Cadernos Do IME - Serie Estatistica Vol 28

UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO
Junho de 2010
ISSN 1413-9022
C
C
A
A
D
D
E
E
R
R
N
N
O
O
S
S
D
D
O
O
I
I
M
M
E
E

S
S
r
r
i
i
e
e
E
E
s
s
t
t
a
a
t
t
s
s
t
t
i
i
c
c
a
a V Vo ol lu um me e 2 28 8

Anlise de Modelos Matemticos para o Problema
Probabilstico de Localizao-Alocao de Mxima Cobertura
Vincius Moreira Pontin; Ravilo Alto Garcia; Pedro Bandeira
Neto; Glaydston Mattos Ribeiro

1
Um Modelo de Previso do Consumo Residencial de Energia
Eltrica no Brasil
Beatriz Helena Assis Mascarenhas de Oliveira; Jorge Machado
Damzio; Rodrigo Jos Guerra Leone; Mihail Lermontov; Maria
Augusta Soares Machado

15
A Importncia dos Grficos de Controle para Monitorar a
Qualidade dos Processos Industriais: Estudo de Caso numa
Indstria Metalrgica
Anderson Gomes dos Santos; Edivan Ferreira de Lacerda; Hlio
Cavalcanti Albuquerque Neto; Weidson do Amaral Luna; Egidio
Luz Furlanetto

33
Estudo e Aplicao da Anlise Multivariada de Dados para a
Validao das Estruturas Fsicas e Pedaggicas de Escolas
Pblicas do Sul do Paran
Antnio Carlos Machnicki; Anselmo Chaves Neto; Liliana
Madalena Gramani

47
UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO
apoio

CADERNOS DO IME
Srie Estatstica

Publicao semestral, com circulao em junho e dezembro, do Instituto de
Matemtica e Estatstica (IME), da Universidade do Estado do Rio de Janeiro
(UERJ).

Ricardo Vieiralves de Castro
Reitor

Maria Christina Paixo Maioli
Vice-Reitora

Maria Georgina Muniz Washington
Diretora do Centro de Tecnologia e Cincia

Srgio Luiz Silva
Diretor do Instituto de Matemtica e Estatstica

Geraldo Magela da Silva
Vice- Diretor do Instituto de Matemtica e Estatstica

Normalizao, divulgao e distribuio:
Biblioteca do Centro de Cincias de Tecnologia A (CTC/A) da rede Sirius de
Biblioteca da UERJ ctca@uerj.br

Editor:
Prof. Dr. Jos Fabiano da Serra Costa - UERJ

Corpo Editorial:
Prof. Dr. Albert Cordeiro Geber de Melo - CEPEL
Prof. Dr. Annibal Parracho SantAnna - UFF
Prof. Dr. Carlos Alberto Nunes Cosenza - UFRJ
Prof. Dr
a
. Fernanda da Serra Costa UERJ/CEPEL
Prof. Dr. Fernando Antonio Lucena Aiube - PUC-RJ/PETROBRAS
Prof. Dr. Helder Gomes Costa - UFF
Prof. Dr. Jorge Machado Damzio - UERJ
Prof. Dr. Luis Felipe Dias Lopes - UFSM

Os artigos enviados para publicao devero ser inditos, com exceo de
resumos ou teses, so de responsabilidade de seus autores, e no refletem,
necessariamente, a opinio do IME. Sua reproduo livre, em qualquer
outro veculo de comunicao, desde que citada a fonte.

E Ed di it to or ri ia al l

O Instituto de Matemtica e Estatstica (IME) e o Departamento de Estatstica com o
apoio do Centro de Tecnologia e Cincias (CTC) da Universidade do Estado do Rio de
Janeiro (UERJ) tm trabalhado em conjunto no sentido de desenvolver a produo da
revista Cadernos do IME - Srie Estatstica com qualidade e responsabilidade.
Dessa forma, a partir de 2006, a Revista adotou um novo projeto grfico e, a partir de
2008 passou a circular tambm em verso eletrnica on-line, alm da verso impressa,
como forma de ampliar a divulgao dos artigos, que se encontra disponvel em:
http://www.ime.uerj.br/cadernos/cadest/.
O volume 28 da revista Cadernos do IME - Srie Estatstica relativo a junho de 2010,
apresenta uma seleo de 04 artigos cientficos abordando temticas variadas.
O primeiro artigo, de autoria de Pontin, Garcia, Bandeira Neto e Ribeiro, analisa o
problema probabilstico de localizao-alocao de mxima cobertura atravs de uma
comparao de modelos matemticos.
O segundo artigo, de autoria de Oliveira, Damzio, Leone, Lermontov e Machado, nos
apresenta atravs de uma abordagem economtrica, um modelo de previso do consumo
residencial de energia eltrica.
O terceiro artigo, de autoria de Santos, Lacerda, Albuquerque Neto, Lurna e Furlanetto,
apresenta um estudo de caso de qualidade da indstria metalrgica, com aplicao de
contrle estatstico de processos.
E o quarto artigo, de autoria de Machnicki, Chaves Neto e Gramani nos apresenta um
estudo de anlise multivariada de dados aplicado ao ensino pblico fundamental e
mdio, com a finalidade de identificar as variveis que melhor se correlacionam, com o
desempenho dos alunos e com a eficincia das escolas.
Aproveitamos a oportunidade para agradecer aos revisores, consultores ad-hoc
pertencentes ao corpo de avaliadores da revista Cadernos do IME - Srie Estatstica, que
tm trabalhado com muito entusiasmo para o desenvolvimento da revista.

Saudaes Acadmicas,
Jos Fabiano da Serra Costa Editor

Junho de 2010
ISSN 1413-9022
C
C
A
A
D
D
E
E
R
R
N
N
O
O
S
S
D
D
O
O
I
I
M
M
E
E

S
S
r
r
i
i
e
e
E
E
s
s
t
t
a
a
t
t
s
s
t
t
i
i
c
c
a
a

V Vo ol lu um me e 2 28 8

Anlise de Modelos Matemticos para o Problema
Probabilstico de Localizao-Alocao de Mxima Cobertura
Vincius Moreira Pontin; Ravilo Alto Garcia; Pedro Bandeira
Neto; Glaydston Mattos Ribeiro

1
Um Modelo de Previso do Consumo Residencial de Energia
Eltrica no Brasil
Beatriz Helena Assis Mascarenhas de Oliveira; Jorge Machado
Damzio; Rodrigo Jos Guerra Leone; Mihail Lermontov; Maria
Augusta Soares Machado

15
A Importncia dos Grficos de Controle para Monitorar a
Qualidade dos Processos Industriais: Estudo de Caso numa
Indstria Metalrgica
Anderson Gomes dos Santos; Edivan Ferreira de Lacerda; Hlio
Cavalcanti Albuquerque Neto; Weidson do Amaral Luna; Egidio
Luz Furlanetto

33
Estudo e Aplicao da Anlise Multivariada de Dados para a
Validao das Estruturas Fsicas e Pedaggicas de Escolas
Pblicas do Sul do Paran
Antnio Carlos Machnicki; Anselmo Chaves Neto; Liliana
Madalena Gramani

47

ANLISE DE MODELOS MATEMTICOS PARA O
PROBLEMA PROBABILSTICO DE LOCALIZAO-
ALOCAO DE MXIMA COBERTURA

Vincius Moreira Pontin
Universidade Federal do Esprito Santo (CEUNES/UFES)
vpontin@hotmail.com

Ravilo Alto Garcia

raviloag@hotmail.com

Pedro Bandeira Neto
pedrobandeira@hotmail.com

Glaydston Mattos Ribeiro

Interuniversity Research Centre on Enterprise Networks, Logistics and Transportation -
University of Montreal (CIRRELT/UofM)
glaydstonribeiro@ceunes.ufes.br / Glaydston.Ribeiro@cirrelt.ca

Resumo
O Problema Probabilstico de Localizao-Alocao de Mxima Cobertura (PPLAMC)
uma variao do problema de p-medianas que consiste em localizar facilidades
(centros), maximizando o nmero de usurios atendidos (cobertos) e garantindo um
bom nvel de servio. O nvel de servio est relacionado aos parmetros de fila, ou
seja, tempo de espera e quantidade de pessoas aguardando atendimento. Sabendo que
os intervalos entre chegadas e atendimento variam segundo uma distribuio de
probabilidade, os modelos de otimizao combinatria do PPLAMC levam em
considerao conceitos da Teoria de Filas. Sendo assim, este trabalho tem como
objetivo avaliar modelos matemticos para o PPLAMC utilizando instncias
disponveis na literatura.
Palavras-chave: PPLAMC, p-medianas, Teoria de Filas.
CADERNOS DO IME Srie Estatstica
UniversidadedoEstadodoRiodeJaneiro-UERJ
RiodeJaneiroRJ-Brasil
ISSN1413-9022/v.28,p.01-14,2010
Cadernos do IME Srie Estatstica Anlise de Modelos Matemticos para o PPLAMC...
2
1. Introduo
Problemas de Localizao de Mxima Cobertura (PLMC) tm sido
consideravelmente reportados na literatura. O PLMC busca localizar uma quantidade
pr-definida de facilidades de tal maneira que se atenda ao maior nmero possvel de
indivduos de uma populao, considerada uma dada distncia ou um tempo padro do
ponto de demanda. Segundo Corra et al (2009a), no se busca com este modelo atender
toda a populao, mas oferecer o mximo de atendimento com os recursos disponveis.
O conceito de cobertura est relacionado ao fato de se verificar se um ponto est dentro
de uma dada distncia ou de um dado tempo de deslocamento at a facilidade.
A localizao de hospitais, de servios de atendimento de emergncia ou de
estaes do corpo de bombeiros, e a distncia ou o tempo de deslocamento entre os
pontos de demanda e as facilidades, constituem fatores importantes para estabelecer o
nvel de servio oferecido aos usurios. Em sistemas reais como os citados, as chegadas
dos usurios aos centros de atendimento normalmente constituem processos
estocsticos, gerando, em muitos casos, o surgimento de filas (FOGLIATTI &
MATTOS, 2007). Da Teoria de Filas, um sistema bsico de filas definido por um
processo de chegada, um processo de atendimento, um determinado nmero de
servidores (atendentes), se existe ou no limitao de capacidade e pela disciplina de
atendimento.
Como os processos reais de atendimento apresentam estocacidade, Marianov &
Serra (1998) propuseram modelos matemticos de PLMC que consideram esta questo
nas restries de capacidade. Os autores definem um limite mnimo para a qualidade
dos seus servios que refletida no tempo de espera e/ou na quantidade de pessoas que
aguardam o atendimento.
Corra et al (2009b) definiram a abordagem de Marianov & Serra (1998, 2001)
como o Problema Probabilstico de Localizao-Alocao de Mxima Cobertura
(PPLAMC). De maneira resumida, o PPLAMC busca localizar uma dada quantidade de
facilidades com um ou vrios servidores, de modo que a populao, a uma distncia
padro do centro, seja servida adequadamente, isto , que ningum fique na fila por
um perodo maior que um dado tempo limite, ou que um usurio, ao chegar ao centro,
no encontre um nmero de outros clientes acima do previsto, com probabilidade
maior ou igual a dado valor definido a priori.
Cadernos do IME Srie Estatstica Pontin, Garcia, Bandeira Neto & Ribeiro
3
Assim, este artigo apresenta uma comparao entre modelos matemticos
encontrados na literatura para o PPLAMC. O modelo de Marianov & Serra (1998) e
suas variaes, conforme os trabalhos de Cornujols & Thizy (1982) e de Murray &
Gerrard (1997), so avaliados. Testes computacionais foram realizados com o CPLEX
10 (Ilog, 2006) aplicado s instncias propostas por Marianov & Serra (1998), Corra
e Lorena (2006) e Corra et al (2007). Espera-se com esse trabalho mostrar qual
modelo matemtico mais adequado para o PPLAMC, comparando os tempos de
resoluo para cada caso e a qualidade das solues, tendo em vista que Corra et al
(2009b) encontraram a maioria das solues timas.
O restante do artigo est distribudo como segue. Na Seo 2 apresentada uma
breve reviso sobre o PPLAMC, bem como as formulaes matemticas de interesse: a
proposta por Marianov & Serra (1998) e as suas variaes obtidas a partir dos trabalhos
de Cornujols & Thizy (1982) e Murray & Gerrard (1997). Na Seo 3 so apresentados
os resultados computacionais obtidos. E por ltimo, na Seo 4, so apresentadas as
concluses do trabalho que envolve a comparao dos modelos matemticos.
2. Formulaes matemticas para o PPLAMC
O estudo do PLMC teve origem no artigo de Church & Revelle (1974) como
uma alternativa mais real, pois tanto o SCLP (Set Covering Location Problem) onde
se procura identificar e localizar o nmero mnimo de facilidades, para que nenhuma
das distncias entre um ponto de demanda e a facilidade mais prxima seja superior
distncia crtica quanto o problema dos p-centros (p-Center Problem) em que p
facilidades so localizadas de modo que as medidas de dissimilaridade (distncia ou
tempo) mxima de qualquer ponto de demanda at sua facilidade mais prxima sejam
mnimas requerem que todos os pontos de demanda devem ser cobertos. Sabendo que
nem sempre possvel que todos os pontos de demanda sejam cobertos, devido a
restries de recurso, este modelo possui melhor aplicao do que os demais. Assim
sendo, a formulao do PLMC tem como objetivo maximizar a cobertura dos pontos de
demanda numa distncia ou tempo desejados, localizando para tal um nmero
especificado de facilidades.
A Figura 1 ilustra um caso de problema de localizao-alocao com trs
facilidades e um dado raio de cobertura (distncia) da facilidade. O termo localizao
est relacionado ao fato de se definir efetivamente a localizao da facilidade. J o
4
termo alocao, est relacionado questo de se definir a associao entre os pontos de
demanda e as facilidades, ou seja, de se definir a que facilidade um dado ponto est
associado.
Figura 1 O Problema da Localizao de Mxima Cobertura

Fonte: Crrea et al (2009a).
Conforme Lorena (2003), a modelagem matemtica do PPLAMC foi
desenvolvida como um problema do tipo p-medianas, sendo modificada para
contemplar as variveis de localizao e alocao. Atualmente, Corra et al (2009a)
fizeram testes com relaxaes Lagrangianas para o PPLAMC. Os resultados
encontrados foram interessantes, porm, com a tcnica de Gerao de Colunas proposta
pelos mesmos autores (CORRA et al, 2009b), vrias solues timas foram
encontradas para instncias propostas na literatura.
Seja I o conjunto dos pontos de demanda a serem alocados e N
i
o conjunto de
localizaes candidatas que esto dentro de uma dada distncia ou tempo do ponto i.
Sabe-se que as alocaes so representadas por variveis binrias definidas I i x
ij
e
i
N j . Assim, tem-se x
ij
= 1, se o ponto de demanda i for alocado ao centro j e x
ij
= 0,
caso contrrio. As localizaes, representadas pelas variveis binrias y
j
, recebem valor
igual a 1, se o centro j for selecionado e valor igual a 0, caso contrrio. Dado o exposto,
normalmente, todo ponto de demanda i um potencial centro de atendimento j.
5
Assim, a formulao do PPLAMC proposta por Marianov & Serra (1998) pode
ser escrita como segue:
)
`
=

I i N j
ij i
i
x a Max PPLAMC v ) ( (1)
(PPLAMC) Sujeito a:
i j ij
N j e I i y x (2)
I i x
i
N j
ij

1 (3)
j x f
I i
b
j ij i

+2
1 (4a)
j x f
I i
j ij i
+
) 1 ln(
1
(4b)

= == =
I i
i
p y (5)
{ {{ { } }} }
i ij j
N j e I i x e y 1 0, (6)
Sendo:
- a
i
: populao total do ponto de demanda i;
- b : nmero mximo de usurios na fila com probabilidade de, no mnimo,
f
;
- : tempo mximo de espera na fila com probabilidade de, no mnimo,
f
;
- f
i
: taxa de chegadas dos usurios conforme um processo de Poisson;
-
j
: taxa mdia de atendimento em que o tempo mdio de atendimento est
exponencialmente distribudo; e
- p : nmero de facilidades a serem localizados.
A funo objetivo descrita em (1) mostra que a populao total coberta pelas p
facilidades deve ser a maximizada. J as restries definidas em (2) indicam que s
possvel alocar um ponto de demanda i a um centro j se houver um centro em j. As
restries descritas em (3) garantem que cada ponto de demanda deve ser alocado a, no
mximo, um centro, sendo que h a possibilidade de que um ponto de demanda no seja
alocado a nenhum centro. A Figura 1 mostra que alguns pontos no foram alocados a
nenhuma facilidade.
6
As restries representadas por (4a) e (4b) dizem respeito questo do
comprimento mximo da fila e ao tempo mximo de atendimento, respectivamente,
sendo que apenas uma delas utilizada. As definidas por (4a) garantem que, com
probabilidade , cada centro tenha no mximo b pessoas na fila, por outro lado, as
definidas em (4b) garantem que, com probabilidade ,
,
o tempo de atendimento em cada
centro seja de no mximo . As restries definidas em (5) garante que p centros sero
selecionados, e as restries descritas em (6) que todas as variveis so binrias.
As restries descritas em (4a) e (4b) definidas por Marianov & Serra (1998) so
para o modelo de fila M/M/1//FIFO, no qual os intervalos entre chegadas esto
exponencialmente distribudos, o tempo de atendimento tambm est de acordo com
uma distribuio exponencial, com apenas um servidor, sem limite de capacidade e a
disciplina de fila do tipo o primeiro a chegar o primeiro a ser atendido (first in
first out).
Os usurios de um ponto de demanda i chegam a um centro j com uma taxa de
chegada f
i
conhecida. Como em um centro j, existe a possibilidade dos usurios virem
de vrios pontos de demanda i, necessrio levantar a taxa de chegada geral ao centro
j. Considerando assim que as chegadas dos usurios de todos os pontos de demanda i
acontecem de maneira superposta, a taxa de chegada ao centro j pode ser assim
definida (MARIANOV & SERRA, 1998):
=
I i
ij i j
x f .
Para haver um equilbrio no processo de atendimento dos centros, faz-se
necessrio que
j j
.
Marianov & Serra (1998) e Corra & Lorena (2006) mostraram que o lado
direito das equaes (4a) e (4b) so constantes quando calculados para
j
, , b e , definidos a
priori. De modo simplificado, essas restries podem ser reescritas, respectivamente, pelos
dois conjuntos de restries a seguir, em que
2
1
+
=
b
j
j
b
Z

e ) 1 ln(
1
+ =
j
j
Z .
j Z x f
I i
j
b ij i

(7a)
j Z x f
I i
j
ij i

(7b)
7
Com o modelo (1)-(6) originalmente proposto, possvel derivar novos modelos
conforme os trabalhos Cornujols & Thizy (1982) e Murray & Gerrard (1997). Esses
novos modelos so apresentados a seguir.
O primeiro modelo considera o complemento das variveis de localizao, ou
seja,
j j
y y =1 conforme indicado por Cornujols & Thizy (1982). Com esta incluso,
obtm-se o seguinte modelo:
)
`
=

I i N j
ij i
CT
i
(PPLAMC
CT
) Sujeito a: (3) e (7a) ou (7b),
i j ij
N j e I i y x + 1 (9)
=
I i
i
p N y (10)
{ }
i ij j
N j e I i x e y 1 , 0 (11)
em que
i I i
N N
= .
Observe que o modelo obtido acima (PPLAMC
CT
) apresenta agora restries
conhecidas como restries de adjacncia ou de conflitos (Restrio 9). Essas restries
foram exploradas por Corra et al (2009a, 2009b) para obter grafos de conflitos e grafos
de cobertura. Os autores puderam assim aplicar relaxaes Lagrangianas e tcnicas de
decomposio que permitiram resolver instncias, at ento, consideradas difceis na
literatura. Essa estratgia de decomposio a partir de problemas modelados em grafos
de conflitos, foi inicialmente proposta por Ribeiro (2007) em sua tese de Doutorado.
O segundo modelo obtido a partir de outra alterao feita no modelo definido
por Marianov & Serra (1998). Essa nova alterao consiste em considerar as restries de
Balinski (2) e de capacidade (4a ou 4b) em uma nica restrio conforme o trabalho de
Murray & Gerrard (1997). Desta forma, uma nova formulao (PPLAMC
MG
) pode ser
obtida, conforme mostrado a seguir:
)
`
=

I i N j
ij i
MG
i
(PPLAMC
MG
) Sujeito a (3), (5), (6)

i
I i
j b ij i
N j y Z x f

(13a)
8

i
I i
j ij i
N j y Z x f
(13b)
As restries (13a) substituem as restries (2) e (7a), pois determinam que
somente possvel alocar um ponto de demanda i a um centro j se houver um centro em
j, como fazem as restries (2), alm de imporem restries de capacidade, como fazem
as definidas em (7a). De modo anlogo, as restries (13b) substituem as restries (2) e
(7b). Note que estas alteraes reduzem o nmero de restries.
Com o objetivo de se avaliar qual dos trs modelos mostrados melhor, testes
computacionais foram realizados com o auxlio do CPLEX 10.
3. Resultados computacionais
Para os experimentos computacionais, como citado anteriormente, foram
utilizadas as instncias propostas por Marianov & Serra (1998), Corra & Lorena
(2006) e Corra et al (2007). Os testes foram realizados no solver CPLEX 10 (ILOG,
2006) com as seguintes configuraes: tempo mximo de processamento de 3600s ou
0,01% de Gap (veja Equao 14). Gap representa a diferena, em termos percentuais,
entre os dois limitantes fornecidos pelo CPLEX durante o seu algoritmo de Branch-and-
Bound: o limitante inferior e o limitante superior. O limitante inferior representa a
melhor soluo vivel encontrada, ou seja, aquela soluo que apresenta a maior funo
objetivo e que no viola nenhuma restrio do problema. J o limitante superior
representa o valor da funo objetivo relaxada obtida durante o algoritmo de Branch-
and-Bound.
Resumidamente, um algoritmo de Branch-and-Bound utiliza a tcnica dividir
para conquistar, ou seja, dado um problema de maximizao P de natureza inteira
mista, este dividido em um subconjunto de problemas que so resolvidos
independentemente. As solues independentes, quando consideradas juntas, podem
violar algumas restries de P, gerando uma soluo invivel, mas por outro lado, a
soma das funes objetivo dos subproblemas formam um limitante superior. Alm
disso, quando uma soluo invivel transformada em uma soluo vivel, por alguma
heurstica dentro do algoritmo de Branch-and-Bound, tem-se um limitante inferior.
Busca-se assim, realizar e analisar vrias divises buscando o maior limitante inferior
possvel com gap igual a zero. Para maiores detalhes sobre a tcnica de Branch-and-
Bound, veja Wolsey (1998).
9
Um programa computacional foi elaborado para cada uma das formulaes
mostradas na Seo 2 com o objetivo de, dado uma instncia do PPLAMC, fornecer um
arquivo de entrada do modelo matemtico para o CPLEX. Todos os experimentos foram
realizados em um computador equipado com um Pentium IV 3.0 GHz com 1.0 GB de
memria RAM.
Tabela 1 Resultados computacionais para as instncias com 30 pontos para os trs modelos
matemticos.
Instncia
PPLAMC PPLAMC
CT
PPLAMC
MG

Limite
Inferior
Limite
Superior
GAP
(%)
Tempo
(s)
Limite
Inferior
Limite
Superior
GAP
(%)
Tempo
(s)
Limite
Inferior
Limite
Superior
GAP
(%)
Tempo
(s)
30_2_0_0_85 3700 3700 0,00 0,14 3700 3700 0,00 0,67 3700 3718,06 0,49 3600
30_3_0_0_85 5390 5390 0,00 0,08 5390 5390 0,00 0,14 5390 5390,00 0,00 0,16
30_2_0_1_85 5100 5100 0,00 1,92 5100 5100 0,00 0,42 5100 5100,00 0,00 2,88
30_3_0_1_85 5390 5390 0,00 0,05 5390 5390 0,00 0,17 5390 5390,00 0,00 0,25
30_2_0_2_85 5210 5210 0,00 0,14 5210 5210 0,00 1,03 5210 5210,00 0,00 0,16
30_3_0_2_85 5390 5390 0,00 0,06 5390 5390 0,00 0,09 5390 5390,00 0,00 0,19
30_5_0_0_95 5330 5350 0,38 3600 5330 5350 0,38 3600 5330 5346,84 0,32 3600
30_6_0_0_95 5410 5470 1,11 3600 5410 5470 1,11 3600 5410 5410,00 0,00 0,39
30_3_0_1_95 5270 5270 0,00 65,31 5270 5280 0,19 307,60 5270 5270,00 0,00 77,84
30_4_0_1_95 5390 5390 0,00 2,17 5390 5390 0,00 4,84 5390 5390,00 0,00 0,03
30_2_0_2_95 4520 4520 0,00 1,22 4520 4520 0,00 2,81 4520 4539,56 0,43 3600
30_3_0_2_95 5390 5390 0,00 0,08 5390 5390 0,00 0,11 5390 5390,00 0,00 0,27
30_4_1_48_90 1920 1920 0,00 0,23 1920 1920 0,00 0,27 1920 1948,30 1,47 3600
30_5_1_48_90 2400 2400 0,00 0,23 2400 2400 0,00 8,05 2400 2435,37 1,47 3600
30_3_1_49_90 2160 2160 0,00 0,17 2160 2160 0,00 0,31 2160 2160,00 0,00 0,16
30_4_1_49_90 2880 2880 0,00 0,23 2880 2880 0,00 0,30 2880 2880,00 0,00 0,05
30_5_1_50_90 4700 4700 0,00 2,30 4700 4700 0,00 11,17 4700 4737,96 0,81 3600
30_6_1_50_90 5390 5390 0,00 204,89 5390 5390 0,00 10,55 5390 5390,00 0,00 0,12
30_5_1_40_85 3050 3050 0,00 2,05 3050 3050 0,00 3,73 3050 3086,40 1,19 3600
30_6_1_40_85 3610 3610 0,00 17,80 3610 3634 0,66 3600 3610 3684,78 2,07 3600
30_7_1_40_85 4060 4060 0,00 9,61 4060 4060 0,00 23,47 4060 4060,00 0,00 0,09
30_6_1_41_85 5330 5340 0,19 3600 5330 5340 0,19 3600 5330 5349,45 0,36 3600
30_7_1_41_85 5410 5410 0,00 61,59 5410 5470 1,11 3600 5410 5410,00 0,00 282,97
30_8_1_41_85 5470 5470 0,00 0,08 5470 5470 0,00 0,28 5470 5470,00 0,00 0,03
30_4_1_42_85 4600 4600 0,00 0,44 4600 4600 0,00 3,59 4600 4637,26 0,81 3600
30_5_1_42_85 5390 5390 0,00 7,09 5390 5390 0,00 3,00 5390 5390,00 0,00 43.89
Mdia 4533,08 4563,33 0,06 429,92 4533,08 4540,15 0,14 707,02 4533,08 4545,54 0,36 1454,62

As Tabelas 1 e 2 apresentam os resultados encontrados neste artigo. A primeira
coluna dessas tabelas apresenta o nome da instncia que indica os valores de cinco
parmetros, sendo eles: tamanho da instncia, p, b, , e : Por exemplo, a instncia
324_20_0_2_95 indica que so 324 pontos, 20 centros (facilidades), que a fila est
restringida por tamanho (se o parmetro fosse 1 a fila estaria restringida pelo tempo),
10
que existe um nmero mximo de duas pessoas na fila com probabilidade de pelo
menos 95%. A coluna GAP nessas tabelas calculada da seguinte maneira:
100 = == =
Inferior Limitante
Inferior) Limitante - Superior (Limitante
GAP(%)
(14)
Tabela 2 Resultados computacionais para as instncias com 324 pontos para os trs modelos
matemticos.
Instncia
PPLAMC PPLAMC
CT
PPLAMC
MG

Limite
Inferior
Limite
Superior
GAP
(%)
Tempo
(s)
Limite
Inferior
Limite
Superior
GAP
(%)
Tempo
(s)
Limite
Inferior
Limite
Superior
GAP
(%)
Tempo
(s)
324_10_0_0_95 21458 21460 0,01 73,05 21459 21460 0,00 70,44 21460 21466,25 0,03 3600,00
324_10_0_1_95 35359 35360,67 0,00 257,2 35359 35360,67 0,00 285,41 35360 35366,70 0,02 3600,00
324_10_0_2_95 45387 45390 0,01 319,19 45386 45390,53 0,01 203,47 45390 45395,60 0,01 3600,00
324_10_0_0_85 37177 37180,06 0,01 371,62 37178 37180 0,01 544,91 37177 37180,64 0,01 3457,00
324_10_0_1_85 51000 51000 0,00 346,03 50995 51000 0,01 367,17 50996 51007,61 0,02 3600,00
324_10_0_2_85 59735 59740,4 0,01 180,33 59736 59740,4 0,01 666,05 59672 59743,97 0,12 3600,00
324_10_1_40_85 27698 27700 0,01 326,12 27698 27700 0,01 279,09 27690 27703,68 0,05 3600,00
324_10_1_41_85 29359 29360 0,00 248,59 29358 29360 0,01 208,28 29360 29369,44 0,03 3600,00
324_10_1_42_85 30949 30951,18 0,01 430,61 30948 30950,38 0,01 390,52 30937 30955,89 0,06 3600,00
324_10_1_48_90 26918 26920 0,01 376,64 26918 26920 0,01 282,49 26908 26922,45 0,05 3600,00
324_10_1_49_90 28329 28330 0,00 320,86 28329 28330 0,00 510,12 28327 28332,19 0,02 3600,00
324_10_1_50_90 29678 29680 0,01 229,84 29679 29680 0,00 195 29679 29685,55 0,02 3600,00
324_20_0_0_95 42916 42920 0,01 3368,45 42916 42920 0,01 3341,45 42914 42932,51 0,04 3600,00
324_20_0_1_95 70714 70720,67 0,01 3353,7 70714 70720,67 0,01 557,48 70685 70733,40 0,07 3600,00
324_20_0_2_95 90772 90780,56 0,01 3283,08 90772 90780,56 0,01 2248,61 90771 90971,19 0,22 3600,00
324_20_0_0_85 74325 74360,06 0,05 3600,00 74350 74360,06 0,01 3600,00 74307 74361,28 0,07 3600,00
324_20_0_1_85 101928 102000 0,07 3600,00 101940 102000 0,06 3600,00 101614 102015,22 0,39 3600,00
324_20_0_2_85 119365 119480,4 0,10 3600,00 119253 119480,4 0,19 3600,00 119064 119487,93 0,36 3600,00
324_20_1_40_85 55387 55400 0,02 3600,00 55391 55400 0,02 3600,00 55363 55407,36 0,08 3600,00
324_20_1_41_85 58718 58720 0,00 902,44 58715 58720 0,01 1596,55 58704 58738,89 0,06 3600,00
324_20_1_42_85 61895 61901,18 0,01 1772,06 61895 61901,17 0,01 3290,03 61887 61911,77 0,04 3600,00
324_20_1_48_90 53835 53840 0,01 3574,97 53827 53840 0,02 3600,00 53823 53844,89 0,04 3600,00
324_20_1_49_90 56649 56660 0,02 3600,00 56642 56660 0,03 3600,00 56646 56664,39 0,03 3600,00
324_20_1_50_90 59355 59360 0,01 3244,34 59355 59360 0,01 3472,66 59344 59371,10 0,05 3600,00
Mdia 52871,08 52883,97 0,02 1707,47 52867,21 52883,95 0,02 1671,26 52836,58 52898,75 0,08 3594,04

Considere agora a Tabela 1 que reporta os resultados para instncias de 30
pontos de demanda. Para essas instncias, o CPLEX apresenta bons resultados,
resolvendo otimamente 23 das 26 instncias com o modelo original de Marianov &
Serra (1998), e 20 das 26 instncias com o modelo PPLAMC
CT
. Porm, com o modelo
PPLAMC
MG
, o CPLEX resolveu otimamente 16 das 26 instncias. Com esses resultados,
percebe-se que a formulao original de Marianov & Serra (1998) parece ser a mais
adequada. Observe ainda que o CPLEX, com o modelo de Marianov & Serra (1998),
11
utilizou um tempo de processamento mdio menor quando comparado com os outros
dois modelos.
Avaliando agora a Tabela 2 que apresenta os resultados para instncias de 324
pontos de demanda, pode-se perceber novamente que o modelo original de Marianov &
Serra (1998) mostrou-se mais consistente do que as outras duas variaes.
O CPLEX, com o modelo PPLAMC
MG
, apresentou os piores limitantes
superiores e inferiores. Consequentemente, o gap mdio obtido foi inferior, em termos
de qualidade, que os demais gaps mdios.
Analisando os tempos computacionais mdios, percebe-se que os dois primeiros
modelos avaliados apresentam valores semelhantes. Por outro lado, o ltimo modelo
apresenta um tempo mdio bem superior, prximo do tempo limite estipulado nos
experimentos que foi de 3600 s.
4. Consideraes finais e concluses
Este trabalho apresentou comparaes entre formulaes matemticas propostas
para o Problema Probabilstico de Localizao-Alocao de Mxima Cobertura
(PPLAMC). O modelo proposto por Marianov & Serra (1998) foi avaliado juntamente
com duas variaes, conforme os trabalhos de Cornujols & Thizy (1982) e de Murray
& Gerrard (1997). Para os testes computacionais, foram utilizadas instncias propostas
na literatura que possuem 30 e 324 pontos de demanda, com at 20 facilidades.
Os experimentos mostraram que a formulao original de Marianov & Serra
(1998) mais eficiente do que as demais em termos de tempo de processamento, gaps e
solues. Em termos de soluo, a formulao de Marianov & Serra (1998) gera, para
as maiores instncias (324 pontos), um limitante inferior mdio melhor do que as
demais formulaes, ou seja, considerando a funo objetivo, a formulao de Marianov
& Serra (1998) gera solues que atendem a um nmero maior de pessoas. Por outro
lado, as duas variaes da formulao original podem ser utilizadas para gerar, talvez,
desigualdades vlidas especficas para o PPLAMC.
O solver de otimizao utilizado nos experimentos computacionais foi o CPLEX
10. Esse aplicativo, por ser extremamente eficiente e bem avaliado pela comunidade
cientfica, apresenta uma srie de estratgias de soluo que permitem ganhar tempo
computacional durante o seu branch-and-bound. Uma destas estratgias a criao de
restries de corte bem conhecidas como os cortes de clique e de Gomory, que
12
dependem, basicamente, da estrutura do modelo matemtico. Acredita-se assim que a
baixa performance do CPLEX com as duas ltimas formulaes esteja atrelada a esta
gerao automtica de cortes, que no est sendo eficiente.
Como o PPLAMC um problema de grande complexidade, encontra-se em
estudo uma metaheurstica para o mesmo. Espera-se obter resultados to bons quanto os
apresentados por Corra et al (2009b), porm em um tempo computacional menor.
Alm disso, espera-se trabalhar com instncias maiores como as propostas por Garca et
al (2009).

Agradecimentos
Glaydston Mattos Ribeiro agradece ao Conselho Nacional de Desenvolvimento
Cientfico e Tecnolgico - CNPq (Processo 201509/2009-1) pelo suporte financeiro
dado ao trabalho. Os autores agradecem aos revisores pelas timas sugestes fornecidas.

Referncias
CHURCH, R. L.; REVELLE, C. The maximal covering location problem. Papers of the Regional
Science Association, v. 32, n. 1, p. 101-118, 1974.
CORNUJOLS, G.; THIZY, J. M. Some facets of the simple plant location polytope. Mathematical
Programming, v. 23, n. 1, p. 50-74, 1982.
CORRA, F. A.; CHAVES, A. A.; LORENA, L. A. N. Hybrid heuristics for the probabilistic maximal
covering location-allocation problem. Operational Research: an International Journal, v. 7, n. 3, p.
323-343, 2007.
CORRA, F. A.; LORENA, L. A. N. Aplicao da relaxao Lagrangeana e do algoritmo gentico
construtivo na soluo do problema probabilstico de localizao-alocao de mxima cobertura. Revista
Gesto & Produo, v. 13, n. 2, p. 233-244, 2006.
CORRA, F. A.; LORENA, L. A. N.; RIBEIRO, G. M. Novos limitantes Lagrangeanos para o problema
probabilstico de localizao-alocao de mxima cobertura utilizando grafos de cobertura. Revista
Gesto & Produo, v. 16, n. 2, p.260-272, 2009a.
CORRA, F. A.; LORENA, L. A. N.; RIBEIRO, G. M. A decomposition approach for the probabilistic
maximal covering location-allocation problem. Computers & Operations Research, 36, 2729-2739,
2009b.
FOGLIATTI M. C.; MATTOS, N. M. C. Teoria de Filas. Rio de Janeiro: Editora Intercincia, 2007.
GARCA, S.; LABB, M.; MARN, A. Solving large p-median problems with a radius formulation.
Journal on Computing, 2009. To appear.
ILOG. Ilog Cplex 10.0: User's manual. Frana, 2006. 478 p.
13
LORENA, L. A. N. Anlise espacial de redes com aplicaes em sistemas de informaes geogrficas.
Revista Produo, v. 3, n. 2, 2003.
MARIANOV, V.; SERRA, D. Probabilistic maximal covering location-allocation models for congested
systems. Journal of Regional Science, v. 38, n. 3, p. 401-424, 1998.
MARIANOV, V.; SERRA, D. Hierarchical location-allocation models for congested systems. European Journal of
Operational Research, v. 135, n.1, p. 195-208, 2001.
MURRAY, A. L.;GERRARD, R. A. Capacitated service and regional constraints in location-allocation
modeling. Location Science, v. 5, n. 2, p. 113-118, 1997.
RIBEIRO, G. M. Relaxao Lagrangeana com diviso em clusters para alguns problemas de
otimizao modelados em grafos de conflitos. Tese de Doutorado em Computao Aplicada. Instituto
Nacional de Pesquisas Espaciais. Disponvel em http://www.lac.inpe.br/~lorena/pos-grad.html. 2007.
WOLSEY, L. A. Integer programming. Estados Unidos: Wiley-Interscience, 1998.
14
ANALYSIS OF MATHEMATICAL MODELS FOR THE
QUEUING MAXIMAL COVERING LOCATION-
ALLOCATION PROBLEM

Abstract
The Queueing Maximal Covering Location-Allocation Problem (QMCLAP) is a
variation of p-medians problems that consists of locating p facilities, maximizing the
number of attended users and ensuring a good level of service. The level of service is
related to the parameters of the queue, i.e., waiting time and number of people waiting
for service. In this problem, intervals between arrivals and services vary according to
probability distributions, so it is necessary take into account concepts of the Queuing
Theory. Therefore, this paper aims to evaluate mathematical models for the QMCLAP
using available instances in the literature.
Key-words: QMCLAP, p-median, Queuing Theory.

UM MODELO DE PREVISO DO CONSUMO
RESIDENCIAL DE ENERGIA ELTRICA NO BRASIL

Beatriz Helena Assis Mascarenhas de Oliveira
IBMEC RJ
Centro de Pesquisas de Energia Eltrica (CEPEL)
beatrizhelenadeoliveira@gmail.com

Jorge Machado Damzio
Universidade do Estado do Rio de Janeiro (UERJ)
Centro de Pesquisas de Energia Eltrica (CEPEL)
damazio@cepel.br

Rodrigo Jos Guerra Leone
Universidade Potiguar (UnP)
r.leone@uol.com.br

Mihail Lermontov
Universidade Federal Fluminense (UFF)
mihail@lermontov.com

Maria Augusta Soares Machado
IBMEC RJ
mmachado@ibmecrj.br

Resumo
O objetivo deste trabalho foi o desenvolvimento de um modelo previso do consumo
residencial de energia eltrica no Brasil. Dentre os mtodos de previso de demanda
existentes, a metodologia adotada neste trabalho baseou-se na abordagem
economtrica. O mtodo aplicado consistiu na modelagem de um vetor autoregressivo e
de um modelo de correo de erros vetoriais, utilizando-se os procedimentos de
estimao e testes desenvolvidos por Johansen (1988 e 1991) e Johansen e Juselius
(1990). Para o perodo analisado, as elasticidades preo e renda de longo prazo da
demanda residencial de energia eltrica foram de 0,3912 e 0,9649 respectivamente.
Palavras-chave: Previso de consumo; Energia eltrica; Estimao.
ISSN1413-9022/v.28p.15-31,2010
Cadernos do IME Srie Estatstica Um Modelo de Previso do Consumo...
16
1. Introduo
A compreenso da importncia dos modelos de previso de consumo de energia
eltrica requer uma breve explicao sobre o funcionamento do Setor Eltrico
Brasileiro.
Fortunato et al (2001) classifica os sistemas eltricos em trs grandes grupos:
hidreltricos, termoeltricos e hidrotrmicos. Em alguns pases, o aproveitamento de
recursos hidreltricos de porte, aliado possibilidade de compra de energia de sistemas
vizinhos, resulta em sistemas exclusivamente hidreltricos. Em outros pases, as
condies geogrficas impossibilitam a existncia de potencial hidreltrico, originando
sistemas exclusivamente termoeltricos. Na maioria dos pases, contudo, coexistem os
dois tipos de gerao, que caracterizam os sistemas hidrotrmicos. Isto porque a gerao
hidreltrica est sempre exposta possibilidade de estiagens recorrentes, quando a
capacidade de gerao fica sensivelmente diminuda, sendo ento necessrio recorrer
construo de grandes reservatrios que armazenam gua durante os perodos de
grandes chuvas para uso durante as estiagens e/ou ao acoplamento de usinas trmicas
que so utilizadas quando a gua armazenada pelo sistema hidreltrico cai a nveis
muito baixos.
O sistema brasileiro de produo de energia eltrica um sistema hidrotrmico,
com forte predominncia de gerao hidreltrica e grande capacidade de
armazenamento de gua. O imenso potencial hidreltrico brasileiro enfatiza a
necessidade do planejamento da expanso da gerao, tendo em vista que os prazos de
construo de usinas hidroeltricas so bem maiores que os de usinas termoeltricas. O
planejamento da operao tem tambm maior importncia, dada a necessidade de
coordenao das produes hidro e trmicas no controle do esvaziamento dos
reservatrios. Neste contexto, necessrio avaliar com antecedncia as condies de
atendimento da demanda pelo sistema gerador. Por isso, no planejamento da expanso e
no planejamento da operao trabalha-se com modelos de previso de consumo de
energia eltrica.
O objetivo principal
1
deste trabalho o desenvolvimento de um modelo de
previso do consumo residencial de energia eltrica no Brasil. Elasticidades preo e

1
Maiores detalhes podem ser encontrados em De Oliveira (2004).
Cadernos do IME Srie Estatstica Oliveira et al.
17
renda so tambm estimadas. Estas elasticidades indicam como o consumo residencial
de energia eltrica reage s variaes de preo e renda.
2. Reviso da Literatura
2.1. Modelos Top-Down e Bottom-Up
Antes da primeira crise de petrleo, os modelos de planejamento energtico se
limitavam determinao da oferta de energia. A demanda de energia era tratada como
uma varivel exgena e a oferta de energia era determinada por modelos de otimizao
(COSTA & FALLOT, 2002).
As mudanas ocorridas aps a crise de petrleo de 1973-1974 provocaram
variaes importantes na elasticidade-renda do consumo de energia, cujo
comportamento anterior era praticamente constante. Dentre estas mudanas, cabe
destacar:
crescimento do setor de servios nos pases desenvolvidos e transferncia de
indstrias intensivas em energia para os pases em desenvolvimento;
substituio de fontes energticas;
inovaes tecnolgicas.
Estas mudanas levaram ao aprimoramento dos modelos existentes e ao
desenvolvimento de novos modelos. A partir de ento, o debate entre os especialistas
em energia concentrou-se em duas correntes de modelos. De um lado, os modelos Top-
Down (TD). Do outro lado, os modelos Bottom-Up (BU).
A forma de representao do progresso tcnico parece ser a principal diferena
metodolgica entre estas duas correntes de modelos (GRUBB et al, 1993, apud COSTA
& FALLOT, 2002). Os modelos TD representam o progresso tcnico de uma forma
bastante agregada, enquanto que os modelos BU fazem uma representao altamente
desagregada, com uma especificao tecnolgica detalhada.
Atualmente, verifica-se uma tendncia no sentido de integrar estas duas
correntes dentro de um mesmo modelo. O desenvolvimento de modelos denominados
de hbridos tem sido possvel, em consequncia da identificao dos pontos fortes e
fracos de cada corrente, alm da no incompatibilidade entre as estruturas dos modelos
(COSTA & AMERICANO, 1996).
18
2.2. Principais Artigos Nacionais
Modiano (1984) analisou a evoluo histrica do consumo e da tarifa mdia de
energia eltrica das classes residencial, industrial, comercial e outros no perodo
1963/1981. Com o propsito de avaliar quantitativamente a resposta da demanda de
energia eltrica variaes da renda real e da tarifa real para as quatro classes distintas
de consumidores, foram especificados e testados econometricamente dois modelos
convencionais de determinao da demanda, ambos pressupondo que a oferta
infinitamente elstica. O primeiro modelo sups que o ajustamento do consumo
demanda fosse instantneo. O segundo modelo admitiu o ajustamento parcial do
consumo demanda, tendo sido estimadas as elasticidades renda e elasticidades preo
de curto e longo prazos. As equaes foram estimadas pelo mtodo de mnimos
quadrados com correo para correlao serial pelo mtodo de Cochrane-Orcutt.
Arajo (1988) discutiu as relaes entre modelos e o processo de planejamento,
sistematizando as etapas do processo com nfase na utilizao de cenrios e modelos
nesse processo. Inicialmente, discutiu as ligaes entre energia e sociedade, energia e
desenvolvimento e introduziu conceitos bsicos para o estudo de modelos como
instrumentos de anlise da realidade. Na segunda parte do trabalho, fez uma tipologia e
anlise dos principais enfoques, segundo finalidades, mantendo a diviso familiar entre
modelos de demanda, oferta e integrados. Dentro desta diviso, distinguiu os diversos
instrumentais utilizados, bem como a abrangncia e outros aspectos relevantes. O ponto
focal desta parte foram as hipteses subjacentes e implicaes dos modelos, buscando
explicitar os conceitos envolvidos. Na terceira parte apresentou os mtodos clssicos de
previso, seus pressupostos e aplicabilidade. Discutiu mtodos de prospectiva tambm
conhecidos como mtodos de cenrios. Em seguida, apresentou alguns dos principais
procedimentos para construo de cenrios, analisando a utilizao do mtodo como
suporte de planejamento, introduzindo a questo do risco. No ltimo captulo
concentrou-se no processo de planejamento propriamente dito, focando no uso de
modelos: seu papel, limitaes, a escolha de mtodos adequados ao problema,
integrao entre anlise e implementao, execuo do estudo e a crtica dos mesmos e
extrao de concluses vlidas para elaborao de um plano. No final, retomou a
discusso inicial, dando ateno a aspectos institucionais e ligao entre a natureza do
planejamento energtico e a existncia de um projeto global de desenvolvimento.
19
Arajo (1992) realizou estudo economtrico da demanda de energia eltrica no
Brasil para os setores industrial, residencial e outros consumos. A hiptese subjacente
do estudo foi de que a demanda de eletricidade mediada pelo estoque de
equipamentos. No trabalho considera-se que, para cada categoria de usurios, variveis
renda e preos atuam sobre os estoques de equipamentos (atravs de compras de novos
equipamentos e sucateamento dos velhos) e sobre o nvel de sua utilizao, a forma de
atuao dependendo da categoria. No estudo foram feitas regresses nos logaritmos,
obtendo-se elasticidades preo e elasticidades renda e foram testadas suas significncias
e a presena de autocorrelao serial nos resduos. Sendo esta correlao significativa,
prosseguiu com uma estimao em dois estgios. No caso do setor residencial, fez
tambm a estimao de um modelo de defasagem distribuda. Vale mencionar que estas
duas estimaes correspondem a duas hipteses distintas de como a inrcia manifesta-
se: a estimao em dois estgios supe que a inrcia aparece nos desvios entre a
regresso (i.e., o valor esperado do consumo, dados preos e renda) e o valor observado;
j a estimao por defasagem distribuda (modelo de ajuste parcial) implica em que o
nvel do consumo atual depende do consumo passado.
Andrade e Lobo (1997) analisaram a evoluo do consumo residencial de
energia eltrica no Brasil no perodo 1963/1965 e estimaram as elasticidades renda e
elasticidades preo de sua demanda agregada. Alm de atualizar parte do estudo feito
por Modiano (1984), foram aplicados mtodos economtricos mais eficientes para
analisar a sensibilidade da funo demanda residencial deste servio de utilidade
pblica. A equao para demanda residencial de energia eltrica foi estimada por trs
diferentes mtodos. O primeiro a ser utilizado foi o mtodo de mnimos quadrados
ordinrios (MQO) sob a hiptese do modelo linear geral. Entretanto, os autores
argumentam que como se trata da estimao de um modelo de demanda, provvel que
a hiptese de correlao nula entre regressor e erro, fortemente requerida neste contexto
de estimao, poderia estar sendo violada devido existncia de uma eventual
simultaneidade entre o consumo e a tarifa de energia eltrica. Por este motivo,
apresentam uma estimao de variveis instrumentais (VI), do tipo dois estgios, com o
intuito de corrigir os possveis vieses gerados pela estimao direta de MQO. O terceiro
mtodo aplicado consistiu na modelagem de um vetor autoregressivo sob a
representao de um modelo de correo de erros, utilizando-se os procedimentos de
20
estimao e testes desenvolvidos por Johansen (1988 e 1991) e ainda Johansen e
Juselius (1990).
Schmidt e Lima (2002) estimaram as elasticidades, principalmente as preo e
renda, de longo prazo da demanda por energia eltrica nas trs classes de consumo:
residencial, comercial e industrial. Os autores apresentam um modelo microeconmico
a ser utilizado nas estimaes e uma resenha referente a estudos sobre elasticidades a
nvel internacional e nacional. O mtodo de estimao utilizado no trabalho tambm foi
o de Johansen (1988 e 1991) e Johansen e Juselius (1990); isto , o de cointegrao, que
requer a modelagem de um vetor autoregressivo, sob a representao de um modelo de
correo de erro vetorial, para levar em considerao a no estacionariedade das
variveis do modelo.
3. Metodologia
3.1. Tipo de Abordagem
Dentre os principais mtodos de previso de demanda existentes, a metodologia
adotada neste trabalho baseou-se na abordagem economtrica. Convm lembrar que esta
abordagem busca analisar a evoluo temporal de uma varivel dependente ou
explicada, em funo da evoluo temporal de variveis independentes ou explicativas.
Mais especificamente, o modelo de previso de demanda desenvolvido visa
quantificar as relaes existentes entre o consumo residencial de energia eltrica e o
Produto Interno Bruto (PIB), a tarifa real mdia residencial de energia eltrica e o preo
de eletrodomsticos.
A estimao dos parmetros foi feita atravs de mtodo estatstico, utilizando-se
as sries histricas anuais das variveis do modelo. O mtodo aplicado consistiu na
modelagem de um vetor autoregressivo e de um modelo de correo de erros vetoriais,
utilizando-se os procedimentos de estimao e testes desenvolvidos por Johansen (1988
e 1991) e Johansen e Juselius (1990).
3.2. Dados e Fontes Utilizados
A Tabela 1 mostra os dados do consumo residencial de energia eltrica, do PIB,
da tarifa mdia residencial de energia eltrica e do preo de eletrodomsticos no perodo
1980-2003.

21
Tabela 1 Variveis do Modelo
Ano Consumo
Residencial

GWh
PIB

R$ Milhes de 2003
Tarifa Mdia
Residencia

R$/MWh
Preos de
Eletrodomsticos

1980 23.184 968 371,28 330,37 10,31
1981 24.960 927 215,50 315,20 11,35
1982 27.066 934 911,39 293,33 11,76
1983 29.742 907 518,48 258,23 9,80
1984 30.923 956 524,48 233,42 8,45
1985 32.624 1 031 602,09 217,64 8,51
1986 35.747 1 108 869,09 188,53 7,89
1987 38.343 1 148 012,17 229,40 6,65
1988 40.536 1 147 323,36 212,61 8,87
1989 43.655 1 183 578,78 160,41 7,07
1990 47.951 1 132 093,10 206,10 5,92
1991 51.108 1 143 753,66 215,42 3,74
1992 51.901 1 137 536,44 238,13 3,35
1993 53.626 1 193 557,45 221,17 2,82
1994 55.954 1 263 414,82 201,83 2,24
1995 63.576 1 316 778,86 185,03 1,95
1996 69.051 1 351 786,61 232,88 1,72
1997 74.089 1 396 008,80 242,46 1,52
1998 79.339 1 397 850,36 245,82 1,38
1999 81.293 1 408 830,11 243,14 1,32
2000 83.614 1 470 264,51 244,38 1,20
2001 73.622 1 489 562,96 250,58 1,10
2002 72.661 1 518 264,12 257,56 1,08
2003 76.168 1 514 923,94 239,30 1,00
A fonte dos dados do consumo residencial foi o Banco Central (BC). A tarifa
mdia residencial de energia eltrica foi deflacionada pelo IGP-DI. A fonte dos dados
da tarifa mdia residencial foi o Instituto de Pesquisa Econmica Aplicada (IPEA) para
o perodo 1980-1994 e ANEEL (1995-2003). A srie do IGP-DI foi coletada no IPEA.
A srie do PIB a preos constantes de 2003 foi coletada no BC. A srie dos preos de
eletrodomsticos foi obtida deflacionando o IPA-OG-eletrodomsticos pelo IGP-DI. A
fonte dos dados foi o IPEA.
O Quadro 1 sintetiza os indicadores utilizados na modelagem e as fontes dos
dados.
Quadro 1 Fontes dos Dados
Indicadores

Fontes

Consumo Residencial de Energia Eltrica BC
IGP-DI IPEA
IPA-OG-eletrodomsticos IPEA
PIB BC
Tarifa Mdia Residencial de Energia Eltrica IPEA
22
Aps transformar os dados brutos para ndice em base fixa (1980-2003), o
Grfico 1 foi plotado para a visualizao da evoluo das variveis do modelo.
Grfico 1 Evoluo das Variveis do Modelo
4. Testes e Estimao do Modelo
O modelo terico foi construdo utilizando-se a seguinte premissa: Toda
quantidade de energia eltrica demandada pelos consumidores residenciais
efetivamente fornecida. Dito de outra maneira, de uma forma geral ou para grande parte
dos consumidores, admite-se que a oferta do servio seja infinitamente elstica. Com
esta premissa, pode-se utilizar a quantidade consumida com uma boa aproximao para
a quantidade demandada (ANDRADE & LOBO, 1997).
Cabe destacar que, dada a premissa de oferta infinitamente elstica, na
estimao do modelo no foram considerados os dados do perodo 2001-2003, pois
houve racionamento de energia eltrica (restrio de oferta) nos anos de 2001 e 2002.
A equao de demanda residencial de energia eltrica foi especificada da
seguinte forma funcional (SCHMIDT & LIMA, 2002):

=
t t t t
PE Y P K C (4.1)
em que: 0 e 0 , 0 , 0 K < > < >
ndice de Base Fixa (1980 = 100%)
0
50
100
150
200
250
300
350
400
1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Consumo PIB Tarifa Preos de Eletro
23
onde:
: C
t
consumo residencial de energia eltrica no tempo t;
: P
t
tarifa residencial de energia eltrica no tempo t;
: Y
t
renda no tempo t;
: PE
t
preo de eletrodomsticos no tempo t;
Tomando logaritmo na equao (4.1), chega-se seguinte equao linear para a
demanda residencial de energia eltrica:
t t t t
LogPE LogY LogP LogK LogC + + + = (4.2)
em que: 0 e 0 , 0 , 0 K < > < >
A escolha da forma funcional log-linear deveu-se ao fato de que as elasticidades
so obtidas diretamente dos resultados da regresso e, diferentemente das formas
lineares, so constantes e independentes dos valores assumidos pelas variveis.
Doravante,
t t t t
PE e Y , P , C representam, respectivamente,
t t t t
LogPE e LogY , LogP , LogC
Teoricamente, espera-se que o consumo reaja negativamente aos aumentos da
tarifa residencial e do preo de eletrodomsticos e, positivamente, aos aumentos de
renda. Os coeficientes e , representam, respectivamente, as elasticidades da
demanda residencial de energia eltrica com relao ao preo de energia eltrica, renda
e preo de eletrodomsticos.
Na estimao foram utilizados dados de sries temporais. Uma hiptese
implcita na anlise de regresso envolvendo dados de sries temporais que tais dados
so estacionrios.
4.1. Teste de Raiz Unitria
O teste de raiz unitria um teste para detectar no-estacionariedade. Neste
trabalho, o teste foi realizado utilizando-se o software Eviews.
De acordo com Gujarati (2000), tem-se o seguinte modelo:
t 1 t t
u Y Y + =
(4.3)
onde:
t
u o termo de erro estocstico que tem mdia zero, varincia
2
constante e no-
autocorrelacionado.
24
Conforme ainda Gujarati (2000), a equao (4.3) similar a uma regresso de
primeira ordem, ou AR(1), onde o valor Y no instante t regredido sobre seu valor no
instante ) 1 ( t . Se o coeficiente da regresso de
1 t
Y for igual a 1, tem-se o problema da
raiz unitria; ou seja, uma situao de no estacionariedade. A varivel estocstica Y
tem uma raiz unitria, se ao se aplicar a regresso
t 1 t t
u Y Y + =
(4.4)
obtm-se 1 = .
A equao (4.4) pode ser reescrita como
t t t t t
u Y u Y Y + = + =
1 1
) 1 ( (4.5)
onde:
) 1 ( = e o operador de primeira diferena.
Se for 0 , obtm-se:
t 1 t t t
u ) Y Y ( Y = =
(4.6)
Ou seja, as primeiras diferenas da srie temporal
t
Y uma srie temporal
estacionria.
Convenciona-se chamar uma srie temporal integrada de ordem d, ou I(d), se for
necessrio diferenci-la d vezes para torn-la estacionria. Uma srie no estacionria
se for integrada de ordem maior ou igual a 1.
Pode-se verificar a estacionariedade de uma srie temporal
t
Y , aplicando (4.4) e
testando a hiptese nula
^
igual a 1 com base na estatstica t . Neste caso, t
conhecida por estatstica (tau) e seus valores crticos foram tabulados por Dickey e
Fuller, utilizando-se simulaes de Monte Carlo. O teste tau conhecido como teste de
Dickey-Fuller (DF).
O teste de Dickey-Fuller feito verificando-se a hiptese nula 0 = nas
seguintes regresses:
t 1 t t
u Y Y + =
(4.5)
t 1 t 1 t
u Y Y + + =
(4.7)
t 1 t 2 1 t
u Y t Y + + + =
(4.8)
onde:
t a varivel tempo ou tendncia.
25
Se o termo de erro
t
u autocorrelacionado, utiliza-se termos de diferenas
defasados - teste aumentado de Dickey-Fuller (ADF).
t 1 t
m
1 i
i 1 t 2 1 t
Y Y t Y + + + + =

=

(4.9)
Com o objetivo de testar a ordem de integrao das sries temporais das
variveis do modelo, foi realizado o teste ADF. Os resultados do teste foram os
seguintes:
Tabela 2 Teste ADF nas Sries Temporais
Varivel Equao de Teste Defasagem Estatstica
de Teste
Valor Crtico
(MacKinnon)
1% 5%
t
C
constante 1 -1,0885 -3,8315 -3,0300
t
P
sem constante e sem tendncia 0 -0,5848 -2,6857 -1,9591
t
Y
sem constante e sem tendncia 1 2,2676 -2,6924 -1,9602
t
PE
constante 0 0,4443 -3,8085 -3,0207
Estes resultados indicam que a hiptese nula de que existe uma raiz unitria no
pode ser rejeitada ao nvel de significncia de 5%; ou seja, todas as sries temporais
podem ser consideradas no-estacionrias.
Em seguida, foram realizados testes de raiz unitria nas primeiras diferenas
(Tabela 3), tendo sido constatado que as sries diferenciadas uma vez podem ser
estacionrias ao nvel de significncia de 5%. Foi concludo que todas as sries
temporais podem ser consideradas como integradas de ordem 1; ou seja, I(1).
Tabela 3 Teste ADF nas Sries Temporais em Primeira Diferena
Varivel Equao de Teste Defasagem Estatstica de
Teste
Valor Crtico
(MacKinnon)
1% 5%
t
C
constante 1 -3,3539 -3,8574 -3,0404
t
P
t
Y
t
PE
constante 0 -4,7317 -3,8315 -3,0300
26
4.2. Teste de Co-Integrao
Conforme mencionado anteriormente, uma hiptese implcita na anlise de
regresso envolvendo dados de sries temporais que tais dados so estacionrios. Uma
vez constatado que as sries temporais das variveis do modelo so no-estacionrias, o
mtodo estatstico utilizado neste trabalho consistiu na modelagem de um vetor
autoregressivo e de um modelo de correo de erros vetoriais, utilizando-se os
procedimentos de estimao e testes desenvolvidos por Johansen (1988 e 1991) e
Johansen e Juselius (1990). No caso de modelagem de sries temporais no-
estacionrias, este mtodo o que fornece o tratamento estatstico mais adequado para
estimar a funo de demanda de longo prazo e para realizar previses do consumo de
energia eltrica (ANDRADE & LOBO, 1997).
Engle e Granger (1987) apontaram que uma combinao linear de duas ou mais
sries no-estacionrias pode ser estacionria. Se tal combinao linear existir, as sries
no estacionrias so co-integradas. A combinao linear estacionria chamada de
equao de co-integrao e pode ser interpretada como uma relao de equilbrio de
longo prazo entre as variveis.
Dado que todas as sries temporais das variveis do modelo tm a mesma ordem
de integrao, foi realizado o teste de co-integrao para testar a existncia de vetores
de co-integrao. Para a realizao do teste de co-integrao, necessrio que se defina
a ordem do modelo VAR que ser especificado. Utilizando o critrio de Schwarz,
concluiu-se que o modelo VAR deve ser especificado com apenas 1 defasagem das
variveis. Em seguida, utilizando o software EViews, foram realizados o
trao
teste e o
max
teste . O
trao
teste indicou a existncia de 2 vetores de co-integrao ao nvel de
significncia de 5% e, apenas 1 vetor de co-integrao ao nvel de significncia de 1%.
Tabela 4
trao
Teste
N Vetores de
Co-integrao
Eigenvalue Estatstica de Teste Valor Crtico
(r) 1% 5%
0 r =

0,9560 90,31 45,58 39,89
1 r

0,5812 27,85 29,75 24,31
2 r

0,4039 10,44 16,31 12,53
3 r

0,0047 0,09 6,51 3,84
27
O
max
teste , por sua vez, indicou a existncia de apenas 1 vetor de co-
integrao aos nivis de significncia de 1% e 5%.
Tabela 5
max
Teste
N Vetores de
Co-integrao
Eigenvalue Estatstica de Teste Valor Crtico
(r) 1% 5%
0 r =

0,9560 62,46 28,82 23,80
1 r

0,5812 17,41 22,99 17,89
2 r

0,4039 10,35 15,69 11,44
3 r

0,0047 0,09 6,51 3,84
Os dois testes de co-integrao indicam que as variveis so co-integrveis,
identificando a existncia de um vetor de co-integrao ao nvel de significncia de 1%.
A relao de co-integrao dada pelo seguinte vetor normalizado:
Tabela 6 Vetor Normalizado
t
C
t
P
t
Y
t
PE
1,000 0,3912 -0,9649 0,2784
Ento, a relao de longo prazo entre as variveis do modelo fica estimada pela
seguinte equao de co-integrao:
t t t t
PE 2784 , 0 Y 9649 , 0 P 3912 , 0 C + = (4.10)
A equao (4.10) indica que a elasticidade-preo de longo prazo da demanda
residencial de energia eltrica 0,3912, o que significa que um aumento de 1% da
tarifa residencial de energia eltrica causar uma reduo de 0,3912% no consumo
residencial de energia eltrica. Da mesma forma, os coeficientes 0,9649 e 0,2784
representam, respectivamente, a elasticidade-renda de longo prazo da demanda
residencial de energia eltrica e a elasticidade preo de eletrodomsticos de longo prazo
da demanda residencial de energia eltrica.
4.3. Modelo de Correo de Erros Vetoriais
Com a finalidade de realizar previses, foi estimado o modelo de correo de
erros vetorias (MCEV). O MCEV um VAR restrito utilizado em sries no-
estacionrias co-integrveis. O MCEV possui uma relao de co-integrao em sua
especificao, que restringe o comportamento de longo prazo das variveis, permitindo
ajustes na dinmica de curto prazo. O termo de co-integrao conhecido como erro de
28
correo, na medida em que os desvios do equilbrio de longo prazo so corrigidos
gradualmente atravs de uma srie de ajustes parciais de curto prazo.
A equao de co-integrao (4.10) foi utilizada para derivar o erro de correo
defasado:
1 t 1 t 1 t 1 t 1 t
PE 2784 , 0 Y 9649 , 0 P 3912 , 0 C u

+ + = (4.11)
Em seguida, foram testadas diversas especificaes para
t
C , acrescentando
uma constante e as variveis
t
P ,
t
Y ,
t
PE e
1 t
C

. Como a varivel de interesse o
consumo residencial de energia eltrica, s foi estimado um MCEV para esta varivel.
O melhor resultado obtido foi o seguinte:
Tabela 7 Estimao do MCEV
Varivel Coeficiente Desvio Padro Estatstica t Prob.
Constante -0,0516 0,0192 -2,6915 0,0167
1 t
u

-0,3348 0,0575 -5,8268 0,0000
1 t
C

0,4157 0,1460 2,8467 0,0122
t
PE
-0,0615 0,0290 -2,1189 0,0512
R
2
= 0,7264
0,7264
F teste = 13,28 (0,0002)
LM teste = 3,3208 (0,1901)
Jarque-Bera teste = 0,6131 (0,7360)
White teste = 3,6173 (0,7283)
Nota: Os valores entre parnteses representam o p-value.
Os coeficientes so significativos e no existem indcios de que os resduos no
sejam normalmente distribudos (Jarque-Bera teste), homocedsticos (White teste) e
no-autocorrelacionados (LM teste).
Cabe ressaltar que a primeira diferena da varivel preo ) P (
t
e a primeira
diferena da varivel renda ) Y (
t
no se mostraram significativas e por isso no fazem
parte da equao do MCEV.
Desta maneira, o modelo pode ser estimado com a equao (4.12), que
representa as dinmicas de curto e longo prazos para o consumo residencial de energia
eltrica:
t 1 t 1 t t
PE 0615 , 0 C 4157 , 0 u 3348 , 0 0516 , 0 C + =

(4.12)
29
O MCEV indica que a velocidade de ajustamento em relao ao equilbrio de
longo prazo 0,3348; ou seja, 33,5% do desequilbrio de curto prazo em relao
trajetria de longo prazo so corrigidos a cada perodo. Isto significa que o ajuste total
dos desvios do equilbrio de longo prazo levaria cerca de 3 anos.
5. Consideraes Finais
Este trabalho objetivou o desenvolvimento de um modelo de previso do
consumo residencial de energia eltrica no Brasil, importante ferramenta para o
planejamento da expanso e o planejamento da operao do Setor Eltrico Brasileiro.
Alm disso, buscou contribuir para estimaes de elasticidades preo e renda de longo
prazo da demanda residencial de energia eltrica.
O mtodo aplicado consistiu na modelagem de um vetor autoregressivo (VAR)
sob a representao de um modelo de correo de erros vetoriais, utilizando-se os
procedimentos de estimao e testes desenvolvidos por Johansen (1988 e 1991) e ainda
Johansen e Juselius (1990).
Esta metodologia foi utilizada por Andrade e Lobo (1997) e Schmidt e Lima
(2002), que analisaram a evoluo do consumo residencial de energia eltrica no Brasil
e estimaram as elasticidades preo e renda da demanda residencial de energia eltrica
para diferentes perodos.
Cabe destacar que neste trabalho foram utilizadas as sries temporais do
consumo total de energia eltrica e do PIB, diferenciando-se do adotado nos dois
trabalhos mencionados que utilizaram as sries temporais do consumo por consumidor
de energia eltrica e o PIB per capita. Por isso, as elasticidades preo e renda da
demanda residencial de energia eltrica estimadas neste trabalho no so comparveis
com as encontradas anteriormente.
Por ultimo, vale ressaltar ainda que, dado que a restrio de oferta provocada
pelo racionamento de energia eltrica de 2001-2002 viola a hiptese bsica do trabalho
de que a oferta do servio seja infinitamente elstica, a estimao do modelo foi
realizada com base nas observaes do perodo 1980-2000. Para este perodo, as
elasticidades preo e renda de longo prazo da demanda residencial de energia eltrica
foram de 0,3912 e 0,9649 respectivamente.
30
Referncias
ANDRADE, T. A.; LOBO, W. J. A. Elasticidade Renda e Preo da Demanda Residencial de Energia
Eltrica no Brasil. In: Texto para Discusso n 489, IPEA, p. 1-20, 1997.
ARAJO, J. L. R. H. Modelos de Energia para Planejamento. Tese (Concurso de Professor Titular),
COPPE/UFRJ, 1984.
ARAJO, J. L. R. H. Estudo Economtrico da Demanda de Energia Eltrica no Brasil, Relatrio
Final, IE/UFRJ, 1992.
COSTA, R. C.; FALLOT, A. Top-down Versus Bottom-Up: Coupling Both Modelling Approaches for a
Prospective Study on Biofuels. Comprehensive Economic and Spatial Bio-Energy Modelling. 48 ed.
Chania: CIHEAM (Centre International de Hautes Etudes Agronomiques Mditerranenes), 2002.
COSTA, R. C.; AMERICANO, B. B. Modelos Top-Down e Bottom-Up: Reflexes sobre o
Planejamento Energtico. In: Congresso Brasileiro de Energia, Rio de Janeiro, 1996.
DE OLIVEIRA, B. H. A. M. (2004), Um Modelo de Previso do Consumo Residencial de Energia
Eltrica no Brasil. Monografia de Final do Curso de MBA Executivo em Finanas, IBMEC/RJ.
ENGLE, R. F.; GRANGER, C. W. J. Co-integration and Error Correction: Representation, Estimation,
and Testing. In: Econometrica, Vol. 55, No. 2, p. 251-276, 1987.
FORTUNATO L. A. M.; ARARIPE NETO, T. A.; ALBUQUERQUE, J. C. R.; PEREIRA, M. V. F.
Introduo ao Planejamento da Expanso e Operao de Sistemas de Produo de Energia Eltrica
1a. ed. Niteri: Atlas, 2001.
GUJARATI, D. N. Econometria Bsica, So Paulo: MAKRON Books, 2000.
JOHANSEN, S. Statistical Analysis og Cointegrating Vectors. In: Journal of Economic Dynamics and
Control, Vol. 12., p. 231-254, 1988.
JOHANSEN, S. Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector
Autoregressive Models. In: Econometrica, Vol. 59, No. 6, p. 1551-1580, 1991.
JOHANSEN, S.; JUSELIUS, K.. Maximum Likelihood Estimation and Inference on Cointegration
With Applications to the Demand for Money. In: Oxford Bulletin of Economics and Statistics, Vol. 52,
No. 2, p. 169-210, 1990.
MODIANO, E. M. Elasticidade Renda e Preos da Demanda de Energia Eltrica no Brasil. In: Texto
para Discusso n 68, Departamento de Economia da PUC, p. 1-19, 1984.
SCHMIDT, C. A. J.; LIMA, M. A. Estimaes e Previses da Demanda por Energia Eltrica no Brasil.
In: Documento de Trabalho n 16, Ministrio da Fazenda. Secretaria de Acompanhamento Econmico
SEAE, p. 1-31, 2002.
31

A FORECASTING MODEL FOR RESIDENTIAL
ELECTRICAL ENERGY CONSUMPTION IN BRAZIL

Abstract
The objective of this work was to develop a model to predict the residential electrical
energy consumption in Brazil. Among the methods of demand forecasting in existence,
the methodology adopted was based on an econometric approach. The method applied
was based on the modeling of an autoregressive vector and an error correction vector,
using the estimation procedures and tests developed by Johansen (1988 and 1991) and
Johansen and Juselius (1990). For the period analyzed, the price and income
elasticities of demand for long-term residential electricity were -0.3912 and 0.9649
respectively.
Key-words: Forecast; Electrical energy; Estimation.

32

A IMPORTNCIA DOS GRFICOS DE CONTROLE
PARA MONITORAR A QUALIDADE DOS PROCESSOS
INDUSTRIAIS: ESTUDO DE CASO NUMA INDSTRIA
METALRGICA
Anderson Gomes dos Santos
Universidade Federal de Campina Grande (UFCG)
andersongsantosufcg@gmail.com

Edivan Ferreira de Lacerda

edvan.ferreira@yahoo.com.br

Hlio Cavalcanti Albuquerque Neto

heliocnt@hotmail.com

Weidson do Amaral Luna

weidson.a.l@gmail.com

Egidio Luz Furlanetto
elfurlanetto@terra.com.br
Resumo
Em um cenrio competitivo, as empresas buscam a qualidade nos seus produtos. Para
isto, necessria a anlise do empreendimento para avaliar o desempenho dos
processos at o produto final, emergindo assim a importncia do CEP para detectar e
diminuir a variabilidade, garantido maior conformao alm de reduo do custo,
tornando-se importante ferramenta para a competitividade. Este artigo exploratrio,
analisa o CEP em uma empresa metalrgica. No inicio, por grficos, foi possvel
verificar causas especiais, aps a eliminao dessas, o processo passou a estar sob
controle, porm, houve necessidade de ajuste da mdia do processo. Finalmente, foram
sugeridas medidas para que a empresa mantivesse seu sistema produtivo sob controle.
Palavras-chave: Controle Estatstico Processo, Qualidade, Metalrgica.
ISSN1413-9022/v.28p.33-46,2010
Cadernos do IME Srie Estatstica A Importncia dos Grficos de Controle...
34
1. Introduo
Acompanhar as constantes alteraes de mercado sem perder qualidade e
mantendo a eficcia no atendimento ao cliente tem sido hoje um grande desafio para as
empresas e corporaes. Para tal, necessrio desenvolver produtos inovadores, que
possuam um padro de qualidade e que consigam satisfazer as necessidades dos
clientes, gerando vantagem competitiva frente s demais empresas.
Entretanto, a qualidade no deve ser atrelada apenas ao produto final, mas sim a
todo o processo produtivo e administrativo, visto que cada produto imperfeito trs
consigo desperdcio de matria-prima, tempo e energia. Quanto a isto, Shiba et al
(1997) colocam a participao de cada etapa do processo como pilar na construo de
uma filosofia organizacional orientada qualidade total - Total Quality Management.
Para os autores, ao invs de simplesmente realizar o trabalho que lhe foi designado,
cada etapa do processo dever procurar satisfazer da melhor forma possvel seu cliente
interno ou externo.
Nesse sentido, Montgomery (2004) afirma que o Controle Estatstico de
Processo (CEP) extremamente til, j que uma poderosa coleo de ferramentas para
a coleta, anlise e interpretao de dados, com o objetivo de melhorar a qualidade por
meio da eliminao de causas especiais, podendo ser utilizado para a maioria dos
processos. Shiba et al (1997) ainda afirmam ser este um mtodo pelo qual se possa
atingir elevado percentual de qualidade sem rejeies, desde que sejam desenvolvidos
formas padronizados de correes e de feedback em cada etapa ao longo do processo.
Assim sendo, o presente artigo prope-se a analisar, por meio do CEP, a
fabricao de um dos componentes da linha de produtos de uma indstria metalrgica
usados na montagem de dobradias e maanetas de fechaduras. O estudo pde detectar
variaes em suas dimenses, evidenciando a necessidade da elaborao da carta de
controle, alm de fornecer medidas mitigadoras para que a empresa mantenha o
processo sob controle.
2. Fundamentao terica
2.1 Causas de variabilidade do processo
Segundo Costa et al (2008), a expresso variabilidade do processo est
relacionada s diferenas existentes entre as unidades produzidas em um mesmo
processo. Se esta variabilidade for grande, as alteraes entre as unidades sero
Cadernos do IME Srie Estatstica Gomes, Ferreira, Cavalcanti & Furlanetto
35
facilmente observadas, contudo, se esta variao for pequena, as diferenas sero
praticamente imperceptveis.
Desta forma, possvel afirmar que os processos so passveis de causas
especiais, os quais so problemas ou modos de operao anormal no processo que
podem ser eliminados. Estatisticamente estas causas ocasionam um efeito de
deslocamento na centralidade (tirando a mdia do valor-alvo) da varivel X e/ou
alteram a sua disperso. Alguns exemplos de causas especiais so:
Ajuste incorreto da mquina ou desregulagem provocada pelo tempo de uso;
Lote de matria-prima fora das especificaes;
Operador mal treinado ou desmotivado.
Quando uma causa especial detectada, ela deve ser imediatamente investigada
com o objetivo de intervir para elimin-la. Para isto, utilizam-se as cartas, ou grficos de
controle, que so capazes de identificar a presena destas causas nos processos.
2.2 Cartas ou grficos de controle
De acordo com Galuch (2002), apud Barros (2008), os grficos de controle
analisam o comportamento do processo permitindo uma atuao de forma preventiva,
efetuando aes corretivas no momento em que ocorrerem desvios, mantendo-o dentro
de condies pr-estabelecidas. Ainda desempenham um papel importante na aceitao
do produto, pois o CEP verifica a estabilidade e homogeneidade do produto ou servio.
Segundo Costa (1994), o mtodo baseia-se na retirada de amostras aleatrias de
tamanho n

a cada h hora, devem ser coletadas para posterior clculo da mdia e da
amplitude amostral e assim investigar se o processo est ou no sob controle estatstico.
Um processo est sob controle estatstico quando estiver isento de causas
especiais, ou seja, se na carta de controle elaborada, todos os pontos estiverem inseridos
entre os Limites Superior (LSC) e Inferior de Controle (LIC), no apresentando
nenhuma tendncia. Segundo Souza (2002), tendncia quando se encontra uma
ascendncia ou descendncia de sete ou mais pontos no grfico do processo.
2.2.1 Condies para a construo e uso dos grficos de controle: estimativa da
variabilidade do processo
Para a construo dos grficos de controle necessrio conhecer o desvio-
padro ( S ) do processo. Dependendo do caso em estudo, preciso apenas estimar a
mdia, ou avaliar se a estimativa desta est suficientemente prxima do valor alvo
36
estabelecido para a conformidade. Estes parmetros devem ser avaliados durante o
perodo em que o processo permanecer isento de causas especiais de forma que se
garanta uma construo correta dos grficos.
Segundo Costa et al (2008), existem quatro formas de se estimar a variabilidade
de um processo (
a
S ,
b
S ,
c
S e
d
S )
,
entretanto, segundo os autores as duas ltimas so
consideradas mais confiveis, pois baseiam-se na disperso dos valores encontrados
entre as amostras, sendo insensveis a causas especiais que possam alterar a mdia do
processo e, portanto, no presente estudo a opo ser por elas.
As Equaes 1 e 2 apresentam o modelo matemtico necessrio para o clculo
destes estimadores.
4
C
S
S
c
=
(1)
Onde:

S o desvio-padro mdio do processo;

4
C o fator relacionado ao tamanho dos subgrupos.
2
d
R
S
d
=
(2)
Onde:

R a amplitude mdia do processo;

2
d o fator relacionado ao tamanho dos subgrupos.
2.2.2 Grficos de controle por variveis contnuas
Nos casos em que a varivel a ser observada seja contnua, depois de eliminadas
as causas especiais, necessrio construir os grficos da mdia amostral (

X ), o da
amplitude ( R ) e o do desvio-padro ( S ). Neste processo so utilizados um dos grficos
para medir a disperso ( R ou S ) e outro para detectar a centralidade do processo (

X ).
2.2.2.1 Grfico da mdia amostral
X
Observadas as amostras de tamanho n, calcula-se as mdias de cada amostra, e
posteriormente, plota-se um grfico no qual tem como parmetros a linha mdia e os
limites superior e inferior. Estes so obtidos pelas seguintes equaes:
37
^
3 + =
X LSC
i

(3)

= X LC
(4)
^
3 =
X LIC
i

(5)
Onde o desvio-padro amostral
^
dado pela seguinte equao:
n
=
^

(6)
De acordo com Costa et al (2008) e MINITAB 15 (2007), adotam-se trs
desvios-padro da linha mdia para se evitar ajustes desnecessrios que aumentem a
variabilidade do processo, ocasionando investigao de causas inexistentes levando a
interrupes do processo, o que aumenta os custos de implantao do CEP.
2.2.2.2 Grfico da Amplitude amostral R
O grfico da amplitude tambm situado a trs desvios-padro em relao
mdia, utilizando procedimento semelhante plotagem do grfico da mdia amostral
X ,
sendo obtidos pelas seguintes equaes:
^
0 3
^
0 2
3 d d LSC
R
+ =
(7)

^
0 2
d LC
R
=
(8)
^
0 3
^
0 2
3 d d LIC
R
=
(9)
2.3 Testes de Estabilidade
O Automotive Industry Action Group (AIAG) sugere as seguintes orientaes
para realizar testes de causas especiais MINITAB (2007).
Teste 1: 1 ponto maior que 3 desvios-padro da linha central;
Teste 2: 9 pontos em sequncia no mesmo lado da linha central;
Teste 3: 6 pontos em sequncia, crescentes ou decrescentes.
Testes de estabilidade com maior nmero de observaes e at maior rigor so
propostos por diversos autores, entretanto, a escolha pelos testes da AIAG foi tomada
por considerar-se o processo de fabricao de peas para construo civil semelhante
aquelas fabricadas nas metalrgicas que fabricam componentes automotivos.
2.4 Anlise da capacidade do processo
38
Segundo Costa et al (2008) a capacidade do processo depende das
especificaes e da variabilidade do processo, concluindo que ela no est vinculada
apenas s causas especiais onde so avaliados parmetros funcionais do produto. Souza
(2002) afirma que estes parmetros possuem uma distribuio de probabilidade
caracterizada por sua centralizao e disperso, de onde se obtm os limites naturais.
Tais ndices so parmetros adimensionais que indiretamente medem o quanto o
processo consegue atender as especificaes (COSTA et al, 2008). Existem inmeros
ndices, porm os mais analisados so o Cp (ndice de capacidade potencial) e o Cpk
(ndice de capacidade efetiva), como pode ser visto na Tabela 1, a seguir.
Tabela 1 Classificao do processo com respeito a sua capacidade.

Classificao Valor de Cpk Descrio
Capaz 1,33
Est dentro dos limites de especificados, produzindo
praticamente todos os produtos com qualidade.
Razoavelmente Capaz 1 Cpk 1,33
Est sujeito a frequentes ocorrncias de causas especiais,
necessitando ser rigidamente controlado.
Incapaz 1
Est produzindo uma porcentagem considervel de itens
fora das especificaes, o processo est fora de controle
ocasionando muitos itens defeituosos e baixa qualidade nos
produtos.
Fonte: Adaptado de Costa et al (2008)
O ideal que o valor de Cp seja o maior possvel, pois menos provvel que o
processo esteja fora das especificaes, j que esse ndice est relacionado com o
tamanho da disperso, ou seja, valores altos neste ndice significam processos com
pouca variao. J o Cpk o ndice que leva em conta a centralizao do processo.
Souza (2002) afirma que o estudo da capacidade do processo pode ser til
reduo de variabilidades, obedincia do processo as especificaes desejadas e no
melhoramento da qualidade.
3. Procedimentos metodolgicos
Trata-se de um estudo de caso, realizado numa indstria metalrgica localizada
na cidade de Campina Grande, Paraba. Quanto aos fins, a pesquisa exploratria e
descritiva. Quanto aos meios utilizados, a pesquisa bibliogrfica, documental e de
campo. O levantamento dos dados foi baseado na aplicao de entrevistas estruturadas
in loco, na inferncia dos pesquisadores por meio da observao no-participante, na
39
coleta dos documentos operacionais da empresa e pesquisa bibliogrfica.
Para a anlise do componente em questo, foram retiradas da linha de produo
vinte amostras de tamanho dez a cada quinze minutos, durante o perodo vespertino.
Todas as peas foram medidas com paqumetro digital Starret, devidamente calibrado.
Em seguida, foram realizados clculos das mdias e amplitudes, criando subsdios para
a elaborao da carta de controle a ser proposta empresa, estes obtidos a partir do
software MINITAB 15 (verso Demo).
4. Descrio da empresa
A metalrgica onde foi realizado este trabalho possui a maior participao do
mercado nordestino e produz ferragens para construo civil e movelaria, tais quais:
fechaduras, parafusos, telhas, calhas, perfis metlicos, cadeados, travas, dobradias em
ao e lato. Objetivando manter nos produtos excelente padro de segurana e
qualidade, a empresa possui certificao ISO 9000:2000 na unidade de negcios Perfis e
Telhas Galvanizadas e atualmente est em processo de certificao do Programa
Brasileiro da Qualidade no Habitat (PBQP-H), que tem como meta combater a no-
conformidade nas empresas do setor da habitao.
5. Desenvolvimento do estudo
Segundo a gerncia de produo, a fabricao de pinos metlicos possui
demanda em grande escala por ser este uma pea componente de diversos produtos,
ultimamente tem apresentado alto ndice de sucata e/ou retrabalho no momento da
montagem de dobradias e maanetas de fechaduras.
Antes de ser iniciada a coleta dos dados, foi realizado um brainstorm entre os
pesquisadores e os responsveis pelo setor, onde ficou evidenciado que o dimetro do
pescoo do pino seria a varivel crtica neste processo, uma vez que as alteraes nesta
medida, mesmo pequenas, so as principais causas de peas defeituosas. A Figura 1, a
seguir, exibe as caractersticas do componente pino.
Figura 1 Dimenses de projeto do pino

40

Embora a empresa esteja ampliando sua rea de produo, investido na
construo de novas instalaes e na aquisio de novas mquinas para a montagem de
dobradias, automatizando assim esta parte do processo, esta etapa tem apresentado um
elevado ndice de refugo, requerendo constantemente ajustes para o acerto das mesmas,
sendo por isso escolhida para o estudo.
6. Anlise dos dados e resultados
6.1 Dependncia entre as variveis
A ausncia de dependncia entre as variveis em estudo uma condio
necessria aplicao dos grficos propostos por Shewart, desta forma, foram
construdos grficos de disperso das variveis como meio de detectar possveis
associaes entre as mesmas, conforme se apresenta na Figura 2.
Figura 2 Grficos de disperso entre as variveis, a) Cabea x Pescoo b) Comprimento x Pescoo c)
Comprimento x Cabea

Com base na anlise da figura acima, possvel afirmar que os grficos de
disperso demonstraram no haver nenhum padro de relao entre as variveis, uma
vez que as linhas de regresso apresentam-se relativamente planas, descrevendo funes
aproximadamente lineares constantes. Observou-se maior disperso entre os pontos no
grfico gerado por Cabea e Pescoo. Os dois ltimos grficos revelam haver grande
concentrao dos pontos indicando possveis valores para seus valores mdios.
6.2 Distribuio estatstica da varivel principal
Embora no seja condio restritiva para a aplicao e utilizao dos grficos de
Shewart, buscou-se verificar a que tipo de distribuio estatstica estava submetido o
processo. Assim, foi elaborada a construo do histograma para a varivel pescoo do
pino, como se observa a seguir.
41
Figura 3 Histograma das variveis cabea, pescoo e comprimento

Observa-se um deslocamento considervel da mdia do processo em relao ao
valor mdio previsto no projeto, sendo necessrio ajustes que pudessem levar as mdias
a coincidirem-se, colocando o processo em controle.
6.3 Criao das cartas de controle
Em seguida, como meio de se conhecer o comportamento do processo, foi
plotado o grfico de controle dos limites naturais a partir de pontos das amostras com
trs desvios da mdia. Esta etapa (apresentada na Figura 4) crucial na anlise,
contribuindo com significativas melhorias no processo.
Figura 4 Grfico da mdia para a varivel pescoo

Verificou-se, conforme demonstrado na figura acima que para a amplitude,
houve uma alternncia significativa dentro dos limites extremos em torno da linha
central, revelando haver no processo uma pequena disperso; quanto mdia, a partir
dos testes de estabilidade, observa-se a presena de pontos (amostras 2 e 3) abaixo do
LIC e de oito pontos (amostras 8 15) em sequncia do lado superior da linha central,
evidenciando a presena de causas especiais.
42
A partir dos resultados obtidos, foram feitas investigaes para descobrir as
causas especiais existentes no processo, nas quais duas se revelaram:
Carncia de manuteno adequada, visto que as condies ambientais e o
desgaste dos equipamentos estavam acarretando uma ineficincia do
maquinrio;
Falta de regulagem da mquina por curto perodo de tempo, devido
ausncia de ateno do operador responsvel pelo setor.
Sendo assim, realizaram-se ajustes necessrios na mquina, e em seguida foram
retirados os pontos que excederam os limites de controle naturais (pontos 2 e 3) para a
varivel Pescoo. Estando o processo finalmente livre de causas especiais criou-se o
grfico da mdia e da amplitude, conforme exibe a Figura 5.
Figura 5 Mdia e amplitude final para a varivel pescoo

De acordo com os grficos apresentados na Figura 5, verificou-se que o processo
estava sob controle estatstico, uma vez que todos os pontos apresentam-se dentro dos
limites naturais de controle. Porm, observa-se que no grfico da mdia o LC est
distante do valor-alvo de 3,20 evidenciando a necessidade de um ajuste no processo.
6.4 Anlise da capacidade do processo
Para avaliar a capacidade do processo, construiu-se o grfico da distribuio
dentro dos limites especificados, estimando os valores do Cp e Cpk, os quais so
apresentados na Figura 6.
Observa-se que a curva vermelha (dentro das especificaes) e tracejada preta
(todos os itens) so quase coincidentes. De acordo com Costa et al (2008), possvel
43
afirmar que o processo em estudo capaz, uma vez que apresenta o valor de seu Cpk
igual a 1,43. De acordo com a Tabela 1, o processo capaz quando o Cpk for maior do
que 1,33.
Figura 6 Capacidade do processo e limites especificados e naturais

A partir das anlises de desempenho do processo e do Cp e Cpk, estima-se que
apenas nove itens em um milho esto sendo produzidos fora dos limites especificados.
Entretanto, foi observada a necessidade de um ajuste no processo de tal forma que o
valor mdio do processo (3,17) fosse aproximado mdia especificada no projeto
(3,20), pois o mesmo se apresentava deslocado para a esquerda do valor alvo, fato
considerado grave, uma vez que itens podem estar sendo produzida em dimenses
menores que as permitidas pelo projeto, podendo ocorrer a desmontagem das peas.
Desta forma, foi proposta a criao de grficos de controle obtidos a partir do
deslocamento da linha
X da Figura 6 para a linha do Valor alvo, mantendo-se a

diferena entre os valores dos limites inferior e superior de controle (disperso),
obtendo como novos parmetros do processo os seguintes valores: LSC= 3,22; LC=3,20
e LIC= 3,18.
7. Consideraes finais
Embora a empresa na qual foi realizado o referido estudo possua certificao
ISO 9000:2000 em uma de suas unidades e esteja em processo de certificao do PBQP-
H, a adoo em s destes programas no garantem a qualidade dos produtos, uma vez
que estes no prevem em seus escopos a adoo de indicadores de desempenho para os
processos, alm de permitirem a certificao por setor. Portanto, e como propem Shiba
44
et al, (1997) o uso de ferramenta estatstica fundamental para que se garanta de fato
qualidade nos processos e produtos de maneira global. Assim, a adoo do CEP um
fator decisivo para a gerao de maior confiabilidade no processo, conferindo ganho de
qualidade e produtividade, que so decisivos para a sobrevivncia de um
empreendimento.
Entretanto, como o estudo constatou, tais ferramentas so raramente utilizadas
pelas empresas, isto se deve ao fato das mesmas desconhecerem a importncia destas
ferramentas e/ou no possuir profissionais capacitados para construo, implementao,
e o monitoramento do processo produtivo atravs de cartas de controle. Desta forma,
algumas sugestes e aes mitigadoras foram sugeridas empresa deste estudo,
destacando-se a importncia do treinamento dos colaboradores, a manuteno preditiva
e a extenso deste estudo s demais unidades da empresa.
Por fim, com o presente estudo de caso, foi possvel perceber a contribuio dos
recursos da estatstica para a qualidade dos processos por meio do monitoramento,
aderncia do processo s especificaes e a reduo de variabilidades. Fica evidente que
mesmo sendo o CEP uma ferramenta simples, esta indispensvel e muito eficiente pra
monitorar os processos produtivos, permitindo que as empresas acompanhem de forma
consistente as capacidades de seus processos.

Referncias
COSTA, A. F. B.; EPPRECHT, E. K.; CARPINETTI, L. C. R. Controle Estatstico da Qualidade. 2.
ed. So Paulo: Editora Atlas, 2008.
COSTA, A. F. B. X Charts with Variable Sample Size. Journal of Quality Technology, vol. 26, n.3, p.
155-163,1994.
COSTA, A. F. B. X Chart with Variable Sample Size and Sampling Intervals. Journal of Quality
Technology, vol.29, n. 2, p. 197- 204,1997.
MINITAB. Conhea o Minitab 15 para Windows. 1. ed. So Paulo: Editora Minitab Inc., 2007.
MONTGOMERY, D. C. Introduo ao Controle Estatstico da Qualidade. So Paulo: Ed. LTC, 2004.
PEDRINI, D. C.; CATEN, C. S. T. Grficos de Controle
X
e S com Tamanho de Amostra Varivel e
Anlise de Capacidade para Dados No-normais: Um Estudo Aplicativo. Revista Produto & Produo.
Vol. 4, nmero especial, p.72-85, 2000.
SHIBA, S.; GRAHAN, A.; WALDEN D. TQM: Quatro Revolues na Gesto da Qualidade. So
Paulo: Bookman, 1997.
45
SOUZA, G. R. Implantao do Controle Estatstico de Processo em uma Empresa de Bebidas.
Dissertao apresentada ao Mestrado profissionalizante em engenharia da Universidade do Rio Grande
do Sul. Porto Alegre, 2002.
46

THE IMPORTANCE OF CONTROL CHARTS FOR
MONITORING THE QUALITY OF INDUSTRIAL
PROCESSES: A CASE STUDY IN METALLURGICAL
INDUSTRY

Abstract
Companies are seeking for quality in their products in a competitive scenario. To do
this, it is necessary to analyze the enterprise to evaluate the performance of procedures
until the final product, emerging the importance of the Statistical Process Control
(SPC) to detect and reduce the variability, guaranteed greater conformation beyond
cost reduction, becoming an important tool for to be competitive. This exploratory
article examines the SPC on a metallurgical company. In the beginning, due the
graphics, it was possible to verify special causes, after these elimination, the process is
now under control, however, there was need to adjust the process mean. Finally, were
suggested adjustments for the company to keep its production system under control.
Keywords: Statistical Process Control, Quality, Metallurgical.

ESTUDO E APLICAO DA ANLISE MULTIVARIADA
DE DADOS PARA A VALIDAO DAS ESTRUTURAS
FSICAS E PEDAGGICAS DE ESCOLAS PBLICAS DO
SUL DO PARAN
Antnio Carlos Machnicki
PPGMNE Universidade Federal do Paran (UFPR)
acmachnicki@seed.pr.gov.br
machnicki@uol.com.br

Anselmo Chaves Neto
anselmo@ufpr.br

Liliana Madalena Gramani
l.gramani@gmail.com.br

Resumo
O sistema educacional brasileiro abrange as esferas federal, estadual e municipal e
composto de instituies pblicas e privadas. O trabalho investiga quais as variveis
estruturais, pedaggicas e auxiliares (sociais) que melhor se correlacionam com o
ensino e como cada estrutura escolar responde aos interesses da aprendizagem.
Avaliou-se doze variveis estruturais, doze variveis pedaggicas e trinta e quatro
variveis auxiliares. As pesquisas foram feitas, com amostra estratificada, em vinte e
duas escolas pblicas da regio sul do Paran. As tcnicas de anlise so a estatstica
multivariada de dados com anlise fatorial e anlise de regresso. Os resultados
apontam os conjuntos de variveis que melhor se correlacionam, citadas nos fatores, e
indicam quais instituies de ensino apresentam os melhores modelos de estrutura
fsica, pedaggica e auxiliar (social) que serve de parmetro tanto para a alocao de
recursos financeiros como para o gerenciamento escolar.
Palavras-chave: Educacional; Escolar; Anlise Multivariada.

ISSN1413-9022/v.28,p.47-59,2010
Cadernos do IME Srie Estatstica Estudo e Aplicao da Anlise Multivariada...
48
1. Introduo
Na busca da qualidade educacional devemos encontrar caminhos que auxiliem
professores, alunos e gestores escolares, na tomada de decises, a fim de que
avancemos em direo a uma escola pblica de qualidade. Segundo De Souza (2001), a
qualidade dos servios educacionais depende, em grande parte, da adequao de suas
instalaes fsicas. Segundo ele, o ambiente de uma escola tambm educa e pode tornar
a formao de seus alunos no apenas mais eficiente como tambm muito agradvel.
Quantificar como a tecnologia, o material didtico, a sala de aula, as condies
de estudo, o trabalho do professor, as condies fsicas dos estabelecimentos de ensino,
o ambiente escolar e o ambiente social influenciam no rendimento escolar o objetivo
principal do trabalho. Para esse fim, so investigadas variveis relacionadas ao ensino
fundamental e mdio, em escolas pblicas, com a finalidade de identificar as variveis
que melhor se correlacionam, com o desempenho dos alunos e com a eficincia das
escolas, fornecendo subsdios e propondo formas de avanos tanto na estrutura fsica, de
equipamentos e pedaggica de modo que o reflexo seja a qualidade educacional
oferecida pelas instituies de ensino, com ganho imediato nos ndices educacionais
brasileiros, na formao da pessoa e na qualidade do cidado formado.
2. Reviso Bibliogrfica
A anlise multivariada compreende todos os mtodos estatsticos que podem ser
aplicados na anlise simultnea de mltiplas medidas sobre cada indivduo ou objeto
que se est investigando. Segundo Crespo (2006, p.13), a estatstica uma cincia
matemtica que fornece mtodos para a coleta, organizao, descrio, anlise e
interpretao de dados e para a utilizao dos mesmos na tomada de decises.
A varivel estatstica composta por combinaes lineares de variveis com
pesos empiricamente determinados. Por exemplo, uma varivel estatstica de n variveis
ponderadas ( )
i
x x x ,....., ,
2 1
pode ser escrita como:
i i
x w x w x w y + + + = .....
2 2 1 1
cujo
i
x com n i ,....., 3 , 2 , 1 = , a varivel observada e
i
w , com n i ,....., 3 , 2 , 1 = , o peso que a
tcnica multivariada determina. O resultado apresenta um valor nico que mostra a
combinao do conjunto de variveis que atinge o objetivo especfico com a tcnica
multivariada adotada. Para a representao de dados adota-se a notao matricial [ ]
jk
x
Cadernos do IME Srie Estatstica Machnicki, Neto & Gramani
49
que indica um valor particular da sima k varivel mensurada na sima j unidade
amostral.
2.1 Anlise fatorial
A anlise fatorial uma forma de reduo de dados aonde obtm-se, com a
utilizao da tcnica, uma forma menor de descrever os dados que inicialmente eram em
um nmero muito maior e, por conseguinte, mais difceis de serem analisados e
interpretados. Cada dimenso representada por um fator que por sua vez se associa a
um grupo de variveis e tem por objetivo aumentar o poder explicativo considerando o
conjunto inteiro de variveis.
2.1.1 Suposies na anlise fatorial
Segundo Hair Jr. et al (2005, p.98), se a inspeo da matriz de dados no revelar
um nmero substancial de correlaes maiores que 0,30, ento a anlise fatorial no
recomendada. Podemos usar a medida de adequao da amostra (MSA) para quantificar
o grau de inter-correlaes entre as variveis e a possvel aplicao da anlise fatorial.
Para Hair Jr. et al (2005), tal medida deve ser interpretada com as seguintes orientaes
e seguindo os valores do MSA (0,80 ou acima admirvel e abaixo de 0,50 inaceitvel).
Devemos procurar a homogeneidade da amostra com relao a estrutura fatorial
dominante, ou seja, grupos muito distintos de conjuntos de variveis devem ser
analisados separadamente, pois se duas ou mais sub-amostras muito distintas so
combinadas as correlaes so fracas resultando uma estrutura nica de cada grupo.
2.2 Anlise de regresso
Para Smailes e McGrane (2002, p.115), quando existem propsitos para a
tomada de decises, til identificar se existem relaes lineares entre duas ou mais
variveis e, se existir, quantificar sua fora. Na viso de Hair Jr. et al (2005, p.136), a
anlise de regresso mltipla tem como objetivo o de trabalhar com as variveis
independentes cujos valores so conhecidos para prever os valores de variveis
dependentes selecionadas pelo pesquisador. Afirma que, a anlise de regresso a
tcnica que vai ponderar a varivel independente garantindo a mxima previso.
Segundo Downing e Clark (2006), na regresso mltipla a relao entre a varivel
dependente y e as m-1 variveis independentes
1 2 1
,..., ,
m
x x x dada pela
equao: e B x B x B x B y
m m m
+ + + + + =
1 1 2 2 1 1
....

Os verdadeiros valores para os
50
parmetros
m m
B B B B , , ,
1 2 1
so desconhecidos, precisam ser estimados.
1
B representa o
efeito que
1
x tem sobre y , admitindo que
2
x permanea constante. Da mesma forma,
2
B representa o efeito de
2
x sobre y admitindo que
1
x fique constante. e uma
varivel aleatria conhecida como termo erro. Admite-se que e tem distribuio
normal, com esperana zero e varincia (
2
) desconhecida.
3. Metodologia
O trabalho investigou variveis relacionadas ao ensino fundamental e mdio em
escolas pblicas pertencentes ao ncleo regional de educao de Unio da Vitria (PR),
identificando as variveis que melhor se correlacionam com o desempenho dos alunos e
com a eficincia das escolas.
Segundo Sampaio e Guimares (2009), a importncia da acumulao de capital
humano destacado como aspecto crucial para o desenvolvimento econmico de um
pas, influencia na reduo do crescimento populacional, na queda da mortalidade
infantil e no aumento da expectativa de vida.
Foram coletadas informaes em vinte e duas instituies de ensino de oito
municpios, num total de mil, oitocentos e vinte e seis alunos pesquisados ou 15,77% do
total. As pesquisas foram feitas atravs de questionrios produzidos para esse fim e
envolvem variveis estruturais (relacionadas a estrutura fsica), pedaggicas
(relacionadas as questes didticas e administrativas) e auxiliares (relacionadas as
questes sociais e econmicas).
As tcnicas de anlises so a estatstica multivariada de dados com anlise
fatorial e anlise de regresso.
3.1 Transformando dados dicotmicos

As tcnicas estatsticas multivariadas dependem de variveis cujos valores so
mtricos. As variveis pesquisadas apresentavam caractersticas no mtricas e sua
transformao foi feita pela atribuio de pesos para cada um dos conceitos, em uma
escala de 10 a 3. Com isso produziu-se uma matriz vetor que padronizou cada varivel.
Exemplificando: considerando os conceitos timo, bom, regular, ruim, insatisfatrio,
no tem, fez-se a padronizao pela matriz
51
[ ] ( )
6 5 4 3 2 1
6
5
4
3
2
1
: * 3 4 5 7 9 10 var w w w w w w
w
w
w
w
w
w
ivel + + + + +
(
(
(
(
(
(
(
(
= , onde:
w
1
,w
2
,w
3
,w
4
,w
5
e w
6
so os valores totais das respostas de cada colgio aos conceitos
timo, bom, regular, ruim, insatisfatrio, no tem, respectivamente.
Os dados da varivel estatstica E
1
ficam padronizados conforme equao:

6 5 4 3 2 1
6 5 4 3 2 1
1
3 4 5 7 9 10
w w w w w w
w w w w w w
E
+ + + + +
+ + + + +
=
Genericamente, a varivel P
n
padronizada como:

6 5 4 3 2 1
6 5 4 3 2 1
3 4 5 7 9 10
w w w w w w
w w w w w w
P
n
+ + + + +
+ + + + +
=
Os dados padronizados, numericamente, constituem a matriz:
variveis

onde:

n
E E E ; ;
2 1
so as variveis estruturais;

n
P P P ; ;
2 1
so as variveis pedaggicas;
NA a varivel nvel de aprendizagem;
j a e-sima escola;
22 22 22 22 22 22 22
1 2 1 2 1
21 2 22 21 2 22 21
11 1 12 11 1 12 11
2 1 2 1
. . . . . . 22
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . 2
. . . . . . 1
. . . . . .
NA P P P E E E
NA P P P E E E j
NA P P P E E E
NA P P P E E E
NA P P P E E E escolas
n n
j jn j j jn j j
n n
n n
n n
52

1
, ,
j jn jn
NA P E so valores numricos obtidos aps aplicao do clculo com
o respectivo peso.
4. Resultados
Os resultados esto organizados da seguinte forma:
a) Resultados gerados a partir da matriz de variveis estruturais;
b) Resultados gerados a partir da matriz de variveis pedaggicas;
c) Resultados gerados a partir da matriz de variveis auxiliares.
A anlise fatorial tem como fim reduzir o nmero de variveis e de indicar os
conjuntos de variveis, distribudos nos fatores, que so mais homogneos.
Com a anlise de regresso qualifica-se o melhor modelo de estrutura fsica,
pedaggica ou de carter auxiliar. Para a qualificao da melhor estrutura utiliza-se
tabelas que indicam:
a) O nvel de aprendizagem identificado por cada escola e coletado na pesquisa;
b) A previso do nvel de aprendizagem pela equao de regresso multivariada
que tomada considerando-se o melhor modelo selecionado a partir do
programa minitab 15 funo stat>regression>Best subsets, com resposta
para a varivel dependente NA nvel de aprendizagem;
c) O erro entre o nvel de aprendizagem, item a, e a previso, item b;
d) O erro quadrtico.
4.1 Resultados para as variveis estruturais
A anlise fatorial revelou uma estrutura com cinco fatores e com poder
explicativo de 79,50% da variabilidade total do modelo. Apresenta correlaes, entre as
variveis, maiores do que 0,30 e matriz de resduos que indicam aleatoriedade. As
comunalidades, entre as variveis e os fatores, tm a menor o valor 0,70 e a maior 0,88
estando dentro do limite inferior aceitvel para que possamos considerar os resultados
oriundos da anlise fatorial. O teste de adequacidade da amostra revela um MSA de
0,5696 com Q
2
de 94,4802.

53

Tabela 1- pesos estimados- variveis estruturais
Var. F1 F2 F3 F4 F5 Com. Var.esp.
1 0,1873 -0,0601 0,6718 -0,4501 0,2904 0,78 0,22
2 0,2089 -0,2651 -0,0733 -0,7985 0.0555 0,76 0,24
3 -0,4424 -0,1892 0,4090 0,1134 -0,6177 0,79 0,21
4 0,2282 0,1839 0,7998 0,1737 -0,1579 0,78 0,22
5 0,5026 0,2900 0,0735 -0,7199 -0,0444 0,86 0,14
6 -0,1226 0,0215 0,0136 -0,8117 -0,1485 0,70 0,30
7 -0,1748 -0,8672 -0,0662 0,1402 0,0725 0,81 0,19
8 0,0377 -0,0282 -0,0604 -0,0855 -0,9330 0,88 0,12
9 0,8124 -0,2115 0,3393 -0,0727 0,0787 0,83 0,17
10 0,2033 -0,7481 -0,0260 -0,3218 -0,3511 0,83 0,17
11 0,8403 -0,0505 0,0716 -0,1131 -0,0044 0,73 0,27
12 0,8214 0,3081 0,0365 -0,1325 0,0172 0,79 0,21
Autovalor 3,53 2,06 1,53 1,37 1,07
Prop.Acum. 22,57 36,59 48,25 66,81 79,50
Fonte: dados da pesquisa. Programa computacional matlab 6.5 (funo fator).
A partir de cada peso estimado com rotao da matriz, rotao varimax, obtm-
se os fatores e as respectivas variveis em cada fator.
Tabela 2 nmero de fatores com descrio das variveis estruturais
Fator Variveis Descrio das variveis
F1 E9, E11, E12 Sala de aula, quadro, estado das carteiras
F2 E7, E10 Quadra de esportes, udio e vdeo
F3 E1, E4 Biblioteca, lab. de informtica
F4 E2, E5, E6 Serv.gerais, banheiro, ptio
F5 E3, E8 Lab. de cincias, refeitrio
Fonte: dados da pesquisa
Para a anlise de regresso temos o modelo constitudo a partir de onze das doze
variveis estruturais, apresentando um poder de explicao da variabilidade dos dados
de 59,5% e uma estimativa mdia sobre a linha de regresso de 0,468874. A regresso
feita considerando a equao NA=13,2 - 0,388E1 0,740E2 +0,0420E3 0,0611E4 +
0,528E5 0,182E6 0,181E8 + 0,189E9 + 0,274E10 0,092E11 + 0,084E12, onde
NA a varivel nvel de aprendizagem e E1 a E12 so as variveis estruturais. Com a
aplicao da equao de regresso, acima, identificamos o conjunto ideal de estruturas
fsicas o conjunto com erro quadrtico de 0,0000, atingindo o extremo superior com
erro quadrtico de 0,3721.

54
4.2 Resultados para as variveis pedaggicas
A anlise fatorial identificou um conjunto com cinco fatores. Quanto aos
mtodos de adequao da amostra, a mesma apresenta um Q
2
de 187,6132 e MSA de
0,5420, possuindo 43,94% das correlaes maiores do que 0,30 e a matriz de resduos
sugere que eles foram gerados de maneira aleatria, sem tendncia de formao. As
comunalidades, entre as variveis e os fatores, esto acima da comunalidade mnima
aceitvel, sendo, a menor delas 0,73 e a maior 0,96. O percentual explicativo do modelo
atinge 87,31% de explicao da variabilidade dos dados.
Tabela 3- pesos estimados- variveis pedaggicas

Var. F1 F2 F3 F4 F5 Com. Var. esp.
1 -0,0689 0,0566 -0,9239 -0,2924 -0,1129 0,96 0,04
2 -0,2310 0,0781 -0,8826 -0,1241 -0,0932 0,86 0,14
3 -0,4036 0,0887 -0,8189 0,0088 0,0036 0,84 0,16
4 -0,1145 0,1373 -0,1115 0,0701 -0,9336 0,92 0,08
5 -0,7813 0,0158 -0,4039 -0,0289 -0,2350 0,83 0,17
6 -0,8596 -0,0741 -0,0483 -0,2796 -0,2263 0,88 0,12
7 -0,7410 -0,1005 -0,2973 -0,4877 -0,2665 0,96 0,04
8 -0,7069 0,0309 -0,6232 0,2110 0,0544 0,94 0,06
9 -0,1332 0.0901 -0,1846 -0,9044 0,1158 0,89 0,11
10 -0,0663 0,9005 -0,0524 0,0672 -0,0512 0,83 0,17
11 0,0919 0,7260 -0,1610 -0,3591 -0,1969 0,73 0,27
12 0,8284 -0,1739 0,1691 -0,0648 -0,3146 0,85 0,15
Autovalor 5,30 1,71 1,25 1,18 1,04
Prop.Acum. 27,91 39,82 65,23 77,09 87,31

Fonte: dados da pesquisa. Programa computacional matlab 6.5 (funo fator)
Para as variveis pedaggicas, o conjunto de fatores e as respectivas variveis
fica composto segundo a tabela abaixo.
Tabela 4- nmero de fatores com descrio de variveis pedaggicas
Fator Variveis Descrio das variveis
F1 P5, P6,
P7,P8,P12
Cond. de estudo; mat. did. para o prof.; mat. did. para o aluno; grau de compr. dos
prof. com relao a escola; de que maneira gostaria de ser avaliado.
F2 P10, P11 Pais ou responsveis vo a escola com que frequncia; quanto tempo voc estuda, em
mdia, por dia, fora da escola.
F3 P1, P2, P3 Equipe pedaggica; direo; secretaria.
F4 P9 Sua relao com os colegas de sala
F5 P4 Limpeza
55
A anlise de regresso multivariada, no conjunto de variveis pedaggicas, faz-
se pelo melhor modelo, ou seja, aquele que apresenta maior R
2
e menor S. A varivel
dependente a varivel NA nvel de aprendizagem. A melhor estrutura escolar
aquela que apresenta menor diferena (erro de regresso) entre o nvel desejado de
aprendizagem dos alunos (coletado na pesquisa) e o nvel calculado a partir da equao
NA=15,8 0,844P2 0,429P4 + 0,251P5 1,07P6 + 1,51P7 + 0,543P8 1,23P9 +
0,170P10 + 0,290P11 + 0,257P12. Constata-se que, a melhor estrutura pedaggica
aquela que apresenta um erro de regresso ao quadrado de 0,0025, sendo o limite
superior atingido com um erro quadrtico de 0,2704. Tal modelo tem um percentual
explicativo da variabilidade dos dados de 62,40% e uma varincia mdia sobre a linha
de regresso de 0,431368.
4.3 Resultados para as variveis auxiliares
A soma de fatores notoriamente favorveis a aprendizagem como, por exemplo,
boa condio de vida econmica, boa estrutura de bens na famlia, moradia prpria,
estudo em cursos paralelos as aulas escolares, faz com que a vida escolar melhore
facilitando o trabalho dos gestores, professores e funcionrios, pois, demanda que, o
tempo gasto, por esses profissionais, com auxlios e servios aos estudantes, seja gasto
exclusivamente com o saber e o ensinar. Constam da anlise fatorial vinte e uma
variveis auxiliares com 55,71% de correlaes acima de 0,30. Avaliou-se as inter-
correlaes e a matriz de resduos. As comunalidades esto acima de 0,70 e o percentual
explicativo do modelo de 84,11% da variabilidade total dos dados.
Usando os pesos estimados da matriz rotacionada os seis fatores gerados na
anlise fatorial ficaram compostos conforme segue.
Tabela 5 fatores com descrio das variveis auxiliares
FatorVariveis Descrio das variveis
F1 AP4; AE5; AE6; AE7; AE9;
AE10;AE11;AE12;AE14;AE17
Ajuda programas sociais; vdeo; computador; banheiro dentro de
casa; aparelho de som; televisor; DVD; internet; asfalto na rua;
renda mensal.
F2 AP3; AE3; AE15 Prtica de esportes; casa prpria; trabalho.
F3 AP1; AE8 Lngua estrangeira; gua encanada.
F4 AE13; AP10 Luz; importncia da escola.
F5 AP7; AE4 Uso de drogas; geladeira.
F6 AP5; AP8 Curso superior; bebida alcolica
56
A equao multivariada de regresso para as variveis auxiliares foi selecionada
a partir da funo stat>regression>Best subsets do programa minitab 15. O programa
apresenta como melhor modelo o modelo que possui um poder explicativo da
variabilidade R de 95,0 e uma estimativa da varincia mdia sobre a linha de regresso
S de 0,36953. Aplicando a equao de regresso, NA= 69,7+ 0,0319AP1 + 0,0357AP3
0,0253AP5 0,302AP7 + 0,0534AP8 + 0,171AE3 0,180AE4 0,0382AE5 +
0,0777 AE6 0,140AE7 0,169AE8 + 0,132AE9 + 0,0360AE11 0,0444AE12 +
0,0164AE13 + 0,0133AE14 + 0,0737AE15 0,278AP10 0,0300AE17, determina-se
o conjunto de variveis auxiliares que melhor ganho trs para a aprendizagem.
Na equao de regresso os coeficientes das variveis representam o quando a
varivel contribui para o nvel de aprendizagem quando todas as demais variveis esto
fixas, dentro do modelo. As variveis que contribuem positivamente para o aumento do
nvel de aprendizagem so as variveis AP1 (lngua estrangeira); AP3 (prtica de
esportes); AP8 (bebida alcolica- no injeo); AE3 (casa prpria); AE6 (computador);
AE9 (banheiro dentro de casa); AE11 (DVD); AE13 (luz); AE14 (asfalto na rua) e
AE15 (trabalho). Melhora nos coeficientes dessas variveis aumenta o nvel de
aprendizagem, logo, espera-se que tais coeficientes sejam os maiores possveis. As
demais variveis conduzem a uma perda de nvel de aprendizagem, logo, espera-se que
os valores de tais variveis sejam os menores possveis.
5. Anlise dos resultados
A anlise fatorial revelou o conjunto mais homogneo de variveis, dentro de
cada fator. Para as variveis estruturais o conjunto sala de aula, quadro negro e estado
das carteiras alcanou o melhor poder explicativo, 22,57%, e pode ser pensado como
estrutura nica para possveis investimentos. As variveis pedaggicas creditam o
maior poder explicativo as variveis condies de estudo, material didtico para o
professor, material didtico para o aluno, grau de comprometimento dos professores
com relao a escola que lecionam e a varivel de que maneira o aluno gostaria de ser
avaliado, atingindo o ndice de 27,91% e podem ser pensadas como estrutura nica em
investimentos pedaggicos. Olhando para as variveis auxiliares que favorecem a
aprendizagem o modelo melhor explicado pelas variveis que consideram que o
estudante ou que a sua famlia no recebe ajuda de programas sociais, possui vdeo
cassete, DVD, aparelho de som, televisor, tm computador e conectado com a internet,
57
o banheiro dentro de casa, tm asfalto na rua em que mora e que a renda mensal da
famlia acima de trs salrios mnimos. Tais variveis so altamente correlacionadas e
explicam 34% da variabilidade de dados do modelo, assim sendo, a melhora em tais
estruturas auxiliares melhora a expectativa do conjunto todo.
Como meio de identificar, dentre as vinte e duas instituies de ensino, aquelas
que melhor representam as estruturas fsicas, pedaggicas e de bens auxiliares para que
sirvam de modelo e de parmetro para as demais instituies, no pesquisadas, foi feita
a anlise de regresso. A regresso para as variveis estruturais aponta a variao de
erro no intervalo de 0,0000 at 0,3721. Vinte e cinco por cento das instituies
apresentam erros menores ou iguais a 0,011575, cinquenta por cento das escolas
possuem erro menor ou igual a 0,05085 e vinte e cinco por cento apresentam erros
maiores ou iguais a 0,178525. Com relao as variveis pedaggicas os resultados da
anlise de regresso mostram um erro quadrado que varia entre 0,0025 e 0,2704, sendo
estas a melhor e a pior previso, respectivamente, obtida pela equao de regresso
dentro das expectativas de nvel de aprendizagem pesquisado. O primeiro quartil, das
variveis pedaggicas, de 0,030675, a mediana de 0,073 e o terceiro quartil de
0,146325. Esses dados apontam que, em torno de seis escolas, apresentam erros de
regresso, iguais ou inferiores a 0,030675, entre o nvel de aprendizagem desejvel e o
previsto pelo modelo de regresso. No tocante as variveis auxiliares, a equao de
regresso multivariada selecionada como modelo apresenta erros quadrados de
regresso que variam entre 0,0001 e 2,0736. Vinte e cinco por cento das escolas
apresentam erros superiores ou iguais a 0,6455, estando entre os piores ndices,
avaliados na pesquisa, no que diz respeito a estrutura de variveis auxiliares, propostas
neste artigo, e comparadas com os ndices de aprendizagens desejveis pelas escolas. J,
as vinte e cinco por cento, melhores instituies, em torno de seis, apresentam erros
quadrados iguais ou inferiores a 0,024825, e onze escolas, cinquenta por cento do total,
apresentam erros quadrados iguais ou inferiores a 0,14825.
6 Consideraes Finais
Partindo das primcias de que para uma escola pblica de qualidade so
necessrios recursos estruturais, pedaggicos e de caractersticas classificadas, no
referido artigo, como auxiliares que avaliou-se, segundo pesquisa, e com o uso das
58
tcnicas estatsticas da anlise fatorial e da anlise de regresso as vinte e duas
instituies escolas/colgios da regio sul do Paran.
As diretrizes curriculares da educao bsica da secretaria de Estado da
Educao do Paran (2008), na dimenso do conhecimento estende, ao estudante, que
esse tenha uma formao necessria para o enfrentamento com vistas a transformao
da realidade social, econmica e poltica de seu tempo. Nesse sentido, o trabalho
oferece mais um modelo para a avaliao das instituies de ensino a partir de dados
que medem a estrutura fsica e pedaggica das escolas/colgios. Tal avaliao pode
servir de meio ou ajuda, no que tratado na escola, por meio dos contedos das
disciplinas, pois, oferece base para a anlise estrutural, pedaggica e social, da clientela
e das instituies, escolas/colgios de ensino, tendo como fim uma escola que se forma
por fatores internos e por fatores ditos externos como os determinados pelo regime
scio-poltico, famlia, trabalho, assim como, caractersticas sociais e culturais do
pblico escolar.
Referncias
CRESPO, A. A. Estatstica Fcil. So Paulo: Saraiva, 2002.
DE SOUZA, P. N. P. LDB e Educao Superior. Thomson Learning, 2001.
DOWNING, D.; CLARK, J. Estatstica Aplicada. So Paulo: Saraiva, 2006.
GOVERNO DO ESTADO DO PARAN; SECRETARIA DE ESTADO DA EDUCAO;
SUPERINTENDNCIA DA EDUCAO. Diretrizes Curriculares de Matemtica para as Sries
Finais do Ensino Fundamental e para o Ensino Mdio. Curitiba: 2008.
HAIR Jr, J. F.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W.C. Anlise Multivariada de Dados.
Porto Alegre: Bookman, 2005.
SAMPAIO, B.; GUIMARES, J. Diferenas de eficincia entre ensino pblico e privado no Brasil.
Revista Economia Aplicada. Volume 13. Ribeiro Preto, 2009.
SMAILES, J.; MCGRANE, A. Estatstica Aplicada Administrao com Excel. So Paulo: Atlas,
2002.

59
STUDY AND APPLICATION OF MULTIVARIATE DATA
ANALYSIS FOR VALIDATION OF PHYSICAL AND
TEACHING STRUCTURES OF PUBLIC SCHOOLS OF
SOUTHERN PARANA

Abstract
The Brazilian educational system includes the federal, state and municipal levels and is
composed by public and private institutions. This work investigates the structural,
pedagogical and auxiliary (social) variables that best correlate with education and how
each school structure responds to the interests of learning. We evaluated twelve
structural variables, twelve pedagogical variables and thirty-four auxiliary variables.
The research was conducted with a stratified sample on twenty-two public schools in
southern Parana. The tools of analysis are multivariate statistical data with factor
analysis and regression analysis. The results indicate the sets of variables that best
correlate, listed under factor, and indicate which educational institutions are the best
models of physical, pedagogical and auxiliary (social) infrastructure, which serves as a
parameter for both financial resource allocation and for the school management.
Key-words: Educational; School; Multivariate Analysis.

CADERNOS DO IME
Srie Estatstica

A revista Cadernos do IME um veculo de divulgao de trabalhos
acadmicos publicado pelo Instituto de Matemtica e Estatstica da
Universidade do Estado do Rio de Janeiro.
A revista semestral, sendo publicada em junho e dezembro. So aceitos
trabalhos inditos e que apresentem elementos de originalidade, em
portugus, ingls ou espanhol.
Os Cadernos do IME aceitam os seguintes tipos de contribuies:
Artigo tcnico, trabalho de pesquisa com elementos de
originalidade;
Resenha / Reviso, reviso de literatura e anlise crtica de produtos;
Comunicao, texto destinado destinado informao sobre
trabalhos de graduao e de ps-graduao; divulgao de
opinies, pesquisas em andamento.
Os artigos no devem ultrapassar 14 pginas.

Os arquivos digitais no formato word devero ser encaminhados aos editores.

As chamadas de trabalho e o modelo de formatao esto disponveis na
pgina da revista em http://www.ime.uerj.br/cadernos/cadest/

Processo de Avaliao: Os artigos submetidos publicao so avaliados em
sistema blind-review por consultores ad-hoc pertencentes ao corpo de
avaliadores da revista. Com base nestas avaliaes, a Editoria da revista
selecionar os artigos para publicao.

Os contedos e pontos de vista expressos nos trabalhos publicados so de
inteira responsabilidade dos autores.

Correspondncia:
Universidade do Estado do Rio de Janeiro
Instituto de Matemtica e Estatstica
Rua So Francisco Xavier, 524 - Pavilho Reitor Joo Lyra Filho- 6 andar
Maracan - 20550-900 Rio de Janeiro, RJ
Telefax: 21 2334-0144
www.ime.uerj.br/cadernos/cadest

Ricardo Vieiralves de Castro
Reitor

Maria Christina Paixo Maioli
Vice-Reitora

Maria Georgina Muniz Washington
Diretora do Centro de Tecnologia e Cincia

Srgio Luiz Silva
Diretor do Instituto de Matemtica e Estatstica

Geraldo Magela da Silva
Vice- Diretor do Instituto de Matemtica e Estatstica

Rubens Andre Sucupira
Departamento de Anlise Matemtica

Jssica Ruth Gavia Zurita
Departamento de Estruturas Matemticas

Mara de Carvalho de Souza
Departamento de Geometria e Representao Grfica

Mariluci Ferreira Portes
Departamento de Informtica e Cincia da Computao

Guilherme Caldas de Castro
Departamento de Estatstica

Maurcio Pereira dos Santos
Departamento de Matemtica Aplicada

apoio

Cadernos Do IME - Serie Estatistica Vol 28

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cadernos Do IME - Serie Estatistica Vol 28

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO

S o desvio-padro mdio do processo;

R a amplitude mdia do processo;

X da Figura 6 para a linha do Valor alvo, mantendo-se a

Você também pode gostar