Skip to content
Voltar aos resultados

Experimento Fatorial Fracionado — Delineamento Experimental Fatorial Fracionado

Proposto por
D. J. Finney (formal development); foundations in Ronald Fisher's factorial design work
Ano
1945 (Finney); broader development 1950s–1970s by Box, Hunter
Tipo
Quantitative experimental design
Família
Experimental design

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Um experimento fatorial fracionado é um delineamento experimental eficiente em termos de recursos que testa apenas uma fração cuidadosamente escolhida de todas as combinações possíveis de níveis de fatores.

Ao explorar o princípio de que as interações de alta ordem são geralmente desprezíveis, ele identifica os efeitos principais e as interações de baixa ordem de k fatores usando muito menos execuções do que um delineamento fatorial completo — tornando-o a ferramenta principal de experimentos de triagem industrial e de engenharia.

A intuição por trás do método

Suponha que você queira estudar 7 fatores, cada um em dois níveis. Um fatorial completo exigiria 128 execuções — impraticável e caro. Um fatorial fracionado pega uma metade (ou um quarto) estrategicamente selecionada dessas combinações: 64 ou 32 execuções. O truque é que cada execução omitida corresponde a uma interação de alta ordem que é quase certamente zero na prática. Você troca a capacidade de estimar essas interações improváveis por uma redução drástica no custo experimental, enquanto ainda captura os efeitos que mais importam. A chave é saber exatamente quais efeitos são confundidos (aliados) uns com os outros, para que você possa interpretar os resultados corretamente.

História

Os delineamentos fatoriais fracionados surgiram do trabalho fundamental de Ronald Fisher sobre experimentos fatoriais na Rothamsted Experimental Station nas décadas de 1920 e 1930. D. J. Finney introduziu formalmente a replicação fracionada em um artigo de 1945 nos Annals of Eugenics, mostrando que um subconjunto cuidadosamente escolhido de execuções poderia estimar os efeitos principais sacrificando apenas as interações de alta ordem. George Box, J. Stuart Hunter e William Hunter popularizaram e sistematizaram a metodologia para experimentação industrial por meio de sua influente série de livros didáticos a partir de 1978, estabelecendo a resolução e o aliasing como os conceitos-chave que os praticantes usam hoje. Os delineamentos permanecem um pilar do Six Sigma, do treinamento em Delineamento de Experimentos (DOE) e da engenharia de qualidade em todo o mundo.

Quando usar

Use um delineamento fatorial fracionado quando você tiver muitos fatores (tipicamente cinco ou mais) para triar e não puder pagar por um fatorial completo, quando os recursos (tempo, material, custo) forem limitados e quando as interações de alta ordem forem consideradas desprezíveis — uma suposição razoável na maioria dos ambientes físicos, químicos e de engenharia. É o primeiro passo padrão em uma estratégia de experimentação sequencial (triagem → otimização). NÃO o use quando você precisar estimar todas as interações de alta ordem (use um fatorial completo em vez disso), quando você tiver menos de quatro ou cinco fatores (um fatorial completo é acessível), quando o aliasing de interações de dois fatores for inaceitável sem execuções de acompanhamento, ou quando a superfície de resposta precisar ser caracterizada em detalhes (use a metodologia de superfície de resposta em vez disso).

Limitações e considerações

  • O aliasing significa que alguns efeitos não podem ser estimados independentemente dentro de uma única fração; a resolução de aliasing requer execuções adicionais.
  • A suposição de que as interações de alta ordem são desprezíveis pode não ser válida em sistemas biológicos, sociais ou complexos.
  • Requer letramento estatístico para especificar corretamente os geradores, verificar a resolução e interpretar o padrão de aliasing.
  • Com muito poucas execuções (por exemplo, delineamento de Resolução III de 8 execuções para 7 fatores), há pouca potência para detectar todos, exceto os grandes efeitos.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Reduz drasticamente o número de execuções experimentais em comparação com um fatorial completo, economizando tempo e recursos.
  • A estrutura de aliasing sistemática significa que o pesquisador sempre sabe exatamente quais efeitos são confundidos — não há ambiguidades ocultas.
  • Sequencial e combinável: as frações podem ser dobradas (folded over) ou combinadas com novas frações para desaliar efeitos importantes em uma segunda etapa.
  • Amplamente suportado em softwares estatísticos (R, SAS, JMP, Minitab) e extensivamente documentado na literatura.
  • A estrutura de delineamento ortogonal torna a estimação de parâmetros direta e estatisticamente eficiente.

Aplicações

  • Triagem de dezenas de variáveis de processo na fabricação química ou farmacêutica para identificar as poucas que mais afetam o rendimento ou a pureza.
  • Otimização de tratamentos agrícolas — fertilizantes, irrigação, combinações de pesticidas — ao longo de uma estação de crescimento com parcelas limitadas.
  • Estudos de projeto de produtos de engenharia onde material, geometria e parâmetros de processo devem ser explorados dentro de um orçamento fixo de protótipos.
  • Experimentação de software e web (feature flags, elementos de UI) quando executar um fatorial completo em muitas funcionalidades simultaneamente é inviável.
  • Desenvolvimento de métodos de química analítica — identificando quais concentrações de reagentes, temperaturas e configurações de instrumentos impulsionam o desempenho do ensaio.
  • Projetos de melhoria da qualidade na fabricação usando estruturas DMAIC ou Six Sigma.

Como funciona

Como funciona

1

Identifique todos os k fatores a serem investigados e defina seus níveis (tipicamente dois níveis — baixo e alto — codificados como -1 e +1). Esclareça a(s) variável(is) de resposta a ser(em) medida(s). Com mais de cinco ou seis fatores, um delineamento fracionado é geralmente justificado; com menos de quatro, um fatorial completo é geralmente viável.

2

Escolha a fração 2^(k-p), onde p define quantas colunas de fatores são geradas multiplicando colunas existentes. Uma meia-fração (p=1) usa 2^(k-1) execuções; uma quarta-fração (p=2) usa 2^(k-2) execuções. A resolução do delineamento (III, IV, V) determina quais efeitos são aliados: Resolução III confunde efeitos principais com interações de dois fatores; Resolução IV confunde interações de dois fatores entre si; Resolução V ou superior mantém os efeitos principais e as interações de dois fatores livres de confusão.

Fórmula
2^{k-p}
3

Construa a matriz de delineamento escrevendo primeiro um fatorial completo nos k-p fatores base e, em seguida, criando as p colunas adicionais multiplicando as colunas existentes de acordo com o(s) gerador(es) escolhido(s). Verifique a estrutura de aliasing (padrão de aliasing) para confirmar que é aceitável para a questão de pesquisa.

4

Realize as execuções experimentais em ordem aleatória para se proteger contra vieses sistemáticos relacionados ao tempo. Aplique o bloqueio se houver um fator de perturbação, como lote, dia ou operador. Registre a resposta medida para cada execução, incluindo quaisquer execuções replicadas ou de ponto central incluídas para estimar o erro puro.

5

Estime os efeitos principais e os efeitos de interação usando mínimos quadrados ordinários ou o algoritmo de Yates. Calcule as magnitudes dos efeitos e seus erros padrão. Use um gráfico de probabilidade normal de efeitos, gráfico meio-normal ou o método de Lenth para distinguir efeitos ativos (reais) do ruído, especialmente quando não há execuções replicadas para fornecer uma estimativa direta de erro.

6

Interprete cada efeito estimado à luz da estrutura de aliasing: uma estimativa significativa pode refletir o efeito nomeado, seu aliás ou ambos. Use o conhecimento da área, execuções de confirmação de acompanhamento ou um delineamento de dobramento (fold-over) para desaliar efeitos que não podem ser resolvidos a partir da fração atual. Relate a resolução e o padrão de aliasing de forma transparente para que os leitores possam avaliar o que foi e o que não foi estimável.

Erros comuns

  • Escolher uma resolução muito baixa (por exemplo, Resolução III) quando as interações de dois fatores são plausíveis — as estimativas dos efeitos principais são então enviesadas por essas interações, e os resultados podem ser seriamente enganosos.
  • Ignorar a randomização: executar o delineamento em ordem padrão introduz confusão com tendências temporais que a estrutura de aliasing não foi projetada para lidar.
  • Não relatar o padrão de aliasing na descrição, tornando impossível para os leitores (ou revisores) avaliar quais efeitos são estimáveis.
  • Tratar um resultado de triagem como final sem uma execução de confirmação ou fase de otimização de acompanhamento — os delineamentos fatoriais fracionados são inerentemente um primeiro passo, não a palavra final.

Perguntas frequentes

O que significa 'resolução' em um delineamento fatorial fracionado?

Resolução descreve quais efeitos são aliados (confundidos) com quais. Resolução III: efeitos principais são aliados com interações de dois fatores — use apenas quando as interações de dois fatores são conhecidas por serem desprezíveis. Resolução IV: efeitos principais são livres de interações de dois fatores, mas as interações de dois fatores são aliadas entre si. Resolução V ou superior: tanto os efeitos principais quanto as interações de dois fatores são estimáveis independentemente — preferível quando as interações de dois fatores são plausíveis.

Como escolho entre uma meia-fração e uma quarta-fração?

Uma meia-fração (2^(k-1)) mantém uma resolução mais alta, mas apenas reduz pela metade o número de execuções. Uma quarta-fração (2^(k-2)) é menor, mas tipicamente tem resolução mais baixa, aumentando o problema de aliasing. Se você tiver sete ou mais fatores e os recursos forem muito limitados, comece com uma quarta-fração de Resolução IV; se você tiver de quatro a seis fatores, uma meia-fração de Resolução IV ou V é geralmente alcançável e preferível.

Como um fatorial fracionado é diferente de um delineamento de Plackett-Burman?

Ambos são delineamentos de triagem para muitos fatores em poucas execuções, mas usam princípios de construção diferentes. Os delineamentos fatoriais fracionados (2^(k-p)) são baseados em fatoriais completos de dois níveis e têm uma estrutura de aliasing clara e interpretável. Os delineamentos de Plackett-Burman usam matrizes de Hadamard; eles são mais flexíveis no tamanho da execução (qualquer múltiplo de 4), mas têm uma estrutura de aliasing mais complexa e não hierárquica que torna a interpretação das interações de dois fatores mais difícil.

O que devo fazer depois que um fatorial fracionado identifica fatores ativos?

Um fatorial fracionado é um delineamento de triagem, não um delineamento de otimização. Uma vez que os fatores ativos são identificados, passe para uma fase de acompanhamento: dobre (fold-over) a fração original para resolver efeitos aliados, então use um método de superfície de resposta (delineamento composto central ou Box-Behnken) ou um novo fatorial completo apenas nos fatores ativos para caracterizar e otimizar a resposta.

Posso usar um fatorial fracionado com mais de dois níveis por fator?

Sim. Existem fatoriais fracionados de três níveis (por exemplo, delineamentos 3^(k-p)) e são usados quando a curvatura é suspeita. No entanto, eles exigem substancialmente mais execuções do que os delineamentos de dois níveis. Para triagem inicial, os fatoriais fracionados de dois níveis são quase sempre usados; os delineamentos de três níveis ou de níveis mistos são mais comuns na fase de otimização.

Métodos relacionados

Fontes

  1. Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.

    ISBN: 978-0471718130
    Copiado.
  2. Finney, D. J. (1945). The fractional replication of factorial arrangements. Annals of Eugenics, 12(1), 291–301.

    Abrir referência DOI
    Copiado.