Skip to content
Voltar aos resultados

Experimento Fatorial Completo — Delineamento Experimental Fatorial Completo

Proposto por
Ronald A. Fisher
Ano
1926 (Fisher's foundational paper); codified by the 1950s–1960s
Tipo
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 completo executa todas as combinações possíveis de todos os níveis de fatores escolhidos, sendo o padrão ouro para estimar simultaneamente efeitos principais, interações de duas vias e interações de ordem superior entre múltiplas variáveis independentes.

Introduzido pelo trabalho fundamental de Ronald Fisher sobre delineamentos fatoriais nos anos 1920 e sistematizado por Box, Hunter e Montgomery, ele fornece informações completas sobre como os fatores agem individualmente e em combinação sobre um resultado.

A intuição por trás do método

Suponha que você esteja testando dois tipos de fertilizante (A, B) e três cronogramas de rega (diária, semanal, mensal) no rendimento da colheita. Um delineamento fatorial completo significa que você cultiva colheitas sob todas as 2 × 3 = 6 combinações, não apenas cada fator isoladamente. Isso é poderoso porque o efeito do fertilizante pode depender da frequência da rega — uma interação que estudos de um fator de cada vez perdem completamente. O fatorial completo captura todas as interações garantindo que cada nível de um fator apareça com cada nível de todos os outros fatores, proporcionando uma visão equilibrada e não confundida de todo o espaço fatorial.

História

Ronald Fisher introduziu o conceito de experimentação fatorial em seu artigo marco de 1926 e o desenvolveu completamente em The Design of Experiments (1935), argumentando que estudar múltiplos fatores simultaneamente é mais eficiente do que abordagens de um fator de cada vez. Frank Yates formalizou a notação e o cálculo de efeitos fatoriais nos anos 1930. George Box, J. Stuart Hunter e William Hunter sistematizaram a aplicação prática de delineamentos fatoriais para ambientes industriais e científicos em seu seminal livro de 1978 (atualizado em 2005). O livro amplamente adotado de Douglas Montgomery (primeira edição em 1976) desde então tornou o delineamento fatorial completo central para os currículos de engenharia e ciências aplicadas em todo o mundo.

Quando usar

Use um experimento fatorial completo quando você tiver um pequeno número de fatores (tipicamente k ≤ 4 ou 5 para delineamentos de dois níveis) e precisar estimar todos os efeitos principais e interações sem ambiguidade. É a escolha certa quando interações são esperadas ou sua presença é cientificamente importante, quando os recursos permitem completar todas as combinações e quando o resultado é mensurável sob condições controladas. NÃO use um delineamento fatorial completo quando k for grande (digamos, k ≥ 6 em dois níveis), pois as 64+ execuções necessárias se tornam impraticáveis — prefira delineamentos fatoriais fracionados ou de superfície de resposta em vez disso. Evite-o também quando o custo da execução ou os limites de material tornam N = 2^k (ou 3^k) proibitivos, ou quando você se preocupa apenas com efeitos principais e tem fortes razões teóricas para assumir nenhuma interação.

Limitações e considerações

  • O número de execuções cresce exponencialmente com o número de fatores: 2^k = 32 execuções para 5 fatores, 64 para 6 — rapidamente se tornando impraticável.
  • Interações de ordem superior (três vias ou acima) são estimáveis, mas raramente interpretáveis ou cientificamente significativas, tornando muitas execuções informacionalmente redundantes.
  • Assume que os fatores podem ser definidos precisamente nos níveis especificados; o controle de fatores é frequentemente mais fácil em laboratório do que em ambientes de campo ou organizacionais.
  • A replicação consome muitos recursos; sem ela, a estimativa de erro depende do pooling da soma dos quadrados de interações de alta ordem negligenciáveis, o que requer julgamento.

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

Pontos fortes

  • Estima todos os efeitos principais e todas as interações sem aliasing ou confundimento — a imagem mais completa possível de um experimento controlado.
  • Delineamento ortogonal: todas as estimativas de efeito são estatisticamente independentes, tornando a interpretação direta.
  • Fornece uma estimativa de erro puro quando as execuções são replicadas, permitindo testes de hipóteses rigorosos via ANOVA.
  • Estrutura flexível: funciona com tipos de fatores contínuos, categóricos ou mistos e pode incorporar bloqueio para controle de incômodo.
  • Escala naturalmente: um delineamento 2^k com execuções de ponto central pode ser aumentado para um delineamento de superfície de resposta (composto central ou Box-Behnken) para detecção de curvatura.

Aplicações

  • Formulação farmacêutica: otimização simultânea de concentração de droga, tipo de excipiente e temperatura para maximizar a taxa de dissolução.
  • Ciência agrícola: teste de combinações de fertilizante, nível de irrigação e densidade de plantio no rendimento da colheita.
  • Melhoria de processo de fabricação: identificando como velocidade da máquina, temperatura e grau do material afetam conjuntamente a resistência à tração do produto.
  • Experimentos comportamentais e educacionais: examinando como método de ensino, tamanho da turma e tipo de avaliação interagem para afetar os resultados de aprendizagem.
  • Pesquisa clínica e de saúde: avaliando combinações de componentes de intervenção comportamental para identificar quais combinações impulsionam o efeito terapêutico.
  • Engenharia de software: testando o impacto do tipo de algoritmo, tamanho do conjunto de dados e configuração de hardware no desempenho computacional.

Como funciona

Como funciona

1

Identifique k fatores experimentais e especifique os níveis para cada um. Um delineamento de dois níveis (cada fator em baixo/alto) é denotado por 2^k; um delineamento de três níveis é 3^k. Os níveis dos fatores devem ser escolhidos para abranger o intervalo de interesse prático ou científico. O número total de combinações de tratamento é igual ao produto de todas as contagens de níveis entre os fatores.

2

O número total de execuções experimentais é N = o produto de todas as contagens de níveis (por exemplo, 2^3 = 8 para três fatores de dois níveis). Isso cresce exponencialmente com o número de fatores, portanto, delineamentos fatoriais completos são mais viáveis quando k é pequeno (tipicamente k ≤ 5 para fatores de dois níveis). Uma matriz de delineamento é construída listando cada combinação; a replicação de cada combinação fortalece a estimativa de erro.

Fórmula
N = \prod_{i=1}^{k} l_i
3

As unidades experimentais são atribuídas aleatoriamente a cada combinação de tratamento, ou a ordem das execuções é totalmente randomizada. A randomização protege contra viés sistemático de tendências temporais, fadiga ou desvio de equipamento. Se algumas variáveis de incômodo forem conhecidas (por exemplo, lote, operador, dia), o bloqueio é adicionado para isolar sua variância sem confundir as estimativas dos fatores.

4

A variável de resposta é medida para cada execução experimental sob sua combinação atribuída de níveis de fatores. Os dados são registrados sistematicamente, preservando o vínculo entre a ordem da execução, as configurações dos fatores e o resultado observado. Múltiplas replicações por célula são recomendadas sempre que os recursos permitirem, pois fornecem uma estimativa pura do erro experimental.

5

Efeitos principais e todos os efeitos de interação são estimados usando o método dos mínimos quadrados (ou ANOVA). Em um delineamento 2^k, cada estimativa de efeito é igual a um contraste linear das médias das células; a fórmula beta-chapéu = (X'X)^{-1} X'y se aplica onde X é a matriz do modelo de configurações de fatores codificadas. Como todas as combinações são testadas, todos os efeitos são ortogonais e estimáveis sem aliasing.

Fórmula
\hat{\beta} = (X^\top X)^{-1} X^\top y
6

Tabelas ANOVA particionam a variância total em efeitos principais, interações de dois fatores, interações de três fatores e assim por diante. Interações significativas são interpretadas usando gráficos de interação: linhas paralelas indicam nenhuma interação; linhas cruzadas ou divergentes sinalizam que o efeito de um fator muda entre os níveis de outro. Interações de ordem superior (três vias ou acima) são raras na prática, mas são estimáveis e testáveis em um delineamento fatorial completo.

Erros comuns

  • Ignorar interações ao escolher o delineamento: se você espera nenhuma interação, um fatorial completo desperdiça execuções — mas se interações existem e você usou uma abordagem de um fator de cada vez, você as perderá completamente.
  • Usar muitos níveis sem justificativa: um delineamento 3^k tem 3^5 = 243 execuções para cinco fatores; a menos que a curvatura seja especificamente hipotetizada, delineamentos de dois níveis são geralmente suficientes e muito mais eficientes.
  • Confundir um fatorial completo com um fatorial fracionado: um fatorial fracionado omite deliberadamente certas combinações e aliase algumas interações — se você precisa que todas as interações sejam estimáveis, apenas o fatorial completo fornece isso.
  • Falha em randomizar a ordem de execução: tendências sistemáticas (aquecimento do equipamento, aprendizado do operador, degradação de reagentes) inflacionam ou deflacionam as estimativas de efeito se as execuções forem executadas em uma ordem fixa e não aleatória.
  • Analisar efeitos principais isoladamente quando as interações são significativas: uma interação estatisticamente significativa significa que as conclusões do efeito principal dependem do nível do fator moderador e devem ser interpretadas condicionalmente.

Perguntas frequentes

Qual é a diferença entre um delineamento fatorial completo e um fatorial fracionado?

Um fatorial completo executa todas as combinações possíveis de níveis de fatores, estimando todos os efeitos principais e interações sem aliasing. Um fatorial fracionado executa apenas uma fração cuidadosamente escolhida dessas combinações, aliasing deliberadamente certas interações de ordem superior para reduzir o número de execuções. Use o fatorial completo quando as interações importam e os recursos permitem; use o fatorial fracionado quando k for grande e você estiver disposto a assumir que certas interações de ordem superior são negligenciáveis.

Como escolho quantos níveis usar para cada fator?

Dois níveis (baixo e alto) são suficientes quando você espera uma resposta aproximadamente linear em toda a faixa do fator e está principalmente interessado na direção e magnitude dos efeitos. Três níveis são necessários quando você suspeita de curvatura (uma resposta não linear), mas eles triplicam o número de execuções para cada fator adicional. Uma estratégia prática é começar com delineamentos 2^k aumentados com execuções de ponto central para rastrear a curvatura antes de se comprometer com um delineamento 3^k.

Preciso replicar cada combinação de tratamento?

A replicação é fortemente recomendada. Sem replicação, a única fonte de estimativa de erro é a soma dos quadrados agrupada de interações de alta ordem negligenciáveis (assumidas como zero), o que é uma suposição arriscada. Com mesmo uma réplica completa (dobrando todas as execuções), você obtém uma estimativa genuína de erro puro, intervalos de confiança mais precisos e testes de significância mais confiáveis.

Que teste estatístico devo usar para analisar um experimento fatorial completo?

A análise padrão é uma ANOVA fatorial (ou seu equivalente em modelo de regressão), que particiona a variância total em componentes atribuíveis a cada efeito principal e a cada termo de interação. A significância do efeito é julgada por testes F. Quando o resultado não é normal ou é ordinal, usam-se alternativas não paramétricas ou modelos lineares generalizados em vez disso.

Em que ponto devo mudar para um delineamento de superfície de resposta em vez disso?

Se o seu fatorial completo 2^k (possivelmente com pontos centrais) revelar curvatura estatisticamente significativa na resposta, o modelo fatorial linear é inadequado e um delineamento de superfície de resposta — como um delineamento composto central ou Box-Behnken — deve ser usado. Delineamentos de superfície de resposta adicionam pontos axiais (estrela) para estimar termos quadráticos e mapear a curvatura completa da superfície de resposta.

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. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Copiado.