Académique Documents
Professionnel Documents
Culture Documents
192
193
na superfcie de resposta (um grfico) ou calculado a partir da funo ajustada, utilizando o conceito de derivada.
^Y = b0 + b1X1 + b2X2 + b11X12 + b22X22 + b12X1X2, se X2 fixado e fazendo-se a primeira derivada em relao a X1 igual a zero:
194
sendo que ^Y0 pode ser a resposta mxima ou mnima ou estar na regio de sela.
O ponto estacionrio que resulta em ^Y0 pode estar dentro ou fora da faixa experimental das variveis independentes.
Para se visualizar a natureza da superfcie de resposta comum express-la
na chamada forma cannica. A determinao do ponto estacionrio o primeiro
passo para escrever a equao de resposta de segunda ordem na forma cannica.
O segundo passo envolve a alterao do centro das coordenadas X1 e X2 para
o ponto estacionrio, fazendo-se
U1 = X1 - X1,0
U2 = X2 - X2,0
para
b12
b22 -
= 0
e resolvendo a equao
195
________
-b +
b2 - 4ac
1 = ----------------2a
________
-b -
b2 - 4ac
e 2 = -----------------2a
196
Seja o modelo de segunda ordem, para duas variveis X1 e X2, com i=1, 2, ...,9;
Yi = 0 + 1X1i + 2X2i + 11X1i2 + 22X2i2 + 12X1iX2i + Ei
A estimativa ^Yi de Yi representada por
^Yi = b0 + b1X1i + b2X2i + b11X1i2 + b22X2i2 + b12X1iX2i
Um dos mtodos para estimativas dos bj (b0, b1, b2, b11, b22, b12), que definem a equao de regresso o denominado de mtodo de mnimos quadrados,
uma vez que ele tal que torna mnimo o valor de
(Yi-^Yi)2, a SQRReg.
Y1
Y2
Y3
Y4
Y = Y5
Y6
Y7
Y8
Y9
B =
b0
b1
b2
b11
b22
b12
1 X11 X21
1 X12 X22
1 X13 X23
1 X14 X24
X = 1 X15 X25
1 X16 X26
1 X17 X27
1 X18 X28
1 X19 X29
X112
X122
X132
X142
X152
X162
X172
X182
X192
X212
X222
X232
X242
X2i5
X262
X272
X282
X292
X11X21
X12x22
X13X23
X14X24
X15X25
X16X26
X17X27
X18X28
X19X29
197
(XX) = XY
ou S-1 XY
H0: j = 0, pois
bj/[^V(bj)]1/2 = t.
198
Y =
Y11
Y12
Y13
y21
.
.
.
Y93
X =
1
1
1
1
.
.
.
1
X11
X11
X11
X12
.
.
.
X13
X22
X22
X22
X23
.
.
.
X23
199
(FFAjuste = QMFajuste/QMEpuro
significativo a um determinado nvel de significncia) ento deve se procurar ajustar outro modelo, caso contrrio, o modelo ajustado poder ser utilizado para os objetivos definidos pelo pesquisador.
EXEMPLO 01- Um estudo exploratrio foi conduzido para testar o efeito de CaCl2
(X1) e de MgCl2 (X2) sobre a estabilidade (capacidade de reteno) da gua em
emulso crnea. Os valores codificados e originais das variveis testadas so:
Codificados :
-1
Nveis experimentais de CaCl2 (X1): 50
Nveis experimentais de MgCl2 (X2): 50
0
1
125 200 ppm
125 200 ppm
200
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Yij2 = 588,55;
x1i
x2i
-1
-1
-1
1
1
1
-1
-1
-1
1
1
1
0
0
0
0
0
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
0
0
0
0
0
Yij
Yi.
6,4
6,2
5,5
5,7
4,6
4,9
6,6
6,6
5,8
7,1
6,6
7,7
4,8
5,1
5,0
5,4
4,9
Yi.
18,1
6,03
15,2
5,07
19,0
6,33
21,4
25,2
7,13
5,04
e Y = 5,82
A matriz X :
X =
1 1 1 1 1 1 1 1 1
-1 -1 -1 1 1 1 -1 -1 -1
-1 -1 -1 -1 -1 -1 1 1 1
1
1
1
1
1
1
1
1
1
1
0
0
1
0
0
1
0
0
1
0
0
1
0
0
201
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
0
0
0
0
0
XX =
17 0
0 12
0 0
0
0
12
XY =
98,9000
-0,5000
7,1000
X =
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Y =
6,4
6,2
5,5
5,7
4,6
4,9
6,6
6,6
5,8
7,1
6,6
7,7
4,8
5,1
5,0
5,4
4,9
(XX)
g0
g1 = G
g2
-1
-1
= S
1/17
0
0
1/12
0
0
-1
S (XY) = B =
e V(b2) = 2/12
b0
b1
b2
0
0
1/12
5,8176
-0,0417
0,5917
202
GL
SQ
Regresso
RRegresso
Falta de Ajuste
Erro puro
2
14
2
12
4,2220
8,9627
6,6239
2,3388
QM
2,1110
0,6402
3,3119
0,1949
Fc
F0,01
16,99*
6,93
203
^Y
Se x2 = -1 observa-se que x1 ser 33,80; uma coordenada muito fora do intervalo experimental de -1 a +1. Isto vem confirmar a falta de ajuste do modelo.
Desta forma, para uma melhor descrio da resposta, o modelo dever incluir
os efeitos quadrticos e de interao dos dois fatores. A estimativa dos efeitos
quadrticos e de interao requer delineamentos com trs ou mais nveis
experimentais de cada fator. Como se observa este experimento tem 4 GL para
os tratamentos e o modelo de segundo grau tem cinco GL, ou seja, no h como
testar o modelo de segundo grau. Este foi um exemplo apenas para ajustamento de
modelo.
204
1
1
1
1
1
1
1
1
1
X = 1
1
1
1
1
1
1
1
1
X2ij
-1
-1
0
0
1
1
-1
-1
0
0
1
1
-1
-1
0
0
1
1
-1
-1
-1
-1
-1
-1
0
0
0
0
0
0
1
1
1
1
1
1
X1ij2
1/3
1/3
-2/3
-2/3
1/3
1/3
1/3
1/3
-2/3
-2/3
1/3
1/3
1/3
1/3
-2/3
-2/3
1/3
1/3
X2ij2
X1ijX2ij
1/3
1
1/3
1
1/3
0
1/3
0
1/3
-1
1/3
-1
-2/3
0
-2/3
0
-2/3
0
-2/3
0
-2/3
0
-2/3
0
1/3
-1
1/3
-1
1/3
0
1/3
0
1/3
1
1/3
1
Yij
1,14
1,05
1,87
1,60
1,70
1,80
2,23
2,30
3,13
Y = 3,00
2,80
1,95
0,74
0,50
1,43
1,00
0,10
0,05
A matriz
18
0
0
XX = 0
0
0
0
12
0
0
0
0
0
0
12
0
0
0
28,3900
0,4400
-5,3400
XY = -2,5676
-5,9475
-2,4000
0
0
0
4
0
0
0
0
0
0
4
0
0
0
0
0
0
8
g0
g1
g2
= g11 = G
g22
g12
e (XX)-1
1/18 0
0
0
0
0
0 1/12 0
0
0
0
0
0 1/12 0
0
0
= 0
0
0 1/4 0
0
0
0
0
0 1/4 0
0
0
0
0
0 1/8
Y
Y11
Y12
Y21
Y22
Y31
Y32
Y41
Y42
Y51
= Y52
Y61
Y62
Y71
Y72
Y81
Y82
Y91
Y92
205
B =
b0
b1
b2
b11
b22
b12
1,5772
0,0367
-0,4450
-0,6417
-1,4867
-0,3000
Para obter a equao de regresso de segunda ordem correspondente matriz do delineamento na forma no ortogonalizada, basta incorporar o ajustamento
feito para a ortogonalizao, dado por
V(b11) = 2/4
V(b22) = 2/4
V(b12) = 2/8
206
O valor de
tar bom ajustamento, ou pelo QMEpuro, se o modelo apresentar falta de ajustamento significativa.
Os clculos das Somas de Quadrados, para a anlise de varincia da regresso, incluindo os testes dos efeitos lineares e quadrticos, separadamente, esto
descritos a seguir:
SQTotal = Yij2 - C = 14,3690
com 17 GL.
Esta SQReg pode ser decomposta em seus efeitos lineares, quadrticos e de interao.
SQRLinear = b1g1 + b2g2 = 0,0161 + 2,3763 = 2,3924 com 2 GL.
SQRQuad = b11g11 + b22g22 = 1,6476 + 8,8421 = 10,4897 com 2 GL.
SQInter = b12g12 = 0,72000
SQRReg = SQTotal - SQReg = 14,3690 - 13,6021 = 0,7669 com 12 GL.
SQEpuro = 0,5405
com 9 GL.
207
GL
Regresso
Reg Linear
b1
b2
Reg Quad e Inter
b11
b22
b12
RRegresso
Falta Ajuste
Epuro
5
2
1
1
3
1
1
1
12
3
9
SQ
13,6021
2,3924
0,0161
2,3763
11,2097
1,6476
8,8421
0,7200
0,7669
0,2264
0,5404
QM
Fc
F0,05
1,1962
18,72*
3,89
3,7366
58,48*
3,49
0,0639
0,0755
0,0600
1,26ns
3,86
Da soluo das duas equaes para x1 e x2 obtm-se o ponto estacionrio (x1,0 x2,0) = (0,0651, -0,1562). Assim, a resposta tima, se existir, corresponder a este ponto estacionrio. A resposta esperada neste ponto estacionrio :
^Y = 2,9962 + (0,0367)(0,0651) + (-0,4450)(-0.1562) - (0,6417)(0,0042)
+
(-1,4867)(0,0244) + (-0,3000)(-0,0102)
^Y = 3,04
(-0,3000)
-1,4867-
= 0
2 + 2,1284 + 0,9315 = 0.
208
1 = -0,6159 e 2 = -1,5126.
[Como uma verificao dos clculos pode-se testar a igualdade
1+ 2= b11 + b22]
Uma vez que as duas razes caractersticas so negativas, a superfcie de resposta tem um mximo em ^Y = 3,04, correspondendo ao ponto estacionrio.
x1 =(50-125)/75 = -1,
(125-125)/75 = 0
(200-125)/75 = 1
e x2 =(X2-c)/I.
X2 = 20, 40, 60
x2 =(20-40)/20 = -1
x2 =(40-40)/20 = 0
x2 =(60-40)/20 = 1
ento
209
Delineamentos Compostos
Em estudos envolvendo mais de duas variveis independentes (fatores), o
uso de fatoriais 3n resultaria em nmero excessivo de pontos experimentais ou de
tratamentos a serem testados. Este aumento no nmero de tratamentos, no s
poderia tornar o experimento muito caro, quanto em alguns casos, praticamente
impossvel de ser realizado, em razo da necessidade de grande quantidade de material experimental, para atender a um determinado delineamento. Por exemplo,
Dois fatores, cada um em trs nveis { A => 1, 2, 3 e
B => 1, 2, 3; resul-
taria em 32 = 9 tratamentos.
Para 3 fatores (A, B, C) cada um em 3 nveis => 33 = 27 tratamentos. Para 4 fatores (A, B, C, D) cada um em 3 nveis
=> 34 = 81 tratamentos.
210
Notao geomtrica
2 + 2.3 + 1 = 15 Pontos
Experimentais
= (pm/4r2)1/4, em que p = (
M -
m)2, sendo:
211
Desenhos Rotativos
O poder de predio de um modelo ajustado de resposta em vrios pontos da
regio experimental depende do delineamento utilizado. So desejveis os delineamentos capazes de predizer de forma homognea em todas as distncias constantes, em relao ao ponto central. Estes so denominados delineamentos rotativos.
Para delineamentos rotativos as varincias e as covarincias dos coeficientes estimados no modelo ajustado permanecem inalterados quando os pontos experimentais so girados (rotacionados) em torno do seu centro. O delineamento de primeira
ordem para estimar um modelo correspondente, com um ponto central, pode ser
representado como na Figura 2 a seguir. Este um desenho rotativo.
Representao geomtrica
Fatorial 2k+1
B
-
+ b
ab +
(0,0)
A
- (1)
-
a +
212
X2
|
| .2
.3
|
|.6
-----------.1-- X1
|
.4
|
|.5
|
Pentgono
X2
|
| .2
.3 |
|.7
--.4-------.1--- X1
|
|
.5 | .6
|
Hexgono
X2
|.7
|
.3 |
.4
|.9
--.6--------.5-- X1
|
.1 | .2
|
|.8
Octgono
213
Da tem-se
c = 1/M X1i2 = 1/M X2i2 = 6/9 = 2/3
Quadro 5 - Pontos experimentais (codificados) de alguns delineamentos
rotativos de segunda ordem, para dois fatores.
Ponto
Pentgono
1
2
3
4
5
6
Hexgono
1
2
3
4
5
6
7
Octgono
1
2
3
4
5
6
7
8
9
x1
x2
1,000
0,309
-0,809
-0,809
0,309
0
0
0,951
0,588
-0,588
-0,951
0
1,000
0,500
-0,500
-1,000
-0,500
0,500
0
0
0,866
0,866
0
-0,866
-0,866
0
-1
1
-1
1
1,4142
-1,4142
0
0
0
-1
-1
1
1
0
0
1,4142
-1,4142
0
Cinco nveis de X1
e trs nveis de X2
214
constante
regresso
X1i
1
2
3
4
5
6
7
8
9
1
1
1
1
1
1
1
1
1
-1
0
1
-1
0
1
-1
0
1
variveis do modelo de
regresso
X2i
X1i2
X2i2
-1
-1
-1
0
0
0
1
1
1
1
0
1
1
0
1
1
0
1
1
1
1
0
0
0
1
1
1
X1iX2i
1
0
-1
0
0
0
-1
0
1
constante
regresso
x1i
1
2
3
4
5
6
7
8
9
1
1
1
1
1
1
1
1
1
-1
0
1
-1
0
1
-1
0
1
variveis do modelo de
regresso
x2i
x1i2 -c
x2i2-c
-1
-1
-1
0
0
0
1
1
1
1/3
-2/3
1/3
1/3
-2/3
1/3
1/3
-2/3
1/3
1/3
1/3
1/3
-2/3
-2/3
-2/3
1/3
1/3
1/3
x1ix2i
1
0
-1
0
0
0
-1
0
1
215
216
EXEMPLO X Dados de um experimento para testar efeitos do tempo e da temperatura em um processo de sntese que maximize o rendimento de uma substncia
qumica (mercaptobenzotiazol). um exemplo para um modelo de dois fatores em
que a superfcie estimada no apresenta um nico mximo. A anlise de cumieira
ser usada para determinar a regio em que se localiza o rendimento timo esperado. O job SAS (que ajusta o modelo de segundo grau em tempo e temperatura)
com os dados experimentais e variveis na escala original para ajustar o modelo de
segundo grau apresentado a seguir:
OPTIONS LS = 75 PS = 75;
DATA B;
INPUT TEMP TEMPER RESP;
LABEL TEMP = "TEMPO DE RAO (HORAS)"
TEMPER = "TEMPERATURA (CELCIUS)"
RESP = "RENDIMENTO (%)";
CARDS;
4
250 83.8
20
250 81.7
12
250 82.4
12
250 82.9
12
220 84.7
12
280 57.9
12
250 81.2
6.3
229 81.3
6.3
271 83.1
17.7 229 85.3
17.7 271 72.7
4
250 82.0
;
PROC SORT; BY TEMP TEMPER; RUN;
*;
PROC RSREG;
MODEL RESP = TEMP TEMPER/LACKFIT;
RIDGE MAX; RUN;
217
Os dados de tempo e temperatura entraram com os valores na escala original. O PROC RSREG apresenta ento a formula geral para os valores codificados na
escala de -1 a +1, x1 = (X1 -12)/8, para tempo e x2 = (X2 250)/30, para temperatura. Desta forma a correspondncia seria:
-1
4
Tempo
Temperatura
-0,7125
6,3
-1
220
-0,7
229
0
12
0
250
0,7125
17,7
+0,7
271
+1
20
+1
280
12.000000
250.000000
8.000000
30.000000
79.916667
4.615964
0.8003
5.7760
Root MSE a raiz quadrada do erro, neste caso o RRegressao (assume falta de
ajuste no significativa).
R-Square o R2 , neste caso igual a SQModelo/SQTotal
R2 = 512,193947/640,03667 = 0,800257
O Coefficient of Variation coeficiente de variao a raiz quadrada do quadrado
mdio do erro dividida pela mdia de Y, expresso em percentagem, ou seja,
100*4,615964/79,916667 =5,7759.
DF
2
2
1
5
Type I Sum
of Squares
313.585803
146.768144
51.840000
512.193947
R-Square
0.4899
0.2293
0.0810
0.8003
F Value
7.36
3.44
2.43
4.81
Pr > F
0.0243
0.1009
0.1698
0.0410
218
DF
Sum of
Squares
Mean Square
F Value
Pr > F
3
3
6
124.696053
3.146667
127.842720
41.565351
1.048889
21.307120
39.63
0.0065
Parameter
Intercept
TEMP
TEMPER
TEMP*TEMP
TEMPER*TEMP
TEMPER*TEMPER
DF
Estimate
1
1
1
1
1
1
-545.867976
6.872863
4.989743
0.021631
-0.030075
-0.009836
Standard
Error t Value Pr > |t|
277.145373
5.004928
2.165839
0.056784
0.019281
0.004304
-1.97
1.37
2.30
0.38
-1.56
-2.29
0.0964
0.2188
0.0608
0.7164
0.1698
0.0623
Parameter
Estimate
from Coded
Data
82.173110
-1.014287
-8.676768
1.384394
-7.218045
-8.852519
Factor
TEMP
TEMPER
DF
3
3
Sum of
Squares
61.290957
461.250925
Pr > F Label
0.4704 TEMPO DE RAO (HORAS)
0.0205 TEMPERATURA (CELCIUS)
219
Referncias Bibliogrficas
.BETHEA, R.M.; DURAN, B.S. & BOULLION, T.L. Statistical Methods for Engineers
and Scientists. 2a. Ed. Marcel Dekker, Inc., New York. 698p.
.DRAPER, N.R. & SMITH, H. Applied regression analysis. 2nd. Edition. John Wiley &
Sons. New York. 1981. 709p.
.GACULA, Jr., M.C. & SINGH, J. 1984. Statistical Methods in Food and Consumer
Research. Academic Press, Inc., Orlando, FL. 505p.
.SAS Institute, Inc., SAS/STAT Users Guide, Version 6, Fourth Edition, Volume 2,
Cary, NC: SAS Insitute Inc., 1989. 846p.
.SOKAL, R.R. & ROHLF, F.J. Biometry: The principles and practice of statistics in
biological research. 2. Ed. W.H Freeman and Company. New York. 859p.