Carregar apresentação
A apresentação está carregando. Por favor, espere
1
Introdução aos experimentos fatoriais
Blocagem – cap. 5 (5.6)
2
Blocagem em um experimento fatorial: modelo
Considere um experimento fatorial a dois fatores (A e B) com n replicações. O modelo estatístico linear para esse experimento é: Suponha que para uma realização um material particular é exigido e que esse material está disponível em lotes que não são suficientemente grandes para permitir que todas as abn combinações de tratamentos sejam realizadas com o mesmo lote. Porém, se um lote contém material suficiente para ab realizações, então um plano alternativo é rodar cada uma das n replicações usando um lote diferente de material.
3
Blocagem em um experimento fatorial: modelo
Consequentemente, os lotes de material representam uma restrição em aleatorização ou um bloco, e uma replicação de um experimento fatorial completo é realizada para cada bloco. O modelo de efeitos para esse novo plano é: com k representando o efeito do k-ésimo bloco. Dentro de cada bloco, é claro, as realizações são feitas de modo completamente aleatorizado.
4
Tabela ANOVA FV SQ QM F Blocos QMBl -- A QMa B QMb AB QMab Erro
gl QM F Blocos n-1 QMBl -- A a-1 QMa B b-1 QMb AB (a-1)(b-1) QMab Erro Diferença (ab-1)(n-1) QMe Total abn-1
5
Blocagem O modelo assume que a interação entre blocos e tratamentos é desprezível. Isso foi suposto anteriormente na análise dos planejamentos em bloco aleatorizados. Se essas interações de fato existem, elas não podem ser separadas da componente de erro. De fato, o termo de erro nesse modelo consiste das interações entre cada fator principal e bloco e entre os três (fatores A, B e bloco).
6
Exercício 19 O resultado de um processo químico está sendo estudado. Os dois fatores de interesse são temperatura e pressão. Três níveis de cada fator foram selecionados. Porém, somente nove realizações podem ser feitas num dia. O experimentador rodou as replicações em dias diferentes. Analise os dados, supondo que os dias são blocos.
7
y=read.table("e:\\dox\\procquim.txt",header=T)
pr=as.factor(y$Pressure) temp=as.factor(y$Temperature) bloco=as.factor(y$dia) modeloB=y$Yield~pr+temp+pr:temp+bloco fitB=aov(modeloB) fv gl SQ QM F value Pr(>F) pr * temp e-06 *** bloco ** pr:temp Residuals --- Signif. codes: 0 ‘***’ ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
8
Perfis das médias por combinação de níveis apresentam paralelismo,
confirmando a não-rejeição da hipótese de ausência de efeito de Interação entre temperatura e pressão.
11
Experimentos fatoriais 2k – Cap. 6
Os experimentos fatoriais são muito usados em experimentos envolvendo vários fatores para os quais é necessário estudar o efeito conjunto dos fatores sobre a resposta. No capítulo 5 apresentamos métodos gerais de análise do experimento fatorial. Existem casos especiais do experimento fatorial geral. O caso mais importante, entre os especiais, é o de k fatores cada um com apenas 2 níveis. Os níveis podem ser quantitativos ou qualitativos. O plano 2k é particularmente útil nos estágios iniciais do trabalho experimental, quando muitos fatores deverão ser investigados. Ele fornece o menor número de realizações com o qual k fatores podem ser simultaneamente investigados em um planejamento fatorial completo.
12
Experimentos fatoriais 2k
Consequentemente, esses planos são muito usados em experimentos chamados factor screening experiments (filtragem, peneiramento de fatores). Como há somente dois níveis para cada fator, supõe-se que a resposta é aproximadamente linear sobre a variedade de níveis dos fatores escolhidos. Em muitos experimentos de filtragem de fatores, quando estamos apenas começando a estudar o processo, essa suposição costuma ser razoável. Na seção 6.8 são apresentados um método simples para verificar se essa suposição é violada e ações em caso afirmativo.
13
The Simplest Case: The 22 “-” and “+” denote the low and high levels of a factor, respectively Low and high are arbitrary terms Geometrically, the four runs form the corners of a square Factors can be quantitative or qualitative, although their treatment in the final model will be different
14
Chemical Process Example
A = reactant concentration, B = catalyst amount, y = recovery
15
Analysis Procedure for a Factorial Design
Estimate factor effects Formulate model With replication, use full model With an unreplicated design, use normal probability plots Statistical testing (ANOVA) Refine the model Analyze residuals (graphical) Interpret results
16
Estimation of Factor Effects
See textbook, pg For manual calculations The effect estimates are: A = 8.33, B = -5.00, AB = 1.67 Practical interpretation? Design-Expert analysis
17
Estimation of Factor Effects Form Tentative Model
Term Effect SumSqr % Contribution Model Intercept Model A Model B Model AB Error Lack Of Fit Error P Error Lenth's ME Lenth's SME Obs.: As somas de quadrados aqui são bastante simples.
18
Statistical Testing - ANOVA
The F-test for the “model” source is testing the significance of the overall model; that is, is either A, B, or AB or some combination of these effects important?
19
Residuals and Diagnostic Checking
20
The 23 Factorial Design
21
Effects in The 23 Factorial Design
Analysis done via computer
22
An Example of a 23 Factorial Design
A = gap, B = Flow, C = Power, y = Etch Rate
23
Table of – and + Signs for the 23 Factorial Design (pg. 218)
24
Properties of the Table
Except for column I, every column has an equal number of + and – signs The sum of the product of signs in any two columns is zero Multiplying any column by I leaves that column unchanged (identity element) The product of any two columns yields a column in the table: Orthogonal design Orthogonality is an important property shared by all factorial designs
25
Estimation of Factor Effects
26
ANOVA Summary – Full Model
27
Model Interpretation Cube plots are often useful visual displays of experimental results
28
Cube Plot of Ranges What do the large ranges when gap and power are at the high level tell you?
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.