View
102
Download
0
Category
Preview:
Citation preview
1
Fatoriais 2k
IntroduçãoTemos k fatores, todos eles com dois níveis. Os níveis podem ser
quantitativos (doses de nitrogênio, temperaturas, tempo) ou qualitativos (duas variedades de aveia, dois locais de cultivo). Uma repetição completa tem 2k unidades experimentais.
Como esses experimentos só tem dois níveis de cada fator, eles nos dão o menor número de tratamentos, assim, eles são bastante utilizados na seleção de fatores importantes e que serão utilizados num experimento futuro.
Fatoriais 22
Como um exemplo, considere um experimento com 2 concentrações de um antioxidante (TBHQ) e dois tempos. Fator A concentrações 15% e 25%. Fator B tempo 10 min e 20 min.
2
Outro exemplo (Montgomery, pág. 291). Experimento para verificar o efeito da concentração de um reagente e a quantidade de um catalisador na produção de uma reação química. Fator A: reagente níveis = 15% e 25%. Fator B: catalisador níveis = 2 “pounds” e 1 “pound”. Obs. 1 pound = 0,454 kg.
Fator RepetiçõesA B
TratamentosI II III
Totais
- - A 15, B 1 28 25 27 80+ - A 25, B 1 36 32 32 100- + A 15, B 2 18 19 23 60+ + A 25, B 2 31 30 29 90
O efeito AB representa a interação entre o fator A e o fator B. O menor e o maior nível de um fator podem ser representados pelos sinais ‘-’ e ‘+’, respectivamente.
Graficamente, este delineamento é usualmente representado por um quadrado.
Os 4 tratamentos são representados por letras minúsculas: (1), a, b, ab. Assim, (1), é o tratamento correspondente aos menores níveis de A (-) e B (-); a, corresponde ao nível alto de A (+) e baixo de B (-); b, corresponde ao nível alto de B (+) e baixo de A (-); ab, corresponde a combinação dos níveis altos de A (+) e B (+).
3
(1)=80 a=100
b=60 ab=90
- +
+
-
A
B
Efeitos principais de A e de B e da interação AB.
Podemos calcular esses efeitos por meio do quadrado acima. O efeito de A pode ser determinado como a diferença na resposta média dos dois tratamentos do lado direito do quadrado e dos dois tratamentos do lado esquerdo, isto é:
nbaab
nb
naab
AA yyA 2)1(
2)1(
2
4
nabab
na
nbab
BB yyB 2)1(
2)1(
2
Efeito de B:
Efeito da interação: é a média dos tratamentos da diagonal (da direita para a esquerda, iniciando por ab) menos a média dos tratamentos da diagonal (da esquerda para a direita).
nbaab
nba
nabAB 2
)1(22
)1( Outra maneira de se encontrar esses efeitos:
Sinais algébricos para calcular os efeitos num fatorial 22
Efeitos fatoriaisTratamentosI A B AB
(1) + - - +a + + - -b + - + -ab + + + +
I = corresponde a uma constante geral do experimento.
Produto (A x B)
5
Por exemplo, para estimar o efeito de A, o contraste é dado por: -(1)+a-b+ab. E assim para os demais.
Para os dados do experimento, temos:
67,1)601008090(
00,5)801006090(
33,8)806010090(
)3(21
)3(21
)3(21
AB
B
A
Interpretação: o efeito de A é positivo; isto sugere que aumentando a concentração do reagente de 15% para 25%, aumenta a produção. O efeito de B é negativo; sugere que aumentando-se a qtidade do catalisador, diminui a produção. O efeito da interação é pequeno em relação aos efeitos principais (pode ser desprezada).
6
Análise de variância
As somas de quadrados dos efeitos de A, B e de AB, são obtidas elevando-se ao quadrado o contraste que estima o efeito de A, B e de AB, dividindo-se pelo produto entre o número de observações em cada total no contraste e a soma dos quadrados dos coeficientes do contraste.
n1,2,...,k
b1,2,...,j
a1,2,...,i
ijkijjiijk ABBAy )(
7
34,31
00,32300,907500,9398
33,8
00,75
33,208
Re
2
1
2
1 14
2
)3(410
4])1([
)3(4)30(
4)]1([
)3(450
4)]1([
2...
22
22
22
ABBATotalsíduo
i j
n
kn
yijkTotal
nbaab
AB
nabab
B
nbaab
A
SQSQSQSQSQ
ySQ
SQ
SQ
SQ
Análise de variância do experimento com reagente e catalisador (modelo de efeitosfixos)
Causas devariação
Soma dequadrados
Graus deliberdade
Quadradosmédios
F0 Níveldescritivo
A 208,33 1 208,33 53,15 0,0001 *B 75,00 1 75,00 19,13 0,0024 *
AB 8,33 1 8,33 2,13 0,1826 NSResíduo 31,34 8 3,92
Total 323,00 11
8
Interpretação: Os efeitos principais de A e de B são significativos, enquanto o efeito da interação não foi significativo (Não há necessidade de desdobrar a interação).
O modelo de regressão
Como os dois fatores são quantitativos, além disso, o efeito da interação não foi significativo, o modelo de regressão fica:
22110 xxy
Onde xi é uma variável codificada, da seguinte forma.
5051
212221
22
2
520
2152522515
22
1
,,
/)(/)(
/)(/)(
Re/)(
/)(Re/)Re(Re
/)Re(ReRe
CatalCatal
CatalCatalCatalCatalCatal
agagagag
agagag
baixoalto
altobaixo
baixoalto
altobaixo
x
x
Assim, x1 assume os valores: x1=-1 e x1=1; x2 assume os valores: x2=-1 e x2=1.
Os ’s são os parâmetros do modelo de regressão, desconhecidos e que serão estimados (método de mínimos quadrados).
)
(
modelo noesta não 2112 xx
9
Cálculo dos ’s no fatorial 2k
500,2ˆ
165,4ˆ
500,27ˆ
200,5
2
233,8
1
12330
0
A estimativa de 0 é a média geral do experimento; as estimativas de 1 e de 2 é a metade do efeito correspondente. A razão disso é que o coeficiente de regressão mede a mudança em y quando ocorre a mudança de uma unidade em x. Aqui, a estimativa é baseada na mudança de duas unidades (-1 para 1). O modelo fica:
21 5,2165,45,27ˆ xxy
[-1;1]
10
Resíduos e verificação do ajuste do modelo
Saída do SAS: Resíduo = valores observados-valores estimados
Valores estimados e resíduos do modelo de regressão
OBS CATALISA REAGENTE REP YIELD ESTIMADO RESIDUOS
1 -1 -1 1 28 25.8333 2.16667 2 -1 -1 2 25 25.8333 -0.83333 3 -1 -1 3 27 25.8333 1.16667 4 -1 1 1 36 34.1667 1.83333 5 -1 1 2 32 34.1667 -2.16667 6 -1 1 3 32 34.1667 -2.16667 7 1 -1 1 18 20.8333 -2.83333 8 1 -1 2 19 20.8333 -1.83333 9 1 -1 3 23 20.8333 2.16667 10 1 1 1 31 29.1667 1.83333 11 1 1 2 30 29.1667 0.83333 12 1 1 3 29 29.1667 -0.16667
Resíduo:ii yy ˆie
yy
11
Os resíduos estão aleatoriamente distribuídos. Os gráficos estão satisfatórios. As nossas conclusões são válidas.
12
Superfície de resposta
O modelo de regressão com os níveis naturais dos fatores é dado por:
Catalagy
y Catalreag
005833303318
521654527 5051
520
,Re,,ˆ
,,,ˆ,
,
13
Observamos no gráfico de contornos, que a produção aumenta quando a concentração do reagente aumenta e a quantidade do catalisador diminui. Freqüentemente, usa-se a superfície ajustada para verificar a direção de melhoria do processo.
Fatoriais 23
Exemplo: o objetivo é produzir um pão com farelo de aveia. Os fatores em estudo foram:
1) porcentagem de substituição de farinha de trigo pelo farelo de aveia (Fator A), em
dois níveis, 10% e 20%;
2) quantidade de gordura (Fator B), em dois níveis, 2,5g e 3,0g;
3) fermento (Fator C), em dois níveis, 3g e 4g.
Exemplo (Montgomery): na fabricação do produto: água com gás. O objetivo é obter maior uniformidade no enchimento das garrafas. Teoricamente a máquina enche corretamente as garrafas, mas na prática existem variações e deseja-se saber quais são as possíveis fontes de variabilidade. As variáveis controladas no estudo foram: porcentagem de carbono (Fator A), pressão de operação (Fator B) e velocidade de operação (Fator C).
8 tratamentos
14
Repetições Carbono (A)
Pressão (B)
Velocidade (C) I II
Totais
10 25 200 -3 -1 -4 = (1) 10 25 250 -1 0 -1 = c 10 30 200 -1 0 -1 = b 10 30 250 1 1 2 = bc 20 25 200 0 1 1 = a 20 25 250 2 1 3 = ac 20 30 200 2 3 5 = ab 20 30 250 6 5 11 = abc
Tabela: dados experimentais
Desvios da altura de enchimento desejado
15
Geometricamente, esse delineamento é representado por um cubo.
Tratamentos:
(1)
a
b
ab
c
ac
bc
abc
(1) a
bc
- +Fator A
+
-
Fato
r C
Fator B
-
+
ac
ab
abcbc
16
Sinais algébricos para calcular os efeitos no fatorial 23TratamentosI A B AB C AC BC ABC
(1) + - - + - + + -a + + - - - - + +b + - + - - + - +ab + + + + - - - -c + - - + + - - +
ac + + - - + + - -bc + - + - + - + -abc + + + + + + + +
Tabela 7-3. Tabela com sinais de + e de - formando os contrastes para estimar os efeitos
Propriedades importantes:
1) Com excessão da 1a. coluna, todas as demais tem o mesmo número de sinais positivos e negativos ;
2) A soma dos produtos dos sinais em quaisquer duas colunas é zero;
3) A coluna I multiplicada por qualquer outra coluna deixa esta inalterada, isto é, a coluna I é um elemento identidade.
4) O produto de qualquer duas colunas produz uma coluna da tabela, por exemplo, A x B = AB, e AB x B = AB2 = A
17
De maneira análoga, obtemos os seguintes valores para os demais efeitos
50,050,025,0
75,075,125,2
ABC BC AC
AB C B
Os maiores efeitos são verificados para o fator A=3,00, fator B=2,25, fator C=1,75 e para a interação AB=0,75, porém esta última bem inferior aos efeitos principais.
Estimação dos efeitos dos fatores
00,3
]211)1(3)1(5)4(1[
])1([
81
41
bcabccacbabaA n
Os expoentes nos produtos são formados usando em aritmética o módulo 2, isto é, o expoente só pode ser zero ou um; se ele é maior do que um, ele é reduzido por múltiplos de dois até que o resto seja zero ou um.
Módulo: Mod(n;d)=n-d.inteiro(n/d). Exemplo: Mod(3;2)=3-2.inteira(3/2)=3-2=1.
18
A soma de quadrados para os efeitos são facilmente calculados, já que cada efeito tem 1 grau de liberdade, correspondente ao contraste. No fatorial 23 com n repetições, a soma de quadrados para qualquer efeito é dada por:
nContrasteSQ 8
)( 2
Source DF Sum of Squares Mean Square F Value Pr > F
Model 7 73.00000000 10.42857143 16.691 0.0003Error 8 5.00000000 0.62500000Corrected Total 15 78.00000000
R-Square C.V. Root MSE FILLHEIG Mean 0.935897 79.05694 0.79056942 1.00000000
Source DF Type I SS Mean Square F Value Pr > F
CARBONO 1 36.00000000 36.00000000 57.60 0.0001*
PRESSAO 1 20.25000000 20.25000000 32.40 0.0005*
CARBONO*PRESSAO 1 2.25000000 2.25000000 3.60 0.0943
VELOCIDA 1 12.25000000 12.25000000 19.60 0.0022*
CARBONO*VELOCIDA 1 0.25000000 0.25000000 0.40 0.5447PRESSAO*VELOCIDA 1 1.00000000 1.00000000 1.60 0.2415CARBON*PRESSA*VELOCI 1 1.00000000 1.00000000 1.60 0.2415
1 01232313123210 βββββββH :
19
Modelo de regressão e superfície de resposta
O modelo de regressão, a ser estimado, com as variáveis codificadas é dado por:
3322110 xβxβxββy
ˆˆ
Onde x1, x2 e x3, representam os fatores A, B e C, respectivamente. Através do programa SAS, estimamos os parâmetros da regressão.
321 87501251501001 xxxy ,,,,ˆ
20
VPCy *,*,*,,ˆ 03504500300075023
Modelo de regressão nas variáveis originais
21É desejável que a resposta seja próxima de zero. Para velocidade (Fator C) no nível alto (250), há várias combinações de pressão e carbono que satisfazem esse objetivo.
22
Fatorial 2k com 1 repetiçãoUm problema nos experimentos fatoriais é que quando o número de fatores aumenta, o número de tratamentos aumenta rapidamente, exemplo, 25= 32 e para um fatorial 26=64 tratamentos.
Em algumas situações, não existe disponibilidade de material experimental, para que se possa fazer as repetições dos tratamentos.
Sem repetições não é possível estimar o erro experimental ou erro puro. Uma abordagem, para esse tipo de experimento (sem repetição), é assumir que algumas interações de maior ordem são desprezíveis e, combinar os seus quadrados médios para estimar o erro experimental.
A sugestão é construir o gráfico normal de probabilidades com as estimativas dos efeitos dos tratamentos. Os efeitos que são desprezíveis são distribuídos normalmente, com média 0 e variância 2 e tendem a cair próximos à linha reta no gráfico, ao passo que os efeitos importantes (significativos) terão média diferente de 0 e se distanciarão da reta. Assim, o modelo conterá somente os efeitos significativos (efeitos diferente de zero), baseados no gráfico normal de probabilidades. Os efeitos não significativos serão combinados para estimar o erro experimental.
23
Exemplo (Montgomery, página 319, 4 ed.).
Fatorial 24 com uma repetição. Produção de um produto químico num recipiente sob pressão. Esse experimento foi realizado com fatores que provavelmente influenciam a taxa de filtração do produto. Os quatro fatores colocados em estudo foram:
A: temperatura
B: pressão
C: concentração de formaldeído
D: taxa de agitação
Os 16 experimentos foram realizados em ordem aleatória. O engenheiro está interessado em maximizar a taxa de filtração. O processo atual apresenta uma taxa de filtração em torno de 75 gal/h. O processo também utiliza o fator C no nível alto. Deseja-se reduzir a concentração de formaldeído tanto quanto possível, porém, isso causa uma diminuição na taxa de filtração.
24
FatoresNúmero dotratamento A B C D
Rótulo Taxa defiltração
1 - - - - (1) 452 + - - - a 713 - + - - b 484 + + - - ab 655 - - + - c 686 + - + - ac 607 - + + - bc 808 + + + - abc 659 - - - + d 4310 + - - + ad 10011 - + - + bd 4512 + + - + abd 10413 - - + + cd 7514 + - + + acd 8615 - + + + bcd 7016 + + + + abcd 96
Tabela do experimento com taxa de filtração (matriz do delineamento)
25
Tabela de contrastes do fatorial 24
A B AB C AC BC ABC D AD BD ABD CD ACD BCD ABCD(1) - - + - + + - - + + - + - - +
a + - - - - + + - - + + + + - -
b - + - - + - + - + - + + - + -
ab + + + - - - - - - - - + + + +
c - - + + - - + - + + - - + + -
ac + - - + + - - - - + + - - + +
bc - + - + - + - - + - + - + - +
abc + + + + + + + - - - - - - - -
d - - + - + + - + - - + - + + -
ad + - - - - + + + + - - - - + +
bd - + - - + - + + - + - - + - +
abd + + + - - - - + + + + - - - -
cd - - + + - - + + - - + + - - +
acd + - - + + - - + + - - + + - -
bcd - + - + - + - + - + - + - + -
abcd + + + + + + + + + + + + + + +
Estimativas dos efeitos :
21,625
abcdbcdacdcdabdbdaddabcbcaccabbaA
81
81
)00,173(
]9670867510445100436580606865487145[
])1([81
26
Os valores dos demais efeitos são:
1,375ABCD -2,625BCD -1,625ACD 4,125ABD 1,875ABC
-1,125CD -0,375BD 2,375BC 16,625AD -18,125AC 0,125AB
14,625D 9,875C 3,125B
27
Interpretação: todos os efeitos que caem ao longo da linha são não significativos (desprezíveis), ao passo que os efeitos que estão longe da linha reta são significativos (A, AD, D, C, AC).
Como as interações AC e AD foram significativas, não faz muito sentido interpretarmos os efeitos principais de A, C e D.
- +
Fator A = temperatura
40
100
70C-
C+
- +
Fator A
40
100
70
D-
D+
Interpretação: a interação AC indica que o efeito da temperatura é muito baixo para alto nível de concentração de formaldeído e, muito alto para baixo nível de concentração. A interação AD indica que D tem pouco efeito para baixo nível de temperatura e, tem grande efeito para alta temperatura. Parece que a melhor taxa de filtração é obtida para alto nível de A e D e baixo nível de C.
ConcentraçãoTaxa
28
Projeto de experimento
Como o fator B (pressão) e as interações envolvendo o fator B, não foram significativas, podemos desprezá-lo e considerar o delineamento como um fatorial 23, considerando os fatores A, C e D, com duas repetições.
Isto pode ser facilmente comprovado, olhando-se para as colunas A, C e D da tabela dos dados (matriz do delineamento), e verificar que aquelas colunas formam duas repetições de um experimento fatorial 23.
Como, agora, temos duas repetições, vamos ter uma estimativa do erro experimental. A ANOVA do experimento fatorial 23 é dada na tabela a seguir.
Em geral, se temos um experimento fatorial 2k, e se h (h<k), fatores são não significativos, então os dados originais correspondem a um experimento fatorial completo com 2 níveis nos (k-h) fatores significativos com 2h
repetições.
29
Source DF Sum of Squares Mean Square F Value Pr > F
Model 7 5551.43750000 793.06250000 35.35 0.0001Error 8 179.50000000 22.43750000Corrected Total 15 5730.93750000
R-Square C.V. Root MSE RATE Mean
0.968679 6.760855 4.73682383 70.06250000
Source DF Type I SS Mean Square F Value Pr > F
A 1 1870.56250000 1870.56250000 83.37 0.0001C 1 390.06250000 390.06250000 17.38 0.0031A*C 1 1314.06250000 1314.06250000 58.57 0.0001D 1 855.56250000 855.56250000 38.13 0.0003A*D 1 1105.56250000 1105.56250000 49.27 0.0001C*D 1 5.06250000 5.06250000 0.23 0.6475A*C*D 1 10.56250000 10.56250000 0.47 0.5120
T for H0: Pr > |T| Std Error ofParameter Estimate Parameter=0 Estimate
INTERCEPT 70.06250000 59.16 0.0001 1.18420596A 10.81250000 9.13 0.0001 1.18420596C 4.93750000 4.17 0.0031 1.18420596A*C -9.06250000 -7.65 0.0001 1.18420596D 7.31250000 6.18 0.0003 1.18420596A*D 8.31250000 7.02 0.0001 1.18420596C*D -0.56250000 -0.48 0.6475 1.18420596A*C*D -0.81250000 -0.69 0.5120 1.18420596
30
Diagnóstico do modelo
De acordo com os resultados da ANOVA, foram significativos os efeitos de A=21,625, C=9,875, D=14,625, AC=-18,125 e AD=16,625.
As estimativas das taxas de filtração (para os efeitos significativos), são dadas pelo modelo de regressão:
412625,16
312125,18
42625,14
32875,9
12625,21 )()()()()(06,70ˆ xxxxxxxy
(as estimativas dos parâmetros do modelo estão no output do SAS)
Onde 70,06 é a média geral; e as variáveis codificadas x1, x3 e x4 possuem os valores -1 e +1. O valor predito para taxa no tratamento (1) vale:
46,22
)1)(1(31,8)1)(1(06,9)1(31,7)1(94,4)1(81,1006,70ˆ
y
31
Os valores observados, preditos e resíduos para as 16 observações são:
OBS D C B A RATE PREDITO RESIDUO
1 -1 -1 -1 -1 45 46.250 -1.250 2 -1 -1 -1 1 71 69.375 1.625 3 -1 -1 1 -1 48 46.250 1.750 4 -1 -1 1 1 65 69.375 -4.375 5 -1 1 -1 -1 68 74.250 -6.250 6 -1 1 -1 1 60 61.125 -1.125 7 -1 1 1 -1 80 74.250 5.750 8 -1 1 1 1 65 61.125 3.875 9 1 -1 -1 -1 43 44.250 -1.250 10 1 -1 -1 1 100 100.625 -0.625 11 1 -1 1 -1 45 44.250 0.750 12 1 -1 1 1 104 100.625 3.375 13 1 1 -1 -1 75 72.250 2.750 14 1 1 -1 1 86 92.375 -6.375 15 1 1 1 -1 70 72.250 -2.250 16 1 1 1 1 96 92.375 3.625
32
Os pontos estão aleatoriamente distribuídos; considera-se que as suposições do modelo estão satisfeitas.
33
Superfície de resposta
A superfície de regressão é gerada pelo modelo de regressão:
412625,16
312125,18
42625,14
32875,9
12625,21 )()()()()(06,70ˆ xxxxxxxy
D=1 ou x4=1
34
Os gráficos indicam que para maximizar a taxa de filtragem, as variáveis A (x1) e D (x4) devem ser utilizadas nos seus níveis altos. Os gráficos indicam uma relativa estabilidade para a variável C (x3). Os mesmos resultados foram verificados na interpretação dos gráficos da interação.
Para temperatura, x1=1:
35
Adição de pontos centrais no fatorial 2k
Existem muitas situações em que a função de resposta é adequadamente ajustada por um modelo de segunda ordem. O modelo sob consideração é:
k
j ji
k
jjjjjiijjj xxxxy
1 1
20
Onde jj representa o efeito quadrático. Essa equação é chamada de modelo de superfície de resposta de segunda ordem.
Procedimento:
Vamos fazer algumas repetições de certos pontos no fatorial 2k com o objetivo de ajustar o modelo de segunda ordem e estimar o erro experimental.
Método:
Adicionar pontos centrais no fatorial 2k. Vamos fazer n repetições nos pontos xi=0 (i=1,2,...,k). Estamos assumindo que os k fatores são quantitativos.
36
A soma de quadrados do efeito de curvatura é dada por:
CF
CFCF
nnyynn
grau 2o. de curvatura da efeitoSQ
2)(
Onde, em geral, nF é o número de pontos do fatorial, nC é o número de repetições do ponto central. Essa soma de quadrados tem 1 grau de liberdade.y(barra)F é a média dos tratamentos dos pontos fatoriais. Y(barra)C é a média das repetições no ponto central.
Teste do efeito de curvatura de segundo grau
As hipóteses em teste são:
k
jjja
k
jjj H vs H
110 0:0:
Para testar essas hipóteses compara-se a SQefeito da curvarutura de 2o. Grua com o quadrado médio residual.
Se os pontos fatoriais só tem uma única repetição, usamos os nC pontos centrais para obter uma estimativa do erro com nC-1 graus de liberdade.
37
Exemplo: uma engenheira química está estudando a produção de um processo. As variáveis de interesse são: tempo e temperatura de reação. A engenheira usou um fatorial 22 com uma única repetição de cada combinação do fatorial aumentado com 5 pontos pontos centrais. O desenho e os dados são dados na figura.
40.3
40.5
40.7
40.2
40.6
41.540.0
40.939.3150 -1
155 0
160 1
-1
30
0
35
1
40
tempo
tem
pera
tura
38
Cálculo do quadrado médio do resíduo
043,0
4
1720,0
4
46,40
1
5
1
22
i
i
C
centrais pontosi
erro
y
n
yy
QM
Análise de variância do processo de produção - exemplo 7-5 (livro Montgomery)Variações no
modeloSoma de
quadradosGraus de liberdade Quadrados médios F0 Valor p
Tempo 2,4025 1 2,4025 55,87 0,0017 *Temperatura 0,4225 1 0,4225 9,83 0,0350 *Tempo*temperatura 0,0025 1 0,0025 0,06 0,8185 NSEfeito quadrático 0,0027 1 0,0027 0,06 0,8185 NSErro 0,1720 4 0,0430Total 3,0022 8
Cálculo da soma de quadrados do efeito quadrático
0027,054
)035,0)(5)(4( 2
SQ
Interpretação: o efeito da interação é não significativo; efeito significativo de tempo e temperatura. O efeito quadrático é não significativo, isto é a hipótese: H0:11 + 22=0 não pode ser rejeitada. Portanto, um modelo de primeira ordem é indicado.
39
Vamos assumir um modelo de regressão de 2a. ordem
2
222
2
111211222110 xxxxxxy
Não podemos estimar os parâmetros nesse modelo porque existem 6 parâmetros para serem estimados e o fatorial 22 mais o ponto central tem apenas 5 observações independentes.Solução:
- aumentar o fatorial 22 com pontos axiais. Veja figura (a)
O desenho resultante chama-se delineamento central composto.Pode-se ajustar um modelo de segunda ordem (quadrático). Na figura (b) temos um DCC para três fatores.
x2
Dois fatores. Fig (a)
x3
x2
x1
Três fatores. Fig. (b)
Tem 8+6+nC pontos (3nC 5)
Recommended