dados. Quando o nmero de lances bem
grande, a mais simples das frmulas matemticas da teoria das probabilidades nos permite
chegar at estimativas precisas e a margens de erro definidas para as freqncias e as
extenses das sries..... claro que no temos como prever o resultado de nenhuma tentativa
em particular e nem saber em que momento ocorrer uma srie de resultados iguais...."
1 GOULD (1993) - GOULD, S.J., "Dedo Mindinho e Seus Vizinhos - Ensaios de Histria Natural",
Companhia das Letras, So Paulo, 1.993, pp. 412-413.
3
GOULD um paleontlogo que trabalha com eventos cuja base de tempo geolgica
e cuja datao faz-se atravs do mtodo radioativo e assim, pode contar com aleatoriedade do
decaimento radioativo e datar um dado evento com grande preciso, sem a necessidade de
correlacionar diversos fatores, fatos e variveis para definir quando ou como um dado evento
ocorreu.
J para os pesquisadores da Engenharia de Materiais, tal soluo no possvel, pois
no contam nem com um tempo disponvel elevado, nem com a possibilidade material da
realizao de um nmero infinito de ensaios que permitisse tratar os eventos estudados como
sendo de carter simplesmente aleatrio: testar todas as variveis, em todas as faixas de
valores possveis, com um grande nmero de repeties. Assim, deve-se buscar um mtodo
que estabelea as condies adequadas para a realizao dos experimentos e para a avaliao
dos resultados obtidos.
2 - OBJETIVOS DESTA DISCIPLINA
No incio de todo trabalho de pesquisa que envolva a realizao de experimentos,

sempre nos perguntamos como esses experimentos devem ser conduzidos de forma que
possam ser reproduzidos sob condies controladas, obtendo-se resultados confiveis e que
se repitam nessas condies. Preocupa-nos todo o planejamento experimental (equipamentos,
instrumentos, materiais, nmero de ensaios e condies de ensaio), em suma: o que medir e
como medir.
Nesta disciplina analisaremos dois aspectos do planejamento experimental: o
delineamento de experimentos e a instrumentao necessria para sua execuo.
O delineamento de experimentos tem como objetivo a determinao do nmero ideal
de experimentos que leve obteno de resultados com um dado grau de confiabilidade.
Talvez essa seja a resposta mais importante na situao comum de recursos financeiros e
laboratoriais escassos: alm da restrio de verbas, tambm nos deparamos com restries no
uso de equipamentos e facilidades, bem como com limitaes de suas caractersticas
operacionais.
Como pesquisador envolvido h muitos anos com projetos de pesquisa experimentais
tenho observado que inexiste entre muitos pesquisadores uma metodologia adequada para a
soluo dessas questes.
Como modelo comum, existe a soluo de construir-se uma matriz m x n, onde m
representa o nmero de variveis que definem o problema e n, o nmero de condies
(valores) que se deseja atribuir a cada uma dessas variveis. Para cada arranjo de variveis e
valores denominado Am,n, define-se a realizao de trs experimentos (onde trs um valor
4
mgico que normalmente no encontra justificativa estatstica em termos de desvio-padro
admissvel ou de confiabilidade desejada).
Em vrios tpicos deste estudo sero utilizados conceitos de estatstica porm, no
objetivo fundamental desta disciplina abordar com profundidade tais conceitos, apresentando-
os na medida em que se fizerem necessrios.
Outro aspecto importante do planejamento experimental a escolha adequada dos
instrumentos que permitiro monitorar os experimentos e na sua funo mais interessante,
permitir a obteno dos resultados provenientes desses experimentos.
O termo escolha reflete no s a capacidade de especificar-se um dado instrumento a
fim de adquiri-lo, mas em muitos casos, definir suas caractersticas operacionais necessrias,
projet-los, constru-los e aferi-los.
A bibliografia bsica para consulta nesta disciplina so os livros de DALLY (1993) e
de MONTGOMERY (1991) e MONTGOMERY (1994). Outras referncias consultadas para
elaborao deste texto sero relacionadas quando citadas.
5
PLANEJAMENTO DE EXPERIMENTOS E ANLISE ESTATSTICA
DE RESULTADOS
1 - INTRODUO
O planejamento experimental, tambm denominado delineamento experimental,

representa um conjunto de ensaios estabelecido com critrios cientficos e estatsticos, com o
objetivo de determinar a influncia de diversas variveis nos resultados de um dado sistema
ou processo.
Esse objetivo maior pode ser dividido em outros objetivos de acordo com o propsito
dos ensaios:
a. determinar quais variveis so mais influentes nos resultados;

b. atribuir valores s variveis influentes de modo a otimizar os resultados;
c. atribuir valores s variveis influentes de modo a minimizar a variabilidade dos
resultados e,
d. atribuir valores s variveis influentes de modo a minimizar a influncia de
variveis incontrolveis;
A seguir, destacam-se alguns benefcios da utilizao das tcnicas estatsticas de

planejamento experimental:
reduo do nmero de ensaios sem prejuzo da qualidade da informao;

estudo simultneo de diversas variveis, separando seus efeitos;
determinao da confiabilidade dos resultados;
realizao da pesquisa em etapas, num processo iterativo de acrscimo de
novos ensaios;
seleo das variveis que influem num processo com nmero reduzido de
ensaios;
representao do processo estudado atravs de expresses matemticas;
elaborao de concluses a partir de resultados qualitativos.
O objetivo desta disciplina apresentar uma metodologia estatstica para o

planejamento experimental e para a anlise dos resultados. desnecessrio ressaltar que alm
desta metodologia, qualquer planejamento somente ser bem sucedido se o pesquisador
conhecer com profundidade o problema (sistema ou processo) que deseja estudar.
6
Por exemplo, aps uma dada operao de usinagem, como determinar o nmero de
peas que devem ser controladas num lote? Qual a freqncia de controle atravs dos lotes?
Que instrumentos empregar para esse controle? Qual o critrio para aceitao ou rejeio das
peas produzidas?
Essas questes somente podem ser respondidas por quem tenha um grau razovel de
conhecimento sobre a importncia do controle para a continuidade do processo e para a
qualidade das peas, e sobre a influncia do processo, dos equipamentos, do operador e do
prprio controlador sobre os resultados desse tipo de anlise.
Outro exemplo no qual o mesmo tipo de abordagem pode ser adotada: a presena de
"chevrons" em eixos-pilotos forjados a frio. Nesse caso, fica claro a necessidade de se
controlar todas as peas de todos os lotes a fim de impedir que peas com esse defeito sejam
encaminhadas usinagem e tratamento trmico posteriores e finalmente, montagem em
caixas de transmisso.
O planejamento experimental uma ferramenta essencial no desenvolvimento de
novos processos e no aprimoramento de processos em utilizao. Um planejamento adequado
permite, alm do aprimoramento de processos, a reduo da variabilidade de resultados, a
reduo de tempos de anlise e dos custos envolvidos.
No que se refere ao projeto de produtos, o planejamento experimental permite a
avaliao e comparao de configuraes (projetos) distintas, avaliao do uso de materiais
diversos, a escolha de parmetros de projeto adequados a uma ampla faixa de utilizao do
produto e otimizao de seu desempenho.
Os conceitos descritos nos dois pargrafos anteriores podem ser resumidos em trs
termos muito empregados atualmente: qualidade, produtividade e competitividade.
7
2 - PRINCPIOS PARA O PLANEJAMENTO EXPERIMENTAL
2.1 - TCNICAS PARA DEFINIO DA SEQNCIA DE ENSAIOS
Para que os resultados obtidos de ensaios experimentais possam ser analisados atravs
de mtodos estatsticos, possibilitando elaborar-se concluses objetivas, o planejamento
experimental deve ser baseado numa metodologia tambm estatstica, que a nica forma
objetiva de avaliar os erros experimentais que afetam esses resultados.
H trs tcnicas bsicas para a definio dos ensaios num planejamento experimental:
o uso de rplicas, da aleatorizao (ou randomizao) e de blocos.
A rplica consiste na repetio de um ensaio sob condies preestabelecidas. Esta
tcnica permite obter-se uma estimativa de como o erro experimental afeta os resultados dos
ensaios e se esses resultados so estatisticamente diferentes. Ela tambm permite verificar-se
qual a influncia de uma determinada varivel sobre o comportamento de um processo,
quando a comparao feita pela mdia das amostras.
Por exemplo, pretende-se verificar como a presso afeta a velocidade de uma reao
qumica. Realiza-se ensaios em duas condies diferentes: p1 e p2 (com p1> p2 ). Num
primeiro planejamento, realiza-se um ensaio para cada condio, ou seja, sem rplica,
obtendo-se velocidades v1 e v2 respectivamente, iguais a 9,0 e 9,5. Como afirmar que o
aumento da presso acarreta um acrscimo de velocidade de reao? Tal resposta fica mais
objetiva quando realiza-se um grande nmero de ensaios (rplicas) de modo a minimizar o
erro experimental e poder comparar as mdias dos resultados obtidos nas amostras.
A aleatorizao ou randomizao uma tcnica de planejamento experimental
puramente estatstica em que a seqncia dos ensaios aleatria e a escolha dos materiais que
sero utilizados nesses ensaios tambm aleatria.
Uma das exigncias do uso da metodologia estatstica para o planejamento
experimental e para a anlise dos resultados que as variveis estudadas e os erros
experimentais observados apresentem um carter aleatrio, o que conseguido pelo emprego
desta tcnica.
Por exemplo, ao se definir para o caso do exemplo anterior (influncia da presso sobre
a velocidade de reao) trs valores para a presso e quatro rplicas para cada valor de
presso, teremos doze ensaios, como mostrado na tabela 1.
8
Tabela 1
Presso Nmero dos Ensaios
p1 1 2 3 4
p2 5 6 7 8
p3 9 10 11 12
Caso a seqncia estabelecida para os ensaios fosse 1, 2, 3....., 9, 10, 11 e 12, qualquer
problema experimental no detectado (como por exemplo, um efeito de "warm-up" do
instrumento de medida de velocidade) poderia acarretar a invalidao de todo o procedimento
experimental.
Ao se utilizar uma seqncia aleatria (por exemplo: 8, 5, 9, 1, 12, 3, 7, 4, 11, 2, 6 e
10) os erros experimentais devidos a qualquer varivel no-controlvel (como o "warm-up"
do instrumento) seriam distribudos ao longo de todo o procedimento, aleatorizando-o e
permitindo sua anlise estatstica.
A tcnica dos blocos permite realizar-se a experimentao com uma maior preciso,
reduzindo a influncia de variveis incontrolveis. Um bloco uma poro do material
experimental que tem como caracterstica o fato de ser mais homogneo que o conjunto
completo do material analisado. O uso de blocos envolve comparaes entre as condies de
interesse na experimentao dentro de cada bloco. Na anlise com blocos, a aleatorizao
restringida seqncia de ensaios interna dos blocos e no ao conjunto total de ensaios.
O uso de blocos pode ser analisado no seguinte exemplo:
Supe-se que ao realizar-se ensaios de dureza, cada um dos dois penetradores
disponveis para o durmetro estejam fornecendo resultados distintos. Caso fosse feita uma
aleatorizao completa do conjunto de ensaios, como no exemplo anterior, diferenas
significativas de propriedades entre materiais de diversas corridas de produo poderiam
mascarar a influncia dos penetradores. Assim, utiliza-se a tcnica de blocos. Escolhe-se
materiais provenientes de uma mesma corrida e separa-se corpos-de-prova para serem
ensaiados com os dois penetradores. Desta forma, criou-se um bloco: um conjunto de corpos-
de-prova escolhidos de forma a garantir a homogeneidade do material. A aleatorizao dentro
desse bloco d-se quando escolhe-se ao acaso a seqncia como cada corpo-de-prova
ser ensaiado (primeiramente pelo penetrador no. 1 ou vice-versa).
9
2.2 - ETAPAS DO PLANEJAMENTO EXPERIMENTAL E ANLISE DE RESULTADOS
Como j afirmado, alm de dominar a metodologia estatstica necessria para o

planejamento e para a anlise dos dados, o pesquisador deve conhecer exatamente o que
deseja estudar, como obter os dados, bem como ter uma estimativa qualitativa de como esses
dados sero analisados. Tambm desejvel, sempre que possvel, o estabelecimento de um
modelo fsico-matemtico que estabelea funes que relacionem as diversas variveis
influentes no processo com os resultados que se deseja analisar.
A elaborao de um modelo fsico-matemtico, mesmo que aproximado, possibilita um
planejamento experimental mais dirigido, definindo-se valores de estudo adequados para as
variveis, reduzindo desta forma o nmero de ensaios.
MONTGOMERY (1.991) indica um procedimento para o planejamento e para a
anlise dos resultados:
1. reconhecimento e definio do problema, como discutido no pargrafo anterior,

que em grande parte depende da experincia j adquirida no estudo de processos
semelhantes;
2. escolha das variveis (fatores de influncia) e das faixas de valores em que essas
variveis sero avaliadas, definindo-se o nvel especfico (valor) que ser
empregado em cada ensaio. Deve-se verificar como essas variveis sero
controladas nos nveis escolhidos e como eles sero medidos. A avaliao
intensiva de diversas variveis pode ser necessria quando o estudo encontra-se
em seus estgios iniciais e no se detm uma experincia anterior, exigindo a
avaliao das variveis em diversos nveis. Quando deseja-se verificar a
influncia de uma varivel em particular, o nmero de nveis deve ser reduzido,
alm de manter-se as demais variveis influentes em nveis to constantes quanto
possvel.
3. escolha adequada da varivel de resposta, de modo que se garanta a objetividade

na anlise dos resultados obtidos. O critrio principal para essa escolha de que
o erro experimental de medida da varivel de resposta seja mnimo, permitindo a
anlise estatstica dos dados, com um nmero mnimo de rplicas;
4. delineamento dos experimentos: tamanho da amostra (nmero de rplicas),

seqncia de execuo dos ensaios, necessidade de aleatorizao ou do uso de
blocos. Como afirmado anteriormente, a experimentao um processo iterativo.
10
Principalmente em processos complexos, com diversas variveis influentes, no
se deve partir de um conjunto extenso de experimentos, que envolva um grande
nmero de variveis, estudadas em diversos nveis. mais produtivo estabelecer-
se um conjunto inicial com nmero reduzido de ensaios (poucas variveis, poucos
nveis de avaliao), ir aprendendo sobre o processo e aos poucos, acrescentar
novas variveis e nveis e eliminar variveis que no se apresentem influentes.
Com essa iniciativa, reduz-se o nmero total de ensaios e o que mais importante
reserva-se os recursos para aqueles ensaios realmente importantes, que
normalmente no fornecem resultados objetivos nas tentativas iniciais;
5. execuo dos experimentos, monitorando-os e controlando-os. Essa etapa

extremamente importante pois garante a validade experimental e exige do
pesquisador um conhecimento profundo dos instrumentos, equipamentos e
mtodos de controle e monitoramento;
6. anlise dos resultados, com o uso de mtodos estatsticos, a fim de que as

concluses estabelecidas sejam objetivas. Destaque-se que esses mtodos no
permitem afirmar se uma dada varivel apresenta ou no um determinado efeito:
eles apenas garantem a confiabilidade e a validade dos resultados, de modo que
se possa determinar o erro associado nas concluses, de acordo com um dado
grau de confiana previamente estabelecido;
7. elaborao das concluses e recomendaes a partir da anlise dos resultados.

As concluses e recomendaes permitiro que decises sejam tomadas a
respeito do processo em estudo. Uma documentao extensa, com o uso de
grficos e tabelas permite que se apresente os resultados obtidos, a anlise
efetuada, bem como futuras repeties do procedimento empregado.
MONTGOMERY (1.991) faz algumas recomendaes sobre o uso de mtodos

estatsticos para o planejamento experimental:
o conhecimento tcnico especfico, no estatstico sobre o problema deve ser

usado;
o delineamento experimental deve ser o mais simples possvel;
reconhecer a diferena entre o que significativo estatisticamente e o que
significativo na prtica, seja industrial ou de pesquisa e,
reconhecer que a experimentao um processo iterativo.
11
3 - CONCEITOS DE ESTATSTICA
Ao realizar-se uma srie de ensaios sob condies preestabelecidas, normalmente

observa-se uma variao de resultados de ensaio para ensaio. Essa variao denomina-se erro
experimental e tambm um erro estatstico proveniente de condies de ensaio
incontrolveis. A existncia deste erro caracteriza a varivel de resposta como sendo uma
varivel aleatria, que pode ser discreta se apresentar um nmero finito de valores possveis,
ou contnua, se apresentar-se dentro de um intervalo de valores.
A probabilidade de uma varivel aleatria y dada pela sua distribuio de
probabilidade. Caso a varivel seja discreta, essa distribuio uma funo probabilidade
p(y), caso seja contnua, passa a ser denominada funo densidade de probabilidade f(y).
Na figura 1, representa-se p(y), para uma distribuio discreta, onde a funo
representa a probabilidade P da distribuio. Na figura 2, mostrada f(y), sendo P
representada pela rea sob a curva num dado intervalo. Juntamente com cada figura,
apresenta-se as propriedades de cada uma das probabilidades em cada caso.
0 p( y j ) 1 para todos yj
P( y yj) p( y j ) para todos yj
p( y j ) 1
p(y )
j
todos y j
y1 y2 y11 y14
yj
Figura 1 - Distribuio discreta.
12
f(y)
P(a<=y<=b)
a b
y
0 f ( y)
b
P(a y b) f ( y )dy
a
f ( y )dy 1
Figura 2 - Distribuio contnua
A mdia ( ) de uma distribuio indica a locao ou tendncia central dessa

distribuio, sendo definida como:
y p( y ) se y discreta, ou
todos y
y f ( y )dy se y contnua
Pode-se definir como o valor mdio esperado para um nmero elevado de ensaios,
ou seja E(y), tambm denominado operador do valor esperado.
A varincia 2 representa a disperso de uma distribuio e definida como:
2 ( y ) 2 f ( y )dy se y contnua, ou
2 ( y ) 2 p( y ) se y discreta
todos y
A varincia pode ser expressa usando o operador de expectativa E(y), pois:
13
2 E [( y ) 2 ]
Tambm pode-se definir um operador de varincia V(y) igual a
V ( y) E [( y ) 2 ] 2
A partir dos parmetros , 2 e c (constante), tem-se as seguintes propriedades:
1. E(c) = c 2. E(y) = 3. E(c.y) = c.E(y) = c.
4. V(c) = 0 5. V(y) = 2 6. V(c.y) = c2.V(y) = c2.2
7. E(y1 + y2) = E(y1) + E(y2) = 1 + 2
8. V(y1 + y2) = V(y1) + V(y2) + 2.Cov(y1,y2)
9. V(y1 - y2) = V(y1) + V(y2) - 2.Cov(y1,y2)
10. V(y1 y2) = V(y1) + V(y2) = 12 + 22
y1 E ( y1 )
11. E(y1.y2) = E(y1).E(y2) = 1 . 2 12. E
y2 E ( y2 )
Onde, y1 e y2 so variveis aleatrias, com mdias iguais a 1 e 2 e varincias

iguais a 12 e 22.
No caso das propriedades 10 e 11, assume-se que essas variveis sejam
independentes.
O parmetro covarincia ( Cov(y1,y2) ) representa a associao linear que existe
entre as variveis y1 e y2. A covarincia dada por:
Cov(y1 , y2) = E[(y1 - 1).( y2 - 2)]
Sendo que no caso de duas variveis independentes, tem-se que Cov(y1,y2) = 0.
No caso do planejamento experimental, os resultados obtidos referem-se a uma

amostragem, que se espera possam reproduzir o comportamento da populao que
representam.
14
Como j discutido, os mtodos estatsticos s podem ser utilizados se as amostras
forem escolhidas aleatoriamente, ou seja, com a mesma probabilidade de serem retiradas da
populao que outras amostras.
Qualquer funo relativa aos resultados de uma amostra e que no contenha
parmetros desconhecidos denominada funo estatstica, como por exemplo as funes
mdia ( y ) e varincia (S2) da amostra. Elas so estimadores pontuais, ou estimativas,
respectivamente da mdia () e da varincia (2) da populao.
n n
yi ( yi y )2
y i 1
S2 i 1
n n 1
onde y1, y2, ..., yn representam a amostra e n o nmero de elementos da amostra. O
desvio-padro da amostra (S) comumente empregado como medida de disperso por
apresentar unidade igual das medidas (yi).
Exemplo: Um estimador pontual no deve, necessariamente, ser distorcido ou parcial. Deve

apresentar uma varincia mnima, ou seja, menor que a varincia de qualquer outro
estimador do parmetro analisado. Prove utilizando as propriedades da expectativa E
(pg. 10) que y e S so estimadores no-distorcidos de e 2, ou seja, que E( y ) = e que
2
E(S2) = 2.
A expresso que determina a varincia de uma amostra, tem como numerador:
n
SS ( yi y )2
i 1
que a soma corrigida dos quadrados das observaes (yi), ou seja, a soma dos
quadrados das diferenas y1 - y , y2- y , y3 - y ,...., yn - y . Como a somatria dessas
diferenas igual a zero, somente n-1 elementos so independentes. Assim, SS tem n-1
graus de liberdade, ou = n-1, de modo que
SS
E 2

15
4 - DISTRIBUIES CARACTERSTICAS DE AMOSTRAGENS
Uma das distribuies de amostragem mais empregadas em tcnicas estatsticas para

modelar experimentos aleatrios com nmero de rplicas elevado a distribuio normal f(y)
ou distribuio de Gauss, definida para uma varivel aleatria y, como sendo:
1
f ( y) e (1/ 2 )[( y )/ ]2
- y
2
com mdia - e varincia 2>0. A expresso y N(,2) representa uma

varivel aleatria, com mdia e varincia 2.
Uma distribuio normal padro a que apresenta = 0 e 2 = 1.
Seja y uma varivel com distribuio normal, assim:
y
z

onde z N(0 , 1) e a operao dada pela equao anterior definida como padronizao de
uma varivel aleatria y.
No caso de uma amostra de tamanho n retirada de uma populao, seja finita ou
infinita, que apresenta mdia e varincia 2, se o valor mdio da amostra dado por y ,
tem-se pelo teorema do limite central que:

y
z
/ n
de modo que se n , tem-se a distribuio normal padro.

Os valores de z podem ser obtidos na tabela 1 do anexo.
Uma distribuio de amostragem bastante empregada a chi-quadrado, ou distribuio
:
2
Se z1, z2, z3,...., zk so variveis aleatrias, normalmente e independentemente distribudas,
com = 0 e 2 = 1 [NID(0,1)], ento:
k 2 z12 z2 2 .... zk 2
onde k2 uma varivel aleatria que segue a distribuio chi-quadrado com k graus
de liberdade. A funo densidade de chi-quadrado :
16
1
f ( 2 ) 2 e 2 0
( k /2) 1 2 /2
k
2 k /2
A distribuio chi-quadrado assimtrica e distorcida, com = k e 2 = 2k.

Seja uma distribuio normal, onde y1, y2, .. yn, representam uma amostra retirada de
uma distribuio N(,2). Tem-se que:
n
( yi y )2
SS i 1
2n
2 2
1
Assim, SS/2 est distribuda como chi-quadrado e tem n - 1 graus de liberdade, ou

seja, uma somatria de quadrados de variveis aleatrias dividida pela varincia, segue a
distribuio 2.
Outra distribuio bastante empregada a distribuio t. Se z e 2k so variveis
aleatrias independentes respectivamente, normal e chi-quadrado, ento a varivel aleatria
tk dada por
z
tk
2k / k
e segue a distribuio t, com k graus de liberdade. A funo de densidade de t dada

por
( k 1) 2 1
f (t ) t
k ( k / 2 ) ( t / k ) 1 2 ( k 1) / 2
com = 0 e 2 = k/(k-2). Para k = , a distribuio t torna-se a distribuio normal

padro.
Se y1, y2, .. yn, representam uma amostra aleatria retirada de uma distribuio N(,
2), tem-se que
y
t
S n
representada por uma distribuio t com n - 1 graus de liberdade.
Os valores de t podem ser obtidos na tabela 2 do anexo.
17
Sejam duas variveis aleatrias independentes u2 e 2v , com u e v graus de
liberdade, respectivamente. A razo
u2 u
Fu,v
2v v
segue a distribuio F, com u graus de liberdade para o numerador e v para o

denominador.
A distribuio de probabilidade de F dada por:
u v u
u /2
F ( u 2) 1
2 v
h( F ) 0 F
u v u
u v /2
F 1
2 2 v
Por exemplo, suponha-se duas populaes com distribuio normal e varincias

idnticas. Se retirarmos uma amostra de cada populao, respectivamente y11, y12, .. y1n e
y21, y22, .. y2n , com n1-1 e n2-1 graus de liberdade, ento:
2
S12
Fn1
S 22 1, n2 1
onde S12 e S22 so as varincias das amostras. Ou seja, a razo das varincias das
amostras segue uma distribuio F.
Caso 12 22, tem-se que
S12
2
S12 S22
F 1
pois n1 1 2
e n2 1 2
S 22 2
1
n1 1 2
2
n2 1
2
2
Os valores de F podem ser obtidos na tabela 3 do anexo.
18
5 - DETERMINAO DO TAMANHO DA AMOSTRA
Ao se obter os valores de y e S2 para uma dada amostra, no se conhece qual a

confiana com que esses valores podem estimar respectivamente, a mdia e a varincia da
populao de onde a amostra foi retirada. Tal desconhecimento deve-se ao erro causado pela
amostragem. Esse erro pode ser determinado quando se ensaia diversas amostras de uma dada
populao obtendo-se y 1, y 2, y 3..... y n. A variao dos valores de y pode ser caracterizada
como uma distribuio normal.
As mdias de y e de y so iguais, porm, a varincia de y ( Sy2 ) menor que S2,
desde que
S2
S y2
n
No caso de amostras pequenas (menores que 20) DALLY (1.993) indica o uso da
distribuio t de Student. Como a distribuio t depende do tamanho da amostra (n), o valor
de t pode ser usado para estimar n de tal forma que se obtenha uma estimativa da mdia da
amostra para uma dada confiana. Se o comprimento do intervalo de confiana for definido
como 2 e usar-se a expresso para Sy2 ,, tem-se:
S
2
n t

Pode-se considerar que 2 represente a faixa tolerada para encontrar-se os resultados
de uma dada populao.
Exemplo: Seja uma amostra de 20 eixos usinados que aps terem seus dimetros
medidos apresentaram uma mdia y = 7,840 mm e um desvio-padro S = 0,604 mm. Se a
preciso desta estimativa de deve ser de 2%, com uma confiana de 95%, o valor de
pode ser obtido:
= (0,02).(7,840) = 0,157 mm
Sendo n = 20, tem-se pela tabela da distribuio t, para = 19 e /2 = 2,5%,

t = 2,09.
Substituindo na expresso para obter-se n:
n = [(2,09).(0,604)/(0,157)]2 = 64,6
Com o novo valor de n igual a 65, ou seja = 64.
19
O procedimento deve ser iterativo: primeiramente obtm-se n, realizam-se novos
ensaios, recalcula-se y e S e obtm-se um novo valor n, repetindo-se esse procedimento at
que a convergncia de n.
6 - CONDICIONAMENTO ESTATSTICO DE DADOS EXPERIMENTAIS
Como mostrado, o erro de medida pode ser caracterizado por uma distribuio normal
com varincia Sy2 e esse erro pode ser minimizado pelo aumento do tamanho da amostra.
J o erro experimental sistemtico proveniente de falhas na leitura ou do desempenho
do instrumento, no uma varivel aleatria e desta forma, no pode ser avaliado por
tcnicas estatsticas.
Quando numa amostra, avalia-se que os resultados de uma ou mais rplicas so
questionveis, pode-se utilizar o procedimento de Chauvenet para rejeitar ou manter esses
resultados na anlise da amostra.
Tal procedimento especifica que um dado deve ser rejeitado caso a possibilidade de
obter-se o desvio-padro relativo a esse dado seja menor que 1/2n. Por exemplo, se n = 10,
tem-se que:
1/2n = 1/20 = 0,05, ou seja, a = 0,05 e a/2 = 0,025, ou 1 a/2 = 0,975, obtendo-se na
tabela 1 do anexo um valor de z = 1,96, como tabelado a seguir.
O critrio consiste no clculo da razo de desvio-padro DR para cada componente yi
da amostra, onde
yi y
DR
S
posteriormente, compara-se com uma razo padro DR0, obtida da tabela abaixo em funo
de n:
Nmero de Razo padro Nmero de Razo padro

medidas (n) (DR0) medidas (n) (DR0)
2 1,15 15 2,13
3 1,38 25 2,33
4 1,54 50 2,57
5 1,65 100 2,81
7 1,80 300 3,14
10 1,96 500 3,29
20
O componente yi ser rejeitado se DR > DR0 e mantido caso DR DR0.
Caso um componente yi seja rejeitado, ele ser removido da seqncia e os valores
de y e S2 recalculados. Esse procedimento somente ser aplicado uma vez para remover
resultados questionveis. Se muitos componentes so rejeitados, provvel que a
instrumentao seja inadequada ou que o processo estudado seja extremamente varivel.
21
7 PLANEJAMENTOS EXPERIMENTAIS
7.1 INTRODUO
Um dos objetivos do planejamento experimental a otimizao do nmero de ensaios

a ser realizado. Como visto anteriormente, esse nmero deve ser adequado de modo a
minimizar os erros experimentais (aleatrios) mas tambm deve contribuir para a viabilidade
econmica e prtica da experimentao. A seguir, apresenta-se alguns planejamentos
experimentais (tambm denominados planos) e procedimentos para sua otimizao, de modo
que sejam adequados para a obteno de dados experimentais. Para cada um desses
planejamentos tambm apresenta-se a metodologia para a anlise dos resultados obtidos.
7.2 PLANEJAMENTO TOTALMENTE ALEATORIZADO
Nesse planejamento, os resultados so obtidos a partir de ensaios realizados de forma

aleatrio, sem a definio exata de uma varivel de influncia, ou de seus limites de anlise.
Como exemplo, pode-se citar a anlise do peso mdio (ou da idade mdia) de uma populao
a partir de informaes obtidas numa amostragem aleatria. Nesse tipo de planejamento,
pode-se verificar se a mdia ou a varincia de uma populao igual a um dado valor, ou
comparar as mdias e varincias de duas populaes distintas.
O teste de hipteses e o intervalo de confiana so tcnicas teis para a anlise de
dados provenientes de ensaios experimentais. Assume-se que o procedimento experimental
foi totalmente aleatorizado e desta forma, os resultados formam uma amostra aleatria
extrada de uma distribuio normal.
7.2.1 - Anlise das mdias pelo teste de hipteses
Um teste de hipteses consiste na definio de declaraes (hipteses) sobre os

parmetros de uma distribuio de probabilidade.
Por exemplo, sejam 1 e 2 mdias de duas amostras distintas. As seguintes
declaraes so hipteses possveis:
H 0: 1 = 2 (tambm definida como hiptese nula)

H 1: 1 2 (tambm definida como hiptese alternativa)
22
Este procedimento consiste em analisar uma amostra aleatria, realizar um teste
estatstico apropriado e desta forma, rejeitar ou no a hiptese nula. Essa rejeio baseada
num conjunto de valores denominado regio crtica ou regio de rejeio.
Se a hiptese nula rejeitada quando na realidade ela verdadeira, comete-se um erro
do tipo I. Se por outro lado, a hiptese nula falsa e no rejeitada pelo teste, ento cometeu-
se um erro do tipo II. A probabilidade desses erros ocorrerem dada respectivamente por e
.
O procedimento geralmente adotado no teste de hipteses a definio de um valor
para a probabilidade do erro do tipo I ( ), tambm denominado de nvel de significncia do
teste, definindo-se um valor ligeiramente inferior para a probabilidade .
Como exemplo, tome-se duas amostras retiradas de distribuies, com varincias
assumidas como iguais mas desconhecidas, obtidas num planejamento totalmente
aleatorizado, para as quais deseja-se verificar-se as mdias.
O teste estatstico utilizando uma distribuio t para as observaes das duas amostras
fornece:
y1 y2
t0
1 1
Sp
n1 n2
y1 e y2 - mdias das duas amostras

onde: n1 e n2 - tamanho das duas amostras
S12 e S22 - varincia das duas amostras
e
( n1 1) S12 ( n2 1) S22
S p2
n1 n2 2
a estimativa das varincias das populaes.

Para definir se a hiptese nula (H0) deve ser rejeitada, deve-se comparar t0 com o
valor da distribuio t com n1 n2 2 graus de liberdade. Se | t0 | t 2,n1 n2 2 , ento H0
seria rejeitada, ou seja, as mdias das distribuies relativas s duas amostras so diferentes.
No exemplo apresentado, o teste de hipteses verificava se as mdias eram iguais ou
diferentes. Tambm possvel verificar se 1 < 2 ou se 1 > 2. No primeiro caso, H1:
1 < 2, de forma que H0 ser rejeitada caso t0 t,n1 n2 2 .
No outro caso, H1: 1 > 2, H0 ser rejeitada caso t0 t,n1 n2 2 .
23
7.2.2 - Definio do intervalo de confiana para mdias de populaes
Os intervalos de confiana permitem por exemplo, que alm da concluso a

respeito das mdias (1 < 2 ou 1 > 2) - obtida a partir do teste de hipteses -
determine-se como elas so diferentes (1 - 2).
Esse procedimento permite definir em que intervalo de valores espera-se encontrar um
determinado parmetro. Por exemplo, o parmetro uma incgnita para a qual deseja-se
estimar o intervalo de confiana. Primeiro, determina-se dois valores estatsticos L e U, de
modo que a probabilidade seja definida como:
P( L U) 1
O intervalo L U denominado intervalo de confiana para o parmetro com

porcentagem de 100.(1-) .
Se, por exemplo, estamos interessados em determinar o intervalo de confiana para a
diferena das mdias de duas distribuies (1 e 2), com uma confiana de 100.(1-), pode-
se determinar esse intervalo da seguinte forma:
y1 y2 1 2
Seja distribuda como tn +n -2. Assim,
1 1 1 2
Sp
n1 n2
y1 y2 1 2
P t / 2 ,n1 t / 2 ,n1 1 ou
1 1
n2 2 n2 2
Sp
n1 n2
1 1 1 1
P y1 y2 t / 2 ,n1 Sp 1 2 y1 y2 t / 2 ,n1 Sp 1
n2 2
n1 n2 n2 2
n1 n2
1 1 1 1
y1 y2 t / 2 ,n1 Sp 1 2 y1 y2 t / 2 ,n1 Sp
n2 2
n1 n2 n2 2
n1 n2
como intervalo de confiana para 1 - 2, com uma confiana de 100.( 1-).
Quando as varincias 12 e 22 no so iguais, o teste t de duas amostras torna-se:
24
y1 y2
t0
S 2
1 S22
n1 n2
Para que t0 apresente-se como uma distribuio t, o nmero de graus de liberdade

deve ser calculado como:
S12 S 22
2
n1 n2

S12 n1 S 22 n2
2 2
n1 1 n2 1
No caso em que as varincias 12 e 22 so conhecidas, as hipteses H0 (hiptese nula)

e H1 (alternativa) podem ser testadas usando
y1 y2
Z0
12 22
n1 n2
Se as duas populaes so normais, ou os tamanhos das amostras so grandes o

suficiente, a distribuio de Z0 N(0,1) se a hiptese nula verdadeira. Assim, a regio
crtica ser encontrada usando a distribuio normal ao invs da distribuio t, rejeitando H0
se |Z0 | > Z /2, com Z /2 igual porcentagem do ponto superior /2 da distribuio normal
padro.
Nesse caso, o intervalo de confiana 100(1 - ) para 1 - 2 dado por
12 22 12 22
y1 y2 Z 2 1 2 y1 y2 Z 2
n1 n2 n1 n2
Uma outra possibilidade de teste de hipteses, refere-se comparao entre a mdia de

uma populao () e um valor especificado 0. Assim, as hipteses so:
H 0: = 0
H 1: 0
25
O teste de hiptese pode ser feito pela aplicao da distribuio normal, caso a
populao seja normal com varincia conhecida, ou caso o tamanho da amostras seja
suficientemente grande. Assim,
y 0
Z0
n
Se H0 verdadeira, ento a distribuio de Z0 N(0,1). A rejeio da hiptese nula

ocorre quando |Z0 | > Z/2. Nesse caso, o intervalo de confiana 100(1-) dado por
y Z 2 n y Z 2 n
Se a varincia da populao desconhecida, devemos assumir que a populao

normalmente distribuda. Neste caso, a hiptese nula H0: = 0 ser testada usando-se a
varincia da amostra S2 como estimativa de 2. O valor de teste t0 ser dado por
y 0
t0
S n
A hiptese nula ser rejeitada se | t0 | t 2, n 1 S n . Neste caso, o intervalo de

confiana para uma porcentagem de 100(1-) dado por
y t 2 , n 1 S n y t 2 , n 1 S n
As tabelas 2 e 3 apresentam os testes com mdias para os casos em que as varincias

so conhecidas ou desconhecidas.
Exemplo: Um fabricante de refrigerantes compra garrafas de 300 ml de um fornecedor

e requer que essas garrafas suportem uma presso interna de no mnimo 1,4 MPa. Para tanto,
decide formular um teste de hipteses para avaliar um determinado lote de garrafas. H duas
formulaes possveis para esse teste:
H0: = 1,4 MPa ou H0: = 1,4 MPa

H1: > 1,4 MPa H1: < 1,4 MPa
Considere o primeiro teste de hiptese. Se a hiptese nula rejeitada, as garrafas sero

aprovadas, enquanto que se H0 no rejeitada, conclui-se que as garrafas no atendem a
especificao e no devem ser aceitas. Como rejeitar H0 uma concluso forte, esse teste
fora o fornecedor das garrafas a demonstrar que o valor mdio da presso suportada excede
a especificao.
26
Agora, considere o segundo teste de hipteses. Nesse caso, as garrafas sempre sero
aceitas a menos que H0 seja rejeitada, ou seja, conclui-se que as garrafas atendem
especificao a menos que haja uma forte evidncia em contrria.
Qual dos dois testes o mais adequado? A resposta "depende".
Para o primeiro teste, existe a probabilidade de que H0 no seja rejeitada mesmo que a
mdia verdadeira seja um pouco maior que 1,4 MPa, o que implica que o fabricante deve
provar que seu produto atinge ou excede as especificaes. Esse teste poderia ser adequado se
o "garrafeiro" teve dificuldades de atender especificaes no passado, ou se as consideraes
a respeito da segurana do produto exigem que o valor de 1,4 MPa seja alcanada dentro de
uma tolerncia estreita.
Para o segundo teste, existe a probabilidade de que H0 seja aceita e as garrafas sejam
consideradas aprovadas mesmo se a mdia real seja um pouco menor que 1,4 MPa. Assim, as
garrafas somente seriam rejeitadas se houvesse uma forte evidncia de que a mdia no
excede 1,4 MPa, ou seja quando H0 for rejeitada. Esse teste assume que o desempenho do
"garrafeiro" no passado foi satisfatrio e que pequenos desvios em torno de 1,4 MPa no
apresentaro riscos de segurana.
Ao formular testes de hipteses mono-caudais deve-se considerar que rejeitar H0

sempre uma concluso forte. Consequentemente, deve-se considerar qual a hiptese
alternativa mais forte, mais adequada para os objetivos da anlise. Nos experimentos do dia-
a-dia isso sempre depender de cada ponto de vista e da experincia prvia sobre o problema.
27
Tabela 2 - Testes de mdias com populaes de varincias conhecidas
Hiptese Teste estatstico Critrio de rejeio de H0
H0 : 0 | Z 0 | Z 2
H1 : 0
y 0
H0 : 0 Z0
n
H1 : 0 Z0 Z
H 0 : 0
H1 : 0 Z0 Z
H 0 : 1 2
H1 : 1 2 | Z 0 | Z 2
y1 y2
H 0 : 1 2 Z0
1
2
22
n1 n2
H1 : 1 2 Z0 Z
H 0 : 1 2
H1 : 1 2 Z0 Z
28
Tabela 3 - Testes de mdias de populaes com varincias desconhecidas
Hiptese Teste estatstico Critrio de rejeio de H0

H0 : 0 | t 0 | t 2 ,n 1
H1 : 0
y 0
H0 : 0 t0
S n
H1 : 0 t0 t ,n 1
H0 : 0
H1 : 0 t0 t ,n 1
2
1 2
2 2
y1 y 2
H 0 : 1 2 t0
1 1
Sp
n1 n2
H 1 : 1 2 n1 n2 2 | t 0 | t 2 ,
12 22
y1 y 2
H 0 : 1 2 t0
S12 S 22
n1 n2
H 1 : 1 2 t0 t ,
H 0 : 1 2
S12 S 22
2
n1 n2
H 1 : 1 2 t0 t ,
S12 n1 S 22 n 2
2 2
n1 1 n2 1
29
7.2.3 - Anlise das varincias pelo teste de hipteses
Alm do teste de hipteses para comparao de mdias, pode-se utilizar esta tcnica
tambm para a comparao das varincias, naquelas situaes em que a variabilidade de uma
populao normal deve ser verificada. Comparando a varincia da populao (2) a um
valor especificado (02), tem-se:
H0: 2 = 02
H1: 2 02
O teste estatstico para essas hipteses :
SS (n 1) S 2
02
02 02
A hiptese nula ser rejeitada se 20 2 2,n 1 ou 20 12 ( 2 ),n 1 .

O intervalo de confiana para uma porcentagem 100(1-) igual a
(n 1) S 2 (n 1) S 2
2
2/ 2 ,n 1 12 ( / 2 ),n 1
Uma outra anlise pode ser feita para comparar as varincias de duas populaes com
distribuio normal, com tamanhos de amostras aleatrias n1 e n2:
H0: 12 = 22
H1: 12 22
O teste estatstico para essas hipteses feito empregando o quociente das varincias
das amostras:
S 12
F0
S 22
A hiptese nula ser rejeitada se
F0 F / 2 ,n1 1,n2 1 ou se F0 F1 ( / 2 ),n1 1,n2 1
30
O intervalo de confiana para uma porcentagem 100(1-) dado por:
S12 12 S12
F F
S 22 1 ( / 2 ), n1 1, n2 1
22 S 22 / 2 ,n1 1, n2 1
A tabela 4 apresenta os testes de varincia para distribuies normais.
Tabela 4 - Testes de varincia para distribuies normais
Hiptese Teste estatstico Critrio de rejeio

H 0 : 2
2
0 02 2/ 2 ,n 1 ou
H1 : 2 02 02 12 ( / 2 ),n 1
(n 1) S 2
H 0 : 2 02 02 02 12 ,n
02 1
H1 : 2 02
H 0 : 2 02
H1 : 2 02 02 2,n 1
H 0 : 12 22 F0 F / 2 ,n1 1,n2 1 ou
S12
H1 : 2
2
F0 F0 F1
1 2
S 22 ( / 2 ),n1 1,n2 1
H 0 : 12 22
S 22
H1 : 2
2
F0 F0 F ,n2
1 2
S12 1,n1 1
H 0 : 12 22
S12
H1 : 12 22 F0 F0 F ,n1
S 22 1,n2 1
1
Obs.: F1
F , 2 , 1
, 1 , 2
31
7.3 PLANEJAMENTO ALEATORIZADO POR BLOCOS
Como apresentado no item 2.1, em algumas situaes no h interesse em que o

planejamento experimental seja totalmente aleatorizado, devido heterogeneidade do
material de anlise. Nesses casos, h necessidade de utilizar-se da tcnica de blocos que
representaro uma poro mais homognea do material.
Um exemplo da aplicao dos blocos o anlise de comparao por pares de modo a
minimizar os erros causados pela heterogeneidade do material analisado, caso o planejamento
totalmente aleatorizado fosse empregado. Nessa anlise, sero usados dois nveis da varivel
de influncia estudada, indicados pelo ndice i e n rplicas indicadas por j. O modelo
estatstico que descreve os dados obtidos podem ser representados por:
i 1,2
yij i j ij
j 1,2,..., n
onde, yij uma observao (ou resultado), obtida para o nvel i na rplica j, i a
mdia para o nvel i, j o efeito sobre o resultado devido j-sima rplica e ij, um erro
experimental que apresenta mdia nula e varincia i2 .
Se fizermos a anlise da diferena entre os pares:
dj y1 j y2 j j 1, 2, ...., n
o valor esperado para a diferena
d E dj
E y1 j y2 j
E y1 j E y2 j
1 j 2 j 1 2
O teste da hiptese nula H0: 1=2 pode ser feito pela diferena por pares d, ou seja,
H0: d = 0
H 1: d 0
O teste estatstico feito com
32
d 1 n
t0 onde d dj a mdia das diferenas da amostra e
Sd n n j 1
12 2 12
n 2 n n
1
d d d2 d
j j n j
j 1 j 1 j 1
S o desvio padro das diferenas da amostra
d n 1 n 1
A hiptese nula rejeitada caso verifique-se que |t0| > t/2,n-1.

A tcnica de anlise por pares com o uso de blocos tem como principal benefcio a
reduo da estimativa da variabilidade, devido eliminao da influncia de variveis
incontrolveis.
7.4 PLANEJAMENTO ALEATORIZADO POR NVEIS
Seja um procedimento experimental onde realizou-se ensaios com a diferentes nveis

(ou tratamentos) de uma nica varivel de influncia (fator), com n rplicas para cada nvel,
como mostrado na tabela a seguir
Nvel Observaes Totais Mdias
(Tratamento)
1 y11 y12 ... y1n y1. y 1.

2 y21 y22 ... y2n y2. y 2.
. . . ... . . .
. . . ... . . .
. . . ... . . .
a ya1 ya2 ... yan ya. y a.

y.. y ..
onde yij o j-simo elemento obtido no tratamento (nvel) i. Esses elementos podem
ser definidos pelo modelo estatstico linear:
i 1,2,... a
y ij i ij
j 1,2,... n
33
onde a mdia geral, comum a todos os tratamentos, i um parmetro que define
o efeito de cada tratamento e ij um componente devido a erros aleatrios. O objetivo deste
estudo avaliar os efeitos dos tratamento e estim-los, atravs do teste de hipteses
apropriadas. Para esse teste, assume-se que os erros do modelo utilizado so normalmente e
independentemente distribudos com mdia zero e varincia 2 igual para todos os
tratamentos.
Esse modelo denominado anlise de varincia de um fator nico e para que a anlise
seja objetiva necessrio que o procedimento experimental seja completamente aleatorizado.
A anlise dos efeitos dos tratamentos pode ser feita de duas maneiras. Na primeira, os
tratamentos foram escolhidos de forma especfica e desta forma, o teste de hipteses refere-se
s mdias dos tratamentos e as concluses extradas sero aplicveis somente aos nveis
considerados na anlise, no podendo ser estendidos a outros nveis no analisados. Nesse
caso, tem-se a anlise de um modelo de efeitos fixos.
J quando os tratamentos analisados representam uma amostra aleatria de uma
populao de tratamentos, pode-se estender as concluses da anlise feitas para essa amostra,
para todos os outros tratamentos da populao. Nesse caso, testa-se hipteses e tenta-se
estimar a variabilidade de i assim, tem-se a anlise de um modelo de efeitos aleatrios ou de
um modelo de componentes de varincia.
7.4.1 - Anlise de um modelo de efeitos fixos
Neste caso, os efeitos dos tratamentos i so definidos como desvios a partir da mdia
geral, de modo que
a
i 0
i 1
Da tabela anterior, tem-se que
n
yi . yij yi . yi . n i 1,2,..., a
j 1
a n
y.. yij y.. y.. N
i 1 j 1
onde N = a.n o nmero total de observaes e y.. representa a mdia geral de todas as
observaes.
34
A mdia estimada do i-simo tratamento dada por
E ( yij ) i i , i 1, 2, ..., a . Ou seja, consiste da mdia geral somada ao efeito
do tratamento i .
O teste de hipteses feito para verificar se as mdias dos tratamentos so iguais:
H0 : 1 = 2 = ... = a
H1 : i j (pelo menos para um par i,j)
ou,
H0 : 1 = 2 = ... = a = 0
H1 : i 0 (para pelo menos um i)
caso H0 seja verdadeira, de modo que todos os tratamentos tm mdia igual a .

Para essa verificao, a anlise de varincia a que melhor se aplica. O termo anlise
de varincia deriva da diviso da variabilidade total em seus componentes.
A variabilidade total dos resultados representada pela soma corrigida dos quadrados
SST, que dividida pelo nmero de graus de liberdade N-1 fornece a varincia da amostra.
a n 2
SS T y ij y ..
i 1 j 1
Essa soma pode ser escrita como
a n a n 2
2
yij y .. yi . y .. y ij yi .
i 1 j 1 i 1 j 1
ou
a n a a n
2 2
yij y .. n yi. y.. y ij yi.
2
i 1 j 1 i 1 i 1 j 1
a n
2 yi . y .. y ij yi .
i 1 j 1
O ltimo termo da expresso nulo pois
n
y ij yi. yi. nyi . yi. n yi. n 0
i 1
Assim,
35
a n 2 a a n 2
yij y .. n yi. y .. y ij yi.
2
i 1 j 1 i 1 i 1 j 1
Como se observa na expresso acima, a soma corrigida dos quadrados - que representa
a variabilidade dos dados - representada pela somatria dos quadrados das diferenas entre
as mdias dos tratamentos e a mdia geral de todos elementos, adicionada somatria -
dentro dos tratamentos - dos quadrados das diferenas entre as observaes e as mdias dos
tratamentos.
Assim,
SST = SSTratamentos + SSE
onde SSTratamentos denomina-se soma dos quadrados devidos aos tratamentos (entre
tratamentos) e SSE denominada soma dos quadrados devidos ao erro (dentro dos
tratamentos). SST apresenta N-1 graus de liberdade, SSTratamentos apresenta a-1 e SSE, N-a
graus de liberdade.
SS E
Assim, uma estimativa da varincia dentro de cada um dos tratamentos e
N a
SSTRATAMENTOS
, a estimativa da varincia entre os tratamentos.
a 1
Para a anlise estatstica das hipteses apresentadas no item 7.3.1, tem-se que SST uma
soma de quadrados de variveis aleatrias normalmente distribudas, SST/2, SSE/2 e
SSTRATAMENTOS/2 so distribudas como chi-quadrado respectivamente, com N-1, N-a e
a-1 graus de liberdade, se a hiptese nula H0 : i = 0 for verdadeira. Nesse caso, aplicando-
se o teorema de Cochran (N-1 = N-a + a-1) tem-se que SSE/2 e SSTRATAMENTOS/2 so
variveis aleatrias chi-quadrado independentes.
Se a hiptese nula verdadeira, ou seja, no h diferena entre as mdias dos
tratamentos, a razo
SS TRATAMENTOS a 1
F0
SS E N a
uma distribuio F com a-1 e N-a graus de liberdade.

No caso da hiptese nula ser verdadeira, tanto o numerador quanto o denominador da
expresso so estimadores confiveis de 2. Assim, se o valor esperado para o numerador
maior que o valor esperado para o denominador, deve-se rejeitar H0 para valores do teste de
hipteses que sejam muito grandes, ou seja, a hiptese nula ser rejeitada se
36
F0 F ,a 1, N a
A anlise da varincia pode ser feita construindo tabelas como a seguir:
Fonte de Soma de Graus de Mdias dos F0
variao quadrados liberdade quadrados

Entre SSTRATAMENTO a-1 SSTRAT/(a-1)
tratamentos S
Erro (dentro dos SSE N-a SSE/(N-a) SSTRATAMENTOS a 1
F0
tratamentos) SS E N a
Total SST N-1
O mtodo apresentado anteriormente, considera que todas amostras possuam n

rplicas. Num caso especial, onde o nmero de observaes no pode ser mantido constante
em todos os tratamentos, definindo-se como ni, o tamanho da amostra para cada um dos i
a
tratamentos, tem-se nessa situao, N ni e as expresses das somas ficam:
i 1
a ni
y ..2
SS T yij2
i 1 j 1 N
e
a
yi2. y ..2
SS TRAT
i 1 ni N
Deve-se preferir o uso de tratamentos com amostras de tamanhos iguais pois a hiptese
de que as varincias sejam iguais para todos os tratamentos mais facilmente verificada
quando ni = n e tambm porque a capacidade do teste maximizada nessa situao.
Comparao das mdias individuais dos tratamentos

O mtodo apresentado anteriormente permite verificar-se se as mdias de diversos
tratamentos so diferentes ou no, mas no possibilita verificar-se quais delas divergem. Para
tanto, h necessidade de as somatrias das observaes de cada tratamento ( yi. ) ou de suas
mdias ( yi. ). Essas comparaes so feitas atravs dos denominados mtodos de comparao
mltipla.
Muitos desses mtodos usam o conceito de contraste. Um contraste C uma
combinao linear dos totais yi. que permite a comparao das mdias dos tratamentos.
37
a
C ci y i .
i 1
com a restrio de que
a
ci 0 para tratamentos com n iguais
i 1
a
n i ci 0 para tratamentos com n diferentes
i 1
A soma dos quadrados para qualquer contraste dada por:
a 2
ci y i .
SS C para tratamentos com n iguais
i 1
a
n c i
2
i 1
a 2
ci y i .
SS C para tratamentos com n diferentes
i 1
a
nc i i
2
i 1
Um contraste testado comparando-se SSC com SSE/(N-a) que deve ser distribudo
como F,1,N-a caso a hiptese nula seja verdadeira, ou seja, com:
SS C
F0
SS E ( N a)
H0 ser rejeitada se F0 > F,1,N-a.
O uso de contrastes ortogonais um caso particular deste mtodo, que oferecem testes
independentes para as mdias dos tratamentos. Dois contrastes {ci} e {di} so ortogonais se
38
a
ci d i 0 para tratamentos com n iguais
i 1
ou
a
n i ci d i 0 para tratamentos com n diferentes
i 1
Exemplo: Para o exerccio 12, ser construdo o quadro de anlise de varincia com
modelo de efeitos fixos, verificado se as condies de tratamento trmico afetam a
propriedade mecnica da liga e comparadas as mdias dos diversos tratamentos, usando-se
contrastes que sero verificados quanto ortogonalidade, ou seja, se so independentes
entre si.
Tratamentos TLE [MPa] Totais Mdias

1 312.9 300 286.5 289 1188.4 297.1
2 320 330 297.5 315 1262.5 315.6
3 280 290 298.5 305 1173.5 293.3
4 260 270 260 276.5 1066.5 266.6
4690.6 293.2
N= n.a N =16
SST = 6436.5 SSTRAT/(a-1) = 1632.5

SSTRAT = 4897.4 SSE /(N - a) = 128.3
SSE = 1539.1 F0 = 12.7 F0.05,3,12 = 3.49
Como F0 > F0.05,3,12 tem-se que a hiptese nula rejeitada, ou seja, os tratamentos
afetam a propriedade da liga metlica.

Para comparar as mdias dos diversos tratamentos sero verificadas as seguintes
hipteses nulas:
1) H 0: 1 2 C1 1. y1. 1. y2. 0. y3. 0. y4.

2 ) H 0: 1 3 C2 1. y1. 0. y2. 1. y3. 0. y4.
3) H 0: 2 4 C3 0. y1. 1. y2. 0. y3. 1. y4.
4 ) H 0: 1 3 2 4 C4 1. y1. 1. y2. 1. y3. 1. y4.
5) H 0: 2. 2 1 3 C5 1. y1. 2. y2. 1. y3. 0. y4.
39
a
O primeiro teste a ser feito verificar se a condio ci 0 satisfeita para todos
i 1
os contrastes:
Para C1, tem-se: 1 -1 +0 +0 = 0. Para C2, tem-se: 1 +0 -1+0 = 0. Para C3, tem-se: 0
+1 +0 -1= 0. Para C4, tem-se: 1 -1 +1 -1 = 0. Para C5, tem-se: -1 +2 -1 +0 = 0. Ou seja,
todos os contrastes propostos satisfazem o critrio.

Com os cinco contrastes propostos, quatro pares so ortogonais (C2C3, C2C4, C2C5
e C3C4) ou seja, independentes entre si.
Analisando-se a primeira hiptese H0: 1 2, tem-se que SSC = 693,78 e que
SSE/(N-a) = 128,3. Assim, F0 = 5,41. Como F0,05, 1, 12 igual a 4,75, tem-se F0 > F0,05,
1, 12, assim, pode-se concluir que existe diferena significativa entre as mdias dos
tratamentos 1 e 2.
7.4.2 - Anlise de um modelo de efeitos aleatrios
Numa situao em que se deseja verificar um fator que apresenta um grande nmero de
nveis possveis e seleciona-se aleatoriamente alguns destes nveis para anlise, diz-se que
esse fator aleatrio. Como a escolha foi feita aleatoriamente, as concluses extradas a
partir dos resultados obtidos nos nveis analisados, podem ser estendidas para toda a
populao de nveis. Nesse caso, assume-se que essa populao infinita ou suficientemente
grande para ser considerada infinita.
O modelo estatstico linear pode ser novamente utilizado.
i 1,2,... a
yij i ij
j 1,2,... n
ondei e ij so variveis aleatrias. Se i apresenta varincia 2 e independente

de ij , a varincia de qualquer observao dada por
V y ij 2 2
onde as duas parcelas so denominadas componentes de varincia e o modelo, modelo

de componentes de varincia ou modelo de efeitos aleatrios.
O teste de hipteses neste modelo, assume-se que {ij} seja NID(0,2), que {i} seja
NID(0,2) e que ambas sejam independentes.
A representao da soma de quadrados
40
SST = SSTratamentos + SSE
permanece vlida.
O teste de hipteses feito para a verificao da varincia dos efeitos dos tratamentos
(2):
H0 : 2 0
H1: 2 0
Se 2 0, todos os tratamentos apresentam os mesmos efeitos. Porm, se 2 0

esses tratamentos apresentam variabilidade significativa.
Novamente, SSE/2 e SSTRATAMENTOS/2 so distribudas como chi-quadrado
respectivamente, com N-a e a-1 graus de liberdade, se a hiptese nula H0 for verdadeira e
ambas so variveis aleatrias chi-quadrado independentes. Desta forma, a razo
SS TRATAMENTOS a 1
F0
SS E N a
uma distribuio F com a-1 e N-a graus de liberdade.

Definindo MSTRAT como SS TRATAMENTOS a 1 e MSE como SS E N a pode-
se provar que
E MS TRAT 2 n 2
e
E MS E 2
A hiptese nula ser rejeitada se F0 F ,a 1, N a .
As varincias 2 e 2 podem ser estimadas:
2 MS E e
MS TRAT MS E
2
n
No caso de amostras desiguais, n substitudo por
a
ni2
1 a
n0 ni
i 1
a 1 a
ni
i 1
i 1
41
Se as observaes distribuem-se como NID, a razo (N-a)MSE/2 distribuda como
N a.
2
O intervalo de confiana 100(1-) para o componente de varincia 2 dado por:
N a MSE N a MSE
2
2 2,N a 12 2,N a
J a razo (a-1)MSTRAT/(2+nt2) distribuda como a 1,

2
de modo que o
2
intervalo de confiana para a relao 2 2
dado por:
L 2 U
1 L
2
2
1 U
onde
1 MS TRAT 1
L 1
n MS E F 2 ,a 1, N a
1 MS TRAT 1
U 1
n MS E F1 2 , a 1, N a
7.5 - PLANEJAMENTO POR NVEIS COMPLETO ALEATORIZADO POR BLOCOS
Nesse tipo de planejamento, tem-se por objetivo avaliar a influncia dos tratamentos
para uma dada varivel de influncia, bloqueando-se uma fonte de variabilidade, que deseja-
se eliminar.
Como exemplo, teramos a verificao de penetradores (tratamentos) na medio de
dureza de materiais distintos. Assim, os materiais seriam bloqueados.
O planejamento definido como completo pois cada bloco contm todos os
tratamentos e, aleatorizado dentro dos blocos.
Nesse estudo, tem-se a tratamento e b blocos, com o seguinte modelo estatstico:
i 1,2,... a
y ij i j ij
j 1,2,... b
42
a
onde a mdia da populao, i o efeito do tratamento i, ( i 0 ) j o efeito
i 1
b
do bloco j ( j 0)
j 1
e ij o erro aleatrio, distribudo como NID(0,2).

Devido ao planejamento por nveis e blocos, define-se este planejamento como um
modelo de efeitos fixos, tanto para os tratamentos como para os blocos.
O teste de hipteses dado por:
H0 : 1 = 2 = ... = a
ou,
H0 : 1 = 2 = ... = a = 0
Tambm define-se as seguintes somatrias:
b a a n
yi . yij y. j yij y.. yij
j 1 i 1 i 1 j 1
yi . yi . b i 1,2,..., a
y. j y. j a j 1,2,..., b
y.. y.. N N a. b
As somatrias dos quadrados das diferenas podem ser relacionadas como:
SST = SSTratamentos + SSblocos + SSE
o que fornece o seguinte quadro de anlise:
43
Somatria de quadrados Graus de liberdade
a b 2 a b
y ..2
SS T y ij y .. SS T y ij N-1
2
i 1 j 1 i 1 j 1 N
yi . y ..
a a 2 2
SS TRAT b yi. y.. SS TRAT a-1

2
i 1 i 1 b N
y. j y ..
b b 2 2
SS BLOCOS a y. j y.. SS BLOCOS b-1

2
j 1 j 1 a N
SSE = SST - SSTratamentos - SSblocos (a-1).(b-1)
SS E
Assim, uma estimativa da varincia do conjunto total de dados,
a 1. b 1
SSTRATAMENTOS SS BLOCOS
, a estimativa da varincia dentro de cada um dos tratamentos e ,a
a 1 b 1
estimativa da varincia dentro de cada um dos blocos.
Para a anlise estatstica das hipteses, tem-se que SST uma soma de quadrados de
variveis aleatrias normalmente distribudas, SST/2, SSTRATAMENTOS/2, SSBLOCOS/
2 e SS /2so distribudas como chi-quadrado respectivamente, com N-1 , a-1, b-1 e (a-
E
1).(b-1) graus de liberdade, se a hiptese nula H0 : i = 0 for verdadeira.
Nesse caso, aplicando-se o teorema de Cochran (N-1 = a-1+b-1+(a-1).(b-1)) tem-se
que SSE/2, SSBLOCOS/2 e SSTRATAMENTOS/2 so variveis aleatrias chi-quadrado
independentes.
tratamentos, a razo
SS TRATAMENTOS a 1
F0 para os tratamentos, ou
SS E a 1 b 1
SS BLOCOS b 1
F0 para os blocos
SS E a 1 b 1
so distribuies F com a-1 e (a-1).(b-1) e b-1 e (a-1).(b-1) graus de liberdade,

respectivamente.
44
F0 F ,a 1, a 1 . b 1 para o teste dos tratamentos, ou
F0 F ,b 1, a 1 . b 1 para o teste dos blocos
Caso a hiptese nula seja rejeitada (os tratamentos tm influncia), pode-se verificar a
influncia de cada tratamento atravs de comparaes mltiplas, com o uso de contrastes.
Nesse caso, o procedimento idntico ao usado no modelo de efeitos fixos, apenas
empregando-se:
a 2
ci y i .
SS C
i 1
a
b ci2
i 1
Um contraste ser testado comparando-se SSC com SSE/((a-1).(b-1)) que deve ser
distribudo como F,1,(a-1).(b-1) caso a hiptese nula seja verdadeira, ou seja, com:
SS C
F0
SS E a 1. b 1
H0 ser rejeitada se F0 > F,1,(a-1).(b-1).
7.6 PLANEJAMENTO POR NVEIS INCOMPLETO ALEATORIZADOS POR BLOCOS
Quando no trabalho experimental h escassez de recursos, seja de matria-prima ou

de disponibilidade no uso de equipamentos e instrumentos, pode ocorrer de no ser possvel o
planejamento completo anteriormente apresentado. Nesse caso, pode-se utilizar o
planejamento incompleto aleatorizado por blocos, no qual nem todos os tratamentos esto
presentes em cada bloco.
No planejamento incompleto balanceado, todos os blocos possuem o mesmo nmero
de tratamentos, sendo esse nmero definido como k, cada tratamento ocorre r vezes no
45
planejamento (ou replicado r vezes), e assim, existem N = a.r = b.k observaes. J o
nmero de vezes que cada par de tratamentos aparece no mesmo bloco dado por (que
deve ser inteiro):
r k 1

a 1
onde a - nmero de tratamentos b - nmero de blocos

k - nmero de tratamentos por bloco
r - nmero de vezes de ocorrncia de cada tratamento
Se a = b, o planejamento denominado simtrico.

O modelo estatstico que representa esse planejamento dado por:
i 1,2,... a
y ij i j ij
j 1,2,... b
semelhante ao obtido para anlise de modelos fixos.

A variabilidade total do modelo pode ser representada por:
SST = SSTratamentos(ajustado) + SSblocos + SSE
A somatria dos quadrados das diferenas para anlise dos nveis

(SSTratamentos(ajustado)) deve ser ajustado pois o nmero de observaes difere dentro de
cada bloco.
Assim, tem-se:
y ..2 y. j y..
a b b 2 2
SS T y ij 2
SS BLOCOS
i 1 j 1 N j 1 k N
a
k Qi
2
1 b
SSTRAT( ajust.) i 1
onde Qi yi . nij y. j
.a k j 1
com i = 1, 2, ....., a e onde nij = 1 se o tratamento i aparece no bloco j e nij = 0 caso

contrrio.
J SSE obtido por subtrao do total:
46
SSE = SST - SSTratamentos(ajustado) - SSblocos
SST apresenta N-1 graus de liberdade, SSTRAT (ajust.), a-1, SSBLOCOS, b-1 e SSE
tem N-a-b+1 graus de liberdade.
O teste estatstico apropriado para verificar a influncia dos efeitos dos tratamentos
SS TRAT .( ajust .) a 1
F0
SS E N a b 1
A hiptese nula ser rejeitada caso
F0 F ,a 1,N a b 1
7.7 - PLANEJAMENTO QUADRADO LATINO
Este planejamento til quando tem-se por objetivo eliminar duas fontes de
variabilidade, bloqueando duas direes.
Como exemplo, assuma-se um estudo em que deseja-se determinar a influncia da
formulao sobre a quantidade de energia liberada num processo. Assim, tem-se a energia
como varivel de resposta e a formulao como varivel de influncia. Porm, as
formulaes podem ser preparadas por operadores diversos com diferentes matrias-primas, o
que configura duas fontes de variabilidade que se deseja eliminar.
O quadrado latino consiste de um arranjo quadrado p x p, onde os tratamentos (nveis)
da varivel de influncia so representados por letras latinas maisculas (A, B, C,....), sendo
que cada letra s pode aparecer uma nica vez em cada linha e coluna.
As linhas e colunas do quadrado so ocupadas pelos nveis das fontes de variabilidade
bloqueadas. Se denomina-se padro um quadrado latino que tem a primeira linha e a primeira
coluna com os nveis em ordem alfabtico, tem-se que um arranjo quadrado latino 3 x 3
poder apresentar somente uma combinao, enquanto que um arranjo 4 x 4 apresentar 4
combinaes, um 5 x 5 ter 56 e um 7 x 7 ter 16.942.080.
Alguns exemplos:
4x4 5x5
A B D C A D E B C
B C A D D A C B E
C D B A C B A C D
D A C B E C D A B
47
No caso do exemplo do arranjo 4 x 4, aps sortear os tratamentos para o nvel 1 da
fonte das linhas, ao iniciar o sorteio dos tratamentos para a segunda linha, o tratamento A
seria separado para a primeira coluna, o tratamento B para a segunda, o D para a terceira,
restando conseqentemente, o tratamento C para a quarta coluna. O procedimento repete-se
para as demais linhas, restringindo cada vez mais o nmero de tratamentos possveis de
sortear-se para cada coluna.
Este planejamento tem seus resultados analisados pelo seguinte modelo estatstico:
i 1,2,... p
y ijk i j k ijk j 1,2,... p
k 1,2,... p
onde a mdia da populao, i o efeito do linha i, j o efeito do tratamento j da

varivel de influncia e k o efeito da coluna k e ijk o erro aleatrio, distribudo como
NID(0,2).
O teste de hipteses dado por:
H0 : A = B = ... = p
ou,
H0 : A = B = ... = p = 0
As somatrias dos quadrados das diferenas representada pela expresso e pelo

quadro de anlise apresentados a seguir.
SST = SSTratamentos + SSLinhas + SScolunas + SSE
48
p p p
y 2
SS T y ijk 2 N-1
...
i 1 j 1 k 1 N
y. j . y ...
p 2 2
SS TRAT p-1
j 1 p N
yi .. y ...
p 2 2
SS LINHAS p-1
i 1 p N
y ..k y ...
p 2 2
SS COLUNAS p-1
k 1 p N
SSE = SST - SSTratamentos - SSLINHAS - SSCOLUNAS (p-1).(p-2)
Novamente, para a anlise estatstica das hipteses, tem-se que SST uma soma de
quadrados de variveis aleatrias normalmente distribudas, SST/2, SSTRATAMENTOS/2,
SSLINHAS/2, SSCOLUNAS/2 e SSE/2so distribudas como chi-quadrado
respectivamente, com N-1 , p-1, p-1, p-1 e (p-2).(p-1) graus de liberdade, se a hiptese nula
H0 : i = 0 for verdadeira.
Nesse caso, aplicando-se o teorema de Cochran (N-1 = p-1+p-1+p-1+(p-2).(p-1)),
onde N = p2, tem-se que SSE/2, SSLINHAS/2, SSCOLUNAS/2 e SSTRATAMENTOS/2
so variveis aleatrias chi-quadrado independentes.
tratamentos, a razo
SS TRATAMENTOS p 1
F0 para os tratamentos.
SS E p 1 p 2
uma distribuio F com p-1 e (p-1).(p-2) graus de liberdade.

F0 F , p 1, p 1 . p 2
49
Os testes com as fontes das linhas e das colunas perde objetividade estatstica visto que
durante o planejamento eles foram bloqueados, ou seja, tiveram sua aleatoriedade restrita.
A grande desvantagem do planejamento quadrado latino com quadrados pequenos (3 x
3 ou 4 x 4) o pequeno nmero de graus de liberdade associado. Para evitar esse problema,
usa-se replicar os experimentos. Essa rplica pode ser feita de trs modos distintos:
1. usando combinaes com os mesmos nveis das fontes (linhas e colunas) em
cada rplica;
2. alternando nveis das fontes em cada rplica, fixando o nvel da linha e alterando
o nvel da coluna, ou vice-versa, para cada combinao;
3. usando diferentes nveis de linhas e colunas para cada rplica.
Nesses casos, as somatrias dos quadrados das diferenas so dadas por:
SST = SSTratamentos + SSLinhas + SScolunas + SSRPLICAS + SSE
O quadro de anlise para o caso (a) tem o ndice representando as rplicas, assim cada
resultado identificado por yijkl, ou seja, a observao na linha i, no tratamento j, na coluna k
e na rplica l. Com n rplicas para cada conjunto i, j, k tem-se um nmero total de
observaes N = np2.

p p p n
y2
SS T y ijk 2 N-1
....
i 1 j 1 k 1 l 1 N
p
y. j .. 2 y.... 2
SS TRAT p-1
j 1 np N
p
yi ... 2 y.... 2
SS LINHAS p-1
i 1 np N
p
y..k . 2 y.... 2
SS COLUNAS p-1
i 1 np N
n
y...l 2 y.... 2
SS RPLICAS n-1
i 1 p2 N
SSE = SST - SSTratamentos - SSLINHAS - SSCOLUNAS (p-1)[n(p+1)-3]
50
7.8 - PLANEJAMENTO QUADRADO GRECO-LATINO
Esses planejamentos resultam da sobreposio de dois quadrados latinos p x p. As

letras latinas e gregas referem-se aos tratamentos. Como restrio, cada letra grega aparece
apenas uma vez ao lado de cada letra latina, configurando que os quadrados sobrepostos
denominam-se ortogonais.
Com o uso desse planejamento, torna-se possvel o controle sistemtico de trs
fontes de variabilidade, ou seja, atravs do bloqueio em trs direes pode-se analisar quatro
fatores (linhas, colunas, letras latinas e letras gregas), cada um deles em p nveis, com um
total de p2 observaes. Pode-se obter quadrados greco-latinos a partir de p 3, exceto para p
= 6.
A seguir, apresenta-se um exemplo de quadrado greco-latino 4 x 4:
COLUNAS
LINHAS 1 2 3 4
1 A B C D
2 B A D C
3 C D A B
4 D C B A
O modelo estatstico correspondente a este planejamento dado por:
i 1,2,... p
j 1,2,... p
y ijkl i j k l ijkl k 1,2,... p
l 1,2,.... p
onde a mdia da populao, i o efeito do linha i, j o efeito do tratamento j da

varivel de influncia (letra latina), k o efeito do tratamento k da fonte (letra grega), l
o efeito da coluna l e ijkl o erro aleatrio, distribudo como NID(0,2).
As somatrias dos quadrados das diferenas representada pela expresso e pelo
SST = SSTratamentos (latinas) + SSTratamentos (gregas) + SSLinhas + SScolunas + SSE
51
p p p p
y ....2
SS T y ijkl 2
N-1
i 1 j 1 k 1 l 1 N
p
y. j .. 2 y.... 2
SS TRAT ( latinas ) p-1
j 1 p N

p
y ..k .2 y .... 2
SS TRAT ( gregas ) p-1
k 1 p N

p
yi ... 2 y ....2
SS LINHAS p-1
i 1 p N

p
y ...l 2 y .... 2
SS COLUNAS p-1
l 1 p N
SSE = SST - SSTrat. (latinas) - SSTrat. (gregas) - SSLINHAS - SSCOLUNAS (p-1).(p-3)
A anlise estatstica do planejamento com quadrados greco-latinos similar usada

para os quadrados latinos. Assim, a hiptese nula ser rejeitada para os nveis da varivel de
influncia, caso
F0 F , p 1, p 1 . p 3
onde
SS TRATAMENTOS p 1
F0 para os tratamentos (letras latinas).
SS E p 1 p 3
52
7.9 - PLANEJAMENTO FATORIAL
O planejamento fatorial indicado quando deseja-se estudar os efeitos de duas ou mais

variveis de influncia.
Em cada tentativa ou rplica, todas as combinaes possveis dos nveis de cada
varivel so investigados. Quando o efeito de uma varivel depende do nvel das outras
variveis, diz-se que h interao dessas variveis.
7.9.1 - Planejamento fatorial com dois fatores
Nesse planejamento, so estudados dois fatores A e B, A com a nveis e B com b nveis,

utilizando-se n rplicas com a.b combinaes.
Como exemplo, um estudo em que se deseja analisar o efeito de dois fatores, cada um
deles com dois nveis. Se analisar-se o efeito de um fator separadamente, tem-se um
planejamento aleatorizado como:
Fator B
nveis B1 B2
Fator A A1 A1B1 A1B2
A2 A2B1 -
O efeito de A seria: A2B1 - A1B1 e o efeito de B seria B2A1 -B1A1.

Assim, tem-se trs ensaios. Se deseja-se minimizar os erros, usando duas rplicas, tem-
se um total de 6 ensaios. Porm, no se pode verificar a interao de A e B.
J com o planejamento fatorial (PF), tem-se:
Fator B
nveis B1 B2
Fator A A1 A1B1 A1B2
A2 A2B1 A2B2
Analisando dois casos distintos, pode-se analisar a interao das variveis pelo PF:
53
caso 1
Fator B
nveis B1 B2
Fator A A1 20 30
A2 40 52
caso 2
Fator B
nveis B1 B2
Fator A A1 20 40
A2 50 12
Esses resultados poderiam ser provenientes de um exemplo em que se deseja estudar

como a vida til de baterias influenciada pelo tipo de material empregado na fabricao e
pela temperatura de utilizao. Tem-se dois materiais e duas temperaturas e deseja-se saber se
o material e a temperatura afetam a vida e se eles interagem.
O conceito de projeto robusto aplica-se nessa situao, pois deseja-se que as baterias
apresentem-se robustas em relao temperatura de utilizao, qualquer que seja, desde que
dentro de uma faixa analisada.
No caso 1, tem-se a seguinte representao grfica dos resultados obtidos:
y
ij
B2
B1
B2
B1
A1 A2 A
Observa-se que os dois fatores interferem na vida das baterias, mas que eles no
interagem.
J no caso 2, representado pela figura abaixo, observa-se novamente que os fatores
afetam a vida mas, tambm, que eles interagem, pois o efeito de A depende do nvel de B.
54
y
ij
B1
B2
B1 B2
A1 A2 A
Devido ao pequeno nmero de ensaios utilizado no PF, esse planejamento indicado

para o incio do procedimento experimental quando h necessidade de definir-se as variveis
de influncia e estudar seus efeitos sobre a varivel de resposta escolhida. Deve-se destacar
tambm que o PF um modelo de efeitos fixos, assim os resultados de sua anlise no podem
ser transferidos para outros nveis que no os analisados no planejamento.
O modelo estatstico dado por
yijk i j ij ijk
onde i = 1,..,a representa os nveis de A

j = 1,..,b representa os nveis de B
k = 1,..,n representa as rplicas
i o efeito do fator A
j o efeito do fator B
( )ij o efeito da interao de A e B e,
ijk o erro experimental
Os resultados obtidos no planejamento fatorial podem ser representados pela tabela a

seguir:
Fator B
nveis 1 2 3 ... b
1 y111,y112,...,y11n y121,y122,...,y12n ... ... y1b1,y1b2,...,y1bn
2 : : : : :
Fator A 3
a ya11,ya12,...,ya1n yab1,yab2,...,yabn
55
O teste de hipteses busca definir se as variveis tm ou no influncia e tambm se
sua interao afeta a varivel de resposta. Assim, esse teste fica:
H0 : i = 0 (para pelo menos um i)

H0 : j = 0 (para pelo menos um j) ou
H0 : ()ij = 0 (para pelo menos um par i,j)
A somatria dos quadrados das diferenas representada pela expresso e pelo

SST = SSA + SSB + SSAB + SSE
a b n
y ...2
SS T y ijk abn - 1
2
i 1 j 1 k 1 abn
a
yi .. 2 y... 2
SS A a-1
i 1 bn abn
b y. j . 2 y... 2
SS B b-1
j 1 an abn
a b yij . 2 y... 2
SS AB SS A SS B (a-1)(b-1)
i 1 j 1 n abn
SSE = SST - SSA - SSB - SSAB ab.(n-1)
Novamente, para a anlise estatstica das hipteses, tem-se que SST uma soma de
quadrados de variveis aleatrias normalmente distribudas, SST/2, SSA/2, SSB/2, SSAB/
2 e SSE/2so distribudas como chi-quadrado respectivamente, com N-1 , a-1, b-1, (a-1)(b-
1) e ab(n-1) graus de liberdade, se a hiptese nula H0 : i = 0, ou j = 0, ou ()ij = 0 for
verdadeira.
Assim, tem-se
SS A a 1 SS B b 1
F0 ou F0 ou
SS E a.b.( n 1 ) SS E a .b.( n 1 )
SS AB a 1 .(b 1)
F0
SS E a.b.(n 1)
56
A hiptese nula ser rejeitada se F0 > F,x,ab(n-1), com x = a-1, b-1 ou (a-1).(b-1),
concluindo-se que os fatores influenciam a resposta e que sua interao tambm tem
influncia.
Exemplo: Varivel de resposta - vida da bateria

Fator A - material Fator B - temperatura
a = b = 3 nveis n = 4 rplicas
Temperaturas ( F)
15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
Materiais 2 150 188 126 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
Tem-se: SST = 77647, SSMAT = 10684, SSTEMP = 39119, SSINTER = 9614 e SSE
= 18230,75, com GLMAT = 2, GLTEMP = 2, GLINTER = 4 e GLERRO = 27.
Assim, tem-se F0 MAT = 7.91, F0 TEMP = 28.97 e F0 INTER = 3.56. Com = 0.05,
tem-se F0.05,2,27 = 3.35 e F0.05,4,27 = 2,73, que so menores que os valores de F0
encontrados. Desta forma, pode-se concluir que tanto o material quanto a temperatura
influem na vida das baterias e que esses dois fatores apresentam uma interao
estatisticamente importante e que tambm afeta essa vida.
Para definir-se qual o melhor material (aquele que leva maior vida) deve-se utilizar
de contrastes, como apresentado para a anlise do modelo de efeitos fixos.
k
7.9.2 - Planejamento fatorial 2
Um caso particular o planejamento fatorial com k fatores e 2 nveis, que

k
denominado planejamento fatorial 2 . Os fatores e os nveis so pr-determinados,
configurando esse planejamento como um modelo de efeitos fixos. Para que a anlise seja
objetiva, as hipteses de normalidade devem ser satisfeitas.
Esse tipo de planejamento usado normalmente nos estgios iniciais da pesquisa,
permitindo o estudo de diversos fatores com um nmero reduzido de experimentos.
57
Como h somente dois nveis para anlise de cada fator, assume-se que a varivel de
resposta apresente comportamento linear entre esses nveis.
O modelo estatstico, o teste de hipteses e as somatrias dos quadrados das diferenas
so idnticas s do planejamento fatorial geral, assumindo-se a =2 e b = 2.
Os nveis podem ser quantitativos ou qualitativos.
Os nveis so representados por: + mximo e - mnimo.
A e B representam os efeitos das variveis de influncia. A representao do ensaio
com a significa que usou-se o nvel mximo de A (+). J b representa o uso do nvel mximo
de B (+).
Neste caso, para 2 nveis, o nmero de graus de liberdade igual a 1. Aumentando-se o
nmero de rplicas (n), tem-se maior objetividade na anlise pois F0 tambm aumenta.
Fator A
nvel baixo nvel alto
Fator B nvel alto b ab
nvel baixo (1) a
No caso de um planejamento 3k, tem-se trs nveis: mnimo (0), intermedirio (1) e
mximo (2).
Exemplo de um planejamento fatorial 2k: deseja-se estudar como o tempo de uma
reao afetado por dois fatores, a concentrao de reagente (A) e a quantidade de
catalisador (B).
Assumindo dois nveis para A, 15% (-) e 25% (+) e dois nveis para B, 2 medidas (+) e
1 medida (-) e cada experimento foi replicado 3 vezes, tem-se:
Rplicas
Combinao I II III Total
A -B - 28 25 27 80
A+B- 36 32 32 100
A-B+ 18 19 23 60
A+B+ 31 30 29 90
Observado-se a figura abaixo conclui-se que quanto maior a quantidade de catalisador

menor o tempo de reao.
58
100 80
O efeito de A no nvel mnimo de B a (1) n 6,6 . Ou seja, ao
3
passar a concentrao de 15 para 25%, o tempo aumenta de 6,6 unidades.
90 60
J o efeito de A no nvel mximo de B ab b n 10 , representando
3
um aumento de 10 unidades de tempos.
O efeito mdio do fator A dado pela mdia dos dois efeitos apresentados e
representado por:
1 a (1) ab b
A
2 n n
1
A a (1) ab b
2n
O efeito mdio de B representado por:
1 ab a b (1)
B
2 n n
1
B ab a b (1)
2n
O efeito AB representa a diferena mdia entre o efeito de A no nvel mximo de B e o

efeito de A no nvel mnimo de B:
1
AB ab b a (1)
2n
1
AB ab (1) a b
2n
Para o exemplo, tem-se:
59
1
A 90 100 60 80 8.33
2.3
1
B (90 60 100 80) 5
2.3
1
AB (90 80 100 60) 167
.
2.3
donde conclui-se que o aumento de A aumento o tempo, e que o aumento de B

diminui o tempo de reao. J a interao dos fatores tem uma influncia menor que s
pode ser verificada por testes estatsticos representados pelas seguintes somatrias de
quadrados:
ab a b (1)
2
SS A DOF 1
n.4
ab b a (1)
2
SS B DOF 1
n.4
ab (1) a b
2
SS AB DOF 1
n.4
2 2 n
y ...2
SS T y ijk2 DOF 4n 1
i 1 j 1 k 1 4. n
SS E SS T SS A SS B SS AB DOF 4(n 1)
com
MS A MS B MS AB
F0 ou F0 ou F0
MS E MS E MS E
No exemplo, tem-se F0 A = 53.15, F0 B = 19.13 e F0 AB = 2.13. Com = 0.05, tem-

se F0.05,1,8 = 5.32, concluindo-se que tanto a concentrao, quanto o catalisador influem
no tempo de reao, mas sua interao no o afeta de modo significativo.
60
8. A METODOLOGIA DE TAGUCHI
Este texto foi extrado do item 12.5, pp. 414-433 do livro de Montgomery.
A metodologia proposta por Genechi Taguchi, no incio da dcada de 80, apresenta trs
objetivos principais:
1. Projetar produtos ou processos que sejam robustos em relao s condies

ambientais;
2. Projetar e desenvolver produtos que sejam robustos variabilidade de seus
componentes;
3. Minimizar a variabilidade em torno de um valor nominal.
O termo robusto pode ser aplicado para produtos e processos que apresentem
desempenho compatvel com a qualidade exigida e que sejam relativamente insensveis aos
fatores que sejam de difcil controle.
Segundo Taguchi, existem trs estgios no desenvolvimento de um produto ou
processo: o projeto do sistema (system design), o projeto dos parmetros (parameter design)
e o projeto das tolerncias (tolerance design).
O uso de mtodos estatsticos para o planejamento experimental especialmente
importante nos dois ltimos estgios, favorecendo a obteno de produtos e processos
robustos, insensveis a fatores incontrolveis que possam influenciar seu desempenho.
A metodologia de planejamento experimental proposta por Taguchi pode ser
apresentada no exemplo descrito a seguir.
Deseja-se escolher um mtodo de montagem que permita maximizar a fora necessria
para arrancar um conector de elastmero montado em um tubo de nylon.
Foram identificadas quatro variveis de influncia, que podem ser controladas nas
operaes rotineiras do processo, e trs fontes de variabilidade que so incontrolveis, ou
seja, que no se pode ou no se deseja controlar durante as atividades de rotina. Essas
variveis e fontes, e seus respectivos nveis, esto mostradas na tabela seguinte.
De acordo com a metodologia de Taguchi, dois planejamentos so empregados para o
projeto dos parmetros: um arranjo ortogonal L9 para as variveis de influncia, em que as
linhas representam cada ensaio realizado nas condies definidas pelos nveis (1, 2 e 3)
definidos para essas variveis. Esse arranjo L9 ir acomodar as quatro variveis com trs
nveis cada em nove ensaios.
61
Variveis de influncia Nveis
A = Interferncia dimensional Baixo Mdio Alto
B = Espessura da parede do conector Fina Mdia Espessa
C = Profundidade de montagem Rasa Mdia Profunda
D = Porcentagem de adesivo no conector Baixa Mdia Alta
Fontes de variabilidade
E Tempo de secagem do adesivo 24 horas 120 horas
F Temperatura de secagem do adesivo 72 F 150 F
G Umidade relativa na secagem do adesivo 25% 75%
J para as fontes de variabilidade ser usado um arranjo ortogonal L8, que um

planejamento que pode ser empregado para at sete fontes com dois nveis cada em oito
ensaios. Como neste exemplo h apenas trs fontes, as colunas restantes podem ser usadas
para estimar a interao dessas fontes.
O objetivo de usar-se o arranjo L8 de criar variabilidade de modo que se possa
identificar os nveis das variveis de influncia que so menos sensveis s fontes de
variabilidade.
Os arranjos ortogonais so planejamentos fatoriais fracionados, ou seja, planejamentos
fatoriais que tm o nmero de ensaios reduzidos ao se considerar somente os efeitos das
variveis de influncia e de algumas de suas interaes. Isso pode ser feito quando se conhece
previamente que a interao de algumas variveis no apresentar influncia significativa
sobre a varivel de resposta. Assim, o arranjo L8 um planejamento fatorial fracionado 2 7III 4
e o L9 um 3 4III 2 . Leia mais sobre planejamentos fatoriais fracionados em Montgomery, nos

captulos 11 e 12.
A tabela a seguir apresenta os dois arranjos ortogonais empregados neste exemplo.
62
Arranjo ortogonal L9 Arranjo ortogonal L8
Variveis FONTES
Ensaio A B C D Ensaio E F ExF G ExG FxG e
1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 2 2 2 1 1 1 2 2 2 2
3 1 3 3 3 3 1 2 2 1 1 2 2
4 2 1 2 3 4 1 2 2 2 2 1 1
5 2 2 3 1 5 2 1 2 1 2 1 2
6 2 3 1 2 6 2 1 2 2 1 2 1
7 3 1 3 2 7 2 2 1 1 2 2 1
8 3 2 1 3 8 2 2 1 2 1 1 2
9 3 3 2 1
A tabela a seguir apresenta a combinao desses dois arranjos, o que denominado

layout completo de projeto de parmetros. Nesse layout, o arranjo L9 denominado arranjo
interno e o arranjo L8 o arranjo externo. Desse modo cada uma das nove combinaes do
arranjo interno testado nas 8 combinaes do arranjo externo, o que fornece uma amostra
com 72 ensaios, cujos resultados tambm esto mostrados na tabela a seguir.
Fontes
Resultados de fora de arrancamento
Ensaio
O mtodo de Taguchi prope que se analise a resposta mdia para cada combinao no
arranjo interno, e que a variabilidade seja analisada escolhendo uma razo sinal-rudo (SN)
apropriado. Trs razes SN padro so amplamente empregadas:
1) A melhor nominal SNT, usada quando se deseja reduzir a variabilidade em torno de

um valor nominal:
63
y2
SN T 10. log
S2
2) A quanto maior melhor SNL, usada quando se deseja maximizar os resultados, que
o caso deste exemplo:
1 n
1
SN L 10. log
n i 1 yi2
3) A quanto menor melhor SN S, usada quando se deseja minimizar os resultados:
1 n
SN S 10. log yi2
n i 1
Assim, os nveis timos das variveis de influncia so aqueles que maximizam o SN

apropriado para cada anlise estatstica especfica.
Na metodologia de Taguchi a anlise feita com grficos como mostrados a seguir,
com os resultados dos valores mdios e das razes SN para cada varivel de influncia e seus
nveis.
Neste exemplo, os nveis timos sero aqueles que maximizarem tanto a fora, quanto
a razo SNL. Assim, deve-se escolher Amdio, Cmdio, Bmdio e Dbaixo para maximizar a fora
mdia y e Amdio, Cprofundo, Bmdio e Dbaixo para maximizar SNL e assim, minimizar a
variabilidade dos resultados.
Como praticamente no existe diferena entre Cmdio e Cprofundo pode-se adotar qualquer
um desses nveis que levariam a uma maximizao do valor mdia e minimizao da
variabilidade.
64
B M A F M E
R M P B M A
B M A F M E
R M P B M A
Segundo Taguchi, o uso das razes SN geralmente elimina a necessidade de avaliar-se

as interaes das variveis de influncia com as fontes de variabilidade, o que no ocorre
neste exemplo, pois se observarmos a figura a seguir, notaremos forte interao entre AG e
DE, de modo que Amdio seria o melhor nvel pois forneceria a maior fora e no seria afetado
pela umidade (fonte G). Tambm da figura observa-se que Dbaixo fornece a maior fora
independentemente do tempo de secagem do adesivo.
65
B
M
M
A
A grande crtica que se faz metodologia de Taguchi o fato dela no considerar os

efeitos das interaes das variveis de influncia, o que pode ser estatisticamente incorreto
em algumas anlises, pois como foi destacado, os arranjos ortogonais empregados por
Taguchi nada mais so do que planejamento fatoriais fracionados, que foram originalmente
desenvolvidos para situaes em que previamente descartavam-se os efeitos de algumas
interaes de variveis.
Alm do livro do Montgomery, outras fontes de consulta sobre o mtodo de Taguchi:
Taguchi, Genichi, Introduction to quality engineering : designing quality into

products and processes, Tokyo, Asian Productivity Organization, 1986, Tombo 620.0045
T129i IMECC e BAE.
Ross, Phillip J., Taguchi techniques for quality engineering: loss function,
orthogonal experiments, parameter and tolerance design, New York, McGraw-Hill, 1988,
Tombo 620.0045 R733t BAE.
Peace, Glen Stuart, Taguchi methods :a hands-on approach, Reading, Mass.

:Addison-Wesley, 1994, Tombo 658.562 P313t IMECC
Vivacqua, Carla Almeida, Uma apresentao e critica aos metodos de Taguchi em

planejamento de experimentos, Campinas, SP :[s.n.], 1995, Tombo T/UNICAMP V836a
Teses IMECC.
66
9 - EXERCCIOS
1) A tenso de resistncia compresso de corpos-de-prova de concreto podem ser

modeladas por uma distribuio normal com mdia de 600 MPa e um desvio-padro igual a
10 MPa.
qual a probabilidade de que a tenso de um corpo-de-prova seja menor que

625 MPa?
qual a probabilidade de que a tenso de um corpo-de-prova esteja entre 580 e
590 MPa?
qual tenso excedida por 95% dos corpos-de-prova?
2) A tenso limite de resistncia trao de um material metlico modelado por uma

distribuio normal com mdia de 35 MPa e desvio-padro de 2 MPa.
qual a probabilidade de que a resistncia de um corpo-de-prova seja menor que

40 MPa?
se as especificaes exigem que a resistncia seja superior a 30 MPa, qual a
porcentagem de corpos-de-prova que sero descartados?
3) O volume preenchido por uma mquina automtica para latas de refrigerantes apresenta-se
normalmente distribudo com uma mdia de 12,4 cm3 e desvio-padro igual a 0,1 cm3.
qual a probabilidade de que o volume seja menor que 12 cm3?

se todas latas com volume menor que 12,1 ou maiores que 12,6 devem ser
descartadas, qual a porcentagem de latas nessa situao?
4) Tubos de PVC so fabricados com dimetro mdio de 10,1 mm e um desvio-padro de

0,03. Qual a probabilidade de que uma amostra de 9 sees de tubos apresentem mdia de
dimetro maior que 10,09 e menor que 10,12 mm?
5) Uma fibra sinttica usada na fabricao de carpetes apresenta tenso de resistncia trao
que normalmente distribuda com mdia igual a 7,55 MPa e desvio-padro igual a 0,35
MPa. Qual a probabilidade de que uma amostra de 6 fibras apresente uma tenso mdia que
exceda 7,575 MPa? Qual seria essa probabilidade se a amostra contivesse 49 fibras?
6) O tempo despendido por passageiros no check-in de um aeroporto uma varivel aleatria

67
que apresenta mdia igual a 8,2 minutos e desvio-padro de 1,5 minutos. Suponha que uma
amostra aleatria de 49 passageiros foi observada. Qual a probabilidade de que o tempo
mdio de espera seja:
menor que 10 minutos

entre 5 e 10 minutos
menor que 6 minutos
7) Uma amostra aleatria n1 = 16 foi retirada de uma populao normal com mdia igual a 75
e desvio-padro igual a 8. Uma segunda amostra aleatrio n2 = 9 foi retirada de uma outra
populao normal com mdia 70 e desvio-padro igual a 12. Determine:
a probabilidade de que a diferena das mdias das amostras exceda 4

a probabilidade de que essa diferena esteja entre 3,5 e 5,5
8) Os dimetros de eixos de ao obtidos por um dado processo de fabricao, apresentam um

desvio padro conhecido igual a 0,015 mm. Uma amostra aleatria de 10 eixos apresenta um
dimetro mdio de 6,493 mm. Teste a hiptese de que o dimetro mdio real igual a 6,500
mm com = 0,05. Construa o intervalo de confiana de 90% para o dimetro mdio.
9) O dimetro de uma esfera de rolamento foi medido por doze inspetores, cada um deles
usando dois tipos diferentes de calibres. Os resultados obtidos foram
Inspetor Calibre 1 Calibre 2
1 2,65 2,64
2 2,65 2,65
3 2,66 2,64
4 2,67 2,66
5 2,67 2,67
6 2,65 2,68
7 2,67 2,64
8 2,67 2,65
9 2,65 2,65
10 2,68 2,67
11 2,68 2,68
12 2,65 2,69
68
Usando = 0,05, defina se existe uma diferena significativa entre as mdias das
populaes representadas pelas duas amostras.
10) A tenso limite de resistncia de uma liga metlica deve ser no mnimo igual a 150 MPa.
Estudos prvios indicaram que o desvio padro da tenso igual a 3 MPa. Uma amostra
aleatria de 10 corpos-de-prova foi ensaiada e a tenso mdia observada foi de 148 MPa.
Considerando um valor de = 0,05, pode-se considerar aceitvel a liga analisada? Qual o
intervalo de confiana para uma porcentagem de 95%?
11) Estabelea um teste para verificar se a modificao das condies de tratamento trmico
de uma dada pea metlica acarreta melhoria de sua resistncia mecnica.
12) Deseja-se verificar se a modificao das condies de tratamento trmico influem na

tenso limite de escoamento de uma liga metlica. Foram ensaiadas quatro condies
distintas, obtendo-se os resultados mostrados na tabela a seguir:
Condio de Tenso limite de escoamento [MPa]

Tratamento
1 312,9 300,0 286,5 289,0
2 320,0 330,0 297,5 315,0
3 280,0 290,0 298,5 305,0
4 260,0 270,0 260,0 276,5
A modificao das condies de tratamento afeta a propriedade mecnica da liga

metlica? (Use =0,05).
13) Utilize o critrio de Chauvenet para condicionar estatisticamente os resultados para

medidas de presso atmosfrica (em mmHg), obtidos com um barmetro de mercrio. Aps o
condicionamento determine a mdia e o desvio-padro.
764,3 764,6 764,4 765,2 764,5 764,5

765,7 765,4 764,8 765,3 765,2 764,9
764,6 765,1 764,6
14) Uma pequena amostra (n<20) de medidas para determinao do coeficiente de arrasto
CD de uma asa esto mostrados abaixo:
69
0,043 0,052 0,050 0,049 0,053 0,055 0,047 0,046 0,049 0,051
a) Estime o coeficiente mdio

b) Estime o desvio-padro
c) Determine o nvel de confiana para CD = 0,0495
d) Determine o tamanho de amostra adequado que permite definir o coeficiente mdio
com nveis de confiana de 90, 95, 99 e 99,9 por cento.
15) Numa tecelagem h um grande nmero de teares. Supe-se que cada tear apresente a
mesma produo de tecido por minuto. Para investigar essa hiptese, cinco teares foram
escolhidos aleatoriamente e suas produes medidas em ocasies diferentes, obtendo-se os
seguintes dados:
Tear Produo (kg/min)
1 14,0 14,1 14,2 14,0 14,1

2 13,9 13,8 13,9 14,0 14,0
3 14,1 14,2 14,1 14,0 13,9
4 13,6 13,8 14,0 13,9 13,7
5 13,8 13,6 13,9 13,8 14,0
a) Por qu este um experimento de efeitos aleatrios? Os teares apresentam a mesma

produo?
b) Estime a variabilidade entre os teares.
c) Estime a varincia do erro experimental
2
d) Determine o intervalo para 95% de confiana de 2 2
16) Vrios fornos de uma forjaria so usados para aquecimento de tarugos. Supe-se que
todos os fornos operam na mesma temperatura, embora suspeite-se que isso no ocorra na
prtica. Trs fornos foram selecionados aleatoriamente e suas temperaturas foram medidas
em aquecimentos sucessivos, fornecendo os seguintes resultados:
Forno Temperatura
1 491,50 498,30 498,10 493,50 493,60
2 488,50 484,65 479,80 477,35
3 490,10 484,80 488,25 473,00 471,85 478,65
70
a) Existe uma variao significativa de temperatura entre os fornos?
b) Estime os componentes de varincia para esse modelo.
a a
17) Mostre que a varincia da combinao linear ci yi . 2
nici2 .
i 1 i 1
18) Uma varivel aleatria que apresenta-se normalmente distribuda, tem mdia
desconhecida e varincia conhecida igual a 2 = 9. Determine o tamanho de amostra
necessrio para obter-se um intervalo com 95% de confiana para a mdia, sendo que o
comprimento total desse intervalo deve ser igual a 1,0.
19) Duas mquinas so usadas para preencher garrafas com um volume lquido de 160 ml. Os
processos de preenchimento so assumidos como normais, com desvio padro de 0,15 para a
primeira mquina e 0,18 para a segunda. A engenharia de qualidade suspeita que ambas
mquinas preenchem o mesmo volume lquido, mesmo que esse volume no seja igual a 160
ml.
Uma amostra aleatria foi tomada para cada mquina, obtendo-se:
Mquina 1 Mquina 2
160,3 160,1 160,2 160,3
160,4 159,6 159,7 160,4
160,5 159,8 159,6 160,2
160,5 160,2 160,1 160,1
160,2 159,9 159,9 160,0
A suspeita dos engenheiros est correta?

Em caso afirmativo, com que grau de confiana pode-se afirmar que essa mdia igual
a 160 ml?
20) Dois tipos de plsticos so aplicados para uso na fabricao de calculadoras. A tenso
limite de resistncia importante para essa aplicao. Sabe-se que os desvios-padro so
iguais para os dois plsticos ( 1 = 2 = 1,0 MPa). A partir de amostras aleatrias com n1 =
10 e n2 = 12, obteve-se y1 165,2 MPa e y 2 155,0 MPa. O fabricante no ir adotar o
plstico nmero 1 a no ser que seu limite de resistncia seja superior ao do plstico 2 em
pelo menos 10 MPa. Baseado nas informaes das amostras, eles devem usar o plstico 1?
Construa um intervalo de 99% de confiana para a mdia da tenso limite de resistncia.
71
21) Um artigo do Journal of Strain Analysis (vol. 18, no.2, 1.983), compara diversos
procedimentos para prever a tenso limite de cisalhamento de um dado componente metlico.
Foram obtidos dados experimentais para nove diferentes componentes, utilizando dois dos
procedimentos, como segue:
O procedimento empregado influi nos resultados da tenso limite? (Use a tcnica de
comparao por pares - blocos).
Componente Procedimento 1 Procedimento 2

1 1.186 1.061
2 1.151 0.992
3 1.322 1.063
4 1.339 1.062
5 1.200 1.065
6 1.402 1.178
7 1.365 1.037
8 1.537 1.086
9 1.559 1.052
22) Suponha que estejamos testando:
H0 : 1 2
H0 : 1 2
onde as varincias das duas populaes ( 12 e 22) so conhecidas. Nossos recursos

experimentais so limitados de tal modo que n1 + n2 = N. Como poderamos alocar entre as
populaes, os N corpos-de-prova disponveis de modo que obtivssemos o teste de hipteses
mais objetivo?
23) Um fabricante de televisores est interessado no efeito de quatro diferentes tipos de

recobrimento para tubos catdicos, sobre a condutividade. Aps o planejamento
experimental, obtiveram-se os seguintes resultados:
Tipo de recobrimento Condutividade
1 143 141 150 146

2 152 149 137 143
3 134 136 132 127
4 129 127 132 129
72
a) O tipo de recobrimento afeta a condutividade? Use = 0,05.
b) Estime a mdia geral e os efeitos dos tratamentos.
c) Determine o intervalo de confiana de 95% ao estimar a mdia do tipo de
recobrimento nmero 4.
d) Assumindo que o tipo 4 est atualmente em uso, quais suas recomendaes para o
fabricante que deseja reduzir a condutividade?
24) Discuta as situaes que mais se adequam ao uso dos seguintes planejamentos
experimentais:
a) totalmente aleatorizado
b) aleatorizado por blocos
c) aleatorizado por nveis
25) Dois catalisadores foram analisados para determinar como afetam um determinado
processo.
Atualmente, o catalisador nmero 1 est em uso. O catalisador 2, mais barato, poder
ser adotado se no apresentar diferenas significativas em relao ao nmero 1. Considerando
os resultados a seguir:
Observao Catalisador nmero 1 Catalisador nmero 2
1 91,5 89,2
2 94,2 91,0
3 95,4 93,2
4 91,8 97,2
5 89,1 --
a) o nmero de ensaios utilizado estatisticamente adequado?

b) com os resultados apresentados e usando-se = 0,05, pode-se afirmar que os
catalisadores apresentam comportamentos semelhantes?
26) Dois diferentes ensaios analticos podem ser empregados para determinar o nvel de
impurezas em aos ligados. Seis corpos-de-prova foram ensaiados usando ambos
procedimentos, sendo os resultados mostrados a seguir:
73
Corpo-de-prova Procedimento nmero 1 Procedimento nmero 2
1 1,2 1,4
2 1,3 1,7
3 1,5 1,5
4 1,4 1,3
5 1,7 2,0
6 1,8 2,1
Qual o erro aceito para afirmar-se que ambos procedimentos oferecem resultados iguais?
27) Ensaios foram realizados para determinar se a temperatura de queima afeta a densidade
de um tipo de tijolo refratrio. Foram definidas quatro temperaturas de ensaio e os resultados
so mostrados a seguir:
Temperatura Densidade
( C)
100 21,8 21,5 21,7 21,6 21,7
125 21,7 21,4 21,5 21,6 --
150 21,9 21,9 21,8 21,5 21,6
a) usando = 0,05 pode-se afirmar que a temperatura afeta a densidade?
b) possvel definir o comportamento dos tijolos em termos de densidade para uma

temperatura igual a 140 C?
28) O que diferencia o planejamento quadrado latino do planejamento fatorial 22?
29) Por qu o planejamento fatorial indicado para as etapas inciais do planejamento

experimental? D um exemplo prtico de aplicao de um planejamento fatorial 33.
30) Investigou-se os efeitos da freqncia de carregamento cclico e das condies ambientais

sobre o crescimento da trinca de fadiga sob uma tenso constante de 22 MPa para um dado
material. Os dados obtidos experimentalmente so mostrados abaixo (a varivel de resposta
a taxa de crescimento da trinca).
74
Ambiente
Ar gua Sal e gua
2.29 2.06 1.90
2.47 2.05 1.93
10 2.48 2.23 1.75
2.12 2.03 2.06
2.65 3.20 3.10
Freqncia 2.68 3.18 3.24
1 2.06 3.96 3.98
2.38 3.64 3.24
2.24 11.00 9.96
2.71 11.00 10.01
0.1 2.81 9.06 9.36
2.08 11.30 10.40
a) Que tipo de planejamento experimental foi utilizado?
b) Represente graficamente os resultados obtidos (taxa de crescimento da trinca em

funo da freqncia, para as trs condies ambientais) e analise o grfico obtido.
c) Os fatores de influncia realmente afetam a taxa de crescimento? Existe interao

desses fatores? Use = 0.05.
d) Os resultados estatsticos comprovam o que observado graficamente?
31) Um engenheiro estuda as caractersticas de consumo de cinco tipos de aditivos para

gasolina. No ensaio em estrada, ele deseja usar carros como blocos; entretanto, devido
restrio de tempo, ele deve usar um planejamento incompleto por blocos. Ele executa o
planejamento balanceado com os cinco blocos a seguir. Analise os dados e conclua.
(Resultados em km/litro)
75
Carro
Aditivo 1 2 3 4 5
1 17 14 13 12
2 14 14 13 10
3 12 13 12 9
4 13 11 11 12
5 11 12 10 8
32) Num processo qumico estudado, h duas variveis mais importantes: a presso e a
temperatura. Trs nveis de cada um desses fatores so selecionados, e um planejamento
fatorial com duas rplicas foi realizado. Os dados so apresentados a seguir. Pede-se para
analisar os dados e concluir sob que condies operaria o processo.
Presso
Temperatura 200 215 230

Baixa 90.4 90.7 90.2
90.2 90.6 90.4
Mdia 90.1 90.5 89.9
90.3 90.6 90.1
Alta 90.5 90.8 90.4
90.7 90.9 90.1
33) Johnson e Leone (Statistics and Experimental Design in Eng. and Phis. Sciences, Wiley,
1.977) descrevem um experimento para investigar o empenamento de chapas de cobre. Os
dois fatores estudados foram a temperatura e a composio das chapas. A varivel de resposta
medida foi o grau de empenamento, como segue com duas rplicas para cada combinao:
Composio qumica (% de cobre)
Temperatura 40 60 80 100
50 17 20 16 21 24 22 28 27
75 12 9 18 13 17 12 27 31
100 16 12 18 21 25 23 30 23
125 21 17 23 21 23 22 29 31
76
34) Quais informaes voc exigiria que constassem das especificaes tcnicas de um
instrumento para pesquisa cientfica? Justifique sua resposta.
35) Um artigo da American Industrial Hygiene Association Journal (vol. 37, 1.976, pp.
418-422) descreve um teste utilizado para detectar a presena de impurezas em amostras
retiradas de quatro operrios. Comparou-se a influncia do procedimento de teste, a partir de
ensaios realizados por um estagirio, por um tcnico e no laboratrio. Os resultados de
concentrao de impurezas em ppm so mostrados a seguir:
Operrio
Teste 1 2 3 4
Estagirio 0.05 0.05 0.04 0.15
Tcnico 0.05 0.05 0.04 0.17
Laboratrio 0.04 0.04 0.03 0.10
a) Que tipo de planejamento e de anlise foi utilizado nesse estudo?

b) Existe diferena entre os procedimentos do estagirio, do tcnico e do laboratrio?
36) Na pintura de superfcies de alumnio na indstria aeronutica so utilizados trs tipos de

primer e dois procedimentos de pintura (por imerso e por asperso). Realizou-se ensaios
nessas condies, com trs rplicas, a fim de medir a fora de adeso da pintura superfcie,
como indicam os resultados abaixo:
Tipo de Imerso Asperso

Primer
1 4.0 4.5 4.3 5.4 4.9 5.6
2 5.6 4.9 5.4 5.8 6.1 6.3
3 3.8 3.7 4.0 5.5 5.0 5.0
a) Que tipo de planejamento experimental foi utilizado?

b) A fora influenciada pelo tipo de primer e/ou pelo mtodo de pintura?
c) Existe interao desses fatores influenciando a fora de adeso?
37) Quais as vantagens e desvantagens do planejamento fatorial?
77
38) Um processo qumico foi avaliado usando cinco bateladas de matria-prima, cinco
concentraes de cido, cinco tempos de permanncia (A, B, C, D, E) e cinco concentraes
de catalisador ( , , , , ), obtendo os seguintes resultados:
a) Analise o planejamento experimental utilizado.

b) Que concluses podem ser tiradas a partir dos resultados apresentados?
Concentrao de cido
Matria-prima 1 2 3 4 5
1 A = 26 B = 16 C = 19 D = 16 E = 13
2 B = 18 C = 21 D = 18 E = 11 A = 21
3 C = 20 D = 12 E = 16 A = 25 B = 13
4 D = 15 E = 15 A = 22 B = 14 C = 17
5 E = 10 A = 24 B = 17 C = 17 D = 14
78
9 - ANLISE DE UM ARTIGO CIENTFICO CONSIDERANDO O PLANEJAMENTO
EXPERIMENTAL E A ANLISE DOS RESULTADOS
Escolhido um artigo cientfico de sua rea de interesse, analise-o, respondendo as seguintes

questes:
1) H um modelo fsico-matemtico previamente definido?
2) Qual (ou quais) a varivel de resposta escolhida? Por qu foi escolhida?
3) Quais as variveis (fatores) de influncia escolhidas? Como se justifica essa escolha?
4) Como foi planejado o procedimento experimental (nmero de nveis, nmero de rplicas)?

Quais os objetivos deste planejamento?
5) Como foi a anlise dos resultados?
6) Qual foi o mtodo estatstico empregado? Foi realizado algum teste estatstico? Qual?
7) Comente o artigo considerando possveis incorrees observadas no planejamento

experimental e na anlise dos resultados.
79

Apostila Planeja (Sergio - Tonini.button)

Enviado por

Direitos autorais:

Formatos disponíveis

Apostila Planeja (Sergio - Tonini.button)

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Planeja (Sergio - Tonini.button)

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE ENGENHARIA MECNICA

METODOLOGIA PARA PLANEJAMENTO EXPERIMENTAL

PROF. DR. SRGIO TONINI BUTTON

CAMPINAS - FEVEREIRO 2016

PROFESSOR SRGIO TONINI BUTTON - SALA EE 208

AULAS 4as feiras - 09 s 12 - 1o semestre de 2.016

Princpios para o planejamento experimental;

Conceito a partir de avaliaes por duas provas:

1. MONTGOMERY, D.C., "Design and Analysis of Experiments", 3 edio, John

2. DALLY, J.W., RILEY, W.F. e McCONNELL, K.G., "Instrumentation for

3. MONTGOMERY, D.C., RUNGER, G.C., Applied Statistics and Probability for

".... As diferenas existentes entre vrias definies cientficas e vulgares da mesma

2 - OBJETIVOS DESTA DISCIPLINA

No incio de todo trabalho de pesquisa que envolva a realizao de experimentos,

O planejamento experimental, tambm denominado delineamento experimental,

a. determinar quais variveis so mais influentes nos resultados;

A seguir, destacam-se alguns benefcios da utilizao das tcnicas estatsticas de

reduo do nmero de ensaios sem prejuzo da qualidade da informao;

O objetivo desta disciplina apresentar uma metodologia estatstica para o

2.1 - TCNICAS PARA DEFINIO DA SEQNCIA DE ENSAIOS

Presso Nmero dos Ensaios

Como j afirmado, alm de dominar a metodologia estatstica necessria para o

1. reconhecimento e definio do problema, como discutido no pargrafo anterior,

3. escolha adequada da varivel de resposta, de modo que se garanta a objetividade

4. delineamento dos experimentos: tamanho da amostra (nmero de rplicas),

5. execuo dos experimentos, monitorando-os e controlando-os. Essa etapa

6. anlise dos resultados, com o uso de mtodos estatsticos, a fim de que as

7. elaborao das concluses e recomendaes a partir da anlise dos resultados.

MONTGOMERY (1.991) faz algumas recomendaes sobre o uso de mtodos

o conhecimento tcnico especfico, no estatstico sobre o problema deve ser

Ao realizar-se uma srie de ensaios sob condies preestabelecidas, normalmente

Figura 1 - Distribuio discreta.

Figura 2 - Distribuio contnua

A mdia ( ) de uma distribuio indica a locao ou tendncia central dessa

A varincia pode ser expressa usando o operador de expectativa E(y), pois:

Tambm pode-se definir um operador de varincia V(y) igual a

A partir dos parmetros , 2 e c (constante), tem-se as seguintes propriedades:

1. E(c) = c 2. E(y) = 3. E(c.y) = c.E(y) = c.

4. V(c) = 0 5. V(y) = 2 6. V(c.y) = c2.V(y) = c2.2

7. E(y1 + y2) = E(y1) + E(y2) = 1 + 2

8. V(y1 + y2) = V(y1) + V(y2) + 2.Cov(y1,y2)

9. V(y1 - y2) = V(y1) + V(y2) - 2.Cov(y1,y2)

10. V(y1 y2) = V(y1) + V(y2) = 12 + 22

Onde, y1 e y2 so variveis aleatrias, com mdias iguais a 1 e 2 e varincias

Cov(y1 , y2) = E[(y1 - 1).( y2 - 2)]

Sendo que no caso de duas variveis independentes, tem-se que Cov(y1,y2) = 0.

No caso do planejamento experimental, os resultados obtidos referem-se a uma

Exemplo: Um estimador pontual no deve, necessariamente, ser distorcido ou parcial. Deve

Uma das distribuies de amostragem mais empregadas em tcnicas estatsticas para

com mdia - e varincia 2>0. A expresso y N(,2) representa uma

de modo que se n , tem-se a distribuio normal padro.

A distribuio chi-quadrado assimtrica e distorcida, com = k e 2 = 2k.

Assim, SS/2 est distribuda como chi-quadrado e tem n - 1 graus de liberdade, ou

e segue a distribuio t, com k graus de liberdade. A funo de densidade de t dada

com = 0 e 2 = k/(k-2). Para k = , a distribuio t torna-se a distribuio normal

segue a distribuio F, com u graus de liberdade para o numerador e v para o

Por exemplo, suponha-se duas populaes com distribuio normal e varincias