1 / 32

ME623A Planejamento e Pesquisa

ME623A Planejamento e Pesquisa. Blocagem em Experimentos Fatoriais. Em algumas ocasiões, pode não ser possível aleatorizar completamente todas as rodadas de um experimento fatorial Por exemplo, a presença de um fator ruído pode sugerir que o experimento seja realizado em blocos

Download Presentation

ME623A Planejamento e Pesquisa

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. ME623APlanejamentoePesquisa

  2. Blocagem em Experimentos Fatoriais • Em algumas ocasiões, pode não ser possível aleatorizar completamente todas as rodadas de um experimento fatorial • Por exemplo, a presença de um fator ruído pode sugerir que o experimento seja realizado em blocos • Uma variedade de fenômenos podem causar restrições na aleatorização (blocos): operador, lote de material, tempo, dia • Um experimentador pode conseguir umareplicação completa no dia 1, uma segunda replicação no dia 2, e assim por diante. Nesse caso, cada dia é considerado um bloco

  3. Blocagem em Experimentos Fatoriais • Considere um fatorial com dois fatores (A e B) e n replicações • O modelo estatístico para esse delineamento é: onde τi, βj e (τβ)ijrepresentam os efeitos dos fatores A, B e da interação AB, respecitvamente • Suponha que precisemos de uma certa matéria-prima e esta é disponibilidade em lotes. Se o lote não for grande o suficiente para executar as abn rodadas, mas este for suficiente para ab observações, então faremos o experimento em blocos

  4. Blocagem em Experimentos Fatoriais • O modelo estatístico para para um fatorial com dois fatores e blocos é dado por: onde δkrepresenta o efeitos do k-ésimo bloco • Cada bloco contém uma replicação do fatorial completo (todos os tratamentos) • A ordem com que os tratamentos são aplicados é completamente aleatória dentro de cada bloco

  5. Blocagem em Experimentos Fatoriais • O modelo assume que a interação entre blocos e tratamentossãodesprezíveis. • Istotambémfoiassumido no experimento de blocoscompletosaleatorizados. • Se estasinteraçõesexistirem, elasnãopodemserdistinguidas do componente de erro. • Na verdade, o errodestemodeloconsisterealmente das interações

  6. Blocagem em Experimentos Fatoriais • Tabela ANOVA para um fatorial com dois fatores e blocos

  7. Exemplo – Radar • Um engenheiroestáestudandométodosparamelhorar a habilidade de detectaralvos num radar • Doisfatoressãoconsiderados: ruído de fundo(3níveis) e tipo de filtrocolocadonatela (2 tipos) • O experimentoconsisteemaumentar a intensidade de um sinalatéqueestesejadetectado. A variávelrespostaéentãoestaintensidade do sinalemitidoquandoooperadorconseguedetectá-lo • Diferentesoperadoresparticiparão do experimento, ecomoelestêmhabilidadesdiferentes, érazoávelconsiderarcadaoperadorcomo um bloco

  8. Exemplo – Radar • Dadosobservados: • Vamos analisar os dados acima e verificar se o nível de ruído e o tipo de filtro influenciam na detecção do sinal • Também veremos se existe interação

  9. Exemplo – Radar • O modelo linear paraesseexperimentoé: emqueτirepresentaoefeito do nível de ruído, βjrepresentaotipo de filtro, (τβ)ijé a interaçãoeδkéoefeito do operador (bloco) • As SS dos efeitosprincipaisedainteraçãosãocalculadasdamaneira usual. E a SSBloco:

  10. Exemplo – Radar • Tabela ANOVA: • aov(formula = dados ~ filtro * ruido+ Error(oper)) • Ambos efeitosprincipais (nível de ruídoetipo de filtro) sãosignificantes • A interaçãoésignificante a um nível de significância de 10%

  11. ExperimentosFatoriaisemQuadrados Latinos • Suponhaqueexistemduasrestriçõesnaaleatorização, ouseja, doisfatoresruído e cada um tem pníveis • Se além disso, onúmero de tratamentos no experimento com kfatoreséexatamentep • Entãoo experimentofatorialpode ser realizado num quadradolatinop x p

  12. ExperimentosFatoriaisemQuadrados Latinos • Suponha a seguintemodificaçãopara o exemplo do radar: • Suponhaqueapenas 6 rodadaspodemserfeitaspor dia. • Assim, “dias” se tornaumasegundarestriçãonaaleatorização, resultandoem um quadradolatino 6x6

  13. ExperimentosFatoriaisemQuadrados Latinos • A = f1g1, B = f1g2, C = f1g3, D = f2g1, • E = f2g2, F = f2g3 onde f = filtro, e g = ruído

  14. ExperimentosFatoriaisemQuadrados Latinos O Modeloé: Onde São osefeitos dos dias e operadores, queindicam a restriçãonaaleatorização.

  15. ExperimentosFatoriaisemQuadrados Latinos

  16. Dados nãobalanceadosemModelosFatoriais • Écomumencontrarsituaçõesonde a número de observaçõesnascélulasédiferente. • Issopodeacontecerporváriasrazões: • O pesquisadorpodeterplanejado um experimentobalanceado, mas problemassurgiram no meio do caminho a algumas UE foramperdidas

  17. Dados nãobalanceadosemModelosFatoriais • As vezesexperimentosnãobalanceadossãoplanejadosparaseremassim • Algunstratamentospodemsermuitocarosoumaisdifíceis de se aplicar, entãopoucasobservaçõessãofeitasnestascélulas • Oualgumascombinaçõespodemser de maiorinteresse

  18. Dados nãobalanceadosemModelosFatoriais • Suponha um experimentofatorial(2) • Número de observaçõesemcadacélulaé • Seja o número de obs. nai-ésimalinha e • o número de obs. na j-ésimacoluna

  19. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • O número de observaçõesemquaisquerduaslinhasoucolunassãoproporcionais • Nestecaso, a análise de variânciaé a mesma, apenas com algumasmodificaçõesnas somas de quadrados:

  20. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil)

  21. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil)

  22. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Exemplo: • Mostrequeébalanceado!

  23. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Exemplo: • Exercício: verificar o resultado do R e comparar com o livro

  24. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Métodos de aproximação: • Quandoos dados nãoestão “longe” de serembalanceados. • Faz o problemaficarbemmaisfácil, dada a dificuldade de lidar com dados muitodesbalanceados

  25. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Métodos de aproximação: • a) Estimarobservaçõesfaltantes • Se apenasalgumasobservaçõesfaltam • Para um modelo com interação, o estimador da célulafaltantequeminimiza a soma dos quadrados dos errosé

  26. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Métodos de aproximação: • a) Estimarobservaçõesfaltantes • Entãoestimamosaquele valor por • A análiseprocedecomo usual, excetoquetiramosgraus de liberdade do erro

  27. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Métodos de aproximação: • b) Deixar dados de lado • Suponhaqueem um experimentofatorial com doisfatores (3 niveiscada), temos 4 observaçõesparacadatratamento, mas um sótratamento tem 5 observações • Nãocompensaestimartodas as outrasobservações (18% dos dados)

  28. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Métodos de aproximação: • b) Deixar dados de lado • Deixaestaobservação de lado e fique com dados balanceados de n = 4 • Escolhaumaobservaçãodestetratamentoaleatoriamente

  29. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Métodos de aproximação: • b) MédiasPonderadas • Yates(1934) • Tratar as médias das célulascomoos dados e fazer a análise usual.

  30. Dados nãobalanceadosemModelosFatoriais • Caso 1: Dados proporcionais(+fácil) • Métodos de aproximação: • b) MédiasPonderadas • Mas MSE estima a variância de 1 observacao y e estamostratando das médias de cadacélula, entãousamos • Com n.. – abgraus de liberdade • Grande vantagemcomputacional

  31. Dados nãobalanceadosemModelosFatoriais • Caso 2: Métodoexato • Verartigoscitados no livro do Montgomery • Usar SAS

  32. Exercício • Considere o modelofatorial de 3 fatores • i = 1…a • j = 1…b • k = 1…c • Note quesóháumareplicação. Se todososfatoresforemfixos, escreva a tabela ANOVA, incluindo as esperanças dos errosquadráticosmédios.

More Related