Universidade Federal de Viosa

Departamento de Estatstica
Disciplina: EST 631 Mtodos Estatsticos II

Apostila

Introduo Metodologia de Superfcies

Superfcie de Resposta

Paulo Roberto Cecon

Anderson Rodrigo da Silva

Viosa, MG
2011

Introduo Metodologia de Superfcies de Resposta

ii

Sumrio
1.

Introduo.................................................................................................................. 1

2.

Modelo de Primeira Ordem ....................................................................................... 4

3.

Delineamentos Experimentais para Ajuste de Modelos de Primeira Ordem ............ 9

3.1.

Fatorial Completo .............................................................................................. 9

3.2.

Delineamento Composto Central (DCC) ........................................................... 9

3.3.

Delineamento Composto Central Rotacionado (DCCR) ................................. 10

3.4.

Delineamento de Box-Behnken (DBB) ........................................................... 10

4.

Teste de Significncia do Modelo ........................................................................... 12

5.

Medidas e Adequao de Modelos.......................................................................... 13

6.

Teste para Falta de Ajuste ....................................................................................... 14

7.

Mtodo da Inclinao Ascendente .......................................................................... 15

8.

Exemplo de Aplicao para o Modelo de Primeira Ordem .................................... 15

9.

Modelo de Segunda Ordem ..................................................................................... 21

10. Localizao do Ponto Estacionrio ......................................................................... 28

11. Caracterizando a Superfcie de Resposta ................................................................ 29
Referncias ..................................................................................................................... 35

iii

1. Introduo
No contexto da estatstica experimental h constante interesse em caracterizar a
possvel relao entre uma ou mais variveis resposta e um conjunto de fatores de
interesse. Isso pode ser executado atravs da construo de um modelo que descreva a
varivel resposta em funo dos nveis aplicveis desses fatores.
Certos tipos de problemas cientficos envolvem a expresso de uma varivel
resposta, tal como o rendimento de um produto, como uma funo emprica de um ou
mais fatores quantitativos, tais como a temperatura de reao e a presso. Isso pode ser
efetuado utilizando-se uma metodologia que permita modelar a relao: Rendimento em
funo de temperatura de reao e presso. O conhecimento da forma funcional de f,
frequentemente obtida com a modelagem de dados provenientes de experimentos
planejados, permite tanto sumarizar os resultados do experimento quanto predizer a
resposta para nveis dos fatores quantitativos. Assim, a funo f define a superfcie de
resposta, que em sua essncia, consiste em estimar coeficientes da regresso polinomial
para a gerao de um modelo emprico, por meio do qual possvel aproximar uma
relao (inicialmente desconhecida ou conhecida) entre os fatores e as respostas do
processo.
Podemos ento definir a Superfcie de Resposta como sendo a representao
geomtrica obtida quando uma varivel resposta plotada como uma funo de dois ou
mais fatores quantitativos. A funo pode ser assim definida:
Y = f (X1 , X 2 ,..., X k ) +

Em que: Y a resposta (varivel dependente); X1 , X 2 ,..., X k so os fatores (variveis

independentes); e o erro aleatrio.
Denota-se a resposta esperada por:
E(Y) = f (X1 , X 2 , , X k ) =

ento,
= f (X1 , X 2 , , X k )

 chamada de superfcie de resposta.

A metodologia de superfcie de resposta, ou MSR, uma coleo de tcnicas
matemticas e estatsticas que so teis para modelagem e anlise nas aplicaes em
que a resposta de interesse seja influenciada por vrias variveis e o objetivo seja
otimizar essa resposta. Por exemplo, suponha que um engenheiro qumico deseje
encontrar os nveis de temperatura (X1) e concentrao da alimentao (X2) que
maximizem o rendimento (Y) de um processo. O rendimento de um processo uma
funo

dos

nveis

de

temperatura

concentrao

de

alimentao,

como

Y = f (x1, x 2 ) + , em que representa o erro observado na resposta esperada

E(Y) = f (x1, x 2 ) = , ento a superfcie representada por = f (x1, x 2 ) chamada de
superfcie de resposta (Montgomery e Runger, 2008).

Segundo Montgomery (2001), as equaes definidas de superfcie de resposta

podem ser representadas graficamente e utilizadas de trs formas:

Descrever como as variveis em teste afetam as respostas;

Determinar as inter-relaes entre as variveis em teste; e

Para descrever efeitos combinados de todas as variveis em teste sobre a

resposta.

Algumas consideraes devem ser feitas quando utilizamos superfcie de

resposta, a saber:

a) O uso efetivo da superfcie de resposta deve considerar cinco pressupostos:

i.

Os fatores que so crticos ao processo so conhecidos;

ii.

A regio em que os fatores influem o processo conhecida;

iii.

Os fatores variam continuamente ao longo da faixa experimental escolhida;

iv.

Existe uma funo matemtica que relaciona os fatores resposta medida;

v.

A resposta que definida por essa funo uma superfcie lisa.

b) A tcnica tambm apresenta algumas limitaes que devem ser consideradas:

i.

Grandes variaes dos fatores podem resultar em concluses falsas;

ii.

Os fatores crticos no foram especificados corretamente;

iii.

A regio de timo pode no ser determinada devido ao uso de uma faixa muito
estreita ou ampla;

iv.

Como em qualquer experimento, resultados destorcidos podem ser obtidos se os

princpios clssicos da experimentao no forem seguidos (casualizao,
repetio e controle local); e

v.

Superestimar a computao: o pesquisador dever utilizar de bom senso e seu

conhecimento sobre o processo para chegar a concluses apropriadas a seus
dados.

A aplicao dessa metodologia foi realizada inicialmente na indstria qumica,

tendo sido seus fundamentos formalizados por Box e Draper (1987). No campo
agronmico, o uso concentrou-se no estudo do rendimento de cultivares, como efeito de
nveis de nutrientes aplicados ao solo, incluindo-se outros fatores, como: densidade de
plantio e lminas de irrigao.
A superfcie de resposta til quando o pesquisador no conhece a relao exata
entre os fatores. Mas, geralmente quando a expresso analtica da funo conhecida, a
metodologia pode ser til em alguns casos: freqentemente podem-se encontrar funes
descontnuas, e em muitos casos se trabalha com valores discretos das variveis de
projeto ou fatores, sendo assim o uso da metodologia de superfcie de resposta apresenta
uma ampla aplicao na pesquisa, porque ela considera vrios fatores em nveis
diferentes e as interaes correspondentes entre esses fatores e nveis.
Dentre as vantagens da metodologia de superfcie de resposta, a principal que
seus resultados so resistentes aos impactos de condies no ideais, como erros
aleatrios e pontos influentes, porque a metodologia robusta. Outra vantagem a
simplicidade analtica da superfcie de resposta obtida, pois a metodologia gera
polinmios. Em geral, polinmios de duas ou mais variveis, so funes contnuas.

Aps o ajuste do modelo aos dados, possvel estimar a sensibilidade da

resposta aos fatores, alm de determinar os nveis dos fatores nos quais a resposta
tima (por exemplo, mxima ou mnima).

2. Modelo de Primeira Ordem

Na maioria dos problemas em superfcie de resposta, a forma do relacionamento
entre as variveis dependentes e independentes desconhecida. Assim, o primeiro passo
encontrar uma aproximao para o verdadeiro relacionamento entre a varivel
resposta (y) e as variveis independentes (fatores). Geralmente utiliza-se de uma
regresso polinomial de baixo grau em alguma regio das variveis independentes. A
forma geral para o modelo de primeira ordem (ou modelo de grau um) em k variveis de
entrada (independentes) pode ser representado por:
k

Y = 0 + i X i +
i =1

Onde Y uma varivel resposta observada, 0 , 1 , ..., k so parmetros desconhecidos,

e o termo do erro aleatrio. Se tem mdia zero, ento a poro no aleatria do
modelo geral de primeira ordem representa a verdadeira resposta mdia, , que ,
k

= E(Y) = 0 + i X i
i =1

e tido como erro experimental. Se, entretanto, o modelo descrito inadequado para
representar a verdadeira resposta mdia, ento contm, adicionalmente ao erro
experimental, um erro no aleatrio (sistemtico). Este ltimo erro atribudo a omisso
de termos em X1 , X 2 ,..., X k de grau superior a um que podem ser entendidas como
outras variveis as quais tem alguma influncia sobre a varivel resposta. Este erro
adicional (excluindo o erro experimental) chamado falta de ajuste.
Escrevendo o modelo em notao matricial, considerando N observaes, temos:
Y = X +

Em que Y um vetor de N (N k+1) observaes, `= [0 1 ... k ] um vetor (k+1)

x 1 de parmetros desconhecidos, `= [ 1 2 ... N ] um vetor N x 1 de erros, e X
uma matriz N x (k+1) de coeficientes dos parmetros que compreende os nveis das
variveis independentes. Assume-se que os erros aleatrios so NID(0, 2 ) , isto ,
independentemente distribudos com distribuio Normal de mdia zero e varincia
comum. Quando a matriz X de posto coluna completo, ento o estimador de mnimos
quadrados ordinrios de pode ser obtido por:

= ( X`X) 1 X`Y
E a matriz de varincias e covarincias de dada por:

V( ) = ( X`X) 1 2

Na maioria dos casos, os clculos para estimao dos parmetros podem ser
simplificados codificando os nveis das k variveis independentes Xi por meio de:

x iu =

2(Xiu Xi )
Ri

i = 1,2,...,k e u = 1,2,..., N

Em que X i = u =1 X iu / N e R i a diferena entre o maior e o menor valor dos nveis.

N

A codificao apresenta a caracterstica:

N

x
u =1

iu

=0

i = 1,2,...,k

Exemplo: Os dados a seguir referem-se ao peso de alimentos ingeridos em experimento

com alimentao de ratos em relao a durao do tempo entre inoculao de dosagens
de uma droga e a alimentao (horas).

Droga (X1)
Dosagem (mg kg-1)
0,3
0,3
0,7
0,7
0,3
0,3
0,7
0,7
0,3
0,3
0,7
0,7

Tempo (X2)

Peso observado

1
1
1
1
5
5
5
5
9
9
9
9

5,63
6,42
1,38
1,94
11,57
12,16
5,72
4,69
12,68
13,31
8,28
7,73

Utilizando variveis codificadas, tem-se:

x1u =

2 ( X1u X1 )

x 2u =

R1

2 ( X 2u X 2 )
R2

2 ( X1u 0,5 ) X1u 0,5

=
0,7 0,3
0, 2
=

2 ( X 2u 5 ) X 2u 5
=
9 1
4

Ento, o modelo de primeira ordem para Yu = 0 + 1X1u + 2X2u + u , em notao

matricial Y = X + , utilizando as variveis codificadas

5,63
1
6, 42
1

1,38
1

1,94
1
11,57
1

12,16 = 1
5,72
1

4,64
1
12,68
1

13,31
1

8, 28
1
7,73 1 12 1
12

11
1

1
12
21
1

1
22

0
31
0
0
32

+
1

0
41
3 2 1
42
0

1
51

52
1 1

1 1
61

1 1 3
12 62 1
1
1
1
1
1
1
1
1
1

 = ( X' X) 1 X' Y

n
n
X' X = x 1u
u =1
n
x 1u
u =1

u =1
12 0 0
n
x1u x 2u = 0 12 0
u =1
n
0 0 8
2
x 2u
u =1

x1u

x 2u

u =1
n

x1u2
u =1

x1u x 2u
u =1

Yu
u =1

X'Y = Yu x1u
u =1

Yu x 2u
u =1

1
12 0

= 0 1
12

0 0

0
91,46 7,62166

0 32,08 = 2,67333

1 26,63 3,32875
8

Equao ajustada:

= 7,62166 2,67333** x + 3,32875** x

Y
1u
2u
= 7,62166 2,67333** X1u 0,5 + 3,32875** X 2 u 5
Y
4
0,2
= 10,1440 13,3665** X + 0,83212875** X
Y
1u

2u

Hipteses:

H 0 : 1 = 2 = 0
H1 : pelo menos um dos difere de zero

Quadro da anlise de varincia:

FV

GL

SQ

QM

Regresso

174,1380

87,0690

84,28**

Resduo

9,2980

1,0331

Total

11

183,4360

R2 =

174,1380
= 0,9493
183,4360

Teste para cada um dos parmetros:

H 0 : 1 = 0
H 1 : 1 0

t=

- 2,67333 - 0
= 9,10**
1
(1,0331)
12

H0 : 2 = 0
H1 : 2 0

t=

3,32875 0
= 9,26**
1
(1,0331)
8

**

significativo pelo teste t a 5% de probabilidade.

3. Delineamentos Experimentais
Experimentais para Ajuste de
Modelos de Primeira Ordem
3.1. Fatorial Completo
Caracteriza-se
se pela Combinao de todos os nveis de todos os fatores
escolhidos pelo pesquisador apresentando como desvantagem um nmero muito grande
de ensaios. Deste modo, um fatorial completo com p(nveis) e k(fatores) apresenta pk
combinaes distintas,
s, se p = k.
k

Exemplo 1: Em
m um ensaio onde se deseja contrastar temperatura (30, 35, 40), tempo (3,
5, 7) e pH (5, 6, 7) tentando otimizar uma determinada reao qumica, temos um
fatorial 33, onde k=3 fatores e p=3 nveis.. Ao todo sero 27 tratamentos,
tratamentos conforme a
representao grfica:

3.2. Delineamento
lineamento Composto Central (DCC)
Caracteriza-se
se pela Combinao de um fatorial 2K (k fatores) mais o ponto
central. Sua vantagem a de reduzir o nmero de ensaios, todavia sua utilizao
restringe-se ao ajuste de modelos de primeira ordem.
Tomando-se
se como ilustrao o exemplo da seo 3.1,, o nmero de tratamentos
ficaria: 23+1 = 9, uma reduo de 18 ensaios em relao ao fatorial completo.

3.3. Delineamento Composto Central Rotacionado (DCCR)

utilizado para experimentos onde k(fatores) 2 . Este delineamento contm
pontos da parte cbica codificados para ( 1), pontos axiais codificados para ( ,
onde = (2k)1/4) para testar o modelo de segunda ordem e o ponto central codificado
para (0) que geralmente possui repeties. Assim, nmero de tratamentos passaria a ser:
fatorial 2k + ponto central + 2k pontos axiais. Para o exemplo da seo 3.1., 23+1+2*3=
15 tratamentos.

3.4. Delineamento de Box-Behnken (DBB)

utilizado para experimentos com k 3. Tendo como principal vantagem a
reduo do nmero de ensaios para estudar um maior nmero de fatores. De modo geral
os nveis dos fatores so escolhidos partir das informaes de seus limites inferiores e
superiores.
O nmero de tratamentos d-se pela combinao dos nveis da parte cbica +
ponto central.
A ttulo de ilustrao, seguem abaixo outros exemplos:

Exemplo 2. Um experimento com dois fatores de interesse (A e B), possuindo p = 4

nveis para ambos os fatores.

10

Exemplo 3.

Exemplo 4.. Um planejamento experimental com 3 fatores e 4 nveis cada.

11

4. Teste de Significncia do Modelo

Este teste realizado como um procedimento de ANOVA. Calculando-se a
razo entre a mdia quadrtica dos termos de regresso e a mdia quadrtica do erro,
encontra-se a estatstica F, que comparada com o valor crtico de F para um dado nvel
de significncia, permite avaliar a significncia do modelo. Se F for maior que F crtico
ento o modelo adequado (Montgomery, 2001).
Considerando o sistema de equaes normais (SEN), dado por:

X`X = X`Y
pode-se obter as somas de quadrados relativas a cada fonte de variao da ANOVA:
N

SQTotal = Y`Y C = Yj2 C

j =1

SQ Re sduo = Y`Y `X`Y

SQRe g = `X`Y
C
em que C o termo de correo, dado por:

N
Yj
j =1

C=
N

O teste para a significncia da regresso determina se existe uma relao linear

entre a varivel de resposta y um subconjunto de regressores. As hipteses apropriadas
neste caso so:

H 0 : 1 = 2 = ... = k
H1 : pelo menos um dos difere de zero

O teste individual de significncia de cada coeficiente pode conduzir a

otimizao do modelo atravs da eliminao ou adio de termos. As hipteses
utilizadas para testar qualquer um dos coeficientes de regresso so:

H 0 : i = 0
H1 : i 0

12

O teste utilizado para realizar esse teste :

t=

=
)
cii 2
V(
i

Em que cii o elemento da diagonal da matriz (XX)-1 correspondente ao coeficiente em

teste. A estatstica segue distribuio t com o nmero de graus de liberdade do resduo.
Se o valor p do teste individual para os termos for inferior ao nvel de
significncia, ento o termo adequado ao modelo e deve, portanto, ser mantido. Ao
contrrio, o termo deve ser excludo se tal procedimento conduzir a um aumento do
coeficiente de determinao R conjuntamente com a diminuio do efeito residual e o
valor p referente falta de ajuste do modelo for superior ao nvel de significncia. Alm
disso, a retirada de qualquer termo deve obedecer ao princpio da hierarquia. Este
princpio, segundo Montgomery (2001), postula que quando um termo de ordem alta for
mantido no modelo, o de ordem baixa que o compe tambm deve ser mantido.

5. Medidas e Adequao de Modelos

A medida de adequao mais comumente usada o coeficiente de determinao
R, definido por:

R2 =

SQRegresso
SQResduo
= 1
SQTotal
SQTotal

[0 R 2 1]

e representa a proporo da variao total que devida (explicada) pelo modelo

regresso.
Associado ao R est o coeficiente de determinao ajustado R 2 , que considera
o fato de que R tende a superestimar a quantidade atual de variao contabilizada para
a populao. Tambm fato que a incluso de muitos parmetros no modelo de
regresso aumenta substancialmente o valor de R. Se o modelo recebeu parmetros
desnecessrios haver um incremento em R sem haver, necessariamente, melhoria de
preciso da resposta. Por isso o R ajustado mais indicado para comparar modelos com
nmeros diferentes de parmetros e, ainda, ajustados com nmero de observaes
diferentes. O coeficiente de determinao ajustado para graus de liberdade e nmero de
parmetros (p) definido por:
13

R2 =

R 2 (n 1) p
n p 1

Nota: O R2 ajustado sempre menor que o R2 e s ser igual quando R2 = 1.

6. Teste para Falta de Ajuste

A adio de pontos centrais aos arranjos experimentais proporciona a obteno
de uma estimativa do erro experimental. De acordo com Montgomery (2001), este
artifcio permite que a soma de quadrados residual (SQRes) seja discriminada em dois
componentes: (i) a soma de quadrados devida ao erro puro (SQEP) e; (ii) a soma de
quadrados devido falta de ajuste do modelo adotado (SQF.Aj). Assim, pode-se escrever:

SQRe s = SQ EP + SQ F.Aj.
Admitindo-se que existam ni observaes de uma dada resposta Y de interesse
no i-simo nvel dos regressores x i (i = 1,2,...,k) . Considere que Yij denote a j-sima
observao da resposta no nvel x i , com j = 1,2,...,n i e

n
i =1

= N , o total de

observaes. Ento, o ij-simo resduo ser:

= (Y Y ) + (Y Y
)
Yij Y
ij
ij
i
i

Onde Yi a mdia da resposta para o nvel x i . Elevando-se ao quadrado ambos os

lados e somando em relao a i e j, obtm-se:
k

ni

ni

)2 =
)2
(Yij Y
(Yij Yi ) 2 + n i (Yi Y

i
i
i =1 j =1
i =1 j =1
i =1




 
SQ Re s

SQ EP

14

SQ F.Aj.

7. Mtodo da Inclinao Ascendente

O objetivo auxiliar o pesquisador, de forma rpida e eficiente, a encontrar a
regio de timo, isto , determinar a melhor regio de estudo. Encontrada a regio de
timo, um modelo mais elaborado, por exemplo, um modelo de segunda ordem, pode
ser empregado, e uma anlise pode ser feita para localizar o ponto de mximo ou de
mnimo (ponto timo).
Utiliza-se um conjunto de tratamentos em torno do ponto inicial e estimam-se
por Mnimos Quadrados as inclinaes i . A partir das magnitudes e sinais destas
inclinaes, calcula-se a direo do mtodo da inclinao ascendente (MIA). Assim:

Experimentos so conduzidos ao longo do caminho da MIA at que nenhum

incremento na resposta seja observado.
Eventualmente, chega-se a vizinhana do valor timo e isto ser indicado pela
falta de ajuste do modelo de 1 ordem.
A aproximao por um plano se torna insatisfatria pelo fato dos efeitos de
ordens mais elevadas, particularmente os de 2 ordem (quadrtico e de interao
linear), se tornarem relativamente mais importantes. Nesse caso usa-se o Modelo
Quadrtico.

8. Exemplo de Aplicao para o Modelo de

Primeira Ordem
Consideremos o seguinte exemplo: um experimento em esquema fatorial 2x2,
tempo e temperatura, com dois nveis cada, ou seja, um fatorial 22 para que os nveis
desses fatores maximizem a produo de um determinado processo. A regio
experimental ser (30, 40) min para o tempo de reao e (150, 160)F para temperatura.
Normalmente, opera-se com um tempo de 35 minutos e temperatura de 155 F, que
resulta numa produo de 40% aproximadamente.

15

Como esta regio provavelmente no contm o timo, um modelo de primeira

ordem ser ajustado e aplicado o Mtodo da Mxima Inclinao Ascendente. As
variveis independentes sero codificadas para (-1, 1) para simplificar os clculos.
Sero includos tambm cinco pontos centrais entre os valores mximos e mnimos do
tempo e temperatura. As repeties no ponto central so utilizadas para estimar o erro
experimental e para checar o ajuste do modelo de primeira ordem. Os pontos centrais do
delineamento so os correspondentes s condies de operao atual (35 min e 155 F).

Codificao:
x1 =

X1 35
5

x2 =

X 2 155
5

Tabela 1. Variveis originais e codificadas de um experimento fatorial 2x2 (tempo e

temperatura).
Variveis originais
X1
X2

Variveis codificadas
x1
x2

30
30
40
40
35
35
35
35
35

-1
-1
1
1
0
0
0
0
0

150
160
150
160
155
155
155
155
155

-1
1
-1
1
0
0
0
0
0

Resposta
Y
39,3
40,0
40,9
41,5
40,3
40,5
40,7
40,2
40,6

Para realizao do diagnstico correto em relao ao modelo de primeira ordem

deveremos obter uma estimativa do erro experimental, verificar se a interao deve ser
includa no modelo e finalmente verificar se os termos quadrticos devem ser
adicionados no modelo.

16

Tabela 2. Anlise de varincia do modelo de primeira ordem.

FV
Regresso
Desvios
Total
R = 0,9409

GL
2
6
8

SQ
2,8250
0,1773
3,0023

QM
1,4125
0,0295

F
47,8010

Valor p
0,0002

R Ajustado = 0,9212

Tabela 3. Estimativas dos parmetros do modelo de regresso de primeira ordem.

Efeitos
Constante
Tempo ( x1 )

Estimativas
40,4444

Desvio

Valor p

0,7750

0,0859

9,0169

0,0002

Temperatura ( x 2 )

0,3249

0,0859

3,7811

0,0093

Equao ajustada:
y = 40, 440 + 0,775x1 + 0,325x 2

42.0
41.5

41.0
40.5
40.0
39.5
1.0

39.0

0.5
0.5

0.0
0.0

-0.5

-0.5

x2

-1.0

x1

-1.0

Figura 1. Superfcie de Resposta do modelo de 1 Ordem.

Clculo do erro experimental

A soma de quadrado do erro obtida de forma tradicional, com 4 graus de

liberdade.

17

 2 =

(40,3 + 40,5 + 40,7 + 40, 2 + 40,6) (202,3) 5

= 0,0430
5 1

A interao entre os fatores pode ser obtida adicionando o termo x1x2 e medida
pelo coeficiente 12. A estimativa obtida (considerando as variveis codificadas) por:

12 =

1
(x1y1 + x1y2 + x 2 y3 + x 2 y 4 )
n trat
o

SQInt =

YMeio
n trat

Extremos
o

Para o exemplo em questo, temos:

1
12 = (1* 39,3 + (1* 40) + (1* 40,9) + 1* 41,55 ) = 0,025
4
SQInt =

[(39,3 + 41,5) (40 + 40,5)]2

= 0,0025
4

F=

SQ Int
0,0025
=
= 0,058
QM Erro
0,043

Outra verificao da adequabilidade do modelo obtida pela comparao da

resposta mdia dos quatro pontos do fatorial (40,425), com a resposta mdia do centro
do delineamento (40,46).
Se 11 e 22 so os coeficientes dos termos quadrticos 12 e 22 , ento a diferena
das mdias uma estimativa de 11 + 22.

11 + 12 = y1 y2 = 40,425 40,46 = 0,035

Assim, no existe nenhuma razo para questionar o modelo de primeira ordem.
Os prximos passos da (MIA) devem seguir.
Para andar (mover-se) do centro do delineamento (x1=0 e x2=0) no caminho da
inclinao ascendente, deveramos mover 0,775 unidades na direo x1 para cada 0,325

18

unidades na direo de x2. Assim, a direo da inclinao ascendente passa pelo ponto
central (x1=0 e x2=0) e tem inclinao 0,325/0,775=0,42.
O engenheiro decide usar um tempo de reao de 5 minutos como tamanho do
passo inicial. Usando a relao entre X1 e x1, vimos que 5 minutos no tempo de reao
corresponde a um intervalo (passo), na varivel codificada x1, de x1=1. Os passos no
caminho da inclinao ascendente so:
x1=1
x2=(0,325/0,775) x1=0,42
Os pontos experimentais so obtidos e a produo para estes pontos observados
at que se perceba um decrscimo na produo. Os resultados so mostrados na tabela a
seguir:

Tabela 4. Mtodo da Inclinao Ascendente para o exemplo da tabela 1.

Passos
Origem

Origem +
Origem + 2
Origem +3
Origem +4
Origem +5
Origem +6
Origem + 7
Origem + 8
Origem + 9
Origem + 10
Origem + 11
Origem + 12

Variveis codificadas
x1

x2

0
1,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
10,00
11,00
12,00

0
0,42
0,42
0,84
1,26
1,68
2,10
2,52
2,94
3,36
3,78
4,20
4,62
5,04

Variveis originais
X1
X2
35
5
40
45
50
55
60
65
70
75
80
85
90
95

155
2
157
159
161
163
165
167
169
171
173
175
179
181

Resposta Y

No faz
41,0
42,9
47,1
49,7
53,8
59,9
65,0
70,4
77,6
80,3
76,2
75,1

Incrementos na resposta so observados at o 10 passo; depois h um

decrscimo na produo.
Portanto, outro modelo de primeira ordem pode ser ajustado em torno do ponto
(85,175). A regio de explorao para tempo seria (80,90) e de temperatura (170,180).
19

Assim repete-se todo o processo e os resultados so analisados a seguir:

A regio de X1 [80, 90] e para X2 [170, 180]. O delineamento experimental
e os resultados so apresentados na tabela a seguir. Novamente usou-se um fatorial 22
completo com cinco pontos centrais.

Tabela 5. Dados para o segundo ajuste do modelo de primeira ordem.

Variveis codificadas
x1

x2

Variveis originais
X1
X2

-1
-1
1
1
0
0
0
0
0

-1
1
-1
1
0
0
0
0
0

80
80
90
90
85
85
85
85
85

x1 =

X1 85
5

e x2 =

170
180
170
180
175
175
175
175
175

Resposta Y
76,5
77,0
78,0
79,5
79,9
80,3
80,0
79,7
79,8

X 2 175
5

Modelo de 1 ordem ajustado aos dados codificados dado por:

= 78,97 + 1,00X + 0,50X
Y
1
2

Tabela 6. Analise da varincia para o segundo modelo de primeira ordem.

FV
Regresso
Resduo
Interao
Quad. Puro
Erro puro
Total

GL
2
6
1
1
4
8

SQ
5,0000
11,1200
0,2500
10,6580
0,2120
16,1200

20

QM
2,5000

F
47,17*

0,2500
10,62580
0,0530

4,72
201,09*

Pela tabela de ANOVA, o componente do termo quadrtico puro foi

significativo, isso implica que o modelo de 1 Ordem no uma aproximao adequada.
A curvatura na real superfcie pode indicar que se est prximo do timo; assim,
anlises adicionais devem ser feitas para localizar o timo com mais preciso. Nesse
ponto, uma anlise adicional deve ser feita para localizar o timo com mais preciso.

9. Modelo de Segunda Ordem

Na falta de conhecimento suficiente acerca da forma da verdadeira superfcie de
resposta, geralmente o experimentador tenta a aproximao pelo modelo de primeira
ordem. Quando, entretanto, o modelo de primeira ordem apresenta falta de ajuste para a
superfcie, incorpora-se termos de ordem superior.
Quando o experimentador est relativamente prximo do timo, um modelo
que incorpora a curvatura usualmente requerido para aproximar a resposta. Na maioria
dos casos o modelo de segunda ordem
k

k 1 k

Y = 0 + i Xi + iiX + ijXiXj +
i =1

2
i

i =1

i =1 j=2
i<j

Em que X1,X2 ,...,Xk so as variveis independentes que tem influncia na resposta Y;

0 , i (i = 1,2,..., k), ij ( j = 1, 2,..., k) so parmetros desconhecidos, e um erro

aleatrio.
Utilizando variveis codificadas, x i ,obtidas por:
x iu =

u = 1, 2,...., N
i = 1, 2,..., k

X iu X i
s Xi

Em que Xiu o u-simo nvel da i-sima varivel independente, X i = u =1 X iu / N a

N

N
mdia dos valores Xiu , s Xi = u =1 (X iu X i ) 2 / N

1/ 2

o desvio padro, e N o

nmero de observaes. Sem perda de generalidade podemos considerar os valores de

Xi sendo substitudos pelos correspondentes valores de x i (i = 1,2,...,k) . Os valores da

21

varivel resposta obtidos com as variveis codificadas podem, ento, ser representados
como
k

k 1 k

Yu = 0 + i xiu + x + ijxiu x ju + u
i =1

i =1

2
ii iu

i =1 j=2
i<j

Em que u o erro experimental em Yu . Assume-se que os valores de u sejam

independentemente distribudos como variveis aleatrias com mdia zero e varincia
2 .

O modelo pode ser escrito na forma de matriz da seguinte forma:

Y = X +

Em que Y`= [ Y1 Y2 YN ] , X uma matriz N x p de coeficientes dos parmetros que

compreende os nveis das variveis independentes; p = (k + 1)(k + 2) / 2 ; um vetor
p x 1 de parmetros desconhecidos e `= [ 1 2 ... N ] . O estimador de mnimos
quadrados para no modelo dado por:

= ( X`X)1 X`Y
A matriz de varincias e covarincias de

V( ) = ( X`X) 1 2

10. Exemplo de Aplicao para o Modelo de

Segunda Ordem
Considere um esquema fatorial 3 x 3, com 3 nveis de N (0, 50 e 100) e 3 nveis
de P (20, 40 e 60), de acordo com o modelo de segunda ordem:

Yi = 0 + 1X1i + 2 X 2i + 3 X1i2 + 4 X 22i + 5 X1i X 2i + e i

O experimento di instalado no delineamento em blocos casualizados com 3 repeties
e os dados obtidos encontram-se na tabela a seguir:

22

Trat.

Bloco

x 1i

x 2i

x 12i x 1

x 22i x 2

x 1i x 2i

1
1
1
2
2
2
3
3
3
4
4
4
5
5
5
6
6
6
7
7
7
8
8
8
9
9
9

0
0
0
0
0
0
0
0
0
50
50
50
50
50
50
50
50
50
100
100
100
100
100
100
100
100
100

20
20
20
40
40
40
60
60
60
20
20
20
40
40
40
60
60
60
20
20
20
40
40
40
60
60
60

1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3

-1
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1

-1
-1
-1
0
0
0
1
1
1
-1
-1
-1
0
0
0
1
1
1
-1
-1
-1
0
0
0
1
1
1

1/3
1/3
1/3
1/3
1/3
1/3
1/3
1/3
1/3
-2/3
-2/3
-2/3
-2/3
-2/3
-2/3
-2/3
-2/3
-2/3
1/3
1/3
1/3
1/3
1/3
1/3
1/3
1/3
1/3

1/3
1/3
1/3
-2/3
-2/3
-2/3
1/3
1/3
1/3
1/3
1/3
1/3
-2/3
-2/3
-2/3
1/3
1/3
1/3
1/3
1/3
1/3
-2/3
-2/3
-2/3
1/3
1/3
1/3

1
1
1
0
0
0
-1
-1
-1
0
0
0
0
0
0
0
0
0
-1
-1
-1
0
0
0
1
1
1

47
40
44
60
62
66
38
40
36
42
44
46
70
69
64
45
44
46
45
46
44
80
70
65
35
36
39

x1i =
x 2i =

X1i (0 +2100)
(100 0)
2

X 2i (20 +2 60)
(60 20)
2

P2i = x i2

X1i 50
x1i {1, 0,1}
50

X1i 40
x 2i {1, 0,1}
20

2
i

n
(1) 2 + (0) 2 + (1) 2
2
2
= xi
= X i2
3
3

23

2
3

x1 =

27
0

0
X`X =
0
0

0
6

0 0 0 0 0
18 0 0 0 0
0 18 0 0 0

0 0 6 0 0
0 0 0 6 0

0 0 0 0 12 6

1363
27

39
X`Y =

47 / 3
455 / 3

8
1
6

1363 / 27
27 / 18

39 / 18
=

47 / 18
455 /18

8
/
12
1
6

Yi = 0 + 1 x1i + 2 x 2i + 3 (x1i2 32 ) + 4 (x 2i2 23 ) + 5 x1i x 2i + ei

X1i 50 2 2
X

50
X

40
1363
27
39
47

1i
2i
=
+

Y
i
27 18 50 18 20 18 50 3
2
455 X 2i 40 2 8 X1i 50 X 2i 40

18 20 3 12 50 20
2
= 1363 27 + 78 + 27X1i 39X 2i 47 X1i 2X1i + 1 + 2
Y
i

27 18 18
900
360 18 2500 50
3

2X 2i X 2i
455 X 22i 4X 2i
2 8 X X

+ 4 1i 2i

+ 2

18 400
20
3 12 1000
50
20

= 1363 27 + 78 47 + 94 1820 + 910 36 + 27X1i +

Y
i
27 18 18 18 54 18
54 12
900
2
94X1i 16X1i 39X 2i 1820X 2i 8X 2i 47X1i 455X 22i 8X1i X 2i
+

+
+

900
600
360
360
240 45000 7200
12000
= 34,8148 + 0,161111X + 4, 98055X 0, 0010444X 2
Y
i

1i

2i

0, 0631944X 0, 0006666X1i X 2i
2
2i

24

1i


SQ Re g = X`Y
C
1363
27

(1363) 2
39

1363 27 39 47 455 8
=

18 12 47 / 3
27
27 18 18 18
455 / 3

8
= 72811, 2963 68806, 2593
= 4005, 0370

SQTotal = 73179 68806, 2593 = 4372, 7407

Quadro da ANOVA
FV

GL

SQ

QM

Blocos
(Tratamentos)
Regresso
Falta de ajuste
Resduo puro

2
(8)
5
3
16

9,8518
(4163,407)
4005,037
158,370
199,4815

--801,0074
52,7900
12,4675

Total

26

4372,7403

F5% (3,16) = 3, 24

F1% (3,16) = 5, 29

SQ Re g 4005, 037
=
= 0, 9159
SQTotal 4372, 7403
SQ Re g 4005, 037
R2 =
=
= 0,9619
SQTrat. 4163, 407
R2 =

Teste para as hipteses:

H 0 : 1 = 0
H1 : 1 0

t=

27
18
1
18

(12, 4675)

t1% (16) = 2, 92

= 1,8023
t 5% (16) = 2,12

t10% (16) = 1, 75
25

64,24**
4,23*

QM Re s = 18,8342
GL Re s = 19

Utilizando :

t=

27
18
1
18

(18,8342)

t1% (19) = 2,86

= 1, 4664

t 5% (19) = 2, 09

t10% (16) = 1, 73

B I = 0

Y
= 0,161111 0, 0020888X1 0, 0006666X 2 = 0
X1
Y
= 4, 98055 0,126388X 2 0, 0006666X1 = 0
X 2
0, 0020888X1 = 0, 0006666X 2 0,161111
X1 =

0,161111 0, 0006666X 2
0, 0020888

0,161111 0, 0006666X 2
4, 98055 0,126388X 2 0, 0006666
0, 0020888

4, 98055 0,126388X 2 0, 0514154 + 0, 000212732X 2 = 0

0,126175X 2 = 4,9291346
X 2 = 39, 06
X1 =

0,161111 0, 0006666(39, 06)

= 64, 66
0, 0020888

Ponto crtico ( X1 = 64, 66; X 2 = 39, 06 ).

Matriz da segunda derivada:

2Y
= 0, 0020888
X12

2Y
= 0,126388
X 22

2Y
= 0, 0006666
X1X 2

26

=0

Estudo da natureza da superfcie de resposta: este pode ser realizado considerando o

ponto estacionrio e os sinais e magnitudes dos i .

B I = 0
1 2
2Y

2 Y
X 2 X X
1
1
2
B=
2
2
12 Y
Y

2
X1X 2 X 2

1
I=
0

0
1

Suponha que o ponto estacionrio esteja dentro da regio de estudo na qual foi ajustado
o modelo de segunda ordem.
Concluso:
i)
ii)
iii)

Se todos os valores de i so positivos, ento X s um ponto de resposta

mnima.
Se todos os valores de i so negativos, ento X s um ponto de resposta
mxima.
Se os valores de i tem sinais positivos e negativos, ento X s um ponto
de sela.

0, 0020888 0, 0003333
B=
, ento:
0, 0003333 0,126388

0, 0020888 0, 0003333 0
B I =

=0
0, 0003333 0,126388 0
0, 0020888 0, 0003333
=0
0, 0003333 0,126388
(0, 0020888 )(0,126388 ) (0, 0003333) 2 = 0
0,126388 2 + 0,1284768 + 0, 000263787 = 0
0,1284768 0, 016506288 0, 000133358
2(0,126388)
1 = 1, 0144
2 = 0, 00205
=

27

11. Localizao do Ponto Estacionrio

Suponha que nosso interesse encontrar os nveis x1, x 2 ,..., x k , que otimize a
resposta predita. Este ponto, se existir, ser dado pelo conjunto x1, x 2 ,..., x k para o qual
as derivadas parciais so iguais so iguais zero, isto

Y
Y
Y
=
= ... =
=0
x1 x 2
x k
Este ponto chamado de ponto estacionrio e pode representar um ponto de
mximo, de mnimo ou um ponto de sela.
Para obteno de uma soluo matemtica geral para localizao do ponto
estacionrio, escrevemos o modelo de segunda ordem na seguinte notao matricial
= + x`b + x`Bx
Y
0
onde

x1
x
x = 2

xk

1


b = 2

11 12 / 2 1k / 2

22 2k / 2

B=

sim.
kk

Em que b um vetor (k x 1) dos coeficientes de regresso de primeira ordem e B uma

matriz simtrica (k x k) onde na diagonal tm-se os coeficientes de regresso de
segunda ordem e fora da diagonal os coeficientes da interao.
em relao aos
As derivadas parciais dos valores preditos da resposta Y

elementos do vetor x igualadas a zero so dadas por:

Y
= b + 2Bx = 0
x
O ponto estacionrio a soluo das equaes, ou seja,
1
x s = B 1 b
2

O valor predito da varivel resposta no ponto estacionrio :

28

 = + 1 x` b
Y
s
0
s
2

12. Caracterizando a Superfcie de Resposta

Uma vez encontrado o ponto estacionrio, necessrio caracterizar a superfcie
de resposta. Esta caracterizao significa determinar se o ponto estacionrio um ponto
de mximo, de mnimo ou de sela.
Um modo de fazer isto examinar o grfico de contorno do modelo ajustado.
Entretanto nem sempre temos poucas variveis e, nesses casos, uma anlise mais formal
pode ser aplicada, chamada de anlise cannica.
Considere uma translao (novo sistema de coordenadas) da superfcie de
resposta da origem para o ponto estacionrio x s e ento rotacione os eixos desse
sistema at que eles fiquem paralelos aos eixos principais da superfcie de resposta
ajustada. Esta transformao ilustrada na Figura 3.

x2
w1

x1,S

w
x1,S

x1

Figura 3. Forma cannica para o modelo de segunda ordem.

Pode-se mostrar que o modelo ajustado

=Y
+ w 2 + w 2 + ... + w 2
Y
s
1 1
2 2
k
k

29

onde w i so as variveis independentes transformadas e os i so constantes. A

equao acima chamada de forma cannica do modelo. Os i so os autovalores ou
razes caractersticas da matriz B. Assim, tem-se que:
i.

Se todos os valores de ( i ) so positivos, ento, x s um ponto de resposta

mnima;

ii.

Se os ( i ) so todos negativos, ento, x s um ponto de resposta mxima;

iii.

Se os valores de ( i ) tem sinais positivos e negativos, ento, x s um ponto de

sela.

Alm disso, a superfcie tem inclinao na direo de w i para o qual o valor de

i maior.

Consideremos novamente o exemplo: segunda fase do estudo. Para ajustar um

modelo de segunda ordem necessrio aumentar o delineamento com pontos adicionais.
Para ser possvel estimar os parmetros do modelo o engenheiro obteve mais 4
observaes, mais ou menos no mesmo tempo em que executou os 9 tratamentos
anteriores. Os 4 tratamentos adicionais foram:(x1=0; x2= 1,414) e (x1= 1,414; x2=0).
Este o Delineamento Composto Central.

Tabela 7. Delineamento composto central para avaliao do exemplo.

Variveis originais
X1
X2
80
80
90
90
85
85
85
85
85
92.07
77.93
85
85

170
180
170
180
175
175
175
175
175
175
175
182.07
167.93

Variveis codificadas

Resposta

x1

x2

Y (produo)

-1
-1
1
1
0
0
0
0
0
1.414
-1.414
0
0

-1
1
-1
1
0
0
0
0
0
0
0
1.414
-1.414

76.5
77
78
79.5
79.9
80.3
80
79.7
79.8
78.4
75.6
78.5
77

30

Tabela 8. Anlise da varincia de dados referentes produo no delineamento

composto central.
FV

GL

SQ

QM

Valor p

Intercepto

31951.98

31951.98

450595.9

0.000000*

Tempo

7.92

7.92

111.7

0.000015*

Tempo

13.17

13.17

185.8

0.000003*

Temperatura

2.12

2.12

29.9

0.000934*

Temperatura

6.97

6.97

98.3

0.000023*

Tempo x Temperatura

0.25

0.25

3.5

0.102519

Resduo

0.50

0.07

Os efeitos do modelo de segunda ordem ajustado aos dados codificados bem

como sua significncia estatstica so apresentados na Tabela 9.

Tabela 9. Estimativa dos parmetros do modelo de segunda ordem.

Efeitos

Estimativas

Valor p

Intercepto

79.93995

0.000000

Tempo

0.99505

0.000015

Tempo

-1.37645

0.000003

Temperatura

0.51520

0.000934

Temperatura

-1.00134

0.000023

Tempo x Temperatura

0.25000

0.102519

Tem-se a no significncia do efeito da interao Tempo x Temperatura, assim o

modelos ajustado pode ser expresso por:
= 79,93995 + 0,99505x 1,37645x 2 0,5152x 1,00134x 2
Y
1
1
2
2

31

Tabela 10. Anlise de varincia para falta de ajuste.

FV

GL

SQ

QM

Valor p

Falta de ajuste

0.2843

0.0947

1.7885

0.2885

Erro puro

0.2120

0.0530

(Resduo)

(7)

(0.4963)

0.0709

Pela Tabela 10 verifica-se a no significncia da falta de ajuste, isto , o modelo

de segunda ordem adequado para descrever o comportamento da varivel resposta e
tanto o QM F.Aj quanto o QM Re sduo podem ser utilizados como estimativa da varincia
residual.
As figuras 4 e 5 representam a superfcie de resposta e o grfico de contorno,
respectivamente, para a resposta (produo) em funo da temperatura e do tempo.
relativamente fcil ver por estas figuras que a resposta realmente o mximo global.

81
80

79
78
77
76
75

1.0
0.5

74
1.0

0.5

0.0
x2

-0.5

0.0
-0.5
-1.0

x1

-1.0

Figura 4. Superfcie de Resposta do modelo de 2 Ordem.

32

1.0

x2

0.5

0.0

-0.5

75
76
77
78
79
80

-1.0

-1.0

-0.5

0.0

0.5

1.0

x1

Figura 5. Grfico de contorno do modelo de 2 Ordem.

Sabendo que o modelo apropriado para descrever os dados, podemos ento

encontrar a localizao do ponto estacionrio usando a soluo geral apresentada.
1,37645 0,12500
B=

0,12500 1,00134

0,99505
b=

0,51520

O ponto estacionrio a soluo das equaes, ou seja,

1
x s = B 1 b
2
1 0,73972 0,09234 0,99505 0,78364
=
=
2 0,09234 1,01018 0,51520 0,61233

Em termos das variveis originais, o ponto estacionrio dado por:

X1 85
X1 = 81,0818
5
X 175
0,61233 = 2
X 2 = 171,9383
5
0,78364 =

O valor da resposta estimada no ponto estacionrio :

33

 = + 1 x' b
Y
s
0
s
2
= 79,94 + 1 [ 0,78364 0,61233] 0,99505 79,39
Y
s
0,51520
2

Anlise cannica

Vamos expressar o modelo ajustado na forma cannica. Primeiramente

precisamos encontrar os autovalores, 1 e 2 , que so as razes do determinante da
equao:
B I = 0
1,37645
0,12500
=0
0,12500 1,00134

Resolvendo a equao:
2 + 2,3777 + 1,3626 = 0

Temos:

1 = 0,9635 e 2 = 1, 4143

A forma cannica do modelo ajustado fica:

= 80, 21 0,9635w 2 1, 4143w 2
Y
1
2

Visto que as razes i so todas negativas, conclui-se ento que x s um ponto de

resposta mxima.

34

Referncias
BOX, G. E. P.; DRAPER, N. R. Empirical model buiding and response surfaces.
New York: John Wiley & Sons, 1987.

KHURI, A. I.; CORNELL, J. A. Response Surfaces: designs and analysis. New York:
Marcel Dekker Inc., 1987.

MONTGOMERY, D. C. Design and analysis of experiments. John Wiley & Sons,

New York, 2001.

MONTGOMERY, D. C.; RUNGER, G. C. Estatstica aplicada e probabilidade para

engenheiros; traduo Vernica Calado. 2 ed. Rio de Janeiro: LTC, 2008.

35